JP3664475B2 - 情報処理方法、情報処理システム、プログラムおよび記録媒体 - Google Patents

Description

【０００１】
【発明の属する技術分野】
本発明は、情報処理方法および情報処理システムに関する。特に、一般的なウェブページ用に作成されたページデザインを小面積デバイス等に表示するための変換ソフトや音声ブラウザ等の読み上げソフトに利用できるアノテーションの付与効率の向上に適用して有効な技術に関する。
【０００２】
【従来の技術】
インターネット利用の一般化および多様化を背景に、インターネットに接続するための機器も多様化している。すなわち、従来インターネットに接続するための機器として、対角１２インチ乃至２０インチ程度の表示面積を有するＣＲＴ（Cathode Ray Tube）、液晶表示装置、プラズマディスプレイ装置等を備えたコンピュータシステムが利用されている。
【０００３】
しかし、携帯性を重視する場合や携帯電話とのインテグレーションを考慮してＰＤＡ（Personal digital assistants）やｉモード携帯電話の普及が急速に広がりつつある。これら携帯性を重視する機器では、表示面積が小さいのが一般的である。また、たとえば視覚障害者の場合、表示装置を視認してコンピュータ出力を確認できないので、たとえば音声ブラウザ等の読み上げソフトの利用が図られる。これら読み上げソフトは視覚障害者のみならず、コンピュータに慣れ親しまない人たちとのヒューマンインタフェイスを向上することも期待され、コンピュータシステムのより広い普及を促す技術として期待される。さらに、ウェアラブルコンピュータの場合には、必然的に表示装置の面積は小さくならざるを得ないので、音声出力が主または補助的な出力手段になると予想される。
【０００４】
ところで、一般的なウェブサイトにおけるページレイアウトは、対角１２インチ乃至２０インチ程度の表示面積を有する通常のコンピュータシステムの表示装置を前提にデザインされる。また、表示装置への出力を前提にしているので、もとより視認できる晴眼者の使用を前提にしている。つまり表示部の上部あるいは左側に、サイト内のメニュー領域（リンク情報等が埋め込まれる）や広告用のバナー等が配置され、晴眼者が２次元的に視認しやすいように各情報の表示位置がレイアウトされる。通常そのページ固有の情報はページレイアウトの中央部や後半部分に配置されることが多い。
【０００５】
このような晴眼者用かつ大面積の表示装置用にレイアウトされているウェブページをＰＤＡや携帯電話あるいは音声ブラウザで表示または出力しようとした場合、通常ページの先頭部分に配置される情報（フレーム情報や広告等）が邪魔になる場合が多い。これらフレーム情報や広告等の二次的な情報は、晴眼者用大面積表示においては表示を見易くし、また使い勝手を向上するために有用であるが、小面積デバイスや音声ブラウザのユーザのためには、本来必要なそのページに固有の情報こそが必要であり、前記二次的な情報はむしろ邪魔になる。
【０００６】
そこで、大面積用にデザインされたページファイルを小画面デバイスや音声ブラウザを用いて出力する場合、本来必要な固有の情報に素早くアクセスする手段が必要である。この手段の一例に、ページファイルにアノテーションを付与する手法が知られている。すなわち、ページファイルの構造や各部位の重要度等の情報を外部ファイルに記述し、ページファイルを簡略化する際にこのアノテーションを参照してより迅速にまた高精度に簡略化を実行できるようにする。
【０００７】
【発明が解決しようとする課題】
しかし、各ページファイルへのアノテーションの付与は容易ではない。一般に各ページファイルをブラウジングし、表示を確認しながら重要度を判断してアノテーションを付す作業が必要になり、ボランティア等の人手に頼らざるを得ない。特に、ニュースサイトやデータベースサイトの場合にはページファイルが大量に存在するので、アノテーション付与の労力が膨大になる。また、たとえばニュースファイルのようにページファイルのＵＲＬ（Uniform Resource Locator）に日付データを含めて煩雑に新規ファイルが生成されるような場合には、一旦アノテーションを付しても再度アノテーション付与を行う必要がある。
【０００８】
本発明の目的は、ページファイルへのアノテーション付与の作業を効率的に行う手法を提供することにある。
【０００９】
【課題を解決するための手段】
本発明の概要を説明すれば以下の通りである。すなわち、本発明は、ＨＴＭＬ（Hypertext Markup Language）文書等におけるタグの構造から同一のレイアウトを用いたページ群を検出し、それらのページ間でアノテーションを共有するための手法である。ユーザが指定したサイト内のページに対しＨＴＭＬ文書等レイアウト構造を有するファイルの解析を行い、レイアウトを決定する要因となるタグ（以下レイアウトタグと称する）を列挙する。この際、ＨＴＭＬ等の文書内でのレイアウトタグの構造が明らかになるよう、ページ内での位置を特定するための書式、たとえばＸＰａｔｈ、Ｘｐｏｉｎｔｅｒやツリー形式などの書式を用いた構造記述式となるようレイアウトタグを記述するとともに、それぞれのレイアウトタグ（構造記述式）の特徴値を導出する。次にそれらの情報を基に、ページ間の距離を計算することにより、同一レイアウトを用いているページ群およびレイアウトの一部を共有しているページ群を自動的に検出しユーザに提示する。そして、ユーザにより、ページ群を代表する１つのページにアノテーションが付加されると、同一レイアウトを用いているページ群の全てに対応するアノテーションを付加する。また、レイアウトを共有しているページがあった場合は、まず、共有部分へのアノテーション付加を行い、次にそれぞれのページ群が独立に保持している部分へのアノテーション付加を行う。これにより効率的なアノテーション付加が可能となる。
【００１０】
また、本発明では、ユーザが提示されたページ群をさらに分割・統合するなどの修正を加えた場合には、その結果を用いて距離計算式を修正することができる。これにより、以降のページ群分割の精度を向上させることができる。
【００１１】
【発明の実施の形態】
以下、本発明の実施の形態を図面に基づいて詳細に説明する。ただし、本発明は多くの異なる態様で実施することが可能であり、本実施の形態の記載内容に限定して解釈すべきではない。なお、実施の形態の全体を通して同じ要素には同じ番号を付するものとする。
【００１２】
以下の実施の形態では、主に方法またはシステムについて説明するが、当業者であれば明らかなとおり、本発明は方法、システムの他、コンピュータで使用可能なプログラム、あるいはプログラムが記録された媒体としても実施できる。したがって、本発明は、ハードウェアとしての実施形態、ソフトウェアとしての実施形態またはソフトウェアとハードウェアとの組合せの実施形態をとることができる。プログラムが記録された媒体としては、ハードディスク、ＣＤ−ＲＯＭ、光記憶装置または磁気記憶装置を含む任意のコンピュータ可読媒体を例示できる。
【００１３】
また以下の実施の形態では、一般的なコンピュータシステムを用いることができる。実施の形態で用いるコンピュータシステムには、中央演算処理装置（ＣＰＵ）、主記憶装置（メインメモリ：ＲＡＭ）、不揮発性記憶装置（ＲＯＭ）等を有し、バスで相互に接続される。バスには、その他コプロセッサ、画像アクセラレータ、キャッシュメモリ、入出力制御装置（Ｉ／Ｏ）等が接続されてもよい。バスには、適当なインタフェイスを介して外部記憶装置、データ入力デバイス、表示デバイス、通信制御装置等が接続される。その他、一般的にコンピュータシステムに備えられるハードウェア資源を備えることが可能なことは言うまでもない。外部記憶装置は代表的にはハードディスク装置が例示できるが、これに限られず、光磁気記憶装置、光記憶装置、フラッシュメモリ等半導体記憶装置も含まれる。データ入力デバイスには、キーボード等の入力装置、マウス等ポインティングデバイス、ペン入力装置、タブレット装置等を備えることができる。データ入力デバイスにはスキャナ等の画像読み取り装置、音声入力装置も含む。表示装置としては、ＣＲＴ、液晶表示装置、プラズマ表示装置が例示できる。また、コンピュータシステムには、パーソナルコンピュータ、ワークステーション、メインフレームコンピュータ等各種のコンピュータが含まれる。
【００１４】
図１は、本発明の一実施の形態である情報処理システムの一例を示したブロック図である。本実施の形態の情報処理システム１は、データベース２、ページ取得モジュール３、ＨＴＭＬファイル解析モジュール４、ページ群検出モジュール５、アノテーション付加モジュール６、距離計算式修正モジュール７を有する。
【００１５】
データベース２は、後述する各モジュールで生成されるデータやウェブサーバ８から取得したページファイル（ＨＴＭＬファイルともいう）を記録する。データベース２は本実施の形態の情報処理システム１内に備えられるハードディスクドライブ等の記憶装置とデータの入出力を制御するソフトウェアで構成される。しかし必ずしも情報処理システム１内に備えられる必要はなく、たとえばＵＲＬによって特定される外部ファイルであっても良い。また、データベース２は集中的に管理される必要もなく、分散的に記録管理されてもよい。つまり、適当なアドレス指定手段によって必要なデータの入出力が実現できる限り、物理的な記録デバイスの存在場所や形態に関わらず、本実施の形態のデータベース２を構成できる。
【００１６】
ページ取得モジュール３は、ユーザによる目的ＵＲＬ条件９の入力を受けて、目的ＵＲＬとそれに関連するＵＲＬの内容であるウェブページをウェブサーバ８から取得する。取得要求は、たとえばＨＴＴＰ（Hypertext Transfer Protocol）により発する。取得された目的ＵＲＬのＨＴＭＬファイル（ページファイル）はデータベース２に記録される。
【００１７】
ページ取得モジュール３は、まず、目的ＵＲＬを含むＵＲＬリストを生成し、目的ＵＲＬのページファイルを取得する。次に、目的ＵＲＬのサイト内のページをリストアップすることにより関連するＵＲＬを取得する。たとえば、目的ＵＲＬのページ内に含まれるＵＲＬ（たとえば＜ａ＞タグのｈｒｅｆアトリビュートから得る）を列挙する。この中からユーザの指定した範囲内に含まれるＵＲＬのみを選択し、ＵＲＬリストに加える。次にＵＲＬリスト内のページを順に取得し、取得したページファイルをデータベース２に記録する。取得した関連ＵＲＬに関連するＵＲＬを含む場合には、それぞれの関連ＵＲＬに対して同様の操作を再帰的に行う。これにより、サイト内でリンクが張られたページを取得できる。この際、既にＵＲＬリストに出現したＵＲＬの二重登録は行わないようにする。ＵＲＬリストはデータベース２に記録される。
【００１８】
ＨＴＭＬファイル解析モジュール４は、ページ取得モジュール３で取得したページファイルを解析し、ページレイアウトに影響を及ぼすレイアウトタグのリストアップとその特徴値の導出とを行う。
【００１９】
図２は、ＨＴＭＬファイル解析モジュール４の構成の一例を示したブロック図である。ＨＴＭＬファイル解析モジュール４は、ＨＴＭＬパーザ２０とレイアウトタグリストアップモジュール２１と特徴値導出モジュール２２とを有する。
【００２０】
ＨＴＭＬパーザ２０は、ページ取得モジュール３で取得されたＨＴＭＬファイル（ページファイル）を解析し、ＤＯＭツリー等、タグの構造記述式が容易に取得できる形式に変換する。
【００２１】
レイアウトタグリストアップモジュール２１は、ＨＴＭＬパーザ２０で得られたタグ構造について、レイアウト構造に影響を与えるタグ（レイアウトタグ）を構造記述式を用いてリストアップする。なお、レイアウトタグとしては、例えば、「ｔａｂｌｅ」、「ｔｂｏｄｙ」、「ｔｒ」、「ｔｄ」、「ｔｈ」、「ｈｒ」などが例示できる。また、構造記述式には、例えばＸＰａｔｈ、ＸＰｏｉｎｔｅｒなどのページ内での位置を特定するための書式あるいはツリー形式等の書式を適用できる。
【００２２】
特徴値導出モジュール２２は、リストアップされたレイアウトタグについて、当該タグがもつアトリビュート（Attribute：属性ともいう）や、当該タグのサブツリー内に含まれるエレメント（element：要素ともいう）等の情報をその特徴値として構造記述式に関連付ける。特徴値として、以下のようなアトリビュートやエレメントを例示できる。すなわち、レイアウトタグ「ｔａｂｌｅ」に対しては、「ａｌｉｇｎ」，「ｂｇｃｏｌｏｒ」，「ｂｏｒｄｅｒ」，「ｃｅｌｌｐａｄｄｉｎｇ」，「ｃｅｌｌｓｐａｃｉｎｇ」，「ｗｉｄｔｈ」が、レイアウトタグ「ｔｂｏｄｙ」に対しては、「ａｌｉｇｎ」，「ｖａｌｉｇｎ」が、レイアウトタグ「ｔｒ」に対しては、「ａｌｉｇｎ」，「ｂｇｃｏｌｏｒ」，「ｖａｌｉｇｎ」が、レイアウトタグ「ｔｄ」あるいは「ｔｈ」に対しては、「ａｌｉｇｎ」，「ｂｇｃｏｌｏｒ」，「ｃｏｌｓｐａｎ」，「ｈｅｉｇｈｔ」，「ｒｏｗｓｐａｎ」，「ｖａｌｉｇｎ」，「ｗｉｄｔｈ」などのアトリビュート（属性）に加えテキストや画像などのエレメント（要素）の有無およびそのサイズなどが、レイアウトタグ「ｈｒ」に対しては、「ａｌｉｇｎ」，「ｗｉｄｔｈ」，「ｓｉｚｅ」，「ｎｏｓｈａｄｅ」が例示できる。
【００２３】
ＨＴＭＬファイル解析モジュール４は、レイアウトタグリストアップモジュール２１および特徴値導出モジュール２２で取得され、構造記述式で表現されたレイアウトタグおよびそれに関連付けられた特徴値を前記ＵＲＬリストの各ＵＲＬに関連付け、データベース２に記録する。
【００２４】
図３は、ＵＲＬリストに含まれるＵＲＬとそのＵＲＬに関連するレイアウトタグと特徴値の例を示した図である。
たとえば「http//www.ibm.com/index.html」のＵＲＬには、構造記述式（この場合ＸＰａｔｈ）で記述されたレイアウトタグ「/html[1]/body[1]/table[1]」と、「/html[1]/body[1]/table[1]/tr[1]/td[1]」とが含まれ、「/html[1]/body[1]/table[1]」には、「width=200,bgcolor=blue,…」の特徴値が関連付けられ、「/html[1]/body[1]/table[1]/tr[1]/td[1]」には、「bgcolor=red,…」の特徴値が関連付けられている。
【００２５】
ページ群検出モジュール５は、ＨＴＭＬファイル解析モジュール４によって導出されたレイアウトタグおよびその特徴値を利用してページ間距離を求める機能をもつ。この機能を用いて同一あるいは類似のレイアウト構造をもつページ群をレイアウトグループとして抽出する。また、ページファイルの一部の領域について、他のページファイルと共通のレイアウト構造をもつ共通レイアウトを算出し、それらをレイアウト共有グループとして抽出する機能を持つ。
【００２６】
図４は、ページ群検出モジュール５の構造の一例を示したブロック図である。ページ群検出モジュール５は、ページ間距離計算モジュール４１、レイアウトグループ判別モジュール４２、代表値計算モジュール４３、レイアウト間距離計算モジュール４４、レイアウト共有グループ判別モジュール４５を有する。
【００２７】
ページ間距離計算モジュール４１は、レイアウトタグに関連付けられている特徴値から、そのレイアウトタグが属するページファイルと他のページファイルとの距離を計算する機能を持つ。レイアウトグループ判別モジュール４２は、ページ間距離計算モジュール４１で計算されたページ間距離が互いに所定の範囲内にあるページファイルをレイアウトグループとして抽出する。代表値計算モジュール４３は、レイアウトグループとして群化された互いに同一または類似のレイアウト構造を有するページファイル群の代表値を計算する。レイアウト間距離計算モジュール４４は、レイアウトグループ間の距離を計算する機能を持ち、レイアウト共有グループ判別モジュール４５は、レイアウトグループを構成するページファイルの一部の領域について他のレイアウトグループを構成するページファイルで共通に持つ同一または類似のレイアウト構造があるかを計算し、このような共有レイアウトがある場合には、これらレイアウトグループを構成するページファイルをレイアウト共有グループとして抽出する。
【００２８】
ページ間の距離を算出する手法はいくつか考えられる。ここではレイアウトタグおよびその特徴値に重み付けを行い、それぞれのタグ間の距離の総和をページ間距離とする手法を一例として説明する。距離を計算する２つのページに含まれるレイアウトタグの構造記述式の集合をそれぞれＡ，Ｂとするとページ間距離Ｄは以下のような式で表される。
【００２９】
Ｄ＝Σｄ_ｉ（Ｔ_ｉ）
ここで、Ｔ_ｉはＡ∪Ｂを満たすレイアウトタグのｉ番目の要素であり、ｄ_ｉはレイアウトタグＴ_ｉの距離関数である。ただし、ｉは１≦ｉ≦（Ａ∪Ｂを満たすレイアウトタグの総数）である。
【００３０】
距離関数ｄ_ｉはレイアウトタグＴ_ｉの関数であり、Ｔ_ｉ∈（Ａ∩Ｂ）の場合には、
ｄ_ｉ（Ｔ_ｉ）＝Ｗ_ｉ＊ΣＷ_Ｃｉｊ＊（ｆ_ｉ（Ｃ_Ａｉｊ，Ｃ_Ｂｉｊ））
その他の場合には、
ｄ_ｉ（Ｔ_ｉ）＝Ｗ_ｉ＊Ｌ_ｉ
である。ここで、Ｗ_ｉはレイアウトタグＴ_ｉの重み係数であり、たとえば「１」を例示できる。Ｃ_ｉｊはレイアウトタグＴ_ｉにおける特徴値ｊの値である。Ｗ_ＣｉｊはレイアウトタグＴ_ｉにおける特徴値Ｃ_ｉｊの重み係数であり、たとえば「１」を例示できる。ｆ_ｉは特徴値間の距離を表す関数であり、たとえば特徴値が同一の時には「０」を返し、異なるときには「１」を返す関数を採用できる。また、Ｌ_ｉはレイアウトタグＴ_ｉが一方のページにのみ存在する場合の距離定数である。たとえば「Ｌ_ｉ＝５」を採用できる。
【００３１】
ページ間距離計算モジュール４１は上記のような手法を用いてページ間距離Ｄを算出し、このページ間距離Ｄを利用してレイアウトグループ判別モジュール４２が同一または類似のレイアウトをグループ化する。判別手段には、たとえばクラスタリング等の手法を用いることができ、類似の範囲の判断基準としてたとえば前記手法で算出されたレイアウト間距離Ｄが「１０」以下のものを例示できる。
【００３２】
このようにして生成されたレイアウトグループを構成するページファイルの一例を図５に示す。図５（ａ）はあるページファイルをブラウジングして示した画面図であり、図５（ｂ）は、他のページファイルをブラウジングして示した画面図である。前記した手法で求めたページ間距離はこの場合「０」である。すなわち、ページレイアウトの構造に関する限り図５（ａ）のファイルと図５（ｂ）のファイルはレイアウトタグ、特徴値ともに同一である。よって、同一のレイアウトグループにグループ化される。ただし、レイアウト構造に関連しない内容（たとえばテーブル要素の各コンテンツ）が相違するのは勿論である。
【００３３】
また、同一レイアウトグループを構成するページファイルの他の例を図６に示す。図６（ａ）はあるページファイルをブラウジングして示した画面図であり、図６（ｂ）は、他のページファイルをブラウジングして示した画面図である。前記した手法で求めたページ間距離はこの場合「３」である。両ページファイルはレイアウトタグの構造に関しては同一の構造をもつ。しかし、たとえば矢印で示した部分のレイアウトに関するレイアウトタグの特徴値（例示の場合表示色）が相違する。このような相違によりページ間距離が「３」と計算されている例である。ただし距離「１０」以内なので類似と判断され両ページファイルは同一のレイアウトグループにグループ化される。
【００３４】
図７は、同一レイアウトグループにはグループ化されないページファイルの一例を示した画面図である。（ａ）、（ｂ）ともにページファイルがブラウジングされて示されているのは図５、６と同様である。この場合、両ページファイルのレイアウトタグの構造は同じである。しかし、特徴値の相違が大きく別レイアウトと判断された例である。たとえば矢印で示す部分のレイアウトタグ「ｔｄ」は、図７（ａ）では「ｗｉｄｔｈ」等を設定したうえで文字が配置されているのに対し、図７（ｂ）では単に画像が配置されている。また、図７（ａ）ではレイアウトタグ「ｔｒ」において「ｂｇｃｏｌｏｒ」が設定されているのに対し、図７（ｂ）では設定されていない。これら相違によってページ間距離Ｄは「１４」と計算され、異なるレイアウトグループにグループ化される。
【００３５】
以上のようにして同一または類似のページファイルがグループ化される。グループ化されたレイアウトグループは、データベース２に記録される。
【００３６】
次に、ページファイル内の一部領域のレイアウトが共通するレイアウト共有グループの抽出に係る部分について説明する。
【００３７】
代表値計算モジュール４３は、前記手法で得られたレイアウトグループごとにレイアウトタグおよびその特徴値の代表値を導出する。まず、レイアウトグループを代表するレイアウトタグを導出する。代表タグの導出方法としては、レイアウトグループ内の各ページファイルに含まれるレイアウトタグの和集合や積集合を取る手法が例示できる。あるいは、あるレイアウトタグが存在するページファイル数がある閾値を超えたレイアウトタグについての集合を取る方法を例示できる。その他レイアウトグループのレイアウトタグを代表する任意の手法を用いることができる。次に、選択されたレイアウトタグについて、それぞれの特徴値を決定する。特徴値を決定するための手法としては、レイアウトグループ内の各ページファイルが持つ特徴値の多数決あるいは平均を取る方法などが例示できる。
【００３８】
レイアウト間距離計算モジュール４４は、代表値計算モジュール４３によって導出されたレイアウトグループごとの代表値を利用して、レイアウトグループ間の距離を計算する。
【００３９】
レイアウトグループ間の距離を算出する手法はいくつか考えられる。ここではレイアウトタグおよびその特徴値に重み付けを行い、それぞれのタグ間の距離の総和をレイアウト間距離とする手法を一例として説明する。距離を計算する２つのレイアウトグループの代表タグの集合をそれぞれＡ’，Ｂ’とするとレイアウト間距離Ｄ’は以下のような式で表される。
【００４０】
Ｄ’＝Σｄ_ｉ’（Ｔ_ｉ）
ここで、Ｔ_ｉはＡ’∪Ｂ’を満たすレイアウトタグのｉ番目の要素であり、ｄ_ｉ’はレイアウトタグＴ_ｉの距離関数である。ただし、ｉは１≦ｉ≦（Ａ’∪Ｂ’を満たすレイアウトタグの総数）である。
【００４１】
距離関数ｄ_ｉ’はレイアウトタグＴ_ｉの関数であり、Ｔ_ｉ∈（Ａ’∩Ｂ’）の場合には、
ｄ_ｉ’（Ｔ_ｉ）＝Ｗ_ｉ’＊（Ｍ_ｉ＋ΣＷ_Ｃｉｊ’＊（ｆ_ｉ’（Ｃ_Ａｉｊ，Ｃ_Ｂｉｊ））
その他の場合には、
ｄ_ｉ’（Ｔ_ｉ）＝Ｗ_ｉ’＊Ｌ_ｉ’
である。ここで、Ｗ_ｉ’はレイアウトタグＴ_ｉの重み係数であり、たとえば「１」を例示できる。Ｃ_ｉｊはレイアウトタグＴ_ｉにおける特徴値ｊの値である。Ｗ_Ｃｉｊ’はレイアウトタグＴ_ｉにおける特徴値Ｃ_ｉｊの重み係数であり、たとえば「１」を例示できる。ｆ_ｉ’は特徴値間の距離を表す関数であり、たとえば特徴値が同一の時には「０」を返し、異なるときには「１」を返す関数を採用できる。Ｍ_ｉは、レイアウトタグが双方のレイアウトグループに存在する時の距離定数である。Ｌ_ｉ’はレイアウトタグＴ_ｉが一方のレイアウトグループにのみ存在する場合の距離定数である。このようにしてレイアウトグループ間の距離Ｄ’が計算できる。
【００４２】
レイアウト共有グループ判別モジュール４５は、レイアウト間距離計算モジュール４４によって導出されるレイアウト間距離Ｄ’を利用し、クラスタリングなどの手法を用いることによりグループ化を行う。そして、レイアウトの一部を共有していると思われるページ群（レイアウト共有グループ）の候補を列挙する。
【００４３】
なお、前記したレイアウトグループあるいはレイアウト共有グループには固有のレイアウトＩＤを割当てる。
【００４４】
アノテーション付加モジュール６は、ユーザからのアノテーション付加１０に応答して、グループ単位でアノテーションを付加する。アノテーション付加モジュール６は、レイアウトグループに対して割当てられた固有のレイアウトＩＤとアノテーションを関連付けることにより、レイアウトグループ全体へのアノテーション付加を実現する。
【００４５】
アノテーションの付加に際しては、ページ群検出モジュール５により検出されたページ群（レイアウトグループあるいはレイアウト共有グループ）をユーザに提示する。この際、レイアウトの共有関係をグラフ表記などを用いて表す事により、ユーザが容易に理解できるように提示することができる。
【００４６】
提示されたページ群の中からユーザがアノテーションを付けるページを選択し、アノテーションを付加する。そうすると、当該ページのレイアウトＩＤに関連付ける形でアノテーションがデータベース２に保存される。この際、レイアウト共有グループが存在した場合には、共通して保持しているタグ構造（以下、共通レイアウトという）に付加されたアノテーションを複製し、各レイアウト共有グループのレイアウトＩＤに関連付けて保存する。
【００４７】
ユーザがアノテーション付けを行うページとして、既に共通レイアウト部分にアノテーション付けされたページを選択した場合には、共通レイアウト部分を強調表示するとともに、アノテーション情報を参照できるような形でユーザに提示することができる。従って、ユーザは当該レイアウトグループが独立して保持している部分のみにアノテーション付けを行うだけでページ全体へのアノテーション付加が行える。
【００４８】
距離計算式修正モジュール７は、ユーザがレイアウトグループの分割や統合を行ったり、あるいは共有関係の分離を行ったときに、そのような分割・統合あるいは分離を反映するように距離計算の各パラメータを修正する機能を持つ。
【００４９】
ユーザが提示されたページ群を統合・分割するなどの修正を加えた場合には、その結果を用いてページ間距離計算式を修正し、以降のページ群分割の精度を向上させることができる。このような修正手法には各種の手法が考え得る。ここでは、レイアウトタグおよび特徴値への重み付けの変更によりページ間距離式を変更する手法について述べる。
【００５０】
レイアウトグループの分割が指示された場合は、分割後のグループ間で相違のあるレイアウトタグおよび特徴値に注目し、その相違するレイアウトタグおよびその特徴値の重みを増加することにより、以降のページ群検出において別のレイアウトグループとして検出されるようにページ間距離計算式を変更する。なお、分割後のグループ間で一致するレイアウトタグおよび特徴値の重みを減少させても良い。
【００５１】
レイアウトグループの合併（統合）が指示された場合は、上記とは逆に、相違のあるレイアウトタグおよび特徴値の重みを減少することにより、以後のページ群検出およびレイアウト共有判別において同一ページ群もしくはレイアウト共有グループと判別されるよう式の変更を行う。なお、併合後のグループ間で一致するレイアウトタグおよび特徴値の重みを増加させても良い。
【００５２】
また、レイアウト共有関係の解除（分離）などの修正を加えた場合には、上記と同様にしてレイアウトグループの代表値間で相違のあるレイアウトタグおよび特徴値に注目し、その重み付け等を変更することによりレイアウト間距離計算式を修正し、以降のレイアウト共有判別の精度を向上させることができる。
【００５３】
以上、本実施の形態の情報処理システムの全体を説明した。次に、このシステムを用いてアノテーション付加を行う方法について説明する。
【００５４】
まず、ユーザは目的のサイトのＵＲＬとアノテーションをつける対象の条件（ディレクトリや更新日時など）を指定する。そうすると、前記システムはページ取得モジュール３により対象となるＨＴＭＬファイルを取得し、ＨＴＭＬファイル解析モジュール４によるページファイルの解析の後、ページ群検出モジュール５によりレイアウトグループおよびレイアウト共有グループの検出を行う。
【００５５】
次に、たとえば構成するページファイルの数の多い順等、任意の順番でユーザにレイアウトが同一であると推定されたページ群（レイアウトグループ）を提示し、ページ群内の任意のページ（ページファイル）にアノテーション付加を要求する。
【００５６】
図８は、アノテーション付加の処理の一例を示したフローチャートである。まず、前記のとおり、データベース２からレイアウトグループ（ページ群）を取得し、ユーザに提示する（ステップ５０）。その後、全レイアウトグループについてアノテーションが付加されたかを判断し（ステップ５１）、全レイアウトグループについてアノテーションが付加されている場合には処理を終了する（ステップ５２）。アノテーションが付加されていないレイアウトグループが残存する場合にはステップ５３以降の処理に進む。
【００５７】
ステップ５３では、まず任意のレイアウトグループ（ページ群）を選択する（ステップ５３）。このページ群に関連付けるレイアウトＩＤとして、レイアウトＩＤ（１）が決定される（ステップ５３）。
【００５８】
次に、ユーザによりページ群（レイアウトグループ）内の任意のページ（ページファイル）が選択される（ステップ５４）。選択されたページファイルは適当なブラウザによってユーザに提示される。ユーザはこの表示画面を見ながらアノテーションを付加する（ステップ５５）。たとえばＰＤＡや小画面デバイスのための画面分割や音声ブラウザのためのコンテンツ内容ごとへのジャンプ用リンクを付加する。この付加されたアノテーションにはレイアウトＩＤ（１）が付与され、関連付けられる（ステップ５５）。
【００５９】
アノテーションの付与後、たとえばページ群内の適用可能ページ数を提示し、このページ全体に付与したアノテーションを提供するか、あるいは個別にアノテーション付与の適用を判断するかをユーザに選択させる。つまり、ページ群（レイアウトグループ）全体へのアノテーションの適用が可能かを判断する（ステップ５６）。ステップ５６の判断がｙｅｓの場合、ページ内の全ページファイルにレイアウトＩＤ（１）が付与される（ステップ５７）。その後、レイアウト共有グループへのアノテーション付与のステップ（ステップ５８）に進む。
【００６０】
一方、ステップ５６の判断がｎｏの場合、ページ群内の各ページについて前記付与されたアノテーションの適用が可能かを判断する必要がある。ステップ５９においてページ群の全ページについて確認が終了したかを判断し（ステップ５９）、この判断がｎｏの場合にはページ群内の残るページの何れかを選択する（ステップ６０）。
【００６１】
選択されたページについて、アノテーションの適用が可能かを判断し（ステップ６１）、適用可能な場合（ステップ６１の判断がｙｅｓの場合）には選択ページにレイアウトＩＤ（１）を付与する（ステップ６２）。適用不可の場合（ステップ６１の判断がｎｏの場合）には選択ページに仮レイアウトＩＤを付与する（ステップ６３）。この仮レイアウトＩＤはレイアウトＩＤ（１）が適用できないものについて付与する共通のＩＤであり、後に説明するように個別の処理を行うための識別ＩＤである。
【００６２】
レイアウトＩＤ（１）か仮レイアウトＩＤの何れかが付与された後、ステップ５９に戻り、ステップ５９以下の処理を行う。
【００６３】
一方、ステップ５９でページ群内の全ページの確認が終了したと判断された場合、仮レイアウトＩＤが付与されているページが存在するかを判断し（ステップ６４）、存在する場合（ｙｅｓの場合）には仮レイアウトＩＤを持つページ群へのアノテーション付与の処理（ステップ６５）に進む。仮レイアウトＩＤを持つページがないときにはステップ５８に進む。
【００６４】
図９は、仮レイアウトＩＤが付与されたページ群にアノテーションを付与する処理の一例を示したフローチャートである。図８のフローチャートにおいてステップ６５に進んできた場合、この処理が行われる。
【００６５】
まず、仮レイアウトが付与されているページで構成されるページ群内の任意のページを選択する（ステップ７０）。この選択により選択ページにレイアウトＩＤ（２）が付与される。次に、選択ページに前記と同様にアノテーションを付加する（ステップ７１）。アノテーションにはレイアウトＩＤ（２）が付与される。
【００６６】
次に、仮レイアウトＩＤのページ群全体に付与されたアノテーションが適用できるかを判断する（ステップ７２）。この判断がｙｅｓの場合には、仮レイアウトＩＤのページ群の全ページにレイアウトＩＤ（２）を付与し（ステップ７３）、ページ間距離計算式の修正を行って（ステップ７４）、処理を終了する（ステップ７５）。
【００６７】
ステップ７２での判断がｎｏの時（仮レイアウトＩＤのページ群全体にアノテーションが適用できないとき）は、個々のページについてアノテーションが適用できるかを判断する必要がある。この場合ステップ７６において仮レイアウトＩＤページ群内の全ページについて確認が終了したかを判断し（ステップ７６）、終了していない場合（判断がｎｏの場合）は、ページ群内の任意のページを選択し（ステップ７７）、選択ページへのアノテーション適用が可能かを判断し（ステップ７８）、適用可能な場合は選択ページにレイアウトＩＤ（２）を付与（ステップ７９）した上でステップ７６に戻る。適用できない場合はそのまま（仮レイアウトＩＤを保持したまま）ステップ７６に戻る。
【００６８】
一方、ステップ７６での判断がｙｅｓの場合（全ページの確認終了後）、仮レイアウトＩＤが付与されているページがあるかを判断し（ステップ８０）、存在しない場合（判断がｎｏ）はステップ７４に進んでページ間距離計算式の修正を行った上で処理を終了し（ステップ７５）、存在する場合（ステップ８０の判断がｙｅｓのとき）にはステップ７０に戻って前記の処理を繰り返す。
【００６９】
このようにして、仮レイアウトＩＤの付与されたページがなくなり、着目しているページ群（レイアウトグループ）の全てについて妥当なアノテーションが付与されることになる。なお、同一レイアウトグループ内で異なるアノテーションが付与されたときにはステップ７４でページ間距離計算の修正が行われるので、次回以降のページ間距離の計算ではこの結果が反映されて異なるレイアウトグループにグループ化されるよう学習することになる。
【００７０】
次に、レイアウト共有グループへのアノテーション付加の処理（ステップ５８）を説明する。図１０は、レイアウト共有グループへのアノテーション付加の処理の一例を示したフローチャートである。まず、レイアウト共有グループ内の任意のページ群（レイアウトグループ）を選択する（ステップ８１）。
【００７１】
次に、共有レイアウトへのアノテーションに複数候補があるかを判断する（ステップ８２）。ページ群の分割やレイアウト共有グループ内で異なるアノテーションが付加されることなどにより、レイアウト共有部分に複数のアノテーションの候補が存在することが考えられる。この様な場合には、以降のレイアウト共有グループにアノテーションを付加する際には、アノテーションの候補を順に提示し、どのアノテーションを付加するか選択させる（ステップ８３）。
【００７２】
次に、共有レイアウト部分に提示されたアノテーションが適用可能かを判断し（ステップ８４）、適用可能な場合には共有部分へのアノテーションの複製を行い、さらに共有部分以外の部分についてアノテーションの付与を要求する（ステップ８６）。アノテーション付与の方法は前記したとおりである。このように共有部分につていは予め付与されているアノテーションを複製することが可能になり、ユーザは共有部分以外の部分につていだけアノテーションを付与すればよい。これによりアノテーション付与に係る作業負担を軽減することができる。一方、共有部分へのアノテーションの適用が不可の場合、ページ全体へのアノテーションの付与を要求する（ステップ８５）。その後、仮レイアウトＩＤを持つページ群内でもアノテーション付加と同様の処理を行い（ステップ８７）、レイアウト共有グループ内の全てのページ群について前記処理が行われたかを判断し（ステップ８８）、処理が終了している場合は終了し（ステップ８９）、未処理の場合はステップ８１に戻って前記処理を繰り返す。なお、共有レイアウトの全体にアノテーションの適用がなされない場合には、前記同様レイアウト間距離の計算式の修正が行われることになる（ステップ８７）。
【００７３】
以上図８〜１０に示した処理を全てのページ群に対して順に行うことにより、サイトへのアノテーションの一斉付加が終了する。
【００７４】
以上説明したように本実施の形態の情報処理システムあるいは方法によって、レイアウトが同一あるいは類似するページについては一斉にアノテーションを付与・適用することが可能になる。また、ページの一部に共有レイアウトを有する場合には、この共有部分へのアノテーション付加・適用も簡略化される。これによりユーザによるアノテーション付与の作業が大幅に効率化される。特にニュースサイトやデータベースサイトのように大量のページファイルを有し、これらページのレイアウトに共通する部分が多いものについてはその作業性の向上は著しい。
【００７５】
また、システムによって自動的に判定された類似の判断がユーザによって変更された場合には、前記のとおり距離計算式の修正を行うことによりシステムによって自動的に判定基準が修正される。これにより、グループ化の精度を向上できる。また、この判定基準の変更はユーザのアノテーション付与の作業に伴って行われるものであり、ユーザは単にアノテーション付与作業を行うだけで自動的に作業性が向上するメリットを享受する。すなわち、レイアウトグループあるいはレイアウト共有グループの判定基準はユーザ作業によって自動的に向上する学習効果を有する。
【００７６】
なお、前記実施の形態では、アノテーションの一斉付与の一例を説明したが、既に付与されたアノテーションを利用して以下のようなページファイルへの動的アノテーション付与とトランスコーディングを行うこともできる。
【００７７】
すなわち、ユーザがＨＴＭＬ文書を閲覧中に、特定の位置へマーキングなどのアノテーション付加を行う。システムではこの情報を当該ページのレイアウト情報（レイアウトタグ・特徴値）とともに保存しておき、以降の閲覧時には、この情報を利用して画面の分割やマーキングされた位置へのリンクを埋める等のトランスコーディングを行うことができる。
【００７８】
また、アノテーションが付加されていないページの閲覧が要求された場合は、既にアノテーションが登録されたページと要求ページとの間でページ間距離計算モジュールにより距離計算を行う。この結果、ページ間距離が、ある閾値よりも小さい場合には、最も近いページのアノテーションを用いてトランスコーディングを行いユーザに提示する。ここで，ユーザからアノテーションの誤りを指摘された場合には 距離計算式修正モジュールにより、距離計算式の変更を行う。ユーザは必要があれば、新たにアノテーション情報を付加する。この手法により、あらかじめ全てのページに対してアノテーションを付加するのではなく、ユーザが閲覧時に必要に応じてアノテーションを付加していくことにより、段階的にサイト全体へのアノテーション付加が可能となる。
【００７９】
以上、本発明者によってなされた発明を発明の実施の形態に基づき具体的に説明したが、本発明は前記実施の形態に限定されるものではなく、その要旨を逸脱しない範囲で種々変更可能であることは言うまでもない。
【００８０】
たとえば、前記実施の形態では、ページファイル間の類似性の判断手法にページ間距離あるいはレイアウトグループ間の距離をレイアウトタグと特徴値に重み付けして算出する手法を例示した。しかし、これに限られず、たとえばタグスケルトンの手法を用いたり、画像あるいはＨＴＭＬ文書の内容（テキスト）の類似性を基準に判断しても良い。
【００８１】
また、前記実施の形態における、レイアウト共有グループの導出およびレイアウト共有グループを用いた共有レイアウトへのアノテーションの適用について、これを本発明の必須の要件にする必要はない。つまり、レイアウトグループの導出とレイアウトグループ内へのアノテーションの適用に限る場合も本発明とすることができる。この場合であっても、アノテーション付与の作業負担の軽減という本発明の効果を十分に達成することができる。また、同様に、ページ間あるいはレイアウトグループ間の距離計算式の修正に関する要件も本発明の必須の要件にする必要はない。同様に本発明の効果の達成は十分に可能である。
【００８２】
また、前記実施の形態では、ＨＴＭＬ文書のレイアウトの類似性に着目してグループ化することを説明したが、レイアウトに関係しないタグや、文書の内容についての類似性の判断に本実施の形態を拡張することができる。この場合、ＨＴＭＬ文書の構造あるいは内容自体の類似性を判断することになり、たとえばサイト管理者用にサイト内解析に用いたり、サイト内のページファイル変更履歴解析に用いることができる。
【００８３】
また、前記実施の形態では、ページファイルとしてＨＴＭＬファイルを例示したが、ＸＭＬ（Extensible Markup Language）やダイナミックＨＴＭＬ等他のマークアップ言語を用いて記述されているページファイルにも適用できることは勿論である。
【００８４】
【発明の効果】
本願で開示される発明のうち、代表的なものによって得られる効果は、以下の通りである。すなわち、本発明によって、ページファイルへのアノテーション付与の作業を効率的に行うことができる。また、本発明のシステムの使用に従ってより高精度なレイアウトグループまたはレイアウト共有グループのグループ化を実現できる。
【図面の簡単な説明】
【図１】本発明の一実施の形態である情報処理システムの一例を示したブロック図である。
【図２】ＨＴＭＬファイル解析モジュールの構成の一例を示したブロック図である。
【図３】ＵＲＬとそのＵＲＬに関連するレイアウトタグと特徴値の例を示した図である。
【図４】ページ群検出モジュールの構造の一例を示したブロック図である。
【図５】同一レイアウトグループにグループ化されるページファイルの一例をブラウジングして示した画面図である。
【図６】同一レイアウトグループにグループ化されるページファイルの他の例をブラウジングして示した画面図である。
【図７】同一レイアウトグループにはグループ化されないページファイルの一例をブラウジングして示した画面図である。
【図８】アノテーション付加の処理の一例を示したフローチャートである。
【図９】仮レイアウトＩＤが付与されたページ群にアノテーションを付与する処理の一例を示したフローチャートである。
【図１０】レイアウト共有グループへのアノテーション付加の処理の一例を示したフローチャートである。
【符号の説明】
１…情報処理システム、２…データベース、３…ページ取得モジュール、４…ＨＴＭＬファイル解析モジュール、５…ページ群検出モジュール、６…アノテーション付加モジュール、７…距離計算式修正モジュール、８…ウェブサーバ、９…目的ＵＲＬ条件、１０…アノテーション付加、２０…ＨＴＭＬパーザ、２１…レイアウトタグリストアップモジュール、２２…特徴値導出モジュール、４１…ページ間距離計算モジュール、４２…レイアウトグループ判別モジュール、４３…代表値計算モジュール、４４…レイアウト間距離計算モジュール、４５…レイアウト共有グループ判別モジュール。

Claims (22)

1. ウェブサイトから複数のページファイルを取得し、記憶手段に記憶するステップと、
   前記複数のページファイルから、ページレイアウト構造が互いに同一または類似する前記ページファイル群のグループを生成するステップと、
   前記グループ内の任意のページファイルにアノテーションを付加するユーザ操作に応じて、前記グループに関連付けて前記アノテーションを記憶手段に記憶するステップと、
   前記グループ内の他のページファイルの全部または一部に前記アノテーションを関連付け、記憶手段に記憶するステップと、
   を含む複数のページファイルにアノテーションを付加するための情報処理方法。
2. 前記グループを生成するステップには、
   前記ページレイアウト構造の構造記述式と前記構造記述式の特徴値とを前記ページファイルの解析によって導出するステップと、
   前記構造記述式および特徴値を用いて、前記ページファイル間の類似性を表すページ間距離を算出するステップと、
   前記ページ間距離が所定の値以下の範囲の前記ページファイルをグループ化するステップと、
   を含む請求項１記載の情報処理方法。
3. 前記構造記述式は、前記ページファイルに含まれる前記ページレイアウト構造に関連するタグを、ページ内での位置を特定するための書式を用いて表現したレイアウトタグであり、
   前記特徴値は、前記レイアウトタグの属性および前記属性の値である請求項２記載の情報処理方法。
4. 前記ページ間距離は、複数の前記ページファイルに共通に含まれる前記構造記述式について、前記構造記述式と前記特徴値とを重み付けした値の和をとることにより算出する請求項２記載の情報処理方法。
5. 前記アノテーションを前記グループの他のページファイルに関連付けるステップには、
   前記アノテーションを前記グループ内の全てのページファイルに適用するかを判断するステップと、
   前記判断が偽の場合に、前記アノテーションが関連付けられないページファイルで構成されるページ群の任意のページファイルに第２のアノテーションを付加するステップと、
   前記ページ群内の他のページファイルの全部または一部に前記第２のアノテーションを関連付けるステップと、
   前記アノテーションが関連付けられたページファイルと、前記第２のアノテーションが関連付けられたページファイルとが、前記グループを生成するステップにおいて同一グループにグループ化されないように、前記ページ間距離の計算式を修正するステップと、
   を含む請求項２記載の情報処理方法。
6. 前記ページ間距離は、複数の前記ページファイルに共通に含まれる前記構造記述式について、前記構造記述式と前記特徴値とを重み付けした値の和をとることにより算出され、
   前記ページ間距離の計算式の修正は、
   前記アノテーションが関連付けられたページファイルと前記第２のアノテーションが関連付けられたページファイルとの間で相違する前記構造記述式または特徴値について、その構造記述式および特徴値の前記重みを増加する操作、または、
   前記アノテーションが関連付けられたページファイルと前記第２のアノテーションが関連付けられたページファイルとの間で共通する前記構造記述式または特徴値について、その構造記述式および特徴値の前記重みを減少する操作、
   の何れかの操作により行う請求項５記載の情報処理方法。
7. 前記グループを代表する代表構造記述式と、前記代表構造記述式の代表特性値とを導出するステップと、
   前記代表構造記述式および代表特徴値を用いて、前記グループ間の類似性を表すグループ間距離を算出するステップと、
   前記グループ間距離が所定の値以下の範囲の前記グループに含まれる前記ページファイルをグループ化し共有グループを生成するステップと、
   前記共有グループに含まれる任意のページファイルにおいて、そのページレイアウト構造の一部が、他のページファイルのページレイアウト構造の一部または全部と一致または類似する共有領域にアノテーションを付加するステップと、
   前記共有グループに含まれる他のページファイルの前記共有領域に前記アノテーションを関連付けるステップと、
   をさらに含む請求項２記載の情報処理方法。
8. 前記代表構造記述式は、前記ページファイルに含まれる前記ページレイアウト構造に関連するタグを、ページ内での位置を特定するための書式を用いて表現したレイアウトタグであり、
   前記代表特徴値は、前記レイアウトタグの属性および前記属性の値である請求項７記載の情報処理方法。
9. 前記グループ間距離は、複数の前記グループに共通に含まれる前記代表構造記述式について、前記代表構造記述式と前記代表特徴値とを重み付けした値の和をとることにより算出する請求項７記載の情報処理方法。
10. 前記アノテーションを前記他のページファイルの共有領域に関連付けるステップには、
    前記アノテーションを前記共有グループ内の全てのページファイルの共有領域に適用するかを判断するステップと、
    前記判断が偽の場合に、前記アノテーションが関連付けられない共有領域を含むページファイルで構成されるページ群の任意のページファイルの共有領域に第２のアノテーションを付加するステップと、
    前記ページ群内の他のページファイルの共有領域の全部または一部に前記第２のアノテーションを関連付けるステップと、
    前記アノテーションが関連付けられた共有領域を含むページファイルと、前記第２のアノテーションが関連付けられた共有領域を含むページファイルとが、前記共有グループを生成するステップにおいて同一共有グループにグループ化されないように、前記グループ間距離の計算式を修正するステップと、
    を含む請求項７記載の情報処理方法。
11. ウェブサイトから複数のページファイルを取得し、記憶手段に記憶する手段と、
    前記複数のページファイルから、ページレイアウト構造が互いに同一または類似する前記ページファイル群のグループを生成する手段と、
    前記グループ内の任意のページファイルにアノテーションを付加するユーザ操作に応じて、前記グループに関連付けて前記アノテーションを記憶手段に記憶する手段と、
    前記グループ内の他のページファイルの全部または一部に前記アノテーションを関連付け、記憶手段に記憶する手段と、
    を含む複数のページファイルにアノテーションを付加するための情報処理システム。
12. 前記グループを生成する手段には、
    前記ページレイアウト構造の構造記述式と前記構造記述式の特徴値とを前記ページファイルの解析によって導出する手段と、
    前記構造記述式および特徴値を用いて、前記ページファイル間の類似性を表すページ間距離を算出する手段と、
    前記ページ間距離が所定の値以下の範囲の前記ページファイルをグループ化する手段と、
    を含む請求項１１記載の情報処理システム。
13. 前記構造記述式は、前記ページファイルに含まれる前記ページレイアウト構造に関連するタグを、ページ内での位置を特定するための書式を用いて表現したレイアウトタグであり、
    前記特徴値は、前記レイアウトタグの属性および前記属性の値である請求項１２記載の情報処理システム。
14. 前記ページ間距離は、複数の前記ページファイルに共通に含まれる前記構造記述式について、前記構造記述式と前記特徴値とを重み付けした値の和をとることにより算出する請求項１２記載の情報処理システム。
15. 前記アノテーションを前記グループの他のページファイルに関連付ける手段には、
    前記アノテーションを前記グループ内の全てのページファイルに適用するかを判断する手段と、
    前記判断が偽の場合に、前記アノテーションが関連付けられないページファイルで構成されるページ群の任意のページファイルに第２のアノテーションを付加する手段と、
    前記ページ群内の他のページファイルの全部または一部に前記第２のアノテーションを関連付ける手段と、
    前記アノテーションが関連付けられたページファイルと、前記第２のアノテーションが関連付けられたページファイルとが、前記グループを生成する手段において同一グループにグループ化されないように、前記ページ間距離の計算式を修正する手段と、
    を含む請求項１２記載の情報処理システム。
16. 前記ページ間距離は、複数の前記ページファイルに共通に含まれる前記構造記述式について、前記構造記述式と前記特徴値とを重み付けした値の和をとることにより算出され、
    前記ページ間距離の計算式の修正は、
    前記アノテーションが関連付けられたページファイルと前記第２のアノテーションが関連付けられたページファイルとの間で相違する前記構造記述式または特徴値について、その構造記述式および特徴値の前記重みを増加する操作、または、
    前記アノテーションが関連付けられたページファイルと前記第２のアノテーションが関連付けられたページファイルとの間で共通する前記構造記述式または特徴値について、その構造記述式および特徴値の前記重みを減少する操作、
    の何れかの操作により行われる請求項１５記載の情報処理システム。
17. 前記グループを代表する代表構造記述式と、前記代表構造記述式の代表特性値とを導出する手段と、
    前記代表構造記述式および代表特徴値を用いて、前記グループ間の類似性を表すグループ間距離を算出する手段と、
    前記グループ間距離が所定の値以下の範囲の前記グループに含まれる前記ページファイルをグループ化し共有グループを生成する手段と、
    前記共有グループに含まれる任意のページファイルにおいて、そのページレイアウト構造の一部が、他のページファイルのページレイアウト構造の一部または全部と一致または類似する共有領域にアノテーションを付加する手段と、
    前記共有グループに含まれる他のページファイルの前記共有領域に前記アノテーションを関連付ける手段と、
    をさらに含む請求項１２記載の情報処理システム。
18. 前記代表構造記述式は、前記ページファイルに含まれる前記ページレイアウト構造に関連するタグを、ページ内での位置を特定するための書式を用いて表現したレイアウトタグであり、
    前記代表特徴値は、前記レイアウトタグの属性および前記属性の値である請求項１７記載の情報処理システム。
19. 前記グループ間距離は、複数の前記グループに共通に含まれる前記代表構造記述式について、前記代表構造記述式と前記代表特徴値とを重み付けした値の和をとることにより算出する請求項１７記載の情報処理システム。
20. 前記アノテーションを前記他のページファイルの共有領域に関連付ける手段には、
    前記アノテーションを前記共有グループ内の全てのページファイルの共有領域に適用するかを判断する手段と、
    前記判断が偽の場合に、前記アノテーションが関連付けられない共有領域を含むページファイルで構成されるページ群の任意のページファイルの共有領域に第２のアノテーションを付加する手段と、
    前記ページ群内の他のページファイルの共有領域の全部または一部に前記第２のアノテーションを関連付ける手段と、
    前記アノテーションが関連付けられた共有領域を含むページファイルと、前記第２のアノテーションが関連付けられた共有領域を含むページファイルとが、前記共有グループを生成する手段において同一共有グループにグループ化されないように、前記グループ間距離の計算式を修正する手段と、
    を含む請求項１７記載の情報処理システム。
21. 複数のページファイルにアノテーションを付加するためのコンピュータプログラムであって、コンピュータに、
    ウェブサイトから複数のページファイルを取得し、記憶手段に記憶する機能と、
    前記複数のページファイルから、ページレイアウト構造が互いに同一または類似する前記ページファイル群のグループを生成する機能と、
    前記グループ内の任意のページファイルにアノテーションを付加するユーザ操作に応じて、前記グループに関連付けて前記アノテーションを記憶手段に記憶する機能と、
    前記グループ内の他のページファイルの全部または一部に前記アノテーションを関連付け、記憶手段に記憶する機能と、
    を実現させるためのプログラム。
22. 複数のページファイルにアノテーションを付加するためのコンピュータプログラムが記録されたコンピュータ可読な記録媒体であって、
    コンピュータに、
    ウェブサイトのページファイルを取得する機能と、
    前記ページファイルのページレイアウト構造が互いに同一または類似する前記ページファイルのグループを生成する機能と、
    前記グループ内の任意のページファイルにアノテーションを付与する操作を要求する機能と、
    前記グループ内の他のページファイルの全部または一部に前記アノテーションを関連付ける機能と、
    を実現させるプログラムが記録された記録媒体。

Images