JP4326713B2 - ニュース話題解析装置 - Google Patents
ニュース話題解析装置 Download PDFInfo
- Publication number
- JP4326713B2 JP4326713B2 JP2001083170A JP2001083170A JP4326713B2 JP 4326713 B2 JP4326713 B2 JP 4326713B2 JP 2001083170 A JP2001083170 A JP 2001083170A JP 2001083170 A JP2001083170 A JP 2001083170A JP 4326713 B2 JP4326713 B2 JP 4326713B2
- Authority
- JP
- Japan
- Prior art keywords
- news
- topic
- value
- articles
- extracted
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Machine Translation (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、テキスト集合を対象とした、情報抽出、自然言語処理に係り、自然言語処理技術を利用することにより、ニュース記事集合から重要な情報のみを抽出して要約を生成することが可能な、ニュース話題解析装置に関する。
【０００２】
【従来の技術】
従来、複数のニュース記事を分析して、その要約を行う研究では、そのニュース記事が属する分野の構成要素を分類したテンプレートを利用する手法が提案されている。
【０００３】
しかし、この手法では、テンプレートを予め人手により生成しなければならず、大量に存在するニュースの分野ごとに的確なテンプレートを作成することは難しい。
【０００４】
また、テンプレートの要素ごとにも、抽出ルールを生成しなければならない。この作業にも大変な労力が必要となる。
【０００５】
これまでに、テンプレートを利用しないで複数のニュース記事を分析する手法として、出現する単語の統計的な変化に注目した手法が提案されている。この手法では、ニュースの時系列上での話題変化点を抽出し、変化点間のニュース記事集合を一つの話題構成要素を生成すると仮定する。そして、この変化点間から特徴的な名詞句を抽出し、すべての時系列上から抽出された名詞句を、そのニュース記事集合の要約結果として提示している。
【０００６】
話題に大きな変化が起きた場合は良好な結果が得られるが、表層的には小さな変化の変化点を見つけることは難しい。例えば、「衆議院特別委員会で可決」と「衆議院本会議で可決」は、この手法では「衆議院〜で可決」が共通しているため、類似した内容と判断されてしまい、話題変化抽出が難しい。
【０００７】
【発明が解決しようとする課題】
従来の課題には、大きく分けて以下の３つがある。
（ａ）テンプレートを利用しないニュース記事からの定型性抽出：
従来の手法では、ニュースの分野ごとのテンプレートを予め人手（ひとで）により生成することが大きな問題となっている。また、テンプレートを利用しない従来の手法では、表層的には小さな変化だが話題の基本となるような要素の抽出が困難である。
（ｂ）行為、状態を表す動詞の確定・未確定を考慮した情報抽出：
従来の手法では、動詞の時制は考慮されなく、既に起きた「確定」事項か、これから起きる「未確定」事項か区別されていない。
（ｃ）話題要素となる自然言語文生成：
従来の手法では、話題要素の抽出結果は「単語」または「名詞句」で提示しているため、直観的な把握が難しい。
【０００８】
そこで、本発明の目的は、話題を構成するニュース記事集合の解析を効果的に行うことにより、話題の基本的な構成要素を、分かり易い自然言語文でかつ簡潔に表現することが可能な、ニュース話題解析装置およびその方法を提供することにある。
【０００９】
【課題を解決するための手段】
本発明は、ニュース話題を抽出して解析する装置であって、入力により電子化されたニュース原稿を用いて、話題毎に分類されたニュース記事から構成される特定のニュース話題を抽出する抽出手段と、前記抽出された特定のニュース話題を構成する前記ニュース記事を用いて、該ニュース記事に含まれる、少なくとも係り元の単語と係り先の単語とから構成される組の係り受け関係を解析する解析手段と、前記解析されたニュース記事の組の係り受け関係の定型値を求める評価手段とを具え、前記評価手段は、前記組の出現頻度と期待値とがどの程度一致しているかを測る指標値を示す第１の演算値を算出する手段と、前記ニュース記事の総数と前記ニュース記事中に組が出現した記事数とから前記組の係り受け関係を制限する第２の演算値を算出する手段と、品詞の組み合わせによる制限値と、前記第１の演算値と、前記第２の演算値とを乗算することによって、前記ニュース記事の構成要素を抽出するための前記組の係り受け関係の定型値を求める乗算手段とを含み、前記係り元の単語をｗ １ 、助詞をｗ ２ 、前記係り先の単語をｗ ３ とし、３項組（ｗ １ ，ｗ ２ ，ｗ ３ ）の出現頻度をｎ（ｗ １ ，ｗ ２ ，ｗ ３ ）、その期待値をｅ（ｗ １ ，ｗ ２ ，ｗ ３ ）としたとき、
前記第１の演算値としてのχ ２ （ｗ １ ，ｗ ２ ，ｗ ３ ）は、
【数４】
であり、
前記ニュース記事の総数をＮ、前記ニュース記事中の３項組（ｗ １ ，ｗ ２ ，ｗ ３ ）が出現した記事数をＤＦ（ｗ １ ，ｗ ２ ，ｗ ３ ）としたとき、
前記第２の演算値としてのＩＤＦ（ｗ １ ，ｗ ２ ，ｗ ３ ）は、
【数５】
であり、
予め定めた品詞による制限値をＣ（ｗ １ ，ｗ ２ ，ｗ ３ ）としたとき、前記定型値ｗｅｉｇｈｔ（ｗ１，ｗ２，ｗ３）は、
【数６】
によって算出されたことを特徴とする。
【００１０】
前記評価手段から複数の組の係り受け関係の定型値が入力され、前記定型値の大きさに基づいて、所定の組の係り受け関係を抽出し、該抽出された所定の組の係り受け関係のある語句に共通する項が出現した場合に該共通する組を統合することにより、自然言語文を生成する自然言語文生成手段をさらに具えたことを特徴とする。
【００１１】
ニュース記事から動詞を抽出し、該抽出された動詞が、既に起きた「確定」事項か、これから起きる「未確定」事項かを判定する確定・未確定判定手段をさらに具えたことを特徴とする。
【００１６】
【発明の実施の形態】
以下、図面を参照して、本発明の実施の形態を詳細に説明する。
【００１７】
（概要）
まず、本発明の概要について説明する。
【００１８】
話題を構成する基本要素は、ニュース記事では、話題に特有の単語や統語構造を用いて表現されることが多い。
【００１９】
そこで、ニュース記事中の単語や統語構造が、その記事に属する話題を特徴付ける性質を“定型性”と定義し、この単語や統語構造の定型性を評価することにより、話題を構成するニュース記事集合の解析を効果的に行う。
【００２０】
すなわち、本発明は、ニュース原稿から特定のニュース話題を抽出し、該抽出された特定のニュース話題を構成するニュース記事の集合を解析し、いつ、何が起きたかという話題構成要素を抽出し、簡潔に自然言語の文を合成して提示する処理を行う。
【００２１】
（具体例）
以下、具体的な例を挙げて説明する。
【００２２】
（装置の構成）
図１は、ニュース話題解析装置１の全体的な構成の概略を示す。
【００２３】
本装置は、ニュース話題抽出装置１０と、構文解析装置２０と、定型性評価装置３０と、自然言語文生成装置４０と、動詞の確定・未確定判定装置５０と、話題構成要素抽出装置６０とから構成される。
【００２４】
ニュース話題抽出装置１０は、例えば、電子化されたニュース原稿のニュース記事２から抽出した単語の所定期間内における出現率を求め、その出現率に基づいて単語の重要度を求め、その求められた単語の重要度および似た項目をもつ記事群における単語の出現率に基づいて、上記似た項目をもつ記事群の類似度を求めることにより、ニュース原稿のニュース記事を似た項目を持つ記事群に分類する機能をもつ。ここでいう記事群とは、話題毎に分類されたニュース記事１１のことである。
【００２５】
定型性評価装置３０は、ニュース話題抽出装置１０により抽出された話題を構成するニュース記事１１を、周知技術である構文解析装置２０によって係り受け解析を行い、その結果を入力として与え、話題に特有の単語や統語構造の定型性を評価する機能をもつ。
【００２６】
自然言語文生成装置４０は、話題に特有の単語や統語構造の定型性を利用することにより、ニュース記事１１から、その１文の内容を要約した、わかりやすい定型自然言語文を生成する機能をもつ。
【００２７】
動詞の確定・未確定判定装置５０は、ニュース記事１１から、行為、状態を表す動詞を抽出し、それらが、既に起きた「確定」事項か、これから起きる「未確定」事項かを判定する機能をもつ。
【００２８】
課題構成要素抽出装置６０は、自然言語文生成装置４０と、動詞の確定・未確定判定装置５０の出力結果とを利用することにより、特定の話題を構成する構成要素７０を提示する機能をもつ。
【００２９】
上記の構成において、テンプレートを利用しないニュース記事１１からの定型性抽出を行うために、ニュース記事に含まれる単語間の係り受け関係の定型性に注目する。話題毎に、２つの単語と助詞との３項組の係り受け関係の統計値を利用して、話題を特徴付けることが可能な３項組を抽出し、その話題の定型表現とする。
【００３０】
行為、状態を表す動詞の確定・未確定を考慮した情報抽出を行うために、動詞の時制を考慮し、曖昧性が大きい「未確定」事項を情報抽出の処理対象から除くようにする。
【００３１】
話題要素となる自然言語文生成を行うために、話題の定型表現となる係り受け関係を利用して、話題とは無関係である不要な係り受けを除いて自然言語文を生成する。
【００３２】
（装置の動作）
次に、本装置の動作について説明する。
【００３３】
（定型性評価装置）
図２は、定型性評価装置３０の処理手順を示す。
【００３４】
定型性評価装置３０に入力されるデータは、ニュース話題抽出装置１０により抽出された話題毎に構成されるニュース記事１１を、構文解析装置２０により係り受け解析を行った結果データとする。
【００３５】
定型性評価は、文全体を対象として処理を行うと、係り受け関係の組み合わせ数が大きくなりすぎる問題が生じる。このため、ここでは、２つの単語と助詞の３項組（助詞を用いず直接係る場合は２項組）の定型性を評価する。
【００３６】
話題に特有の３項組を評価するため、観測値と期待値とがどの程度一致しているかを測る指標であるχ２値を利用し、８年分のニュース記事集合（３３０，６６０文）と特定の話題が属する分野のニュース記事集合（９，２２７文）の比較を行った。ここでは、国会審議に関するニュース記事を対象としているが、対象とする母集団を変えることにより、他の分野へも適用可能である。
【００３７】
構文解析結果の係り元の単語をｗ１、助詞をｗ２、係り先の単語をｗ３とする。３項組（ｗ１，ｗ２，ｗ３）の出現頻度をｎ（ｗ１，ｗ２，ｗ３）、その期待値をｅ（ｗ１，ｗ２，ｗ３）としたとき、χ２（ｗ１，ｗ２，ｗ３）は次の式とした。
【００３８】
【数１】
【００３９】
このとき、単語の属性が人名、組織名、地名である場合は、抽象化した属性名を利用した。例えば「自民党の政策」と「社会党の政策」は、共に「“組織名”の政策」としてχ２値を計算する。
【００４０】
また、話題を構成する記事中に頻繁に出現する３項組は、その内容を特定するための分別能力に乏しい。例えば、衆議院総選挙の話題では、「衆議院の総選挙」という３項組は、ほとんどのニュース記事で出現するため、この話題を対象とした内容解析処理では不要な要素となる。
【００４１】
そこで、そのような３項組の値を制限するために、ＩＤＦ値を利用した。対象とする話題を構成するニュース記事の総数をＮ、ニュース記事中の３項組（ｗ１，ｗ２，ｗ３）が出現した記事数をＤＦ（ｗ１，ｗ２，ｗ３）としたとき、ＩＤＦ（ｗ１，ｗ２，ｗ３）は次の式で与えられる。
【００４２】
【数２】
【００４３】
さらに、品詞の組み合わせにより、定型性評価の重み付けに制限を与える。品詞による制限値Ｃ（ｗ１，ｗ２，ｗ３）は、（名詞、助詞、動詞）の組み合わせを最重要とし、図３に示す値１００とした。
【００４４】
χ２値、ＩＤＦ値、さらに品詞による制限値を相乗的に利用することにより、話題の構成要素を抽出するための３項組の定型値ｗｅｉｇｈｔ（ｗ１，ｗ２，ｗ３）を以下のように定義した。
【００４５】
【数３】
【００４６】
この値が大きいほど、対象とする特定の話題における決まった表現と考えられる。
【００４７】
図４は、「ガイドライン関連法案の審議」に出現した３項組の定型性評価結果１１０の上位３０組を示す。
【００４８】
「賛成多数で可決される」「参議院に送られる」といった、国会審議に関するニュース記事の型にはまった表現が上位にあり、話題に特有の単語と統語構造を良好に評価できている。
【００４９】
（自然言語文生成装置）
自然言語文生成装置４０は、定型性評価装置３０の出力を利用することにより、ニュース記事から、話題を特徴づける定型的な自然言語文を生成する処理を行う。
【００５０】
図５は、自然言語文の生成処理を示すフローチャートである。
【００５１】
ステップＳ１では、定型性評価装置３０の出力であるニュース記事に含まれる３項組の定型性評価結果を入力する。
【００５２】
ステップＳ２では、全ての３項組で処理したか否かを調べる。処理した場合にはステップＳ６に進み、統合された自然言語文を出力する。処理していない場合にはステップＳ３に進む。
【００５３】
ステップＳ３では、定型値が０より大きいか否かを調べる。３項組が少しでもその分野に依存する場合は、３項組の定型値は０よりも大きな値をとる。
【００５４】
そこで、この定型値が０よりも大きい場合、３項組を抽出し、ステップＳ４に進む。一方、定型値が０より小さい場合、ステップＳ２に戻る。
【００５５】
ステップＳ４では、共通する項が出現したか否かを調べる。共通する項が出現した場合は、ステップＳ５に進む。一方、共通する項が出現しない場合は、ステップＳ２に戻る。
【００５６】
ステップＳ５では、共通する項を持つ３項組を統合した文を生成する。このとき、３項組が持つ定型値の合計が、文の定型値となる。
【００５７】
図６は、定型文の生成例を示す。
【００５８】
ステップＳ１１は、与えられたニュース記事の内容を示す。
【００５９】
ステップＳ１２では、そのニュース記事の内容から、４つの定型的な３項組を抽出し、共通項の「可決される」「送られる」を持つ３項組を順に統合していく。
【００６０】
ステップＳ１３では、「衆議院本会議で、賛成多数で可決され、衆議院に送られる」という文を生成する。
【００６１】
（動詞の確定・未確定装置）
動詞の確定・未確定装置５０は、ニュース記事１１から、行為、状態を表す動詞を抽出し、これら抽出された値が、既に起きた「確定」事項か、これから起きる「未確定」事項かを判定する処理を行う。
【００６２】
図７は、動詞の確定・未確定処理を示すフローチャートである。
【００６３】
ステップＳ２１でニュース記事１１を入力した後、ステップＳ２２では、ニュース記事１１の文に含まれる動詞を全て抽出する。
【００６４】
ステップＳ２３では、全ての動詞を処理したか否かをチェックする。処理していない場合はステップＳ２４に進み、一方、処理している場合はステップＳ２３ａに進んで処理を終了する。
【００６５】
ステップＳ２４では、名詞を修飾するか否かを調べる。例えば、事態の確実性を表す名詞（「こと」「考え」「方針」「意向」「見通し」）以外の名詞を修飾する動詞を、文の主題とは無関係と判断し、確定・未確定の判定処理の対象から除外する。一方、名詞を修飾しない場合は、ステップＳ２３に戻る。
【００６６】
ステップＳ２５では、動詞の語尾が「タ形」か否かをチェックする。この確定・未確定の判定処理において、基本的には、動詞の時制を利用する。その結果、動詞の語尾が「過去」を表す「タ形」の場合は確定と判定し、「ル形」の場合と時制が不明確な場合には未確定と判定する。
【００６７】
しかし、以下に述べるような例外も存在する。従って、動詞の語尾が「タ形」の場合はステップＳ２６に進み、一方、動詞の語尾が「タ形」でない場合は、ステップＳ２８に進む。
【００６８】
ステップＳ２６では、条件を表す名詞が存在するかを調べる。存在する場合はステップＳ３０に進み、動詞が「タ形」でも、未確定と判定する。一方、存在しない場合はステップＳ２７に進み、確定と判定する。
【００６９】
ここで、１例として、条件を表す名詞が存在する場合、
動詞が「タ形」でも、未確定とする。
例：「日本に武力攻撃が加えられた場合は、・・・」
→「加えられた」は「未確定」と判定する。
【００７０】
一方、ステップＳ２８では、連用修飾節か否かを調べる。連用修飾節の動詞の場合、ステップＳ２９に進み、係り先の動詞が確定事項か否かを調べる。確定事項であればステップＳ２７に進み、確定と判定する。確定事項でなければステップＳ３０に進み、未確定と判定する。
【００７１】
ここで、１例として、連用修飾節の動詞の場合、
係り先の連用節と同じ時制として判定する。
例：「・・・と述べ、・・・ことを示しました。」
→「述べ」は「示しました」と同じ時制
「過去」として「確定」と判定する。
【００７２】
ステップＳ２８で連用修飾節でない場合は、ステップＳ３０に進み、未確定と判定する。
【００７３】
このような処理を話題「ガイドライン関連法案の審議」を構成する３３１個のニュース記事に対して行い、手作業による結果と比較検証した。
【００７４】
図８は、その確定・未確定の判定結果２００を示す。
【００７５】
出現した９２９個の動詞中、８１０個（８７．２％）の動詞に対して正解が与えられ、ある程度、良好な結果が得られている。
【００７６】
（話題構成要素抽出装置）
話題構成要素抽出装置６０は、自然言語文生成装置４０と、動詞の確定・未確定判定装置５０との出力結果を利用することにより、特定の話題を構成する要素を提示する処理を行う。
【００７７】
図９は、話題構成要素の抽出処理を示すフローチャートである。
【００７８】
入力データとして、自然言語文生成装置４０からの出力結果として、話題を構成するニュース記事集合から生成された複数の自然言語文を入力する。また、動詞の確定・未確定判定装置５０からの出力結果として、話題を構成するニュース記事集合に含まれる「確定」と判定された動詞を入力する。
【００７９】
まず、ステップＳ３１では、文末の動詞が確定か否かを調べる。確定の場合はステップＳ３３に進み、一方、確定していない場合はステップＳ３２に進んで除外する。
【００８０】
ステップＳ３３では、定型値が閾値よりも大きいか否かを調べ、大きい場合はステップＳ３５に進み、一方、大きくない場合はステップＳ３４に進んで除外する。
【００８１】
ステップＳ３５では、文末の動詞が「発表語」か否かを調べる。「発表語」の場合はステップＳ３６に進み、「発表語」でない場合はステップＳ３８に進む。
【００８２】
ステップＳ３６では、動詞の前は、「考え」、「方針」、「意向」、「見通し」の何れかであるか否かをチェックする。何れかである場合はステップＳ３７に進み、何れかでない場合はステップＳ３８に進む。
【００８３】
ステップＳ３７では、文末の動詞が「発表語」で、その前に「こと」以外の「事態の確実性を表す名詞（「考え」「方針」「意向」「見通し」）」がある場合は、その前に述べられた行為の確定性が低いことが判っているため、「考えを表明する」などが含まれる定型文は、抽出結果から除外する。
【００８４】
ステップＳ３８では、他の自然言語文と共通の３項組とが、閾値の定型値よりも大きいか否かを調べる。定型値よりも大きい場合はステップＳ３９に進み、大きくない場合はステップＳ４１に進む。
【００８５】
ステップＳ３９では、類似した複数の自然言語文に不整合が生じるか否かを調べる。不整合が生じない場合は、ステップＳ４０に進み、定型値が最大の自然言語文のみを抽出する。抽出した場合、又は、不整合が生じた場合は、ステップＳ４１に進む。
【００８６】
ここで、ステップＳ３８〜ステップＳ４０までの具体的な処理について説明する。
【００８７】
同一内容について述べたニュース記事も数多く存在するため、類似内容の定型文も複数抽出してしまう。そこで、重複する定型文を削除する処理を行う。
【００８８】
この削除する処理では、以下の２つの条件（１）（２）を満たす場合に重複した定型文と判断し、定型値が低い文を削除する。
【００８９】
（１）一定値（本例では０）より大きい定型値を持つ３項組の係り受け関係で、その内容に不整合（２項が同じで１項のみ異なる組み合わせ）が存在しない。
【００９０】
（２）共通である３項組の定型値の合計が一定値以上（例えば、｛ｍｉｎ（２文の定型値）／２｝以上）。
【００９１】
例えば、抽出された定型文の「衆議院本会議で可決される（定型値２４１７．４）」と「衆議院本会議で、賛成多数で可決され、参議院に送られる（定型値１２３２７．７）」とは、上記の条件が満たすため、文の定型値が低い「衆議院本会議で可決される」は削除される。
【００９２】
確定と判定された動詞を文末に持つ定型文で、その定型値が一定の閾値（例えば、本例では５００）以上の文から、行為の確定性が低い文と、重複した定型文とを削除することにより、話題要素文を抽出する。
【００９３】
ステップＳ４１では、抽出された話題要素文である、残った複数の自然言語文を時系列に掲示する。掲示方法としては各種の方法が考えられ、画面に表示したり、印刷出力してもよい。
【００９４】
図１０は、話題「ガイドライン関連法案の審議」に関する３３１文のニュース記事から話題要素文を自動抽出した抽出結果３００を示す。
【００９５】
衆議院本会議での趣旨説明、特別委員会の参考人質疑、衆議院本会議の可決、参議院特別委員会の可決、参議院本会議での可決成立など、主要と考えられる要素が、適切な短文で抽出されている。
【００９６】
【発明の効果】
以上説明したように、本発明によれば、ニュース原稿から特定のニュース話題を抽出し、該抽出された特定のニュース話題を構成するニュース記事の係り受け関係を解析し、解析されたニュース記事の係り受け関係の定型性、例えば話題を特徴付ける単語や統語構造の定型性を評価するようにしたので、話題を構成するニュース記事集合を自動解析し、いつ、どのような事が起きたかという話題の基本的な構成要素を分かり易い自然言語文でかつ簡潔に提示することが可能となる。
【図面の簡単な説明】
【図１】本発明の実施の形態である、ニュース話題解析装置の構成例を示すブロック図である。
【図２】定型性評価装置の定型性評価処理の手順を示すフローチャートである。
【図３】品詞による制限値を示す説明図である。
【図４】「ガイドライン関連法案の審議」に出現した３項組の定型性評価結果の上位３０組の例を示す説明図である。
【図５】自然言語文生成装置の自然言語文生成処理の手順を示すフローチャートである。
【図６】定型文の生成例を示す説明図である。
【図７】動詞の確定・未確定判定装置の確定・未確定判定処理の手順を示すフローチャートである。
【図８】確定・未確定の判定結果を示す説明図である。
【図９】話題構成要素抽出装置の抽出処理の手順を示すフローチャートである。
【図１０】話題要素文を自動抽出した結果を示す説明図である。
【符号の説明】
１ ニュース話題解析装置
２ ニュース原稿のニュース記事
１０ ニュース話題抽出装置
１１ ニュース記事
２０ 構文解析装置
３０ 定型性評価装置
４０ 自然言語文生成装置
５０ 動詞の確定・未確定判定装置
６０ 話題構成要素抽出装置
７０ 構成要素
１００ 品詞による制限値
１１０ 定型性評価結果
２００ 判定結果
３００ 抽出結果
【発明の属する技術分野】
本発明は、テキスト集合を対象とした、情報抽出、自然言語処理に係り、自然言語処理技術を利用することにより、ニュース記事集合から重要な情報のみを抽出して要約を生成することが可能な、ニュース話題解析装置に関する。
【０００２】
【従来の技術】
従来、複数のニュース記事を分析して、その要約を行う研究では、そのニュース記事が属する分野の構成要素を分類したテンプレートを利用する手法が提案されている。
【０００３】
しかし、この手法では、テンプレートを予め人手により生成しなければならず、大量に存在するニュースの分野ごとに的確なテンプレートを作成することは難しい。
【０００４】
また、テンプレートの要素ごとにも、抽出ルールを生成しなければならない。この作業にも大変な労力が必要となる。
【０００５】
これまでに、テンプレートを利用しないで複数のニュース記事を分析する手法として、出現する単語の統計的な変化に注目した手法が提案されている。この手法では、ニュースの時系列上での話題変化点を抽出し、変化点間のニュース記事集合を一つの話題構成要素を生成すると仮定する。そして、この変化点間から特徴的な名詞句を抽出し、すべての時系列上から抽出された名詞句を、そのニュース記事集合の要約結果として提示している。
【０００６】
話題に大きな変化が起きた場合は良好な結果が得られるが、表層的には小さな変化の変化点を見つけることは難しい。例えば、「衆議院特別委員会で可決」と「衆議院本会議で可決」は、この手法では「衆議院〜で可決」が共通しているため、類似した内容と判断されてしまい、話題変化抽出が難しい。
【０００７】
【発明が解決しようとする課題】
従来の課題には、大きく分けて以下の３つがある。
（ａ）テンプレートを利用しないニュース記事からの定型性抽出：
従来の手法では、ニュースの分野ごとのテンプレートを予め人手（ひとで）により生成することが大きな問題となっている。また、テンプレートを利用しない従来の手法では、表層的には小さな変化だが話題の基本となるような要素の抽出が困難である。
（ｂ）行為、状態を表す動詞の確定・未確定を考慮した情報抽出：
従来の手法では、動詞の時制は考慮されなく、既に起きた「確定」事項か、これから起きる「未確定」事項か区別されていない。
（ｃ）話題要素となる自然言語文生成：
従来の手法では、話題要素の抽出結果は「単語」または「名詞句」で提示しているため、直観的な把握が難しい。
【０００８】
そこで、本発明の目的は、話題を構成するニュース記事集合の解析を効果的に行うことにより、話題の基本的な構成要素を、分かり易い自然言語文でかつ簡潔に表現することが可能な、ニュース話題解析装置およびその方法を提供することにある。
【０００９】
【課題を解決するための手段】
本発明は、ニュース話題を抽出して解析する装置であって、入力により電子化されたニュース原稿を用いて、話題毎に分類されたニュース記事から構成される特定のニュース話題を抽出する抽出手段と、前記抽出された特定のニュース話題を構成する前記ニュース記事を用いて、該ニュース記事に含まれる、少なくとも係り元の単語と係り先の単語とから構成される組の係り受け関係を解析する解析手段と、前記解析されたニュース記事の組の係り受け関係の定型値を求める評価手段とを具え、前記評価手段は、前記組の出現頻度と期待値とがどの程度一致しているかを測る指標値を示す第１の演算値を算出する手段と、前記ニュース記事の総数と前記ニュース記事中に組が出現した記事数とから前記組の係り受け関係を制限する第２の演算値を算出する手段と、品詞の組み合わせによる制限値と、前記第１の演算値と、前記第２の演算値とを乗算することによって、前記ニュース記事の構成要素を抽出するための前記組の係り受け関係の定型値を求める乗算手段とを含み、前記係り元の単語をｗ １ 、助詞をｗ ２ 、前記係り先の単語をｗ ３ とし、３項組（ｗ １ ，ｗ ２ ，ｗ ３ ）の出現頻度をｎ（ｗ １ ，ｗ ２ ，ｗ ３ ）、その期待値をｅ（ｗ １ ，ｗ ２ ，ｗ ３ ）としたとき、
前記第１の演算値としてのχ ２ （ｗ １ ，ｗ ２ ，ｗ ３ ）は、
【数４】
前記ニュース記事の総数をＮ、前記ニュース記事中の３項組（ｗ １ ，ｗ ２ ，ｗ ３ ）が出現した記事数をＤＦ（ｗ １ ，ｗ ２ ，ｗ ３ ）としたとき、
前記第２の演算値としてのＩＤＦ（ｗ １ ，ｗ ２ ，ｗ ３ ）は、
【数５】
予め定めた品詞による制限値をＣ（ｗ １ ，ｗ ２ ，ｗ ３ ）としたとき、前記定型値ｗｅｉｇｈｔ（ｗ１，ｗ２，ｗ３）は、
【数６】
【００１０】
前記評価手段から複数の組の係り受け関係の定型値が入力され、前記定型値の大きさに基づいて、所定の組の係り受け関係を抽出し、該抽出された所定の組の係り受け関係のある語句に共通する項が出現した場合に該共通する組を統合することにより、自然言語文を生成する自然言語文生成手段をさらに具えたことを特徴とする。
【００１１】
ニュース記事から動詞を抽出し、該抽出された動詞が、既に起きた「確定」事項か、これから起きる「未確定」事項かを判定する確定・未確定判定手段をさらに具えたことを特徴とする。
【００１６】
【発明の実施の形態】
以下、図面を参照して、本発明の実施の形態を詳細に説明する。
【００１７】
（概要）
まず、本発明の概要について説明する。
【００１８】
話題を構成する基本要素は、ニュース記事では、話題に特有の単語や統語構造を用いて表現されることが多い。
【００１９】
そこで、ニュース記事中の単語や統語構造が、その記事に属する話題を特徴付ける性質を“定型性”と定義し、この単語や統語構造の定型性を評価することにより、話題を構成するニュース記事集合の解析を効果的に行う。
【００２０】
すなわち、本発明は、ニュース原稿から特定のニュース話題を抽出し、該抽出された特定のニュース話題を構成するニュース記事の集合を解析し、いつ、何が起きたかという話題構成要素を抽出し、簡潔に自然言語の文を合成して提示する処理を行う。
【００２１】
（具体例）
以下、具体的な例を挙げて説明する。
【００２２】
（装置の構成）
図１は、ニュース話題解析装置１の全体的な構成の概略を示す。
【００２３】
本装置は、ニュース話題抽出装置１０と、構文解析装置２０と、定型性評価装置３０と、自然言語文生成装置４０と、動詞の確定・未確定判定装置５０と、話題構成要素抽出装置６０とから構成される。
【００２４】
ニュース話題抽出装置１０は、例えば、電子化されたニュース原稿のニュース記事２から抽出した単語の所定期間内における出現率を求め、その出現率に基づいて単語の重要度を求め、その求められた単語の重要度および似た項目をもつ記事群における単語の出現率に基づいて、上記似た項目をもつ記事群の類似度を求めることにより、ニュース原稿のニュース記事を似た項目を持つ記事群に分類する機能をもつ。ここでいう記事群とは、話題毎に分類されたニュース記事１１のことである。
【００２５】
定型性評価装置３０は、ニュース話題抽出装置１０により抽出された話題を構成するニュース記事１１を、周知技術である構文解析装置２０によって係り受け解析を行い、その結果を入力として与え、話題に特有の単語や統語構造の定型性を評価する機能をもつ。
【００２６】
自然言語文生成装置４０は、話題に特有の単語や統語構造の定型性を利用することにより、ニュース記事１１から、その１文の内容を要約した、わかりやすい定型自然言語文を生成する機能をもつ。
【００２７】
動詞の確定・未確定判定装置５０は、ニュース記事１１から、行為、状態を表す動詞を抽出し、それらが、既に起きた「確定」事項か、これから起きる「未確定」事項かを判定する機能をもつ。
【００２８】
課題構成要素抽出装置６０は、自然言語文生成装置４０と、動詞の確定・未確定判定装置５０の出力結果とを利用することにより、特定の話題を構成する構成要素７０を提示する機能をもつ。
【００２９】
上記の構成において、テンプレートを利用しないニュース記事１１からの定型性抽出を行うために、ニュース記事に含まれる単語間の係り受け関係の定型性に注目する。話題毎に、２つの単語と助詞との３項組の係り受け関係の統計値を利用して、話題を特徴付けることが可能な３項組を抽出し、その話題の定型表現とする。
【００３０】
行為、状態を表す動詞の確定・未確定を考慮した情報抽出を行うために、動詞の時制を考慮し、曖昧性が大きい「未確定」事項を情報抽出の処理対象から除くようにする。
【００３１】
話題要素となる自然言語文生成を行うために、話題の定型表現となる係り受け関係を利用して、話題とは無関係である不要な係り受けを除いて自然言語文を生成する。
【００３２】
（装置の動作）
次に、本装置の動作について説明する。
【００３３】
（定型性評価装置）
図２は、定型性評価装置３０の処理手順を示す。
【００３４】
定型性評価装置３０に入力されるデータは、ニュース話題抽出装置１０により抽出された話題毎に構成されるニュース記事１１を、構文解析装置２０により係り受け解析を行った結果データとする。
【００３５】
定型性評価は、文全体を対象として処理を行うと、係り受け関係の組み合わせ数が大きくなりすぎる問題が生じる。このため、ここでは、２つの単語と助詞の３項組（助詞を用いず直接係る場合は２項組）の定型性を評価する。
【００３６】
話題に特有の３項組を評価するため、観測値と期待値とがどの程度一致しているかを測る指標であるχ２値を利用し、８年分のニュース記事集合（３３０，６６０文）と特定の話題が属する分野のニュース記事集合（９，２２７文）の比較を行った。ここでは、国会審議に関するニュース記事を対象としているが、対象とする母集団を変えることにより、他の分野へも適用可能である。
【００３７】
構文解析結果の係り元の単語をｗ１、助詞をｗ２、係り先の単語をｗ３とする。３項組（ｗ１，ｗ２，ｗ３）の出現頻度をｎ（ｗ１，ｗ２，ｗ３）、その期待値をｅ（ｗ１，ｗ２，ｗ３）としたとき、χ２（ｗ１，ｗ２，ｗ３）は次の式とした。
【００３８】
【数１】
このとき、単語の属性が人名、組織名、地名である場合は、抽象化した属性名を利用した。例えば「自民党の政策」と「社会党の政策」は、共に「“組織名”の政策」としてχ２値を計算する。
【００４０】
また、話題を構成する記事中に頻繁に出現する３項組は、その内容を特定するための分別能力に乏しい。例えば、衆議院総選挙の話題では、「衆議院の総選挙」という３項組は、ほとんどのニュース記事で出現するため、この話題を対象とした内容解析処理では不要な要素となる。
【００４１】
そこで、そのような３項組の値を制限するために、ＩＤＦ値を利用した。対象とする話題を構成するニュース記事の総数をＮ、ニュース記事中の３項組（ｗ１，ｗ２，ｗ３）が出現した記事数をＤＦ（ｗ１，ｗ２，ｗ３）としたとき、ＩＤＦ（ｗ１，ｗ２，ｗ３）は次の式で与えられる。
【００４２】
【数２】
さらに、品詞の組み合わせにより、定型性評価の重み付けに制限を与える。品詞による制限値Ｃ（ｗ１，ｗ２，ｗ３）は、（名詞、助詞、動詞）の組み合わせを最重要とし、図３に示す値１００とした。
【００４４】
χ２値、ＩＤＦ値、さらに品詞による制限値を相乗的に利用することにより、話題の構成要素を抽出するための３項組の定型値ｗｅｉｇｈｔ（ｗ１，ｗ２，ｗ３）を以下のように定義した。
【００４５】
【数３】
この値が大きいほど、対象とする特定の話題における決まった表現と考えられる。
【００４７】
図４は、「ガイドライン関連法案の審議」に出現した３項組の定型性評価結果１１０の上位３０組を示す。
【００４８】
「賛成多数で可決される」「参議院に送られる」といった、国会審議に関するニュース記事の型にはまった表現が上位にあり、話題に特有の単語と統語構造を良好に評価できている。
【００４９】
（自然言語文生成装置）
自然言語文生成装置４０は、定型性評価装置３０の出力を利用することにより、ニュース記事から、話題を特徴づける定型的な自然言語文を生成する処理を行う。
【００５０】
図５は、自然言語文の生成処理を示すフローチャートである。
【００５１】
ステップＳ１では、定型性評価装置３０の出力であるニュース記事に含まれる３項組の定型性評価結果を入力する。
【００５２】
ステップＳ２では、全ての３項組で処理したか否かを調べる。処理した場合にはステップＳ６に進み、統合された自然言語文を出力する。処理していない場合にはステップＳ３に進む。
【００５３】
ステップＳ３では、定型値が０より大きいか否かを調べる。３項組が少しでもその分野に依存する場合は、３項組の定型値は０よりも大きな値をとる。
【００５４】
そこで、この定型値が０よりも大きい場合、３項組を抽出し、ステップＳ４に進む。一方、定型値が０より小さい場合、ステップＳ２に戻る。
【００５５】
ステップＳ４では、共通する項が出現したか否かを調べる。共通する項が出現した場合は、ステップＳ５に進む。一方、共通する項が出現しない場合は、ステップＳ２に戻る。
【００５６】
ステップＳ５では、共通する項を持つ３項組を統合した文を生成する。このとき、３項組が持つ定型値の合計が、文の定型値となる。
【００５７】
図６は、定型文の生成例を示す。
【００５８】
ステップＳ１１は、与えられたニュース記事の内容を示す。
【００５９】
ステップＳ１２では、そのニュース記事の内容から、４つの定型的な３項組を抽出し、共通項の「可決される」「送られる」を持つ３項組を順に統合していく。
【００６０】
ステップＳ１３では、「衆議院本会議で、賛成多数で可決され、衆議院に送られる」という文を生成する。
【００６１】
（動詞の確定・未確定装置）
動詞の確定・未確定装置５０は、ニュース記事１１から、行為、状態を表す動詞を抽出し、これら抽出された値が、既に起きた「確定」事項か、これから起きる「未確定」事項かを判定する処理を行う。
【００６２】
図７は、動詞の確定・未確定処理を示すフローチャートである。
【００６３】
ステップＳ２１でニュース記事１１を入力した後、ステップＳ２２では、ニュース記事１１の文に含まれる動詞を全て抽出する。
【００６４】
ステップＳ２３では、全ての動詞を処理したか否かをチェックする。処理していない場合はステップＳ２４に進み、一方、処理している場合はステップＳ２３ａに進んで処理を終了する。
【００６５】
ステップＳ２４では、名詞を修飾するか否かを調べる。例えば、事態の確実性を表す名詞（「こと」「考え」「方針」「意向」「見通し」）以外の名詞を修飾する動詞を、文の主題とは無関係と判断し、確定・未確定の判定処理の対象から除外する。一方、名詞を修飾しない場合は、ステップＳ２３に戻る。
【００６６】
ステップＳ２５では、動詞の語尾が「タ形」か否かをチェックする。この確定・未確定の判定処理において、基本的には、動詞の時制を利用する。その結果、動詞の語尾が「過去」を表す「タ形」の場合は確定と判定し、「ル形」の場合と時制が不明確な場合には未確定と判定する。
【００６７】
しかし、以下に述べるような例外も存在する。従って、動詞の語尾が「タ形」の場合はステップＳ２６に進み、一方、動詞の語尾が「タ形」でない場合は、ステップＳ２８に進む。
【００６８】
ステップＳ２６では、条件を表す名詞が存在するかを調べる。存在する場合はステップＳ３０に進み、動詞が「タ形」でも、未確定と判定する。一方、存在しない場合はステップＳ２７に進み、確定と判定する。
【００６９】
ここで、１例として、条件を表す名詞が存在する場合、
動詞が「タ形」でも、未確定とする。
例：「日本に武力攻撃が加えられた場合は、・・・」
→「加えられた」は「未確定」と判定する。
【００７０】
一方、ステップＳ２８では、連用修飾節か否かを調べる。連用修飾節の動詞の場合、ステップＳ２９に進み、係り先の動詞が確定事項か否かを調べる。確定事項であればステップＳ２７に進み、確定と判定する。確定事項でなければステップＳ３０に進み、未確定と判定する。
【００７１】
ここで、１例として、連用修飾節の動詞の場合、
係り先の連用節と同じ時制として判定する。
例：「・・・と述べ、・・・ことを示しました。」
→「述べ」は「示しました」と同じ時制
「過去」として「確定」と判定する。
【００７２】
ステップＳ２８で連用修飾節でない場合は、ステップＳ３０に進み、未確定と判定する。
【００７３】
このような処理を話題「ガイドライン関連法案の審議」を構成する３３１個のニュース記事に対して行い、手作業による結果と比較検証した。
【００７４】
図８は、その確定・未確定の判定結果２００を示す。
【００７５】
出現した９２９個の動詞中、８１０個（８７．２％）の動詞に対して正解が与えられ、ある程度、良好な結果が得られている。
【００７６】
（話題構成要素抽出装置）
話題構成要素抽出装置６０は、自然言語文生成装置４０と、動詞の確定・未確定判定装置５０との出力結果を利用することにより、特定の話題を構成する要素を提示する処理を行う。
【００７７】
図９は、話題構成要素の抽出処理を示すフローチャートである。
【００７８】
入力データとして、自然言語文生成装置４０からの出力結果として、話題を構成するニュース記事集合から生成された複数の自然言語文を入力する。また、動詞の確定・未確定判定装置５０からの出力結果として、話題を構成するニュース記事集合に含まれる「確定」と判定された動詞を入力する。
【００７９】
まず、ステップＳ３１では、文末の動詞が確定か否かを調べる。確定の場合はステップＳ３３に進み、一方、確定していない場合はステップＳ３２に進んで除外する。
【００８０】
ステップＳ３３では、定型値が閾値よりも大きいか否かを調べ、大きい場合はステップＳ３５に進み、一方、大きくない場合はステップＳ３４に進んで除外する。
【００８１】
ステップＳ３５では、文末の動詞が「発表語」か否かを調べる。「発表語」の場合はステップＳ３６に進み、「発表語」でない場合はステップＳ３８に進む。
【００８２】
ステップＳ３６では、動詞の前は、「考え」、「方針」、「意向」、「見通し」の何れかであるか否かをチェックする。何れかである場合はステップＳ３７に進み、何れかでない場合はステップＳ３８に進む。
【００８３】
ステップＳ３７では、文末の動詞が「発表語」で、その前に「こと」以外の「事態の確実性を表す名詞（「考え」「方針」「意向」「見通し」）」がある場合は、その前に述べられた行為の確定性が低いことが判っているため、「考えを表明する」などが含まれる定型文は、抽出結果から除外する。
【００８４】
ステップＳ３８では、他の自然言語文と共通の３項組とが、閾値の定型値よりも大きいか否かを調べる。定型値よりも大きい場合はステップＳ３９に進み、大きくない場合はステップＳ４１に進む。
【００８５】
ステップＳ３９では、類似した複数の自然言語文に不整合が生じるか否かを調べる。不整合が生じない場合は、ステップＳ４０に進み、定型値が最大の自然言語文のみを抽出する。抽出した場合、又は、不整合が生じた場合は、ステップＳ４１に進む。
【００８６】
ここで、ステップＳ３８〜ステップＳ４０までの具体的な処理について説明する。
【００８７】
同一内容について述べたニュース記事も数多く存在するため、類似内容の定型文も複数抽出してしまう。そこで、重複する定型文を削除する処理を行う。
【００８８】
この削除する処理では、以下の２つの条件（１）（２）を満たす場合に重複した定型文と判断し、定型値が低い文を削除する。
【００８９】
（１）一定値（本例では０）より大きい定型値を持つ３項組の係り受け関係で、その内容に不整合（２項が同じで１項のみ異なる組み合わせ）が存在しない。
【００９０】
（２）共通である３項組の定型値の合計が一定値以上（例えば、｛ｍｉｎ（２文の定型値）／２｝以上）。
【００９１】
例えば、抽出された定型文の「衆議院本会議で可決される（定型値２４１７．４）」と「衆議院本会議で、賛成多数で可決され、参議院に送られる（定型値１２３２７．７）」とは、上記の条件が満たすため、文の定型値が低い「衆議院本会議で可決される」は削除される。
【００９２】
確定と判定された動詞を文末に持つ定型文で、その定型値が一定の閾値（例えば、本例では５００）以上の文から、行為の確定性が低い文と、重複した定型文とを削除することにより、話題要素文を抽出する。
【００９３】
ステップＳ４１では、抽出された話題要素文である、残った複数の自然言語文を時系列に掲示する。掲示方法としては各種の方法が考えられ、画面に表示したり、印刷出力してもよい。
【００９４】
図１０は、話題「ガイドライン関連法案の審議」に関する３３１文のニュース記事から話題要素文を自動抽出した抽出結果３００を示す。
【００９５】
衆議院本会議での趣旨説明、特別委員会の参考人質疑、衆議院本会議の可決、参議院特別委員会の可決、参議院本会議での可決成立など、主要と考えられる要素が、適切な短文で抽出されている。
【００９６】
【発明の効果】
以上説明したように、本発明によれば、ニュース原稿から特定のニュース話題を抽出し、該抽出された特定のニュース話題を構成するニュース記事の係り受け関係を解析し、解析されたニュース記事の係り受け関係の定型性、例えば話題を特徴付ける単語や統語構造の定型性を評価するようにしたので、話題を構成するニュース記事集合を自動解析し、いつ、どのような事が起きたかという話題の基本的な構成要素を分かり易い自然言語文でかつ簡潔に提示することが可能となる。
【図面の簡単な説明】
【図１】本発明の実施の形態である、ニュース話題解析装置の構成例を示すブロック図である。
【図２】定型性評価装置の定型性評価処理の手順を示すフローチャートである。
【図３】品詞による制限値を示す説明図である。
【図４】「ガイドライン関連法案の審議」に出現した３項組の定型性評価結果の上位３０組の例を示す説明図である。
【図５】自然言語文生成装置の自然言語文生成処理の手順を示すフローチャートである。
【図６】定型文の生成例を示す説明図である。
【図７】動詞の確定・未確定判定装置の確定・未確定判定処理の手順を示すフローチャートである。
【図８】確定・未確定の判定結果を示す説明図である。
【図９】話題構成要素抽出装置の抽出処理の手順を示すフローチャートである。
【図１０】話題要素文を自動抽出した結果を示す説明図である。
【符号の説明】
１ ニュース話題解析装置
２ ニュース原稿のニュース記事
１０ ニュース話題抽出装置
１１ ニュース記事
２０ 構文解析装置
３０ 定型性評価装置
４０ 自然言語文生成装置
５０ 動詞の確定・未確定判定装置
６０ 話題構成要素抽出装置
７０ 構成要素
１００ 品詞による制限値
１１０ 定型性評価結果
２００ 判定結果
３００ 抽出結果
Claims (3)
- ニュース話題を抽出して解析する装置であって、
入力により電子化されたニュース原稿を用いて、話題毎に分類されたニュース記事から構成される特定のニュース話題を抽出する抽出手段と、
前記抽出された特定のニュース話題を構成する前記ニュース記事を用いて、該ニュース記事に含まれる、少なくとも係り元の単語と係り先の単語とから構成される組の係り受け関係を解析する解析手段と、
前記解析されたニュース記事の組の係り受け関係の定型値を求める評価手段と
を具え、
前記評価手段は、
前記組の出現頻度と期待値とがどの程度一致しているかを測る指標値を示す第１の演算値を算出する手段と、
前記ニュース記事の総数と前記ニュース記事中に組が出現した記事数とから前記組の係り受け関係を制限する第２の演算値を算出する手段と、
品詞の組み合わせによる制限値と、前記第１の演算値と、前記第２の演算値とを乗算することによって、前記ニュース記事の構成要素を抽出するための前記組の係り受け関係の定型値を求める乗算手段と
を含み、
前記係り元の単語をｗ １ 、助詞をｗ ２ 、前記係り先の単語をｗ ３ とし、３項組（ｗ １ ，ｗ ２ ，ｗ ３ ）の出現頻度をｎ（ｗ １ ，ｗ ２ ，ｗ ３ ）、その期待値をｅ（ｗ １ ，ｗ ２ ，ｗ ３ ）としたとき、
前記第１の演算値としてのχ ２ （ｗ １ ，ｗ ２ ，ｗ ３ ）は、
前記ニュース記事の総数をＮ、前記ニュース記事中の３項組（ｗ １ ，ｗ ２ ，ｗ ３ ）が出現した記事数をＤＦ（ｗ １ ，ｗ ２ ，ｗ ３ ）としたとき、
前記第２の演算値としてのＩＤＦ（ｗ １ ，ｗ ２ ，ｗ ３ ）は、
予め定めた品詞による制限値をＣ（ｗ １ ，ｗ ２ ，ｗ ３ ）としたとき、前記定型値ｗｅｉｇｈｔ（ｗ１，ｗ２，ｗ３）は、
- 前記評価手段から複数の組の係り受け関係の定型値が入力され、
前記定型値の大きさに基づいて、所定の組の係り受け関係を抽出し、該抽出された所定の組の係り受け関係のある語句に共通する項が出現した場合に該共通する組を統合することにより、自然言語文を生成する自然言語文生成手段
をさらに具えたことを特徴とする請求項１記載のニュース話題解析装置。 - ニュース記事から動詞を抽出し、該抽出された動詞が、既に起きた「確定」事項か、これから起きる「未確定」事項かを判定する確定・未確定判定手段
をさらに具えたことを特徴とする請求項１又は２記載のニュース話題解析装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001083170A JP4326713B2 (ja) | 2001-03-22 | 2001-03-22 | ニュース話題解析装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001083170A JP4326713B2 (ja) | 2001-03-22 | 2001-03-22 | ニュース話題解析装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2002278962A JP2002278962A (ja) | 2002-09-27 |
| JP4326713B2 true JP4326713B2 (ja) | 2009-09-09 |
Family
ID=18939025
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001083170A Expired - Fee Related JP4326713B2 (ja) | 2001-03-22 | 2001-03-22 | ニュース話題解析装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4326713B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10699062B2 (en) | 2017-08-01 | 2020-06-30 | Samsung Electronics Co., Ltd. | Apparatus and method for providing summarized information using an artificial intelligence model |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4859577B2 (ja) * | 2006-07-27 | 2012-01-25 | 三菱電機ビルテクノサービス株式会社 | ビル設備作業報告書作成システム |
| JP2009271796A (ja) * | 2008-05-08 | 2009-11-19 | Nomura Research Institute Ltd | 文書データのノイズ除去システム |
| JP7090936B2 (ja) * | 2017-11-23 | 2022-06-27 | アイエスディー インコーポレーテッド | Ｅｓｇ基盤の企業評価遂行装置及びその作動方法 |
| JP7268220B2 (ja) * | 2018-03-16 | 2023-05-02 | 株式会社日立製作所 | 文章処理装置および文章処理方法 |
| CN110516067B (zh) * | 2019-08-23 | 2022-02-11 | 北京工商大学 | 基于话题检测的舆情监控方法、系统及存储介质 |
-
2001
- 2001-03-22 JP JP2001083170A patent/JP4326713B2/ja not_active Expired - Fee Related
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10699062B2 (en) | 2017-08-01 | 2020-06-30 | Samsung Electronics Co., Ltd. | Apparatus and method for providing summarized information using an artificial intelligence model |
| US11017156B2 (en) | 2017-08-01 | 2021-05-25 | Samsung Electronics Co., Ltd. | Apparatus and method for providing summarized information using an artificial intelligence model |
| US11574116B2 (en) | 2017-08-01 | 2023-02-07 | Samsung Electronics Co., Ltd. | Apparatus and method for providing summarized information using an artificial intelligence model |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2002278962A (ja) | 2002-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Stamatatos et al. | Clustering by authorship within and across documents | |
| US9558263B2 (en) | Identifying and displaying relationships between candidate answers | |
| CN105426360B (zh) | 一种关键词抽取方法及装置 | |
| Murray et al. | Generating and validating abstracts of meeting conversations: a user study | |
| Kherwa et al. | An approach towards comprehensive sentimental data analysis and opinion mining | |
| CN102298587B (zh) | 满意度调查方法及系统 | |
| JP2011134334A (ja) | ショートテキスト通信のトピックを識別するためのシステムおよび方法 | |
| Ginting et al. | Hate speech detection on twitter using multinomial logistic regression classification method | |
| JP2009134714A (ja) | プライバシーポリシーを強化するためにコンピュータが実行する方法 | |
| CN111079029B (zh) | 敏感账号的检测方法、存储介质和计算机设备 | |
| CN109101551B (zh) | 一种问答知识库的构建方法及装置 | |
| Ali et al. | Porter stemming algorithm for semantic checking | |
| Khatri et al. | Detecting offensive content in open-domain conversations using two stage semi-supervision | |
| Wohlgenannt et al. | Extracting social networks from literary text with word embedding tools | |
| Clark et al. | A classifier system for author recognition using synonym-based features | |
| JP4326713B2 (ja) | ニュース話題解析装置 | |
| Collantes et al. | Simpatico: A text simplification system for senate and house bills | |
| Macdonald et al. | Searching for expertise: Experiments with the voting model | |
| Sweeney et al. | Multi-entity sentiment analysis using entity-level feature extraction and word embeddings approach. | |
| KR20090126862A (ko) | 자연어 처리를 이용한 감성 정보 분석 시스템 및 방법,자연어 처리를 이용한 감성 정보 분석 방법을 컴퓨터에서실행하기 위한 프로그램을 저장한 기록매체 | |
| CN105786929A (zh) | 一种信息监测方法及装置 | |
| Yin et al. | Research of integrated algorithm establishment of a spam detection system | |
| JP6097707B2 (ja) | データ更新装置、方法、及びプログラム | |
| Kurniawan et al. | Optimization of sentiment analysis using naive Bayes with features selection chi-square and information gain for Accuracy Improvement | |
| JP2006190196A (ja) | 人物評価装置、及び、人物評価方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060214 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080219 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080417 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20081219 |
|
| RD13 | Notification of appointment of power of sub attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7433 Effective date: 20090114 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090119 |
|
| RD13 | Notification of appointment of power of sub attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7433 Effective date: 20090122 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20090114 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20090122 |
|
| A911 | Transfer of reconsideration by examiner before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20090327 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20090529 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20090610 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120619 Year of fee payment: 3 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120619 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130619 Year of fee payment: 4 |
|
| LAPS | Cancellation because of no payment of annual fees |