JP4514401B2 - 文書分類装置、文書分類方法およびその方法をコンピュータに実行させるプログラム - Google Patents

Description

【０００１】
【発明の属する技術分野】
この発明は、電子文書を当該文書に出現する語や語句の特徴などにもとづいて所定のカテゴリのいずれかに分類する文書分類装置、文書分類方法およびその方法をコンピュータに実行させるプログラムに関する。
【０００２】
【従来の技術】
文書を分類するための複数のカテゴリをあらかじめ用意しておき、与えられた文書をそこに出現する語や語句の特徴（出現頻度や出現位置など）から、いずれかのカテゴリに分類する技術が従来より存在する。
【０００３】
【発明が解決しようとする課題】
しかしながら上記従来技術による分類は、主に文書の内容による分類であり、その本文に含まれる語彙の中でも、意味を担う自立語が分類の基準となることが多い。
【０００４】
一方、ある文書がどの程度注目に値するかを把握するためには、必ずしも文書の意味内容でなく、危険な表現（苦情など）をどの程度含んでいるか、という観点からの分類が必要である。
【０００５】
たとえば、企業のカスタマサービスセンター（以下では「ＣＳセンター」と言う）では日々顧客から苦情、質問、提案などの雑多なメールを受け付けているが、どのメールは強いクレームであって特に迅速に対応する必要があり、どのメールはそうでないか、といったことは、必ずしもそこに出現する自立語の傾向からは分からない。
【０００６】
一例として「責任者を出せ」という文章では、「責任者」も「出（す）」もそれ単独では苦情に特徴的な自立語ではない。にもかかわらず苦情と分かるのは、「責任者を出せ」というフレーズの文脈上の意味と、文末の命令口調のためである。したがって自立語を中心とする従来の文書分類技術では、文脈や語調を別途解析できない限り、文書中に含まれる苦情を読み取れない場合が多い。
【０００７】
なお、本出願人は何らかの感情を含んだメールをそうでないメールから選り分けるための文書分類ソフトウエア（プロトタイプ）を過去に試作しているが、このソフトウエアでは自立語の中でも特に「アフェクト表現」、すなわち定性的・主観的な評価を含意する表現に注目して分類をおこなっていた（たとえば、特願２００１−３５５２７８、特願２００１−３５５２７９、特願２００１−３５５２８０など）。
【０００８】
「アフェクト表現」とはたとえば「とても美しくない」などの表現であり、中心的な１形態素、この例では「美し」を「アフェクトターム」と呼ぶ。そして上記ソフトウエアでは、このアフェクトタームの出現頻度や出現位置などから文書中の情動性の有無や程度を判定していたが、実際にＣＳセンターのメールを分類させてみた結果、必ずしも十分な精度を得ることができなかった。
【０００９】
また、自立語に注目して苦情文書をそうでない文書から選り分けようとすると、ジャンルの差異（業界や業務内容の差異）やトレンドの変化により使用される自立語は変化するので、こうした運用形態の変更に合わせるためのカスタマイズに多大なコストを要してしまう。コスト以前に、カスタマイズでは対応できない可能性も高い。
【００１０】
この発明は上記従来技術による問題を解決するため、文書中の特に付属語の部分に表れやすい書き手の口調や語調にもとづいて文書を分類することが可能な文書分類装置、文書分類方法およびその方法をコンピュータに実行させるプログラムを提供することを目的とする。
【００１１】
【課題を解決するための手段】
上述した課題を解決し、目的を達成するため、この発明にかかる文書分類装置は、電子文書を当該文書に出現する語や語句の特徴などにもとづいて所定のカテゴリのいずれかに分類する文書分類装置において、前記電子文書の本文から個々の形態素を切り出す形態素解析手段と、前記形態素解析手段により切り出された形態素のうち付属語であるものの前記各カテゴリに対する影響度にもとづいて前記電子文書の分類先となるカテゴリを判定する分類先判定手段と、を備えたことを特徴とする。
【００１２】
この発明によれば、文書はそこに出現する付属語の特徴にもとづいていずれかのカテゴリに分類される。
【００１３】
また、この発明にかかる文書分類装置は、電子文書を当該文書に出現する語や語句の特徴などにもとづいて所定のカテゴリのいずれかに分類する文書分類装置において、前記電子文書の本文から個々の形態素を切り出す形態素解析手段と、前記形態素解析手段により切り出された形態素のうち付属語であるものの危険度を集計することで前記電子文書の危険度を算出する危険度算出手段と、前記形態素解析手段により切り出された形態素のうち付属語であるものの安全度を集計することで前記電子文書の安全度を算出する安全度算出手段と、前記危険度算出手段により算出された危険度と前記安全度算出手段により算出された安全度との相対関係にもとづいて前記電子文書の分類先となるカテゴリを判定する分類先判定手段と、を備えたことを特徴とする。
【００１４】
この発明によれば、文書中に出現する付属語の危険度や安全度により文書全体の危険度や安全度が把握される。
【００１５】
また、この発明にかかる文書分類装置は、電子文書を当該文書に出現する語や語句の特徴などにもとづいて所定のカテゴリのいずれかに分類する文書分類装置において、前記電子文書の本文から個々の形態素を切り出す形態素解析手段と、前記形態素解析手段により切り出された形態素のうち一部の自立語と付属語の危険度を集計することで前記電子文書の危険度を算出する危険度算出手段と、前記形態素解析手段により切り出された形態素のうち一部の自立語と付属語の安全度を集計することで前記電子文書の安全度を算出する安全度算出手段と、前記危険度算出手段により算出された危険度と前記安全度算出手段により算出された安全度との相対関係にもとづいて前記電子文書の分類先となるカテゴリを判定する分類先判定手段と、を備えたことを特徴とする。
【００１６】
この発明によれば、文書中に出現する特に感情的な自立語や付属語の危険度や安全度により文書全体の危険度や安全度が把握される。
【００１７】
また、この発明にかかる文書分類装置は、電子文書を当該文書に出現する語や語句の特徴などにもとづいて所定のカテゴリのいずれかに分類する文書分類装置において、前記電子文書の本文から個々の形態素を切り出す形態素解析手段と、前記形態素解析手段により切り出された形態素の中から、連続する少なくとも１つ以上の付属語により構成される付属語列を切り出す付属語列切り出し手段と、前記付属語列切り出し手段により切り出された付属語列の危険度を集計することで前記電子文書の危険度を算出する危険度算出手段と、前記付属語列切り出し手段により切り出された付属語列の安全度を集計することで前記電子文書の安全度を算出する安全度算出手段と、前記危険度算出手段により算出された危険度と前記安全度算出手段により算出された安全度との相対関係にもとづいて前記電子文書の分類先となるカテゴリを判定する分類先判定手段と、を備えたことを特徴とする。
【００１８】
この発明によれば、文書中に出現する付属語列の危険度や安全度により文書全体の危険度や安全度が把握される。
【００１９】
また、この発明にかかる文書分類装置は、上記の発明において、前記付属語列切り出し手段が、連続する少なくとも１つ以上の付属語により構成される付属語列であって、かつ所定の辞書に登録された付属語列と最長一致する付属語列を切り出すことを特徴とする。
【００２０】
この発明によれば、文書中に出現する付属語列のうちできるだけ長いものの危険度や安全度により文書全体の危険度や安全度が把握される。
【００２１】
また、この発明にかかる文書分類装置は、上記の発明において、さらに、前記電子文書に所定の抑制語が出現しているか否かを判定する抑制語有無判定手段を備え、前記分類先判定手段が、前記危険度算出手段により算出された危険度と前記安全度算出手段により算出された安全度との相対関係、および前記抑制語有無判定手段による判定結果にもとづいて前記電子文書の分類先となるカテゴリを判定することを特徴とする。
【００２２】
この発明によれば、文書中に出現する付属語列の危険度や安全度のほか、特に文書の危険性や安全性を示唆する抑制語が出現していないかどうかにも配慮して文書全体の危険度や安全度が把握される。
【００２３】
また、この発明にかかる文書分類方法は、電子文書を当該文書に出現する語や語句の特徴などにもとづいて所定のカテゴリのいずれかに分類する文書分類方法において、前記電子文書の本文から個々の形態素を切り出す形態素解析工程と、前記形態素解析工程で切り出された形態素のうち付属語であるものの前記各カテゴリに対する影響度にもとづいて前記電子文書の分類先となるカテゴリを判定する分類先判定工程と、を含んだことを特徴とする。
【００２４】
この発明によれば、文書はそこに出現する付属語の特徴にもとづいていずれかのカテゴリに分類される。
【００２５】
また、この発明にかかる文書分類方法は、電子文書を当該文書に出現する語や語句の特徴などにもとづいて所定のカテゴリのいずれかに分類する文書分類方法において、前記電子文書の本文から個々の形態素を切り出す形態素解析工程と、前記形態素解析工程で切り出された形態素のうち付属語であるものの危険度を集計することで前記電子文書の危険度を算出する危険度算出工程と、前記形態素解析工程で切り出された形態素のうち付属語であるものの安全度を集計することで前記電子文書の安全度を算出する安全度算出工程と、前記危険度算出工程で算出された危険度と前記安全度算出工程で算出された安全度との相対関係にもとづいて前記電子文書の分類先となるカテゴリを判定する分類先判定工程と、を含んだことを特徴とする。
【００２６】
この発明によれば、文書中に出現する付属語の危険度や安全度により文書全体の危険度や安全度が把握される。
【００２７】
また、この発明にかかる文書分類方法は、電子文書を当該文書に出現する語や語句の特徴などにもとづいて所定のカテゴリのいずれかに分類する文書分類方法において、前記電子文書の本文から個々の形態素を切り出す形態素解析工程と、前記形態素解析工程で切り出された形態素のうち一部の自立語と付属語の危険度を集計することで前記電子文書の危険度を算出する危険度算出工程と、前記形態素解析工程で切り出された形態素のうち一部の自立語と付属語の安全度を集計することで前記電子文書の安全度を算出する安全度算出工程と、前記危険度算出工程で算出された危険度と前記安全度算出工程で算出された安全度との相対関係にもとづいて前記電子文書の分類先となるカテゴリを判定する分類先判定工程と、を含んだことを特徴とする。
【００２８】
この発明によれば、文書中に出現する特に感情的な自立語や付属語の危険度や安全度により文書全体の危険度や安全度が把握される。
【００２９】
また、この発明にかかる文書分類方法は、電子文書を当該文書に出現する語や語句の特徴などにもとづいて所定のカテゴリのいずれかに分類する文書分類方法において、前記電子文書の本文から個々の形態素を切り出す形態素解析工程と、前記形態素解析工程で切り出された形態素の中から、連続する少なくとも１つ以上の付属語により構成される付属語列を切り出す付属語列切り出し工程と、前記付属語列切り出し工程で切り出された付属語列の危険度を集計することで前記電子文書の危険度を算出する危険度算出工程と、前記付属語列切り出し工程で切り出された付属語列の安全度を集計することで前記電子文書の安全度を算出する安全度算出工程と、前記危険度算出工程で算出された危険度と前記安全度算出工程で算出された安全度との相対関係にもとづいて前記電子文書の分類先となるカテゴリを判定する分類先判定工程と、を含んだことを特徴とする。
【００３０】
この発明によれば、文書中に出現する付属語列の危険度や安全度により文書全体の危険度や安全度が把握される。
【００３１】
また、この発明にかかる文書分類方法は、上記の発明において、前記付属語列切り出し工程では、連続する少なくとも１つ以上の付属語により構成される付属語列であって、かつ所定の辞書に登録された付属語列と最長一致する付属語列を切り出すことを特徴とする。
【００３２】
この発明によれば、文書中に出現する付属語列のうちできるだけ長いものの危険度や安全度により文書全体の危険度や安全度が把握される。
【００３３】
また、この発明にかかる文書分類方法は、上記の発明において、さらに、前記電子文書に所定の抑制語が出現しているか否かを判定する抑制語有無判定工程を含み、前記分類先判定工程では、前記危険度算出工程で算出された危険度と前記安全度算出工程で算出された安全度との相対関係、および前記抑制語有無判定工程における判定結果にもとづいて前記電子文書の分類先となるカテゴリを判定することを特徴とする。
【００３４】
この発明によれば、文書中に出現する付属語列の危険度や安全度のほか、特に文書の危険性や安全性を示唆する抑制語が出現していないかどうかにも配慮して文書全体の危険度や安全度が把握される。
【００３５】
また、この発明にかかるプログラムによれば、上記に記載された方法がコンピュータによって実行される。
【００３６】
【発明の実施の形態】
以下に添付図面を参照して、この発明による文書分類装置、文書分類方法およびその方法をコンピュータに実行させるプログラムの好適な実施の形態を詳細に説明する。
【００３７】
（実施の形態１）
図１は、この発明の実施の形態１による文書分類装置のハードウエア構成の一例を示す説明図である。図中、１０１は装置全体を制御するＣＰＵを、１０２は基本入出力プログラムを記憶したＲＯＭを、１０３はＣＰＵ１０１のワークエリアとして使用されるＲＡＭを、それぞれ示している。
【００３８】
また、１０４はＣＰＵ１０１の制御にしたがってＨＤ（ハードディスク）１０５に対するデータのリード／ライトを制御するＨＤＤ（ハードディスクドライブ）を、１０５はＨＤＤ１０４の制御にしたがって書き込まれたデータを記憶するＨＤを、それぞれ示している。
【００３９】
また、１０６はＣＰＵ１０１の制御にしたがってＦＤ（フレキシブルディスク）１０７に対するデータのリード／ライトを制御するＦＤＤ（フレキシブルディスクドライブ）を、１０７はＦＤＤ１０６の制御にしたがって書き込まれたデータを記憶する着脱自在のＦＤを、それぞれ示している。
【００４０】
また、１０８はＣＰＵ１０１の制御にしたがってＣＤ−ＲＷ１０９に対するデータのリード／ライトを制御するＣＤ−ＲＷドライブを、１０９はＣＤ−ＲＷドライブ１０８の制御にしたがって書き込まれたデータを記憶する着脱自在のＣＤ−ＲＷを、それぞれ示している。
【００４１】
また、１１０はカーソル、メニュー、ウィンドウ、あるいは文字や画像などの各種データを表示するディスプレイを、１１１は文字、数値、各種指示などの入力のための複数のキーを備えたキーボードを、１１２は各種指示の選択や実行、処理対象の選択、マウスポインタの移動などをおこなうマウスを、それぞれ示している。
【００４２】
また、１１３は通信ケーブル１１４を介してＬＡＮやＷＡＮなどのネットワークに接続され、当該ネットワークとＣＰＵ１０１とのインターフェースとして機能するネットワークＩ／Ｆを、１００は上記各部を接続するためのバスを、それぞれ示している。
【００４３】
つぎに、図２はこの発明の実施の形態１による文書分類装置の構成を機能的に示す説明図である。図示するように本装置は、大別して文書分類の基準となるべき辞書を作成する辞書作成部２００と、辞書作成部２００により作成された辞書を参照して実際に文書を分類する文書分類部２０１とから構成される。
【００４４】
まず、２００ａは学習用文書記憶部であり、学習用の文書群、すなわちいわゆるコーパスとなる複数の文書を保持する機能部である。この学習用文書としては、具体的にはＣＳセンターに蓄積された顧客からの電子メールを採用している。
【００４５】
各文書についてはあらかじめ人手により、危険文書・安全文書のいずれであるかが判定されている。危険文書とは苦情など、本装置の利用者（たとえば企業）にとって危険な内容を含む文書であり、安全文書とは危険文書以外の文書である。
【００４６】
つぎに、２００ｂは形態素解析部であり、学習用文書記憶部２００ａ内の各文書からそこに含まれる形態素を切り出す機能部である（切り出された個々の形態素を以下では「ターム」と言う）。形態素解析部２００ｂによる解析処理自体は公知であるので、ここでは詳細な説明を省略する。
【００４７】
つぎに、２００ｃはターム危険度・安全度算出部であり、形態素解析部２００ｂにより切り出された個々のタームにつき、その危険度および安全度（以下では両者をまとめて「影響度」とも言う）を算出する機能部である。なお、タームには自立語と付属語の２種類があるが、本実施の形態によるターム危険度・安全度算出部２００ｃは、うち特に付属語についてその影響度を算出するものとする。
【００４８】
具体的には、まず注目するタームαについて、当該タームの危険文書における出現率（ｒｉｓｋ α）と安全文書における出現率（ｓａｆｅ α）とを下記式により求める。
【数１】

【数２】

【００４９】
学習用の危険文書と安全文書とでは、その文書数も出現する延べターム数も異なるため、単純にタームαの出現回数を比較しても意味がない。危険文書における出現回数、安全文書における出現回数をそれぞれ各文書中の延べターム数で除算することにより、出現回数から出現率を求めることができる。
【００５０】
つぎに、ターム危険度・安全度算出部２００ｃは下記式により、タームαの出現率の平均値および標準偏差を算出する。
【数３】

【数４】

【００５１】
さらに、ターム危険度・安全度算出部２００ｃは下記式により、タームαの危険文書に対する影響度（危険度）と安全文書に対する影響度（安全度）とをそれぞれ算出する。
【数５】

【数６】

【００５２】
（４）式で算出した標準偏差は、危険文書と安全文書におけるタームαの出現率のばらつきを示す（いずれかの文書に偏って出現するタームほど標準偏差が大きくなる）ので、（５）（６）式による影響度の算出にあたって単純に標準偏差を利用したのでは、もともと出現率の高いタームが大きな影響度を持つことになる。（５）（６）式の後半で再度出現率を利用するので、出現率が二重に考慮されてしまわないよう、あらかじめ標準偏差を出現率の和（ｒｉｓｋ α＋ｓａｆｅ α）で除算しておく。
【００５３】
つぎに、２００ｄは影響度辞書であり、形態素解析部２００ｂにより切り出された個々のタームと、ターム危険度・安全度算出部２００ｃで算出されたその影響度（危険度および影響度）とを対応づけて保持している。
【００５４】
つぎに、２００ｅは抑制語候補抽出部であり、後述する抑制語辞書２００ｆに登録されるべきターム（抑制語）の候補を抽出する機能部である。抑制語とは、当該タームを含むような文書では、後述する文書危険度・安全度算出部２０１ｃにより算出されたその危険度もしくは安全度を割り引いてもよいようなターム、あるいはより端的に、当該タームを含んでさえいれば一律に危険文書あるいは安全文書に分類してもよいようなタームのことである。
【００５５】
たとえば「○○の契約について、責任者を出せ！などと言ってしまいましたが当方の勘違いでした。失礼しました。それにもかかわらず丁寧に対応していただき恐縮です。有り難うございました。」というような文書は、「責任者を出せ」という危険表現を含んではいるものの、全体としては顧客の謝意や謝罪の意を述べたものである。上記危険表現をいわばキャンセルしているのが、文中「失礼しました」「恐縮」「有り難うございました」などの語句であり、こうした語句中のタームを抑制語として採用することができる。
【００５６】
抑制語は最終的には人手により選出することになるが、本実施の形態では抑制語候補抽出部２００ｅにより、まずは機械的に抑制語となるべきタームの候補を抽出する。この候補とは、具体的にはターム危険度・安全度算出部２００ｃにより計算された危険度のスコアと安全度のスコアとが大きく乖離しているようなタームである。たとえば危険度が０で、かつ安全度が比較的高い（所定の閾値以上）ようなタームを、文書の安全性を示唆する抑制語の候補として抽出する。
【００５７】
つぎに、２００ｆは抑制語辞書であり、抑制語候補抽出部２００ｅにより抽出された抑制語候補のうち、最終的に人間が危険文書／安全文書には使用されにくいと判断した抑制語を保持している。個々の抑制語には、文書の危険性を示唆する抑制語であるのか、安全性を示唆する抑制語であるのかの区別が付加されている。
【００５８】
なお、このように抑制語には２種類あるが、本実施の形態による抑制語辞書２００ｆにはうち文書の安全性を示唆する抑制語（上述の「恐縮」など）のみが保持されているものとする。また、抑制語は自立語であるか付属語であるかを問わず、抑制語辞書２００ｆには両者が混在しているものとする。
【００５９】
図３は、この発明の実施の形態１による文書分類装置における、影響度辞書２００ｄおよび抑制語辞書２００ｆの作成処理の手順を示すフローチャートである。
【００６０】
まず形態素解析部２００ｂにより、学習用文書記憶部２００ａ内の全文書について形態素解析をおこない（ステップＳ３０１）、つぎにターム危険度・安全度算出部２００ｃにより、上記で切り出された個々のタームの影響度を順次算出する（ステップＳ３０２）。そしてターム危険度・安全度算出部２００ｃは、個々のタームと当該タームの影響度とを影響度辞書２００ｄに格納する（ステップＳ３０３）。
【００６１】
さらに抑制語候補抽出部２００ｅにより、タームごとにステップＳ３０２で算出された危険度と安全度とを比較して、その乖離が一定値以上であるものを抑制語候補として抽出し（ステップＳ３０４）、当該候補が文書の危険性を示唆する候補であるが、安全性を示唆する候補であるかの区別を付して、抑制語辞書２００ｆに格納する（ステップＳ３０５）。本装置による処理はここまでであるが、実際にはこの後人手により、抑制語辞書２００ｆから不要な候補が削除され、十分に信頼できる候補のみが抑制語として残される。
【００６２】
図２に戻り、つぎに２０１ａは分類対象文書記憶部であり、文書分類部２０１による分類の対象となる複数の文書を保持する機能部である。この文書も具体的には、ＣＳセンターが受信した顧客からの電子メールである。
【００６３】
つぎに、２０１ｂは形態素解析部であり、分類対象文書記憶部２０１ａ内の各文書からそこに含まれる形態素を切り出す機能部である。なお、辞書作成部２００の形態素解析部２００ｂと文書分類部２０１の形態素解析部２０１ｂとは、扱う文書群が異なるだけで処理自体は同一である。
【００６４】
つぎに、２０１ｃは文書危険度・安全度算出部であり、分類対象文書記憶部２０１ａ内の各文書について、その危険度および安全度を算出する機能部である。文書の危険度および安全度は、当該文書に出現する個々のターム、その中でも特に付属語の危険度および安全度（これらは上述の影響度辞書２００ｄに保持されている）をそれぞれ集計することで求める。
【００６５】
たとえば「電話してください」という一文からなる文書を考えると、当該文書の危険度＝「し」の危険度＋「て」の危険度＋「くださ」の危険度＋「い」の危険度、である（なお「電話」は自立語であるため考慮されない）。文書の安全度も同様にして算出する。なお、危険度および安全度の算出にあたって文書中のどの付属語を考慮するか（助詞と助動詞のみ考慮する、さらに活用語尾も考慮する、さらに補助用言も考慮する、など）は、後述するオプション設定部２０１ｇに保持されている。
【００６６】
つぎに、２０１ｄは抑制語有無判定部であり、上述の抑制語辞書２００ｆに登録された抑制語が、分類対象となっている文書中に含まれるか否かを判定する機能部である。
【００６７】
つぎに、２０１ｅは分類先判定部であり、文書危険度・安全度算出部２０１ｃにより算出された危険度と安全度、および抑制語有無判定部２０１ｄにより判定された抑制語の有無により、注目する文書が危険文書であるか安全文書であるかを判定する機能部である。
【００６８】
分類先判定部２０１ｅは、基本的には文書危険度・安全度算出部２０１ｃにより算出された危険度のスコアと安全度のスコアとを比較して、危険度のほうが高ければ当該文書を危険文書、安全度のほうが高ければ当該文書を安全文書と判定する。なお、危険度と安全度が同点の場合にいずれとするかは、後述するオプション設定部２０１ｇで指示されている。
【００６９】
ただし後述するオプション設定部２０１ｇで、上記判定にあたって抑制語を考慮するよう設定されていた場合には、分類先判定部２０１ｅは抑制語の存在にもとづく危険または安全の取消（キャンセル）をおこなう。
【００７０】
すなわち、たとえば対象文書中にその安全性を示唆する抑制語が含まれていれば、文書危険度・安全度算出部２０１ｃにより算出されたその危険度を所定の計算式により割り引き、割引後の危険度と割引しない安全度とを比較して上記文書の危険／安全を判定する。あるいは、抑制語の存在をもって一律に当該文書を安全文書と判定するようにしてもよい。
【００７１】
このように抑制語の存在を考慮することで、たとえば文書の前半に多数の、あるいは非常に強い少数の危険表現を含んではいても、人間が読めば後半の抑制語により打ち消されて全体として安全と判断できる文書を、誤って危険文書と判定してしまうことがない。
【００７２】
なお、抑制語が顧客自身の文章でなく、たとえばＣＳセンターからのメールの引用部分に含まれていた場合は、当該文書を一概に安全とみることはできない。たとえば顧客が「失礼しました」と書いていた場合には、当該文書の危険度を割り引いたり安全とみなしたりしても差し支えないが、ＣＳセンターからのメールの「失礼しました」を顧客が引用していた場合には、メール全体としては危険文書の可能性がある。ここでは説明の便宜上、分類対象文書記憶部２０１ａ内の文書ではこうした状況が発生していないものとする。
【００７３】
また、本実施の形態による分類先判定部２０１ｅは、各文書を危険か安全か、すなわち「危険文書」または「安全文書」のいずれかのカテゴリに分類するのみであるが、たとえば危険度と安全度との相対関係に注目して、「極めて危険な文書」「危険な文書」「安全な文書」「極めて安全な文書」のように、程度によってより詳細に分類するようにしてもよい。たとえば危険文書のうち、危険度に比べて安全度が著しく低い文書を特に「極めて危険な文書」に分類する。
【００７４】
なお、上記による判定結果、すなわち分類対象文書記憶部２０１ａ内の各文書の分類先（すなわち、危険文書であるか安全文書であるか）、文書中のタームのうち上記判定の根拠となったターム（すなわち、危険度や安全度の算出において考慮された付属語および抑制語）などは、後述する判定結果出力部２０１ｆに引き渡される。
【００７５】
つぎに、２０１ｆは判定結果出力部であり、分類先判定部２０１ｅから引き渡された判定結果を、本装置のディスプレイ１１０に出力する機能部である。この出力形態としては、たとえば危険文書の書誌的事項（電子メールであれば件名、送信者など）のみを一覧表示する、上述のように危険／安全の程度でより細かく分類する場合は、危険文書の中でも特に危険なものを強調表示する、分類対象となった全文書にそれぞれ判定結果を示して一覧表示する、など種々のバリエーションが考えられる。
【００７６】
また一覧中の文書の本文を表示する際に、危険判断や安全判断の根拠となったターム、あるいは当該タームを含む文を強調表示したり、それらのタームや文のみを表示（要約表示）したりすることもできる。
【００７７】
つぎに、２０１ｇはオプション設定部であり、文書分類部２０１内の各機能部による処理の詳細を決定する、種々のオプション設定を管理する機能部である。オプション設定部２０１ｇは本装置の起動時に、上記設定が記述された所定の設定ファイルをロードするほか、設定内容の変更を所定のＧＵＩにより受け付けて、変更後の設定を上記ファイルに保存する。
【００７８】
なお、この設定ファイルに記述される設定内容にはたとえば下記のようなものがある。
（１）文書危険度・安全度算出部２０１ｃによる文書の危険度・安全度の算出にあたって、考慮すべきタームの種類
（２）分類先判定部２０１ｅによる危険文書／安全文書の判定にあたって、危険度と安全度が同点である場合の扱い
（３）分類先判定部２０１ｅによる危険文書／安全文書の判定にあたって、抑制語の有無を考慮するか否か
（４）判定結果出力部２０１ｆによる判定結果の出力形態
【００７９】
図４は、この発明の実施の形態１による文書分類装置における、文書分類処理の手順を示すフローチャートである。図示する手順は、分類対象文書記憶部２０１ａ内の１文書を危険文書または安全文書のいずれかに分類する手順であり、全対象文書について分類をおこなうには、単純に図示する手順を文書数分だけ繰り返せばよい。
【００８０】
まず形態素解析部２０１ｂにより、分類対象文書記憶部２０１ａ内の注目する文書について形態素解析をおこない（ステップＳ４０１）、つぎに文書危険度・安全度算出部２０１ｃにより、上記文書の危険度と安全度とをそれぞれ算出する（ステップＳ４０２）。
【００８１】
そしてもし上述の設定ファイルで、文書の危険／安全の判定にあたって抑制語を考慮すべき旨が設定されていた場合は（ステップＳ４０３：Ｙｅｓ）、続いて抑制語有無判定部２０１ｄにより、抑制語辞書２００ｆに登録された抑制語が上記文書に含まれるかどうかをチェックする（ステップＳ４０４）。つぎに分類先判定部２０１ｅにより、ステップＳ４０２で算出された危険度と安全度、およびステップＳ４０４でチェックされた抑制語の有無にもとづいて、上記文書が危険文書であるか安全文書であるかを判定する（ステップＳ４０５）。
【００８２】
一方、設定ファイルで文書の危険／安全の判定に抑制語を考慮しない旨が設定されていた場合（ステップＳ４０３：Ｎｏ）、分類先判定部２０１ｅはステップＳ４０２で算出された危険度と安全度のみにもとづいて、上記文書が危険文書であるか安全文書であるかを判定する（ステップＳ４０６）。そして、ステップＳ４０５またはステップＳ４０６による判定結果が、判定結果出力部２０１ｆにより、危険文書の一覧表示などの形で出力される（ステップＳ４０７）。
【００８３】
以上説明した実施の形態１によれば、文書中に出現する形態素の中でも、特に書き手の口調や語調の特徴が表れやすい付属語に注目して分類をおこなうことで、自立語には現れない感情、さらに一般には「モダリティ」と呼ばれるものにもとづいて、読み手にとって危険な文書をそうでない文書から選り分けることが可能である。
【００８４】
しかも文書に使用される付属語は、自立語に比べてジャンルやトレンドによる変化が少なく、バリエーションが限られているため、学習用のデータが少量であっても十分な精度の分類を実現するための辞書作成が可能である。人手によるチューニングや特殊な運用形態に応じたカスタマイズのコストも大幅に削減でき、より汎用的な文書分類システムを実現することが可能である。
【００８６】
また、上述した実施の形態ではＣＳセンターにおける運用を想定しているため、企業にとって危険な文書、たとえば苦情、非難、抗議、詰問、命令などを含む文書をそうでない文書から選別できれば一応十分であるが、危険かどうかというだけでなくより一般的に、文書をそこに含まれる感情ごとに分類したいといったニーズもあり得る。
【００８７】
その場合は、たとえば学習用文書を「苦情文書」「抗議文書」「質問文書」「提案文書」「要求文書」「要望文書」「意見文書」「謝礼文書」などに分類しておき、各カテゴリの文書に対する各タームの影響度をそれぞれ算出しておく。そして、分類対象文書中に含まれる各タームの、各カテゴリの文書に対する影響度を集計し、その総和が最高となったカテゴリに当該文書を分類する。
【００８８】
上記のほか、たとえば文書中に出現する表現のカジュアルさにより、業務上のメールと私用メールとを分類するフィルターとして本装置を応用することもできる。
【００８９】
また、上述した実施の形態ではもっぱら付属語を基準として文書を分類したが、補助的に自立語を考慮するのであってもよい（たとえば、自立語の中でも特に書き手の感情の表れやすい感嘆詞や、上述のアフェクトタームなど）。付属語と自立語の両者に注目することで、付属語に表れるモダリティと、自立語に表れる意味内容との両面から文書を分類することができる。
【００９０】
（実施の形態２）
さて、上述した実施の形態１では、文書内の個々の付属語の危険度と安全度とをそれぞれ集計することで当該文書の危険度および安全度を算出したが、このように個々の付属語に注目するのではなく、以下で説明する実施の形態２のように、付属語列すなわち付属語の連続パターンに注目するようにしてもよい。
【００９１】
実施の形態２による文書分類装置のハードウエア構成は、図１に示した実施の形態１のそれと同一であるので説明を省略する。また、機能的構成についても図２に示した実施の形態１と同様であるが、図中、辞書作成部２００内のターム危険度・安全度算出部２００ｃと、文書分類部２０１内の文書危険度・安全度算出部２０１ｃとの機能が、実施の形態１とは若干異なっている。以下、この差異を中心に説明する。
【００９２】
まずターム危険度・安全度算出部２００ｃは、実施の形態１では形態素解析部２００ｂにより切り出された個々の付属語についてその危険度と安全度とを算出していたが、実施の形態２ではより一般化して、連続（隣接）する付属語同士を少なくとも１個以上の任意の個数だけ組み合わせて得られる付属語列、すなわち付属語の連続パターンについてその影響度を算出する。
【００９３】
たとえば学習用文書中に「してください」という付属語列があった場合、形態素解析部２００ｂにより切り出されるのは「し」「て」「くださ」「い」の４つの付属語であるが、実施の形態２によるターム危険度・安全度算出部２００ｃは、具体的には下記に掲げる計１０個の付属語列についてその危険度と安全度とを算出する。
【００９４】
（１）し
（２）して
（３）してくださ
（４）してください
（５）て
（６）てくださ
（７）てください
（８）くださ
（９）ください
（１０）い
【００９５】
ここまでの説明で「ターム」と呼んでいたのは、上記のうち（１）（５）（８）（１０）のみであったが、「ターム」の定義を拡張して（１）〜（１０）のすべてを「ターム」と呼ぶことにすると、実施の形態１にせよ２にせよ、ターム危険度・安全度算出部２００ｃはいずれも「ターム」の危険度および安全度を算出する機能部である、と言える（「ターム」の範囲に広狭の差があるのみ）。
【００９６】
なお、実施の形態２による影響度辞書２００ｄには、上記の意味での「ターム」、すなわち少なくとも１つ以上の連続する付属語からなる付属語列の危険度と安全度とが格納される。
【００９７】
つぎに文書危険度・安全度算出部２０１ｃは、実施の形態１では形態素解析部２０１ｂにより切り出された個々の付属語の危険度と安全度とを集計することで、文書全体の危険度や安全度を算出していたが、実施の形態２では付属語列の危険度と安全度から文書の危険度および安全度を算出する。
【００９８】
たとえば分類対象文書中に「してください」という付属語列があった場合、形態素解析部２０１ｂにより切り出されるのは「し」「て」「くださ」「い」の４つの付属語であるが、実施の形態２による文書危険度・安全度算出部２０１ｃは、一続きの付属語列であって影響度辞書２００ｄ内のタームと一致する最長のもの、この例では「してください」の危険度と安全度のみに注目して文書の危険度と安全度を算出する。すなわち、たとえば「し」や「て」単独の危険度は考慮されない。
【００９９】
図５は、この発明の実施の形態２による文書危険度・安全度算出部２０１ｃにおける、文書の危険度・安全度算出処理（図４のステップＳ４０２の処理）の詳細な手順を示すフローチャートである。
【０１００】
まず、現在位置を示すポインタを注目文書の文書頭にセットする（ステップＳ６０１）。つぎに、上記現在位置から文書末方向に向かって、連続した、できるだけ長い付属語列を取り出し、注目中の付属語列を保持するための所定の変数に格納する（ステップＳ６０２）。
【０１０１】
つぎに、上記注目中の付属語列の先頭から、影響度辞書２００ｄに存在する最長の付属語列を取り出す（ステップＳ６０３）。具体的にはたとえば、注目中の付属語列を末尾の付属語から一つずつ削ってゆき、影響度辞書２００ｄに同一の付属語列が発見できた時点の付属語列を取り出すようにする。
【０１０２】
そして、取り出した付属語列の危険度と安全度とを影響度辞書２００ｄから読み出し（ステップＳ６０４）、文書の危険度と安全度を保持するための所定の変数の値（初期値はいずれも０）にそれぞれ加算する（ステップＳ６０５）。そして、ステップＳ６０３で最長一致する付属語列を取り出した後も、注目中の付属語列を保持する変数にデータが残っていれば（ステップＳ６０６：Ｙｅｓ）、当該残りの付属語列についてステップＳ６０３以下の処理を繰り返す。
【０１０３】
一方、上記変数が空になっている場合は（ステップＳ６０６：Ｎｏ）、現在位置を示すポインタを前回のステップＳ６０２で取り出した付属語列の末尾に合わせ（ステップＳ６０７）、当該位置が文書末でなければ（ステップＳ６０８：Ｎｏ）、再度この位置からステップＳ６０２以下の処理を繰り返す。そして、文書末まで上述の処理を終えた時点で（ステップＳ６０８：Ｙｅｓ）、本フローチャートによる処理を終了し、図４のステップＳ４０３に移行する。
【０１０４】
上記の手順により、たとえば「申し込みを受け付けているのだからそんないいわけは通用しないのでは。お粗末と思います。」という２文からなる文書では、影響度辞書２００ｄの付属語列と最長一致する下記付属語列
（１）を
（２）ているの
（３）だから
（４）は
（５）しないのでは
（６）と
（７）います
の危険度・安全度の集計により文書の危険度と安全度が算出されることになる（付属語列「ているのだから」は影響度辞書２００ｄには登録されていないものとする）。
【０１０５】
以上説明した実施の形態２によれば、個々の付属語よりも大きなまとまりとしての付属語列に注目している、言い換えれば、付属語間の出現順序や隣接関係なども考慮していることになるので、単にどの付属語が出現しているかを考慮した場合よりも高精度な分類が可能と期待される。
【０１０６】
ただ、付属語列は付属語の組み合わせであるためパターンが指数関数的に増大し、一般的にあり得る表現にもかかわらず、たまたま学習用文書群には出現しないパターンなどが大量にある。最長一致法においてより精度を上げる方法としては、たとえば下記のようなものが考えられる。
【０１０７】
（１）表現の正規化
「色の赤い車」「色が赤い車」「赤い色の車」のような、属性形容詞の同義表現、あるいは「印刷できる」と「印刷ができる」のような、サ変名詞で格助詞が後続する／しない表現を同一視する。「自宅」と「自分の家」など、実質的に同一である表現には個別対応となる。
【０１０８】
（２）係り受けの利用
「ドキュメントがプリンタで印刷できない」と「プリンタでドキュメントが印刷できない」など、係り受け関係は同一で格パターンの出現順序だけが異なるケースでは、構文解析の結果いずれも「ドキュメント→が→印刷できない」「プリンタ→で→印刷できない」の係り受け関係が得られるので、形態素列とは無関係にこの矢印をたどりながらタームの危険度・安全度を集計してゆくことで、語順の差異を吸収することができる。「印刷が全くできない」と「全く印刷ができない」のように、副詞の出現位置が異なるケースなども同様である。
【０１０９】
なお、上述した形態素解析部２００ｂ／２０１ｂ、ターム危険度・安全度算出部２００ｃ、抑制語候補抽出部２００ｅ、文書危険度・安全度算出部２０１ｃ、抑制語有無判定部２０１ｄ、分類先判定部２０１ｅ、判定結果出力部２０１ｆおよびオプション設定部２０１ｇは、具体的にはＨＤ１０５からＲＡＭ１０３に読み出されたプログラムをＣＰＵ１０１が実行することにより実現される。このプログラムはＨＤ１０５のほか、ＦＤ１０７、ＣＤ−ＲＷ１０９、ＭＯなどの各種の記録媒体に格納して配布することができ、ネットワークを介して配布することも可能である。また、学習用文書記憶部２００ａおよび分類対象文書記憶部２０１ａはＨＤ１０５により、影響度辞書２００ｄおよび抑制語辞書２００ｆはＲＡＭ１０３により、それぞれ実現される。
【０１１０】
【発明の効果】
以上説明したようにこの発明は、電子文書を当該文書に出現する語や語句の特徴などにもとづいて所定のカテゴリのいずれかに分類する文書分類装置において、前記電子文書の本文から個々の形態素を切り出す形態素解析手段と、前記形態素解析手段により切り出された形態素のうち付属語であるものの前記各カテゴリに対する影響度にもとづいて前記電子文書の分類先となるカテゴリを判定する分類先判定手段と、を備えたので、文書はそこに出現する付属語の特徴にもとづいていずれかのカテゴリに分類され、これによって、文書中の特に付属語の部分に表れやすい書き手の口調や語調にもとづいて文書を分類することが可能な文書分類装置が得られるという効果を奏する。
【０１１１】
また、この発明は、電子文書を当該文書に出現する語や語句の特徴などにもとづいて所定のカテゴリのいずれかに分類する文書分類装置において、前記電子文書の本文から個々の形態素を切り出す形態素解析手段と、前記形態素解析手段により切り出された形態素のうち付属語であるものの危険度を集計することで前記電子文書の危険度を算出する危険度算出手段と、前記形態素解析手段により切り出された形態素のうち付属語であるものの安全度を集計することで前記電子文書の安全度を算出する安全度算出手段と、前記危険度算出手段により算出された危険度と前記安全度算出手段により算出された安全度との相対関係にもとづいて前記電子文書の分類先となるカテゴリを判定する分類先判定手段と、を備えたので、文書中に出現する付属語の危険度や安全度により文書全体の危険度や安全度が把握され、これによって、文書中の特に付属語の部分に表れやすい書き手の口調や語調にもとづいて文書を分類することが可能な文書分類装置が得られるという効果を奏する。
【０１１２】
また、この発明は、電子文書を当該文書に出現する語や語句の特徴などにもとづいて所定のカテゴリのいずれかに分類する文書分類装置において、前記電子文書の本文から個々の形態素を切り出す形態素解析手段と、前記形態素解析手段により切り出された形態素のうち一部の自立語と付属語の危険度を集計することで前記電子文書の危険度を算出する危険度算出手段と、前記形態素解析手段により切り出された形態素のうち一部の自立語と付属語の安全度を集計することで前記電子文書の安全度を算出する安全度算出手段と、前記危険度算出手段により算出された危険度と前記安全度算出手段により算出された安全度との相対関係にもとづいて前記電子文書の分類先となるカテゴリを判定する分類先判定手段と、を備えたので、文書中に出現する特に感情的な自立語や付属語の危険度や安全度により文書全体の危険度や安全度が把握され、これによって、文書中の特に付属語の部分に表れやすい書き手の口調や語調にもとづいて文書を分類することが可能な文書分類装置が得られるという効果を奏する。
【０１１３】
また、この発明は、電子文書を当該文書に出現する語や語句の特徴などにもとづいて所定のカテゴリのいずれかに分類する文書分類装置において、前記電子文書の本文から個々の形態素を切り出す形態素解析手段と、前記形態素解析手段により切り出された形態素の中から、連続する少なくとも１つ以上の付属語により構成される付属語列を切り出す付属語列切り出し手段と、前記付属語列切り出し手段により切り出された付属語列の危険度を集計することで前記電子文書の危険度を算出する危険度算出手段と、前記付属語列切り出し手段により切り出された付属語列の安全度を集計することで前記電子文書の安全度を算出する安全度算出手段と、前記危険度算出手段により算出された危険度と前記安全度算出手段により算出された安全度との相対関係にもとづいて前記電子文書の分類先となるカテゴリを判定する分類先判定手段と、を備えたので、文書中に出現する付属語列の危険度や安全度により文書全体の危険度や安全度が把握され、これによって、文書中の特に付属語の部分に表れやすい書き手の口調や語調にもとづいて文書を分類することが可能な文書分類装置が得られるという効果を奏する。
【０１１４】
また、この発明は、上記の発明において、前記付属語列切り出し手段が、連続する少なくとも１つ以上の付属語により構成される付属語列であって、かつ所定の辞書に登録された付属語列と最長一致する付属語列を切り出すので、文書中に出現する付属語列のうちできるだけ長いものの危険度や安全度により文書全体の危険度や安全度が把握され、これによって、文書中の特に付属語の部分に表れやすい書き手の口調や語調にもとづいて文書を分類することが可能な文書分類装置が得られるという効果を奏する。
【０１１５】
また、この発明は、上記の発明において、さらに、前記電子文書に所定の抑制語が出現しているか否かを判定する抑制語有無判定手段を備え、前記分類先判定手段が、前記危険度算出手段により算出された危険度と前記安全度算出手段により算出された安全度との相対関係、および前記抑制語有無判定手段による判定結果にもとづいて前記電子文書の分類先となるカテゴリを判定するので、文書中に出現する付属語列の危険度や安全度のほか、特に文書の危険性や安全性を示唆する抑制語が出現していないかどうかにも配慮して文書全体の危険度や安全度が把握され、これによって、文書中の特に付属語の部分に表れやすい書き手の口調や語調にもとづいて高精度に文書を分類することが可能な文書分類装置が得られるという効果を奏する。
【０１１６】
また、この発明は、電子文書を当該文書に出現する語や語句の特徴などにもとづいて所定のカテゴリのいずれかに分類する文書分類方法において、前記電子文書の本文から個々の形態素を切り出す形態素解析工程と、前記形態素解析工程で切り出された形態素のうち付属語であるものの前記各カテゴリに対する影響度にもとづいて前記電子文書の分類先となるカテゴリを判定する分類先判定工程と、を含んだので、文書はそこに出現する付属語の特徴にもとづいていずれかのカテゴリに分類され、これによって、文書中の特に付属語の部分に表れやすい書き手の口調や語調にもとづいて文書を分類することが可能な文書分類方法が得られるという効果を奏する。
【０１１７】
また、この発明は、電子文書を当該文書に出現する語や語句の特徴などにもとづいて所定のカテゴリのいずれかに分類する文書分類方法において、前記電子文書の本文から個々の形態素を切り出す形態素解析工程と、前記形態素解析工程で切り出された形態素のうち付属語であるものの危険度を集計することで前記電子文書の危険度を算出する危険度算出工程と、前記形態素解析工程で切り出された形態素のうち付属語であるものの安全度を集計することで前記電子文書の安全度を算出する安全度算出工程と、前記危険度算出工程で算出された危険度と前記安全度算出工程で算出された安全度との相対関係にもとづいて前記電子文書の分類先となるカテゴリを判定する分類先判定工程と、を含んだので、文書中に出現する付属語の危険度や安全度により文書全体の危険度や安全度が把握され、これによって、文書中の特に付属語の部分に表れやすい書き手の口調や語調にもとづいて文書を分類することが可能な文書分類方法が得られるという効果を奏する。
【０１１８】
また、この発明は、電子文書を当該文書に出現する語や語句の特徴などにもとづいて所定のカテゴリのいずれかに分類する文書分類方法において、前記電子文書の本文から個々の形態素を切り出す形態素解析工程と、前記形態素解析工程で切り出された形態素のうち一部の自立語と付属語の危険度を集計することで前記電子文書の危険度を算出する危険度算出工程と、前記形態素解析工程で切り出された形態素のうち一部の自立語と付属語の安全度を集計することで前記電子文書の安全度を算出する安全度算出工程と、前記危険度算出工程で算出された危険度と前記安全度算出工程で算出された安全度との相対関係にもとづいて前記電子文書の分類先となるカテゴリを判定する分類先判定工程と、を含んだので、文書中に出現する特に感情的な自立語や付属語の危険度や安全度により文書全体の危険度や安全度が把握され、これによって、文書中の特に付属語の部分に表れやすい書き手の口調や語調にもとづいて文書を分類することが可能な文書分類方法が得られるという効果を奏する。
【０１１９】
また、この発明は、電子文書を当該文書に出現する語や語句の特徴などにもとづいて所定のカテゴリのいずれかに分類する文書分類方法において、前記電子文書の本文から個々の形態素を切り出す形態素解析工程と、前記形態素解析工程で切り出された形態素の中から、連続する少なくとも１つ以上の付属語により構成される付属語列を切り出す付属語列切り出し工程と、前記付属語列切り出し工程で切り出された付属語列の危険度を集計することで前記電子文書の危険度を算出する危険度算出工程と、前記付属語列切り出し工程で切り出された付属語列の安全度を集計することで前記電子文書の安全度を算出する安全度算出工程と、前記危険度算出工程で算出された危険度と前記安全度算出工程で算出された安全度との相対関係にもとづいて前記電子文書の分類先となるカテゴリを判定する分類先判定工程と、を含んだので、文書中に出現する付属語列の危険度や安全度により文書全体の危険度や安全度が把握され、これによって、文書中の特に付属語の部分に表れやすい書き手の口調や語調にもとづいて文書を分類することが可能な文書分類方法が得られるという効果を奏する。
【０１２０】
また、この発明は、上記の発明において、前記付属語列切り出し工程では、連続する少なくとも１つ以上の付属語により構成される付属語列であって、かつ所定の辞書に登録された付属語列と最長一致する付属語列を切り出すので、文書中に出現する付属語列のうちできるだけ長いものの危険度や安全度により文書全体の危険度や安全度が把握され、これによって、文書中の特に付属語の部分に表れやすい書き手の口調や語調にもとづいて文書を分類することが可能な文書分類方法が得られるという効果を奏する。
【０１２１】
また、この発明は、上記の発明において、さらに、前記電子文書に所定の抑制語が出現しているか否かを判定する抑制語有無判定工程を含み、前記分類先判定工程では、前記危険度算出工程で算出された危険度と前記安全度算出工程で算出された安全度との相対関係、および前記抑制語有無判定工程における判定結果にもとづいて前記電子文書の分類先となるカテゴリを判定するので、文書中に出現する付属語列の危険度や安全度のほか、特に文書の危険性や安全性を示唆する抑制語が出現していないかどうかにも配慮して文書全体の危険度や安全度が把握され、これによって、文書中の特に付属語の部分に表れやすい書き手の口調や語調にもとづいて高精度に文書を分類することが可能な文書分類方法が得られるという効果を奏する。
【０１２２】
また、この発明によれば、上記に記載された方法をコンピュータに実行させることが可能なプログラムが得られるという効果を奏する。
【図面の簡単な説明】
【図１】この発明の実施の形態１による文書分類装置のハードウエア構成の一例を示す説明図である。
【図２】この発明の実施の形態１による文書分類装置の構成を機能的に示す説明図である。
【図３】この発明の実施の形態１による文書分類装置における、影響度辞書２００ｄおよび抑制語辞書２００ｆの作成処理の手順を示すフローチャートである。
【図４】この発明の実施の形態１による文書分類装置における、文書分類処理の手順を示すフローチャートである。
【図５】この発明の実施の形態２による文書危険度・安全度算出部２０１ｃにおける、文書の危険度・安全度算出処理（図４のステップＳ４０２の処理）の詳細な手順を示すフローチャートである。
【符号の説明】
１００ バス
１０１ ＣＰＵ
１０２ ＲＯＭ
１０３ ＲＡＭ
１０４ ＨＤＤ
１０５ ＨＤ
１０６ ＦＤＤ
１０７ ＦＤ
１０８ ＣＤ−ＲＷドライブ
１０９ ＣＤ−ＲＷ
１１０ ディスプレイ
１１１ キーボード
１１２ マウス
１１３ ネットワークＩ／Ｆ
１１４ 通信ケーブル
２００ａ 学習用文書記憶部
２００ｂ 形態素解析部
２００ｃ ターム危険度・安全度算出部
２００ｄ 影響度辞書
２００ｅ 抑制語候補抽出部
２００ｆ 抑制語辞書
２０１ａ 分類対象文書記憶部
２０１ｂ 形態素解析部
２０１ｃ 文書危険度・安全度算出部
２０１ｄ 抑制語有無判定部
２０１ｅ 分類先判定部
２０１ｆ 判定結果出力部
２０１ｇ オプション設定部

Claims (9)

1. 電子文書を当該文書に出現する語や語句の特徴などにもとづいて危険文書のカテゴリまたは安全文書のカテゴリのいずれかに分類する文書分類装置において、
   前記電子文書の本文から個々の形態素を切り出す形態素解析手段と、
   前記形態素解析手段により切り出された形態素のうち付属語であるものの危険度を集計することで前記電子文書の危険度を算出する危険度算出手段と、
   前記形態素解析手段により切り出された形態素のうち付属語であるものの安全度を集計することで前記電子文書の安全度を算出する安全度算出手段と、
   前記危険度算出手段により算出された危険度と前記安全度算出手段により算出された安全度との相対関係にもとづいて文書の危険／安全を判定することにより、前記電子文書の分類先となるカテゴリが前記危険文書のいずれのカテゴリであるかまたは前記安全文書のいずれのカテゴリであるかを判定する分類先判定手段と、
   を備え、
   前記分類先判定手段は、前記相対関係の程度によって前記電子文書の分類先となる前記危険文書のカテゴリまたは前記安全文書のカテゴリを分割することを特徴とする文書分類装置。
2. 電子文書を当該文書に出現する語や語句の特徴などにもとづいて危険文書のカテゴリまたは安全文書のカテゴリのいずれかに分類する文書分類装置において、
   前記電子文書の本文から個々の形態素を切り出す形態素解析手段と、
   前記形態素解析手段により切り出された形態素のうち一部の自立語と付属語の危険度を集計することで前記電子文書の危険度を算出する危険度算出手段と、
   前記形態素解析手段により切り出された形態素のうち一部の自立語と付属語の安全度を集計することで前記電子文書の安全度を算出する安全度算出手段と、
   前記危険度算出手段により算出された危険度と前記安全度算出手段により算出された安全度との相対関係にもとづいて文書の危険／安全を判定することにより、前記電子文書の分類先となるカテゴリが前記危険文書のいずれのカテゴリであるかまたは前記安全文書のいずれのカテゴリであるかを判定する分類先判定手段と、
   を備え、
   前記分類先判定手段は、前記相対関係の程度によって前記電子文書の分類先となる前記危険文書のカテゴリまたは前記安全文書のカテゴリを分割することを特徴とする文書分類装置。
3. 電子文書を当該文書に出現する語や語句の特徴などにもとづいて危険文書のカテゴリまたは安全文書のカテゴリのいずれかに分類する文書分類装置において、
   前記電子文書の本文から個々の形態素を切り出す形態素解析手段と、
   前記形態素解析手段により切り出された形態素の中から、連続する少なくとも１つ以上の付属語により構成される付属語列を切り出す付属語列切り出し手段と、
   前記付属語列切り出し手段により切り出された付属語列の危険度を集計することで前記電子文書の危険度を算出する危険度算出手段と、
   前記付属語列切り出し手段により切り出された付属語列の安全度を集計することで前記電子文書の安全度を算出する安全度算出手段と、
   前記危険度算出手段により算出された危険度と前記安全度算出手段により算出された安全度との相対関係にもとづいて文書の危険／安全を判定することにより、前記電子文書の分類先となるカテゴリが前記危険文書のいずれのカテゴリであるかまたは前記安全文書のいずれのカテゴリであるかを判定する分類先判定手段と、
   を備え、
   前記分類先判定手段は、前記相対関係の程度によって前記電子文書の分類先となる前記危険文書のカテゴリまたは前記安全文書のカテゴリを分割することを特徴とする文書分類装置。
4. 前記付属語列切り出し手段は、連続する少なくとも１つ以上の付属語により構成される付属語列であって、かつ所定の辞書に登録された付属語列と最長一致する付属語列を切り出すことを特徴とする前記請求項３に記載の文書分類装置。
5. 形態素解析手段と、危険度算出手段と、安全度算出手段と、分類先判定手段と、を備え、電子文書を当該文書に出現する語や語句の特徴などにもとづいて危険文書のカテゴリまたは安全文書のカテゴリのいずれかに分類する文書分類装置の文書分類方法において、
   前記形態素解析手段が、前記電子文書の本文から個々の形態素を切り出す形態素解析工程と、
   前記危険度算出手段が、前記形態素解析工程で切り出された形態素のうち付属語であるものの危険度を集計することで前記電子文書の危険度を算出する危険度算出工程と、
   前記安全度算出手段が、前記形態素解析工程で切り出された形態素のうち付属語であるものの安全度を集計することで前記電子文書の安全度を算出する安全度算出工程と、
   前記分類先判定手段が、前記危険度算出手段により算出された危険度と前記安全度算出手段により算出された安全度との相対関係にもとづいて文書の危険／安全を判定することにより、前記電子文書の分類先となるカテゴリが前記危険文書のいずれのカテゴリであるかまたは前記安全文書のいずれのカテゴリであるかを判定する分類先判定工程と、
   を含み、
   前記分類先判定工程は、前記相対関係の程度によって前記電子文書の分類先となる前記危険文書のカテゴリまたは前記安全文書のカテゴリを分割することを特徴とする文書分類方法。
6. 形態素解析手段と、危険度算出手段と、安全度算出手段と、分類先判定手段と、を備え、電子文書を当該文書に出現する語や語句の特徴などにもとづいて危険文書のカテゴリまたは安全文書のカテゴリのいずれかに分類する文書分類装置の文書分類方法において、
   前記形態素解析手段が、前記電子文書の本文から個々の形態素を切り出す形態素解析工程と、
   前記危険度算出手段が、前記形態素解析工程で切り出された形態素のうち一部の自立語と付属語の危険度を集計することで前記電子文書の危険度を算出する危険度算出工程と、
   前記安全度算出手段が、前記形態素解析工程で切り出された形態素のうち一部の自立語と付属語の安全度を集計することで前記電子文書の安全度を算出する安全度算出工程と、
   前記分類先判定手段が、前記危険度算出手段により算出された危険度と前記安全度算出手段により算出された安全度との相対関係にもとづいて文書の危険／安全を判定することにより、前記電子文書の分類先となるカテゴリが前記危険文書のいずれのカテゴリであるかまたは前記安全文書のいずれのカテゴリであるかを判定する分類先判定工程と、
   を含み、
   前記分類先判定工程は、前記相対関係の程度によって前記電子文書の分類先となる前記危険文書のカテゴリまたは前記安全文書のカテゴリを分割することを特徴とする文書分類方法。
7. 形態素解析手段と、付属語列切り出し手段と、危険度算出手段と、安全度算出手段と、分類先判定手段と、を備え、電子文書を当該文書に出現する語や語句の特徴などにもとづいて危険文書のカテゴリまたは安全文書のカテゴリのいずれかに分類する文書分類装置の文書分類方法において、
   前記形態素解析手段が、前記電子文書の本文から個々の形態素を切り出す形態素解析工程と、
   前記付属語列切り出し手段が、前記形態素解析工程で切り出された形態素の中から、連続する少なくとも１つ以上の付属語により構成される付属語列を切り出す付属語列切り出し工程と、
   前記危険度算出手段が、前記付属語列切り出し工程で切り出された付属語列の危険度を集計することで前記電子文書の危険度を算出する危険度算出工程と、
   前記安全度算出手段が、前記付属語列切り出し工程で切り出された付属語列の安全度を集計することで前記電子文書の安全度を算出する安全度算出工程と、
   前記分類先判定手段が、前記危険度算出手段により算出された危険度と前記安全度算出手段により算出された安全度との相対関係にもとづいて文書の危険／安全を判定することにより、前記電子文書の分類先となるカテゴリが前記危険文書のいずれのカテゴリであるかまたは前記安全文書のいずれのカテゴリであるかを判定する分類先判定工程と、
   を含み、
   前記分類先判定工程は、前記相対関係の程度によって前記電子文書の分類先となる前記危険文書のカテゴリまたは前記安全文書のカテゴリを分割することを特徴とする文書分類方法。
8. 前記付属語列切り出し手段がおこなう前記付属語列切り出し工程では、連続する少なくとも１つ以上の付属語により構成される付属語列であって、かつ所定の辞書に登録された付属語列と最長一致する付属語列を切り出すことを特徴とする前記請求項７に記載の文書分類方法。
9. 前記請求項５〜請求項８のいずれか一つに記載された方法をコンピュータに実行させるためのプログラム。

Images