JP4424056B2 - 文書処理装置およびプログラム - Google Patents

Description

本発明は、文書を処理する際に、文書中の略語（元の語句の表現を簡略化した語句）を取り扱う技術に関する。

ある自然言語の文書を別の自然言語に機械的に翻訳する機械翻訳が普及している。機械翻訳の分野では、文書中の略語を適切に取り扱うことによって好適な翻訳結果を得ようとする技術が提案されている。

特許文献１には、文書中の略語を用いて固有名詞を適切に取り扱う技術が開示されている。この技術では、文書中で略語の直前に現れる単語群が固有名詞として辞書に登録されているか否かが調べられ、登録されていれば固有名詞として翻訳され、登録されていなければそのまま用いられる。例えば、「 Organization of Petroleum Exporting Countries (OPEC)」は、「石油輸出国機構（OPEC）」または「Organization of Petroleum Exporting Countries（OPEC）」となり、「諸国を輸出する石油の組織（OPEC）」にはならない。

特許文献２には、略語の翻訳方法を使用者が文書毎に指定することができる技術が開示されている。この技術では、略語と元の語句とが予め対応付けて記憶されており、文書の翻訳時には、その文書について予め指定された翻訳方法（略語をそのまま用いる方法／略語を元の語句に変換してから翻訳する方法）が採られる。
特開平３−３５３５４号公報 特開平５−２８２３５８号公報

ところで、機械翻訳などの文書処理において、文書中の略語から元の語句を特定したい場合がある。例えば、文書中の略語を元の語句に変換する文書処理を行う場合である。この場合には、特許文献２に開示の技術を用いることが考えられる。
しかし、この技術を用いても正しく変換することが困難なケースがある。例えば、ある語句（例えば「現金自動預入引出機」）の略語と他の語句（例えば「非同期伝送モード」）の略語とが一致していると、このような略語（例えば「ＡＴＭ」）から元の語句を正しく特定するのが困難になる。
また、この技術を用いても使用者に負担がかかるケースがある。例えば、会社や部門などの特定の範囲内でのみ用いられる略語は標準的な辞書に登録されていないから、このような略語から元の語句を特定することができるようにするには、使用者が、略語と元の語句とを対応付けて装置に記憶させる作業を予め行わねばならない。
本発明は上述した事情に鑑みてなされたものであり、使用者に負担をかけることなく、文書中の略語から元の語句を正しく特定することができる技術を提供することを目的としている。

本発明は、ある自然言語の文書を入力して印刷することにより出力する入出力手段と、前記入出力手段により入力された文書から予め定められた辞書に登録されていない未知語を抽出し、抽出した未知語のうち少なくとも２つの大文字のアルファベットから構成されているものを略語として検出する第１略語検出手段と、前記第１略語検出手段により検出された略語の直後に、括弧で囲われた当該略語よりも長い語句が現れる場合には、当該語句を、当該略語を補足する元の語句として検出し、当該略語と当該元の語句の組を抽出する組抽出手段と、前記組抽出手段により抽出された組を記憶する記憶手段と、前記第１略語検出手段により検出された略語の直後に、括弧で囲われた当該略語よりも長い語句が現れない場合には、当該略語を元の語句に補足されていない略語として検出する第２略語検出手段と、前記第２略語検出手段により検出された略語を含む組が前記記憶手段に記憶されている場合には、前記入出力手段により入力された文書を、該組内の元の語句を該略語の近傍位置に挿入することにより加工する挿入手段とを有し、前記入出力手段は前記挿入手段により加工された文書を出力する文書処理装置を提供する。
この文書処理装置は、文書を入力して印刷する際に、入力した文書から略語と該略語を補足する元の語句との組を抽出して記憶する。したがって、使用者は、この文書処理装置に文書を印刷させるだけで、略語と元の語句とを対応付けて記憶させることができる。また、この文書処理装置は、使用者が多ければ多いほど、効率的に組を記憶させることができる。
また、文書を入力して印刷する装置は会社や部門などの特定の範囲内の使用者に共用されることが多いから、この文書処理装置により記憶される組は、略語と元の語句とを上記特定の範囲内で正しく対応付けることになる。したがって、この組を用いれば、文書中の略語から元の語句を正しく特定することができる。

また、本発明は、上述した態様において、前記入出力手段は、前記文書を光学的に読み取ることにより入力して出力する。
この文書処理装置は、文書を光学的に読み取ることにより入力して出力する際に、入力した文書から略語と該略語を補足する元の語句との組を抽出して記憶する。したがって、使用者は、この文書処理装置に文書を光学的に読み取らせるだけで、略語と元の語句とを対応付けて記憶させることができる。また、この文書処理装置は、使用者が多ければ多いほど、効率的に組を記憶させることができる。
また、文書を光学的に読み取って出力する装置は上記特定の範囲内の使用者に共用されることが多い。したがって、この文書処理装置により記憶される組を用いれば、文書中の略語から元の語句を正しく特定することができる。

また、本発明は、コンピュータに、ある自然言語の文書および指示を入力し、入力した文書に対して該指示に応じた処理を行ってから該文書を出力する一方、入力した文書から予め定められた辞書に登録されていない未知語を抽出し、抽出した未知語のうち少なくとも２つの大文字のアルファベットから構成されているものを略語として検出し、検出された略語の直後に、括弧で囲われた当該略語よりも長い語句が現れる場合には、当該語句を、当該略語を補足する元の語句として検出し、当該略語と当該略語を補足する元の語句とを対応付けて記憶する登録手順と、前記登録手順の後に、前記自然言語の文書および指示を入力し、入力した文書から予め定められた辞書に登録されていない未知語を抽出し、抽出した未知語のうち少なくとも２つの大文字のアルファベットから構成されているものを略語として検出し、検出された略語の直後に、括弧で囲われた当該略語よりも長い語句が現れない場合には、当該略語を元の語句に補足されていない略語として検出して、当該元の語句に補足されていない略語の近傍位置に当該略語に対応付けて記憶している元の語句を挿入することにより加工し、加工した文書に対して該指示に応じた処理を行ってから該文書を出力する実行手順とを実行させるためのプログラムを提供する。
このプログラムによれば、使用者はコンピュータに文書および指示を入力するだけで、指示に応じた処理だけでなく、略語と元の語句とを対応付けて記憶させる処理をも行わせることができる。しかも、後者の処理は、使用者に意識されることなく行われる。また、このコンピュータの使用者が多ければ多いほど、略語および元の語句を効率的に記憶させることができる。
また、このコンピュータは特定の範囲内の使用者に共用されるから、このコンピュータによれば、文書中で元の語句に補足されていない略語の元の語句を正しく特定し、この略語の近傍位置に当該元の語句を挿入することができる。この結果、使用者は適切な出力物を得ることができる。

以下、図面を参照して、本発明の実施形態について説明する。
［構成］
図１は本発明の一実施形態に係る文書処理装置１の構成を示す図である。
文書処理装置１は、ある会社の社員に共用されるように当該会社内に設置されており、社員に操作されて当該社員の指示を入力する操作部１１、文書処理装置１の原稿台（図示略）にセットされた文書を光学的に読み取って画像データとして入力するスキャナ１２、画像データを一時的に記憶するＲＡＭ１３、ＲＡＭ１３に記憶されている画像データの画像を用紙上に形成して当該用紙を文書として文書処理装置１外へ排出する印刷部１４、データを記憶する不揮発性メモリ１５、および各部を制御するＣＰＵ１６を有する。

不揮発性メモリ１５は、図示しない電源から電力が供給されなくともデータを保持することが可能であり、ＣＰＵ１６が各部を制御するときに用いる制御プログラムＰ１１、文書処理装置１に後述の複写登録処理を行わせるための複写登録プログラムＰ１２、後述の内容のテーブルＴ、文書処理装置１に後述の加工翻訳処理を行わせるための加工翻訳プログラムＰ１３、および翻訳用の辞書Ｄを記憶している。

ＣＰＵ１６は、図示せぬ電源から電力が供給されると、不揮発性メモリ１５から制御プログラムＰ１１を読み出して実行する。これによって、ＣＰＵ１６は文書処理装置１の各部を制御可能な状態となる。

この状態のＣＰＵ１６は、操作部１１を用いて複写の指示が入力されると、不揮発性メモリ１５から複写登録プログラムＰ１２を読み出して実行する。これによって、文書処理装置１は複写登録処理を行う。複写登録処理では、ＣＰＵ１６は、まず、原稿台にセットされた文書をスキャナ１２により光学的に読み取って画像データとして入力し、ＲＡＭ１３に書き込む。次に、ＲＡＭ１３に記憶されている画像データから略語とその元の語句との組を抽出する処理を試みて抽出された組をテーブルＴに格納する登録処理と、印刷部１４を用いて、当該画像データの画像を用紙上に形成して当該用紙を文書処理装置１外へ排出する処理とを並列に実行する。

図２はテーブルＴのデータ構造を模式的に示す図である。
テーブルＴは１つの略語に１つの元の語句（日本語）を対応付けた組を格納するものである。略語は組に固有であり、異なる組に同一の略語が含まれることはない。テーブルＴには複数の組が格納され得るが、初期状態では、テーブルＴに格納されている組は無い。

また、上記の状態のＣＰＵ１６は、操作部１１を用いて翻訳の指示が入力されると、不揮発性メモリ１５から加工翻訳プログラムＰ１３を読み出して実行する。これによって、文書処理装置１は加工翻訳処理を実行する。加工翻訳処理では、ＣＰＵ１６は、まず、原稿台にセットされた文書をスキャナ１２により光学的に読み取って画像データとして入力し、ＲＡＭ１３に書き込む。次に、上述の登録処理を行う。次に、ＲＡＭ１３に記憶されている画像データの文書中に元の語句で補足されていない略語が存在し、かつ当該略語がテーブルＴに格納されている場合にのみ、テーブルＴを用いて当該画像データを加工する、という加工処理を行う。次に、辞書Ｄを参照してＲＡＭ１３に記憶されている画像データの文書を英語に翻訳することにより当該画像データを加工する。次に、印刷部１４を用いて、加工後の画像データの画像を用紙上に形成して当該用紙を文書処理装置１外へ排出する。

［動作］
次に、上述した構成の文書処理装置１の動作について説明する。
まず、第１の社員が図３に示す日本語の文書を原稿台にセットし、操作部１１を用いて複写の指示を入力したものとする。
すると、ＣＰＵ１６は、原稿台にセットされた文書をスキャナ１２により光学的に読み取って画像データとして入力し、この画像データをＲＡＭ１３に書き込み、印刷部１４を用いて、当該画像データの画像を用紙上に形成して当該用紙を文書処理装置１外へ排出する。こうして文書が複写される。

この複写に並行して、ＣＰＵ１６は図４に示す登録処理を行う。
まず、ＲＡＭ１３に記憶されている画像データからＯＣＲ（Optical Character Recognition）によってテキストデータを生成する（ステップＳＡ１）。次に、このテキストデータに対して形態素解析を行う（ステップＳＡ２）。次に、この形態素解析の結果と辞書Ｄの内容とに基づいて、このテキストデータから略語と当該略語を補足する元の語句との組の抽出を試みる（ステップＳＡ３）。図３の文書の場合、略語「ＡＴＭ」と元の語句「現金自動預入引出機」との組が抽出される。

組の抽出では、ＣＰＵ１６は、形態素解析の結果から辞書Ｄに登録されていない未知語を検出し、検出した未知語のうち、少なくとも２つの大文字のアルファベットから構成されているものを略語として検出する。そして、この略語の直後に、括弧で囲われた、当該略語よりも長い語句が現れるか否かを調べ、現れる場合にのみ、その語句を当該略語を補足する元の語句とみなし、当該略語および当該元の語句を組としてテキストデータから抽出する。

組の抽出を試みたＣＰＵ１６は、次に、少なくとも１つの組が抽出されたか否かを判定する（ステップＳＡ４）。ここでは、「ＡＴＭ」と「現金自動預入引出機」との組が抽出されているから、この判定結果が「ＹＥＳ」となる。したがって、ＣＰＵ１６は、抽出した組をテーブルＴに格納し（ステップＳＡ５）、登録処理を終える。この結果、テーブルＴの内容は図５に示す通りとなる。なお、格納しようとする組に含まれている略語と同一の略語を含む組がテーブルＴに格納されている場合には、ＣＰＵ１６は、格納しようとする組で格納されている組を上書きする。

次に、第２の社員が図６に示す日本語の文書を原稿台にセットし、操作部１１を用いて複写の指示を入力したものとする。
すると、上述と同様の処理が繰り返される。ただし、図６の文書には略語「ＯＤＡ」は存在するものの、この略語を補足する元の語句は存在しない。したがって、ステップＳＡ４の判定結果が「ＮＯ」となり、新たな組がテーブルＴに登録されることなく登録処理が終了する。なお、略語すら存在しない文書を複写する際にも、これと同様の動作となる。

次に、第３の社員が図７に示す日本語の文書を原稿台にセットし、操作部１１を用いて翻訳の指示を入力したものとする。
すると、ＣＰＵ１６は、原稿台にセットされた文書をスキャナ１２により光学的に読み取って画像データとして入力し、この画像データをＲＡＭ１３に書き込む。次に、図４の登録処理を行う。図７の文書には略語「ＯＤＡ」と当該略語を補足する元の語句「政府開発援助」とが存在するから、この登録処理では、これらの組がテーブルＴに格納される。この結果、テーブルＴの内容は図８に示す通りとなる。

次に、ＣＰＵ１６は図９に示す加工処理を行う。
まず、ＲＡＭ１３に記憶されている画像データからＯＣＲによってテキストデータを生成する（ステップＳＢ１）。次に、このテキストデータに対して形態素解析を行う（ステップＳＢ２）。次に、この形態素解析の結果と辞書Ｄの内容とに基づいて、このテキストデータから、元の語句で補足されていない略語の検出を試みる（ステップＳＢ３）。図７の文書の場合、「ＡＴＭ」および「ＣＤ」が検出される。

略語の検出では、ＣＰＵ１６は、形態素解析の結果から辞書Ｄに登録されていない未知語を検出し、検出した未知語のうち、少なくとも２つの大文字のアルファベットから構成されているものを略語として検出する。そして、この略語の直後に、括弧で囲われた、当該略語よりも長い語句が現れるか否かを調べ、現れない場合にのみ、当該略語を、元の語句で補足されていない略語として検出する。

元の語句で補足されていない略語の検出を試みたＣＰＵ１６は、次に、少なくとも１つの略語が検出されたか否かを判定する（ステップＳＢ４）。ここでは、「ＡＴＭ」および「ＣＤ」が検出されているから、この判定結果が「ＹＥＳ」となる。したがって、ＣＰＵ１６は、検出した略語の各々について、略語を含む組がテーブルＴに格納されているか否かを調べ、格納されている場合にのみ、当該組に含まれている元の語句を括弧で囲んだ文字列を当該テキストデータにおける当該略語の直後に挿入する、という処理を行う（ステップＳＢ５〜ＳＢ９）。

次に、ＣＰＵ１６は、この処理の結果として得られたテキストデータから画像データを生成し、ＲＡＭ１３に上書きし（ステップＳＢ１０）、加工処理を終了する。この結果、ＲＡＭ１３に記憶されている画像データは、図１０に示す文書の画像データとなる。

次に、ＣＰＵ１６は、辞書Ｄを参照してＲＡＭ１３に記憶されている画像データの文書を英語に翻訳することにより当該画像データを加工する。この翻訳時には、ＯＣＲや形態素解析などの技術や辞書Ｄが用いられる。次に、印刷部１４を用いて、加工後の画像データの画像を用紙上に形成して当該用紙を文書処理装置１外へ排出する。こうして、文書処理装置１から英語に翻訳された文書が出力される。

次に、第４の社員が図１１に示す日本語の文書を原稿台にセットし、操作部１１を用いて翻訳の指示を入力したものとする。すると、上述と同様の処理が繰り返される。ただし、図１１の文書には略語が存在しない。したがって、ステップＳＢ４の判定結果が「ＮＯ」となり、ＲＡＭ１３に記憶されている画像データが更新されることなく加工処理が終了し、この画像データを用いて後続の処理が行われることになる。

［まとめ］
以上説明したように、文書処理装置１は、文書を複写したり翻訳したりするときに、当該文書から略語と当該略語を補足する元の語句との組を抽出してテーブルＴに格納することができる。
また、文書処理装置１はある会社の社員に共用されているから、文書処理装置１によれば、略語と元の語句とを特定の範囲（会社）内において正しく対応付けた組を効率よく収集することができる。
以上より、使用者（社員）は、文書処理装置１を用いて文書を複写したり翻訳したりするだけで、文書中の略語から元の語句を正しく特定するためのデータを文書処理装置１に効率よく蓄積させることができる。しかも、この蓄積は、使用者に意識されることなく行われる。

また、文書処理装置１は、文書を翻訳する前に、この文書において、元の語句に補足されていない略語があると、当該略語を含む組がテーブルＴに格納されていれば、当該略語の直後に、当該組に含まれている元の語句を括弧で囲んだ文字列を挿入する。ここで挿入される元の語句は当該略語に合ったものとなるから、使用者は、文書処理装置１を用いて文書を翻訳することにより、元の文書を分かりやすく加工した上で翻訳した文書を得ることができる。

なお、上述した実施形態を以下に述べるように変形してもよい。
例えば、加工処理において、テキストデータからテーブルＴに格納されている組に含まれている略語を検出し、検出した略語の直後に当該略語を含む組に含まれている元の語句を括弧で囲った文字列を挿入するようにしてもよい。
また、加工処理により得られたテキストデータをそのまま翻訳に用いるようにしてもよい。

また、加工処理における元の語句の挿入位置は、略語の直前であってもよい。この場合には、元の語句ではなく、略語を括弧で囲むようにしてもよい。このように、元の語句の挿入位置は文書中の略語の近傍位置であればよい。
また、加工処理を経ずに翻訳を行い、翻訳後の文書（画像データ）を、当該文書中で元の語句に補足されていない略語であってテーブルＴに格納されている略語の近傍位置に当該略語の元の語句を翻訳して得られる文字列を挿入することによって加工するようにしてもよい。

また、文書処理装置１は、加工処理により加工された画像データの画像を用紙上に形成して当該用紙を排出する装置であってもよい。
また、文書処理装置１に通信機能を持たせ、テーブルＴを他の装置へ送信することができるようにしてもよい。
また、任意の自然言語で記述された文書を別の任意の自然言語に翻訳するようにしてもよい。

また、文書処理装置１は、複写機として機能する装置に限らず、文書を光学的に読み取って画像データを出力するスキャナ装置や、文書を光学的に読み取って画像データを送信するファクシミリ装置、文書の画像データを入力して文書を印刷するプリンタとして機能する装置であってもよい。要は、紙などの実体物を用いて文書を処理する装置であればよい。

本発明の一実施形態に係る文書処理装置１の構成を示す図である。 文書処理装置１内のテーブルＴのデータ構造を模式的に示す図である。 文書処理装置１に入力される文書の一例を示す図である。 文書処理装置１が行う登録処理のフローチャートである。 テーブルＴの内容の一例を模式的に示す図である。 文書処理装置１に入力される文書の一例を示す図である。 文書処理装置１に入力される文書の一例を示す図である。 テーブルＴの内容の一例を模式的に示す図である。 文書処理装置１が行う加工処理のフローチャートである。 文書処理装置１により形成される文書の一例を示す図である。 文書処理装置１に入力される文書の一例を示す図である。

符号の説明

１…文書処理装置、１１…操作部、１２…スキャナ、１３…ＲＡＭ、１４…印刷部、１５…不揮発性メモリ、１６…ＣＰＵ、Ｐ１１…制御プログラム、Ｐ１２…複写登録プログラム、Ｐ１３…加工翻訳プログラム、Ｄ…辞書、Ｔ…テーブル。

Claims (5)

1. ある自然言語の文書を入力して印刷することにより出力する入出力手段と、
   前記入出力手段により入力された文書から予め定められた辞書に登録されていない未知語を抽出し、抽出した未知語のうち少なくとも２つの大文字のアルファベットから構成されているものを略語として検出する第１略語検出手段と、
   前記第１略語検出手段により検出された略語の直後に、括弧で囲われた当該略語よりも長い語句が現れる場合には、当該語句を、当該略語を補足する元の語句として検出し、当該略語と当該元の語句の組を抽出する組抽出手段と、
   前記組抽出手段により抽出された組を記憶する記憶手段と、
   前記第１略語検出手段により検出された略語の直後に、括弧で囲われた当該略語よりも長い語句が現れない場合には、当該略語を元の語句に補足されていない略語として検出する第２略語検出手段と、
   前記第２略語検出手段により検出された略語を含む組が前記記憶手段に記憶されている場合には、前記入出力手段により入力された文書を、該組内の元の語句を該略語の近傍位置に挿入することにより加工する挿入手段と
   を有し、
   前記入出力手段は前記挿入手段により加工された文書を出力する
   文書処理装置。
2. 前記入出力手段は、前記文書を光学的に読み取ることにより入力して出力する
   ことを特徴とする請求項１に記載の文書処理装置。
3. 使用者に操作される操作部を有し、
   前記入出力手段は、前記操作部を用いて所定の指示が入力されると、前記文書を入力して出力する
   ことを特徴とする請求項１または２に記載の文書処理装置。
4. 前記挿入手段により加工された文書を別の自然言語に翻訳する翻訳手段を有し、
   前記入出力手段は前記翻訳手段により翻訳された文書を出力する
   ことを特徴とする請求項１から３のいずれかに記載の文書処理装置。
5. コンピュータに、
   ある自然言語の文書および指示を入力し、入力した文書に対して該指示に応じた処理を
   行ってから該文書を出力する一方、入力した文書から予め定められた辞書に登録されていない未知語を抽出し、抽出した未知語のうち少なくとも２つの大文字のアルファベットから構成されているものを略語として検出し、検出された略語の直後に、括弧で囲われた当該略語よりも長い語句が現れる場合には、当該語句を、当該略語を補足する元の語句として検出し、当該略語と当該略語を補足する元の語句とを対応付けて記憶する登録手順と、
   前記登録手順の後に、前記自然言語の文書および指示を入力し、入力した文書から予め定められた辞書に登録されていない未知語を抽出し、抽出した未知語のうち少なくとも２つの大文字のアルファベットから構成されているものを略語として検出し、検出された略語の直後に、括弧で囲われた当該略語よりも長い語句が現れない場合には、当該略語を元の語句に補足されていない略語として検出して、当該元の語句に補足されていない略語の近傍位置に当該略語に対応付けて記憶している元の語句を挿入することにより加工し、加工した文書に対して該指示に応じた処理を行ってから該文書を出力する実行手順と
   を実行させるためのプログラム。

Images