JP4634821B2 - 文書検索方法、文書検索装置および文書検索プログラムを記録した記憶媒体 - Google Patents

Description

本発明は、コンピュータを用いた文書検索方法、文書検索装置および文書検索プログラムを記録した記憶媒体に関する。

近年、パーソナルコンピュータやインターネット技術の普及に伴い、電子化文書が爆発的に増加しつつある。このような状況下において、蓄積された膨大な電子化文書の中から、必要とする情報を含んだ文書を効率的に検索したいという要望が高まってきている。

このような要望に応えるための基本的な技術として、全文検索技術がある。全文検索技術の一例としては、特許文献１で開示されている技術がある。この技術では、文書の登録時に文書中の全ての連続するn文字からなる文字列（以下、n-gramと呼ぶ）をインデクスとして格納しておき、検索時に指定された文字列（以下、検索タームと呼ぶ）を構成するn-gramを参照して、検索タームを含む文書を検索する。そして、この技術によれば、予め作成したインデクスを利用することによって、検索者が指定した検索タームを含む文書を漏れなく検索することができる。

しかし、大量に表示された検索結果から、所望の情報が記載された文書を取得することは、検索者にとって多くの時間が必要となる。このため、所望する情報を短時間に取得したいという要望が高まってきている。

このような要望に応える技術として、検索条件に対する適合度の高い文書を検索結果の上位に表示するランキング技術がある。ランキング技術の一例として、特許文献２および非特許文献１で開示されている技術がある。この技術は、インターネット上に存在する文書において、有用な文書には多くの文書からリンクが張られている、という仮定に基づき文書の有用性を算出し、その降順に検索条件を満たす文書（以下、ヒット文書と呼ぶ）を表示する。この技術によれば、検索者は、有用性が高いと評価されたヒット文書を検索結果から容易に取得することができるため、検索結果から所望する情報が記載された文書を取得するための時間を短縮することができる。
特開平８−１９４７１８号公報（請求項１など） 米国特許第６，７９９，１７６号明細書 Sergey Brin and Lawrence Page, "The Anatomy of a Large-Scale Hypertextual Web Search Engine.", Proc. of the 7th International World Wide Web Conference,（米国）1988．

しかし、従来技術では、検索者の所望する情報が複数の話題から構成されており、それぞれの話題が異なる文書に記載されている場合には、次のような問題点がある。すなわち、従来技術では、対象としている文書に張られたリンクの数に基づき、有効性を評価しているが、リンクを利用して別の文書へ辿ることに関しての有効性は評価されなかった。この結果、検索者の所望する情報に含まれる複数の話題のうち、一部の話題に関する情報しか得ることができない文書であっても高い評価を与えてしまい、より広範な情報を含む文書をうまく選択できない場合があるという問題点がある。

例えば、自動車Ａに搭載可能なカーステレオやカーナビなどの装備に関して記載された文書（以下、「オプション装備」の文書と呼ぶ）や、自動車Ａの燃費や最大出力などのエンジン性能に関して記載された文書（以下、「エンジン性能」の文書と呼ぶ）と、これらの文書に対するリンクを持った「製品トップ」の文書から成るサイトにおいて、前記「エンジン性能」の文書に対して多くの文書からリンクが張られている場合、検索条件「自動車Ａ」による検索結果には、前記「エンジン性能」の文書が上位に表示されることになる。

これでは、自動車Ａに対する調査を目的に、検索条件として「自動車Ａ」と入力した検索者にとって、この「エンジン性能」の文書からは、自動車Ａのエンジン性能に関する情報しか取得することができないため、所望する情報の一部を取得するに留まる結果となる。すなわち、検索者にとって有用な情報を持つ文書へのリンクを持ち、しかも、その文書自体も求めている情報の概要を持っている文書が、必ずしも重要な文書と判断されるとは限らない。

このような問題点に対処すべく、本発明では、検索者の所望する情報が複数の話題から構成されており、それぞれの話題が異なる文書に記載されている場合であっても、これらの話題に関して幅広く情報を提示できる文書検索装置を提供することを課題とする。

前記の課題を解決するために、本発明では、文書検索装置が、登録する文書を解析する手段と、文書をデータベースに登録する手段と、文書を解析して登録する手段と、与えられたキーワードを含むヒット文書を検索する手段と、有用な文書を含む文書群を決定する手段と、文書群に含まれるヒット文書の数である文書群適合度を算出する手段と、ヒット文書から出ている有用な文書へのリンクの数である文書アクセス容易度を算出する手段と、検索結果を出力する手段とを備え、文書登録時には、前記登録する文書を解析する手段が前記文書に含まれるキーワードを解析し、前記文書をデータベースに登録する手段が検索対象となる文書を登録し、文書検索時には、前記ヒット文書を検索する手段が検索時に与えられたキーワードを含む文書を検索し、文書群を決定する手段が対象となるヒット文書を含む文書群を決定し、文書群適合度を算出する手段が前記文書群とヒット文書の情報を元に文書適合度を算出し、文書アクセス容易度を算出する手段がヒット文書のリストを元に文書アクセス容易度を算出し、検索結果を出力する手段が文書群適合度と文書アクセス容易度の高い文書を重要な順に出力する。

このような構成によれば、その文書自身が有用な情報を持ち、かつ、有用な情報を持つ文書へのリンクを持つ文書を効率よく検索することができる。

本発明によれば、単一の文書としての情報提示だけではなく、文書群およびリンク先の文書を用いて、高精度な検索結果を提示することができ、検索者の負担を軽減することができる。

以下、図を参照して、本発明の実施形態について説明する。
なお、本発明においては、後記する文書群の決定方法に応じて複数の実施形態がある。そのうち、ディレクトリを利用して文書群を決定する実施形態を第１の実施形態とし、リンクを利用して文書群を決定する実施形態を第２の実施形態として、それぞれについて説明する。

<<第１の実施形態>>
第１の実施形態は、本発明の基本的な実施形態である。ここでは、まず、第１の実施形態の文書検索装置の構成を説明し、その後、各部についての処理内容を説明する。

〔文書検索装置の構成〕
図１は第１の実施形態の装置構成を説明する図である。図１に示されているように、文書検索装置１０は、ディスプレイ１００、キーボード１０１、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、中央演算処理装置）１０２、磁気ディスク装置１０３、主メモリ１０４、これらを結ぶバス１０５および他の機器と本システムを接続するネットワーク１０６から構成される。

なお、磁気ディスク装置１０３は、二次記憶装置の一例であり、他の二次記憶装置を用いてもよい。この磁気ディスク装置１０３には、登録文書管理テーブル１４０が格納される。

主メモリ１０４は、例えば半導体メモリなどで構成される記憶装置である。主メモリ１０４には、システム制御処理部１１０の機能を実現させるためのプログラムが格納されると共に、ワークエリア１５０が確保される。そして、システム制御処理部１１０は、登録制御処理部１２０および検索制御処理部１３０を含んで構成される。

このうち、登録制御処理部１２０は、登録される文書の構文解析を行う登録文書解析処理部１２１および文書に含まれるキーワードなどの情報を取得する文書情報取得処理部１２２を含み、これらの制御を行う。

検索制御処理部１３０は、検索時に与えられたキーワードを含むヒット文書を取得するヒット文書取得処理部１３１、検索処理において後記する適合度および文書アクセス容易度を算出する基礎となる文書群を決定する文書群決定処理部１３２、決定された文書群から文書群適合度を算出する文書群適合度算出処理部１３３、決定された文書群から文書アクセス容易度を算出する文書アクセス容易度算出処理部１３４および文書群適合度や文書アクセス容易度が高い文書を表示する検索結果出力処理部１３５で構成され、これらの制御を行う。
なお、これらは、それぞれ機能を実現するためのプログラムを主メモリ１０４に読み込むことで実現される。

本実施形態においては、登録制御処理部１２０および検索制御処理部１３０は、検索システムの利用者によるキーボード１０１からの入力に応じてシステム制御処理部１１０によって起動される。

なお、本実施形態では、キーボード１０１から入力されたコマンドにより登録制御処理部１２０および検索制御処理部１３０が起動されるものとしたが、他の入力装置を介して入力されたコマンドあるいはイベントにより起動されるものであってもよい。

また、これらの処理を実行させるためのプログラムは主メモリ１０４に格納されるものとしたが、磁気ディスク装置１０３、フロッピディスク（登録商標）、ＭＯ（Magneto-Optical disk)、ＣＤ−ＲＯＭ（Compact Disk Read Only Memory）、ＤＶＤ（Digital Versatile Disk）等の記憶媒体（図１には図示せず）に格納され、駆動装置を介して主メモリ１０４に読み込まれ、ＣＰＵ１０２によって実行されるものであってもよい。あるいは、これらの処理を実行させるためのプログラムは、ネットワーク１０６を介して主メモリ１０４に読み込まれて、ＣＰＵ１０２によって実行する構成としてもよい。

さらに、本実施形態では登録文書管理テーブル１４０は磁気ディスク装置１０３に格納されるものとしたが、フロッピディスク（登録商標）、ＭＯ、ＣＤ−ＲＯＭ、ＤＶＤ等の記憶媒体（図１には図示せず）に格納され、駆動装置を介して主メモリ１０４に読み込まれ、利用することも可能であるし、あるいは、ネットワーク１０６を介して、他の計算機システムに接続された記憶媒体（図１には図示せず）に格納されていて、ここから読み込まれるものであってもよい。

[文書検索装置の処理]
以下、本実施形態における文書検索装置１０の処理手順を説明する。文書検索装置１０における処理は、システム制御処理部１１０によって実行される。

[システム制御処理部の処理]
図２は、システム制御処理部の処理手順を説明する図である。まず、図２のＰＡＤ（Problem Analysis Diagram）図を用いて、システム制御処理部１１０の処理手順について説明する（適宜図１参照）。

システム制御処理部１１０は、まずキーボード１０１から入力されたコマンドを解析し、コマンドの種類を判定する（Ｓ２００）。この判定結果が、登録処理のコマンドであると解析された場合には（Ｓ２００の「登録処理」）、登録制御処理部１２０を起動して、登録実行のコマンドで指定された文書の登録処理を実行する（Ｓ２１０）。また、検索処理のコマンドであると解析された場合には（Ｓ２００の「検索処理」）、検索制御処理部１３０を起動して、検索条件に適合する文書の検索処理を実行し（Ｓ２２０）、処理を終了する。
以上が、システム制御処理部１１０の処理手順である。

[登録制御処理部の処理]
図３は、登録制御処理部の処理手順を説明する図である。
ここでは、図２に示したステップＳ２１０でシステム制御処理部１１０により起動される登録制御処理部１２０の処理手順について、図３のＰＡＤ図を用いて説明する。

まず、登録制御処理部１２０は、登録文書解析処理部１２１を起動し、登録対象として指定された文書（以下、登録対象文書と呼ぶ）を解析して、テキストとリンク先の文書（以下、リンク先文書と呼ぶ）のＵＲＬ（Uniform Resource Locator）（あるいは識別情報）を取得し、登録対象文書のＵＲＬ（識別情報）と共にワークエリア１５０に格納する（Ｓ３００）。

次に、文書情報取得処理部１２２を起動し、登録対象文書に文書ＩＤを付与し、ワークエリアに格納された該文書のＵＲＬ、テキストおよびリンク先文書のＵＲＬを該文書に付与された文書ＩＤと共に磁気ディスク装置１０３上の登録文書管理テーブル１４０に格納する（Ｓ３０１）。以上が、登録制御処理部１２０の処理手順である。

ここで、図３に示した文書検索システムにおける文書の登録処理の手順について図４を用いて具体的に説明する。
図４は、ＨＴＭＬ（Hyper Text Markup Language）形式で記述された文書Ｄ００１〜文書Ｄ００６が登録される場合の処理の流れの具体例を説明する図である。

図４に示した例では、文書Ｄ００１〜文書Ｄ００３はディレクトリＡに含まれており、文書Ｄ００４〜文書Ｄ００６はディレクトリＢに含まれることを示している。文書Ｄ００１は、ＵＲＬが「/A/a1.htm」で示されるファイルに、「中古車販売のトップ」というテキストが記載されており、「/A/a2.htm」および「/A/a3.htm」がリンク先文書のＵＲＬとして記載されていることを表している。

また、文書Ｄ００２は、ＵＲＬが「/A/a2.htm」で示されるファイルに、「自動車Ａ」がテキストとして記載されており、リンク先文書のＵＲＬは存在しないことを表している。また、文書Ｄ００３は、ＵＲＬが「/A/a3.htm」で示されるファイルに、「自動車Ｂ」がテキストとして記載されており、リンク先文書のＵＲＬは存在しないことを表している。以下、ディレクトリＢに含まれる文書Ｄ００４〜文書Ｄ００６についても同様である。

まず、ディレクトリＡおよびディレクトリＢに含まれる文書Ｄ００１〜文書Ｄ００６に対して、登録文書解析処理部１２１により各文書のテキスト、ＵＲＬおよびリンク先文書のＵＲＬが図４中のワークエリア１５０上に格納される（図３のＳ３００に該当）。

図４に示した例では、文書Ｄ００１は、ＵＲＬが「/A/a1.htm」、テキストが「中古車販売のトップ」、リンク先の文書のＵＲＬが「/A/a2.htm」および「/A/a3.htm」が解析結果５０１ａとして、ワークエリア１５０上に格納されたことを示している。以下、文書Ｄ００２〜文書Ｄ００６についても同様である。

次に、ワークエリア１５０上に格納された文書Ｄ００１〜文書Ｄ００６の解析結果５０１ａ〜５１３ａに対して、文書情報取得処理部１２２により登録対象として指定された文書に文書ＩＤが付与され、該文書のＵＲＬ、テキストおよびリンク先文書のＵＲＬが該文書の文書ＩＤと共に登録文書管理テーブル１４０に格納される（図３のＳ３０１に該当）。

図４に示した例では、ワークエリア１５０上に格納された文書Ｄ００１の解析結果５０１ａに含まれていた、文書ＩＤ「Ｄ００１」、ＵＲＬ「/A/a1.htm」、テキスト「中古車販売のトップ」およびリンク先文書のＵＲＬ「/A/a2.htm」「/A/a3.htm」が、登録文書管理テーブル１４０における１件目の登録文書５０１ｂに登録されるデータとして格納されたことを示している。なお、リンク先文書が存在しない場合は、登録文書管理テーブル１４０上のリンク先文書のＵＲＬが格納される領域に「-」が格納される。なお、文書Ｄ００２〜文書Ｄ００６についても同様の処理を行う。以上が、本実施形態に示した文書検索システムにおける文書の登録処理の具体的な流れである。

なお、図３に示したステップＳ３００において、登録文書解析処理部１２１により、登録対象文書を解析する際に、その登録対象文書に関連付けられた文書の識別情報として、リンク先文書のＵＲＬを用いるものとしたが、登録対象文書がメールなど添付機能を有した文書の場合は、その登録対象文書に関連付けられた文書の識別情報として、添付ファイル名を利用するものとしてもよい。また、以上挙げたような、登録対象文書とその登録対象文書に関連付けられた文書の識別情報は、組み合わせて用いてもよい。これにより、多種類の文書を登録の対象とすることができるため、検索者は多種類の文書を検索することができる。

[検索制御処理部の処理]
図５は、検索制御処理部の処理を説明する図である。ここでは、図２に示したステップＳ２２０でシステム制御処理部１１０により起動される検索制御処理部１３０の処理手順について、図５のＰＡＤ図を用いて説明する（適宜図１参照）。

まず、ヒット文書取得処理部１３１を起動し、登録文書管理テーブル１４０から指定された検索条件に適合する文書（以下、ヒット文書と呼ぶ）を取得する（Ｓ４００）。

次に、文書群決定処理部１３２を起動し、登録文書管理テーブル１４０に格納された全ての文書に対して、同じディレクトリの下にある文書の集合を文書群と決定する（Ｓ４０１）。なお、ここでは、前記文書群決定処理部１３２による処理は、検索時に行うものとしたが、登録処理時に予め行うものとしてもよい。この場合は、検索処理を短時間で行うことができるようになる。

その後、文書群適合度算出処理部１３３を起動し、ステップＳ４０１で切り出された文書群に含まれるヒット文書の数を計数し、該文書群の文書群適合度（Ｍ１）として算出する（Ｓ４０２）。なお、前記文書群決定処理部１３２による処理は、文書群に含まれるヒット文書を計数する際に、文書群に含まれる文書のＵＲＬとヒット文書のＵＲＬのマッチングにより一致判定を行い、計数するものとしたが、各々の文書ＩＤで一致判定を行ってもよい。この場合は、一致判定の処理を高速に行うことができるため、検索処理を短時間で行うことができる。なお、ここでは、ヒット文書の数を文書群適合度（Ｍ１）としているが、文書群に含まれる文書の数に対するヒット文書数の割合を文書群適合度としてもよい。

次に、文書アクセス容易度算出処理部１３４を起動し、対象とする文書群に含まれる全てのヒット文書について、リンク先文書の数を計数し、文書アクセス容易度Ｍ２として算出する（Ｓ４０３）。

そして、検索結果出力処理部１３５を起動し、ステップＳ４０２で取得した文書群適合度（Ｍ１）を第１ソートキー、ステップＳ４０３で取得した文書アクセス容易度（Ｍ２）を第２ソートキーに設定して、ヒット文書をそれぞれ降順に並び換えて表示する（Ｓ４０４）。以上が、検索制御処理部１３０の処理手順である。

次に、図５に示した文書検索システムにおける文書の検索処理の手順について図６を用いて具体的に説明する（適宜図１参照）。図６は、図５に示した文書Ｄ００１〜文書Ｄ００６が登録された文書検索システムに対し、検索条件６００「自動車Ａ」が指定され、検索される場合の処理の流れの具体例を説明する図である。

まず、ヒット文書取得処理部１３１により登録文書管理テーブル１４０から指定された検索条件６００「自動車Ａ」に適合する文書の文書ＩＤ、ＵＲＬおよびリンク先文書のＵＲＬがヒット文書リスト６０１として取得される（図５のＳ４００に該当）。

図６に示した例では、ヒット文書リスト６０１における１件目のヒット文書のデータとしては、文書ＩＤ「Ｄ００２」、ＵＲＬ「/A/a2.htm」、リンク先文書のＵＲＬ「-」の文書であることを示している。以下同様にして、ヒット文書リスト６０１では、全部で４件の文書がヒットしたことを示している。

次に、文書群決定処理部１３２により、登録文書管理テーブル１４０に格納された全ての文書に対して、同じディレクトリの下にある文書の集合（以下、文書群と呼ぶ）が切り出され、文書群リスト６０２として取得される（図５のＳ４０１に該当）。

図６に示した例では、文書群リスト６０２における１件目の文書群のデータとしては、文書群「/A/」に含まれる文書のＵＲＬは「/A/a1.htm」、「/A/a2.htm」および「/A/a3.htm」であることを示している。同様にして、文書群リスト６０２における２件目の文書群のデータとしては、文書群「/B/」に含まれる文書のＵＲＬは「/B/b1.htm」、「/B/b2.htm」および「/B/b3.htm」であることを示している。

その後、文書群適合度算出処理部１３３により、ヒット文書リスト６０１と文書群リスト６０２が読み込まれ、各文書群に含まれるヒット文書の数が計数された値が文書群適合度（Ｍ１）として算出される。そして、算出されたすべての文書群に対する文書群適合度（Ｍ１）が文書群適合度算出結果６０３として取得される（図５のＳ４０２に該当）。

図６に示した例では、文書群適合度算出結果６０３における１件目のデータを取得するために、まず、文書群リスト６０２が参照されることにより「/A/a1.htm」、「/A/a2.htm」および「/A/a3.htm」が文書群「/A/」に含まれる文書のＵＲＬとして取得される。次に、ヒット文書リスト６０１を参照することにより前記３文書のうちヒット文書は「/A/a2.htm」であることが判定され、ヒット文書の数は「１」と計数される。文書群適合度算出結果６０３における１件目のデータは、前記計数されたヒット文書の数「１」が文書群「/A/」の文書群適合度（Ｍ１）として取得されたことを示している。

同様にして、文書群適合度算出結果６０３における２件目のデータを取得するために、まず、文書群リスト６０２が参照されることにより「/B/b1.htm」、「/B/b2.htm」および「/B/b3.htm」が文書群「/B/」に含まれる文書のＵＲＬとして取得される。次にヒット文書リスト６０１を参照することにより前記３文書のうちヒット文書は「/B/b1.htm」、「/B/b2.htm」および「/B/b3.htm」であることが判定され、ヒット文書の数は「３」と計数される。文書群適合度算出結果６０３における２件目のデータは、前記計数されたヒット文書の数「３」が文書群「/B/」の文書群適合度（Ｍ１）として取得されたことを示している。

次に、文書アクセス容易度算出処理部１３４により、ヒット文書リスト６０１が読み込まれ、リンク先文書のＵＲＬを取得して、リンク先文書のＵＲＬの種類数が計数された値が文書アクセス容易度（Ｍ２）として算出される。そして、すべてのヒット文書について算出された結果が文書アクセス容易度算出結果６０４として取得される（図４のＳ４０３に該当）。

図６に示した例では、文書アクセス容易度算出結果６０４における１件目のデータを取得するために、ヒット文書リスト６０１を参照することにより「-」が文書ＩＤ「Ｄ００２」のリンク先文書のＵＲＬとして取得され、リンク先文書のＵＲＬの種類数として「０」が計数される。文書アクセス容易度算出結果６０４における１件目のデータは、前記計数されたリンク先文書のＵＲＬの種類数「０」が文書ＩＤ「Ｄ００２」の文書アクセス容易度（Ｍ２）として取得されたことを示している。

同様にして、文書アクセス容易度算出結果６０４における２件目のデータを取得するために、ヒット文書リスト６０１を参照することにより「-」が文書ＩＤ「Ｄ００４」のリンク先文書のＵＲＬとして取得され、リンク先文書のＵＲＬの種類数として「０」が計数される。文書アクセス容易度算出結果６０４における２件目のデータは、前記計数されたリンク先文書のＵＲＬの種類数「０」が文書ＩＤ「Ｄ００４」の文書アクセス容易度（Ｍ２）として取得されたことを示している。

また、同様にして、文書アクセス容易度算出結果６０４における３件目のデータを取得するために、ヒット文書リスト６０１を参照することにより「/B/b1.htm」および「/B/b3.htm」が文書ＩＤ「Ｄ００５」のリンク先文書のＵＲＬとして取得され、リンク先文書のＵＲＬの種類数として「２」が計数される。文書アクセス容易度算出結果６０４における３件目のデータは、前記計数されたリンク先文書のＵＲＬの種類数「２」が文書ＩＤ「Ｄ００５」の文書アクセス容易度（Ｍ２）として取得されたことを示している。

さらに、同様にして、文書アクセス容易度算出結果６０４における４件目のデータを取得するために、ヒット文書リスト６０１を参照することにより「/B/b2.htm」が文書ＩＤ「Ｄ００６」のリンク先文書のＵＲＬとして取得され、リンク先文書のＵＲＬの種類数として「１」が計数される。文書アクセス容易度算出結果６０４における４件目のデータは、前記計数されたリンク先文書のＵＲＬの種類数「１」が文書ＩＤ「Ｄ００６」の文書アクセス容易度（Ｍ２）として取得されたことを示している。

次に、検索結果出力処理部１３５により、文書群適合度算出結果６０３と文書アクセス容易度算出結果６０４が読み込まれ、文書群適合度（Ｍ１）を第１ソートキー、文書アクセス容易度（Ｍ２）を第２ソートキーに設定して、それぞれ降順に並び換え、検索結果６０５が表示される（図４のＳ４０４に該当）。

図６に示した例では、検索結果６０５における１件目のデータを取得するために、文書群適合度算出結果６０３を参照することにより、文書群適合度（Ｍ１）の最も高い値が「３」であることが判定され、その文書群適合度（Ｍ１）に対応する文書群「/B/」が取得される。次に、文書アクセス容易度算出結果６０４を参照することにより、文書群「/B/」において文書アクセス容易度（Ｍ２）が最も高い値が「２」であることが判定され、その文書アクセス容易度（Ｍ２）に対応する文書ＩＤ「Ｄ００５」が取得される。検索結果６０５における１件目のデータは、並び換えられた後の順位「１」として、文書ＩＤ「Ｄ００５」が取得されたことを示している。以下同様にして、検索結果６０５はすべてのヒット文書４件が並び替えられた結果を示している。以上が、本発明の第１の実施形態に示した文書検索装置１０における文書の検索処理の具体的な流れである。

この第1の実施形態によれば、単一の文書としての情報提示だけではなく、ヒット文書を含むディレクトリ内に含まれる文書群およびヒット文書からのリンク先の文書を用いて、検索者が求めている情報をより多く含む文書に対する高精度な検索結果を提示することができる。その結果、検索者は少ない回数の文書参照で必要な情報を入手することができるので、検索者の負担を軽減することができる。

[ディレクトリを考慮した文書群適合度の算出]
第１の実施形態では、文書適合度（Ｍ１）を算出する際に、図５に示したステップＳ４０２が実行され、文書群適合度算出処理部１３３により、文書群に含まれるヒット文書の数を計数するが、このときに文書群を含んでいるディレクトリに含まれるサブディレクトリも考慮する算出方法をとることもできる。

この場合の文書群適合度算出方法では、文書群適合度算出処理部１３３が、該文書群に含まれるサブディレクトリにヒット文書が含まれるかを判定し、ヒット文書が含まれるサブディレクトリの数（以下、ヒットディレクトリ数と呼ぶ）も計数し、該文書群に含まれるヒット文書数およびヒットディレクトリ数の少なくとも一方に基づき、文書群適合度（Ｍ１）を算出する。

例えば、ディレクトリ「/A/」が文書群を決定するディレクトリであって、その下に文書群に含まれる文書に加えて、サブディレクトリ「/A/B/」、「/A/C/」、「/A/B/D/」、「/A/B/E/」および「/A/C/F/」を含み、それぞれのサブディレクトリが、ヒット文書を含んでいるとする。この場合には、これらのサブディレクトリは全てヒットディレクトリとなり、ヒットディレクトリ数は５となる。

なお、文書群適合度は、前記のヒットディレクトリ数としてもよいし、文書群に含まれるディレクトリの数に対するヒットディレクトリ数の割合としてもよい。

この算出方法を採用した場合には、文書群適合度（Ｍ１）を算出する際、ディレクトリも評価対象に含めることができるため、文書群適合度（Ｍ１）をより高精度に算出できるようになる。

[ヒット文書による対象の限定]
本実施形態で示した検索処理手順では、図５に示したステップＳ４０１が実行され、文書群決定処理部１３２により、文書群を決定する際に、登録文書管理テーブル１４０に格納された全ての文書に対して、同じディレクトリの下にある文書全ての集合を文書群と決定するものとしたが、ヒット文書リスト６０１から取得したヒット文書に限定して文書群を切り出してもよい。この場合には、文書群を切り出す対象を登録された全文書数から、ヒット文書数に限定することができるため、処理時間を短縮することができる。

また、本実施形態で示した検索処理手順では、図５に示したステップＳ４０３が実行され、文書アクセス容易度算出処理部１３４により、文書アクセス容易度を算出する際に、計数するリンク先文書の対象を全てのリンク先文書とするものとしたが、ヒット文書リスト６０１から取得したヒット文書に限定して計数してもよい。

<<第２の実施形態>>
第１の実施形態においては、文書群をディレクトリによって特定するが、この文書群を決定するための適切なディレクトリがない場合がある。このような場合には、ディレクトリを用いずに他の方法で文書群を形成することができる。第２の実施形態では、第１の実施形態とは異なる文書群の決定方法を用いて、ディレクトリではなくリンクを辿ることによって文書群を決定する。ただし、文書群の決定以外の処理および装置の構成などは、第１の実施形態と同じである。

図７は、第２の実施形態におけるリンクを辿ることによる文書群決定を説明する図である。文書群決定以前の処理は、第１の実施形態と同じなので説明を省略する。まず、文書群に入れるべきリンク先文書の取得範囲を決定するために用いるリンクの経由回数Ｌを取得する（Ｓ８００）。ここでのリンクの経由回数とは、リンクを辿って次の文書を参照する回数を指す。例えば、文書Ａから文書Ｂへのリンクおよび文書Ｂから文書Ｃへのリンクが存在する場合に、文書Ａから文書Ｂへのリンクを参照して文書Ｂを取得する場合の経由回数は１回となり、文書Ａから文書Ｂを経て文書Ｃまでを取得する場合の経由回数を２回となる。この経由回数を変えることで文書群の範囲を制御できる。

次に、登録文書管理テーブル１４０に格納された各文書に対して、以下のステップＳ８１１からステップＳ８１３までの処理を繰り返し（Ｓ８１０）、所定の処理が終了した後には処理を終了する。

ステップＳ８１１では、該文書のＵＲＬと該文書からＬ回以内のリンク経由で到達するリンク先文書のＵＲＬを取得する。そして、ステップＳ８１２では、該文書とステップＳ８１１で取得した該文書のリンク先文書の集合を文書群と決定する。次に、ステップＳ８１３では、ここまでに決定した文書群に対して文書群ＩＤを付与する。そして、ステップＳ８１０で対象となった文書がまだ残っていれば、ステップＳ８１１に戻って次の文書に対する処理を繰り返し、全ての文書に対して処理した後に、文書群決定の処理を終了する。
これ以降の処理は、第１の実施形態と同じなので説明を省略する。

図８は、第２の実施形態においてリンクを辿ることによる文書群決定の具体例を説明する図である。まず、文書群決定処理部１３２ａがリンクを辿る経由回数を取得するが（図７のＳ８００に該当）、ここでは、取得の結果、経由回数（Ｌ）は１と設定されたものとする。そして、図８の上部に示されている登録文書管理テーブル１４０に格納されている文書Ｄ００１から文書Ｄ００６までの各文書を対象として（図７のＳ８１０に該当）、リンク先ＵＲＬの取得し（図７のＳ８１１に該当）、文書群と決定し（図７のＳ８１２に該当）、文書群ＩＤを付与する処理（図７のＳ８１３に該当）を繰り返す。

前記の文書群決定の処理を文書Ｄ００１に対して行うと、１回のリンク経由で到達するリンク先文書のＵＲＬである「/A/a2.htm」および「/A/a3.htm」を文書群に含むことになり、図８の中央部左に示されている文書群Ｇ００１が決定される。同様に、文書Ｄ００２に対しては文書群Ｇ００２が、文書Ｄ００３に対しては文書群Ｇ００３が、文書Ｄ００４に対しては文書群Ｇ００４が、文書Ｄ００５に対しては文書群Ｇ００５が、文書Ｄ００６に対しては文書群Ｇ００６が、決定される。

そして、これらの文書群は、図８の下部に示されている文書群リスト６０２ａに格納する。なお、この文書群リスト６０２ａを用いて、文書群適合度（Ｍ１）、文書アクセス容易度（Ｍ２）を求める処理などの第１の実施形態と同様の処理が続行される。また、文書アクセス容易度(Ｍ２)を求める処理においては、ヒット文書からリンクで関連付けられた文書のうち、その文書が属する文書群内にある文書の数を文書アクセス容易度（Ｍ２）としてもよいし、ヒット文書からリンクで関連付けられたヒット文書のうち、その文書が属する文書群内にあるヒット文書の数を文書アクセス容易度（Ｍ２）としてもよい。あるいは、ヒット文書からリンクで関連付けられた文書のうち、その文書が属する文書群内にある文書の数に対するその文書が属する文書群内にあるヒット文書の数の割合を文書アクセス容易度（Ｍ２）としてもよい。

なお、図８の例では、経由回数（Ｌ）を１としているが、経由回数（Ｌ）を増加した場合には、文書群に含まれる文書は一般的には増加する傾向を示す。ただし、図８の中心部および下部に示されている例では、リンクの記載例が少ないので、文書群に含まれる文書の数は増えない。例えば、文書群Ｇ００５において、ＵＲＬとしては「/B/b3.htm」で示される文書Ｄ００６からＵＲＬとしては「/B/b2.htm」で示される文書Ｄ００５へとリンクを辿ることができるが、このリンクは、元の文書に戻っているだけなので、文書群Ｇ００５に含まれる文書の数は増えないことになる。

この第２の実施形態によれば、検索でヒットした文書が適切なディレクトリによって分類されていない場合でも、第１の実施形態と同様に、単一の文書としての情報提示だけではなく、リンクによって関連付けられた文書群およびヒットした該文書のリンク先の文書を用いて、検索者が求めている情報をより多く含む文書に対する高精度な検索結果を提示することができる。

<<その他の実施形態>>
本発明においては、第１の実施形態および第２の実施形態以外にも、多くの実施形態が可能である。以下では、その他の実施形態の例を挙げて説明する。

[文書群外へのリンクも処理対象とする実施形態例]
第１の実施形態および第２の実施形態においては、文書群の中にある文書は対象とするが、文書群の外にある文書については対象とせずに、文書アクセス容易度（Ｍ２）を求めている。しかし、文書群の中にある文書に加えて文書群の外にある文書も対象にすることもできる。図９は、リンク先文書が文書群に含まれる場合と含まれない場合で重みを付けて文書アクセス容易度（Ｍ２）を求める処理を説明する図である。ここでは、文書適合度（Ｍ１）は第１の実施形態と同じであり、文書アクセス容易度（Ｍ２）を求める処理以外の処理や装置構成なども、第１の実施形態と同じとする。

図９に示すように、リンク先文書が文書群に含まれる場合と含まれない場合で重みを付けて文書アクセス容易度（Ｍ２）を求める処理では、まず、リンク先文書が文書群に含まれる場合の重みＷ１とリンク先文書が文書群に含まれない場合の重みＷ２を取得する（Ｓ７００）。

そして、対象とする文書群に含まれる全てのヒット文書に対して、以下のステップＳ７２０からステップＳ７３２までの処理を繰り返す（Ｓ７１０）。

ステップＳ７２０では、まず、該ヒット文書のリンク先文書のＵＲＬを取得する。そして、取得したリンク先文書のＵＲＬが該文書群に含まれるか否かを判定する（Ｓ７２０）。この判定の結果、取得したリンク先文書が該文書群に含まれる場合（Ｓ７３０の「文書群に含まれる場合」）、該文書群に含まれるリンク先文書の数Ｎ１を計数する（Ｓ７３１）。取得したリンク先文書が該文書群に含まれない場合（Ｓ７３０の「文書群に含まれない場合」）、該文書群に含まれないリンク先文書の数Ｎ２を計数する（Ｓ７３２）。そして、ここまでの処理をステップＳ７１０で対象となったヒット文書全てについて処理が終了するまで、ステップＳ７２０からステップＳ７３２までの処理を繰り返す。

最後に、リンク先文書が文書群に含まれる場合の重みＷ１およびリンク先文書が文書群に含まれない場合の重みＷ２と、該文書群に含まれるリンク先文書の数Ｎ１および該文書に含まれないリンク先文書の数Ｎ２を用いて文書アクセス容易度（Ｍ２）を算出して（Ｓ７４０）、処理を終了する。このとき、例えば、以下に示す式（１）によって、文書アクセス容易度（Ｍ２）を求めることができる。
Ｍ２＝Ｗ１＊Ｎ１＋Ｗ２＊Ｎ２ 式（１）
なお、文書アクセス容易度（Ｍ２）を求める式は、この例に限定されず、様々な計算方法を用いた式を定義することができる。

このような文書アクセス容易度（Ｍ２）の計算を行う場合には、リンク先の文書がヒット文書であるか否か、あるいは、リンク先の文書が文書群内に存在するか否かを評価することができるようになるため、文書アクセス容易度（Ｍ２）をより高精度に算出できるようになる。

[検索結果の表示例]
図１０は、文書検索装置１０において検索を行った結果を示す画面の例である。例えば、図１のディスプレイ１００やネットワーク１０６を介して接続した端末装置（図示せず）に画面１０００が表示される。この例では、「自動車Ａ」という単語を用いて検索を行い、その結果として、符号１０１０によって示されている文書群Ｂと符号１０２０によって示されている文書群Ａの２つの文書群が示されている。

この例においては、文書群Ｂは文書群適合度が３であり、文書群Ａは文書群適合度が１であるので、文書群適合度が高い文書群Ｂから先に表示している。そして、文書群Ｂに含まれる複数の文書については、文書アクセス容易度が高いものから表示されている。この例においては、符号１０１１で示されている文書は文書アクセス容易度が２であり、符号１０１２で示されている文書は文書アクセス容易度が１であり、符号１０１３で示されている文書は文書アクセス容易度が０であるので、最初に符号１０１１で示されている文書、次に符号１０１２で示されている文書、最後に符号１０１３で示されている文書の順に示されている。文書群Ａには、符号１０２１で示されている文書の１件しかないが、複数の文献が含まれている場合には、文書群Ｂと同様に文書アクセス容易度が高いものから表示される。

この例では、まず、文書群適合度に従って文書群を降順に並べ、さらに、各文書群に含まれる文書を文書アクセス容易度に従って降順に並べているが、文書を表示する順序はこの例に限定されない。例えば、文書群適合度（Ｍ１）と文書アクセス容易度（Ｍ２）を用いて文書の重要度を算出し、該重要度の降順にヒット文書を出力するものとしてよい。また、前記の文書群適合度（Ｍ１）と文書アクセス容易度（Ｍ２）の他に、文書の更新日時などの書誌情報も加味して算出した文書の重要度の降順に出力するものとしてもよい。この場合には、文書群適合度（Ｍ１）、文書アクセス容易度（Ｍ２）および別途追加した指標で文書を評価することができ、ヒット文書の重要度を詳細に算出することができるようになる。その結果として、検索者は所望する情報を検索結果から効率良く取得できるようになる。

なお、ここまでに説明した実施形態では、登録対象文書は、ＨＴＭＬ形式で記述されているものを用いて説明を行ったが、メールソフトやワープロソフトなどのアプリケーションソフトを用いて作成された文書であっても構わず、形式は限定されない。また、リンクもＵＲＬの指定によるリンクに限定されず、例えば、文書中でリンク先の文書ＩＤを記述する方法であってもよい。

ここまで説明したように、本発明によれば、検索者の所望する情報が複数の話題から構成されており、それぞれの話題が異なる文書に記載されている場合であっても、所望する情報に関する話題が多く含まれた文書群を検索した上で、それらの話題へ関連度の高い文書を取得することにより、所望する情報に関する多くの話題を取得できるようになる。結果として、本発明の文書検索装置は、検索者の負担を軽減することができる。

なお、本発明の実施形態は、本発明の趣旨を逸脱しない範囲で変更することが可能である。例えば、文書検索装置１０を１台の計算機で構成するのではなく、複数の計算機によって構成し、これらの計算機の協調的な処理によって本発明の処理を実行してもよい。また、本発明の各実施形態は、計算機の演算手段を用いてプログラムを実行することで実現されており、このプログラムを記録した記憶媒体から計算機に読み込むことで稼動可能な装置を構成することができる。

文書検索装置の第一の実施形態における全体構成を示す図である。 第一の実施形態におけるシステム制御処理部の処理手順を説明するＰＡＤ図である。 第一の実施形態における登録制御処理部の処理手順を説明するＰＡＤ図である。 第一の実施形態におけるＨＴＭＬ文書の登録処理の流れの具体例を説明する図である。 第一の実施形態における検索制御処理部の処理手順を説明するＰＡＤ図である。 第一の実施形態における検索処理の流れの具体例を説明する図である。 第２の実施形態における文書群決定の処理を説明する図である。 第２の実施形態における文書群決定の具体例を説明する図である。 リンク先文書が文書群に含まれる場合と含まれない場合で重みを付けて文書アクセス容易度（Ｍ２）を求める処理を説明する図である。 文書検索装置において検索を行った結果を示す画面の例である。

符号の説明

１００ ディスプレイ
１０１ キーボード
１０２ 中央演算処理装置（ＣＰＵ）
１０３ 磁気ディスク装置
１０４ 主メモリ
１０５ バス
１０６ ネットワーク
１１０ システム制御処理部
１２０ 登録制御処理部
１２１ 登録文書解析処理部
１２２ 文書情報取得処理部
１３０ 検索制御処理部
１３１ ヒット文書取得処理部
１３２ 文書群決定処理部
１３３ 文書群適合度算出処理部
１３４ 文書アクセス度算出処理部
１３５ 検索結果出力処理部
１４０ 登録文書管理テーブル
１５０ ワークエリア

Claims (14)

1. 計算機が、与えられたキーワードを含むヒット文書を検索する手段と、前記ヒット文書を含む文書群を決定する手段と、前記文書群に関する尺度である文書群適合度を算出する手段と、前記ヒット文書から検索者の所望する文書への辿りやすさに関する尺度である文書アクセス容易度を算出する手段と、検索結果を出力する手段を備えて実行する文書検索方法であって、
   前記ヒット文書を検索する手段が検索時に与えられたキーワードを含むヒット文書を検索し、ヒット文書のリストに検索されたヒット文書を記録するステップと、
   前記文書群を決定する手段が前記ヒット文書と同じＵＲＬのディレクトリに含まれる文書の集合を前記文書群と決定するステップと、
   前記文書群適合度を算出する手段が前記文書群を含むＵＲＬのディレクトリに含まれるサブディレクトリの中からヒット文書を含む前記サブディレクトリを計数して文書適合度とするステップと、
   前記文書アクセス容易度を算出する手段が前記ヒット文書のリストを元に文書アクセス容易度を算出するステップと、
   前記検索結果を出力する手段が、前記文書群適合度を第１ソートキーとし、前記文書群を文書群適合度の高い順に出力し、さらに、前記文書アクセス容易度を第２ソートキーとし、前記出力された文書群のそれぞれについて、文書アクセス容易度の高い順に当該文書群に含まれる前記ヒット文書を出力するステップを備えること
   を特徴とする文書検索方法。
2. 前記計算機が、登録する文書を解析する手段と、前記文書をデータベースに登録する手段とをさらに備えて、
   前記登録する文書を解析する手段が前記文書に含まれるテキストを取得するステップと、
   前記データベースに登録する手段が前記文書を前記テキストと関連付けて検索対象となる文書を登録するステップとをさらに備えること
   を特徴とする請求項１に記載の文書検索方法。
3. 前記文書アクセス容易度を算出する手段が前記ヒット文書のリストを元に文書アクセス容易度を算出するステップにおいて、
   前記ヒット文書からリンクを所定の回数辿って到達できる文書を計数して文書アクセス容易度とすること
   を特徴とする請求項１または請求項２に記載の文書検索方法。
4. 前記文書アクセス容易度を算出する手段が前記ヒット文書のリストを元に文書アクセス容易度を算出するステップにおいて、
   前記ヒット文書からリンクを所定の回数辿って到達できる文書に対して、前記文書群に含まれる文書の数および前記文書群に含まれない文書の数を計数し、
   前記文書群に含まれる文書の数および前記文書群に含まれない文書の数から所定の計算式により文書アクセス容易度を算出すること
   を特徴とする請求項１または請求項２に記載の文書検索方法。
5. 前記登録する文書を解析する手段が前記文書に含まれるキーワードを解析するステップにおいて、
   前記登録する文書から格納位置情報を取得し、
   前記文書をデータベースに登録する手段が検索対象となる文書を登録するステップにおいて、
   前記格納位置情報をデータベースに登録すること
   を特徴とする請求項２に記載の文書検索方法。
6. 前記検索結果を出力する手段が前記文書群適合度および前記文書アクセス容易度に基づいた重要度の順に文書を出力するステップにおいて、
   前記文書群適合度に応じて降順で文書を分類し、分類された前記文書の集合ごとに前記文書アクセス容易度に応じて降順で出力すること
   を特徴とする請求項１に記載の文書検索方法。
7. 計算機が、
   検索時に与えられたキーワードを含むヒット文書を検索し、ヒット文書のリストに検索されたヒット文書を記録する前記ヒット文書を検索する手段と、
   前記ヒット文書と同じＵＲＬのディレクトリに含まれる文書の集合を文書群と決定する手段と、
   前記文書群を含むＵＲＬのディレクトリに含まれるサブディレクトリの中からヒット文書を含むサブディレクトリを計数して文書群適合度とする前記文書群適合度を算出する手段と、
   前記ヒット文書のリストを元に文書アクセス容易度を算出する前記文書アクセス容易度を算出する手段と、
   前記文書群適合度を第１ソートキーとし、前記文書群を文書群適合度の高い順に出力し、さらに、前記文書アクセス容易度を第２ソートキーとし、前記出力された文書群のそれぞれについて、文書アクセス容易度の高い順に当該文書群に含まれる前記ヒット文書を出力する前記検索結果を出力する手段を備えること
   を特徴とする文書検索装置。
8. 前記計算機が、
   前記文書に含まれるテキストの取得を行う前記登録する文書を解析する手段と、
   検索対象となる文書の登録を行う前記文書を前記テキストと関連付けてデータベースに登録する手段とをさらに備えること
   を特徴とする請求項７に記載の文書検索装置。
9. 前記文書アクセス容易度を算出する手段が前記ヒット文書からリンクを所定の回数辿って到達できる文書を計数して文書アクセス容易度とすること
   を特徴とする請求項７または請求項８に記載の文書検索装置。
10. 前記文書アクセス容易度を算出する手段が前記ヒット文書からリンクを所定の回数辿って到達できる文書に対して、前記文書群に含まれる文書の数および前記文書群に含まれない文書の数を計数し、
    前記文書群に含まれる文書の数および前記文書群に含まれない文書の数から所定の計算式により文書アクセス容易度を計算すること
    を特徴とする請求項７または請求項８に記載の文書検索装置。
11. 前記登録する文書を解析する手段が前記登録する文書から格納位置情報を取得し、
    前記文書をデータベースに登録する手段が前記格納位置情報をデータベースに登録すること
    を特徴とする請求項８に記載の文書検索装置。
12. 前記検索結果を出力する手段が前記文書群適合度に応じて降順で文書を分類し、分類された前記文書の集合ごとに前記文書アクセス容易度に応じて降順で出力すること
    を特徴とする請求項７に記載の文書検索装置。
13. 計算機が、与えられたキーワードを含むヒット文書を検索する手段と、前記ヒット文書を含む文書群を決定する手段と、前記文書群に関する尺度である文書群適合度を算出する手段と、前記ヒット文書から検索者の所望する文書への辿りやすさに関する尺度である文書アクセス容易度を算出する手段と、検索結果を出力する手段とを備えて実行する文書検索プログラムを記録した記憶媒体であって、
    前記ヒット文書を検索する手段が検索時に与えられたキーワードを含むヒット文書を検索し、ヒット文書のリストに検索されたヒット文書を記録するステップと、
    前記文書群を決定する手段が前記ヒット文書と同じＵＲＬのディレクトリに含まれる文書の集合を前記文書群と決定するステップと、
    前記文書群適合度を算出する手段が前記文書群を含むＵＲＬのディレクトリに含まれるサブディレクトリの中からヒット文書を含む前記サブディレクトリを計数して文書群適合度とするステップと、
    前記文書アクセス容易度を算出する手段が前記ヒット文書のリストを元に文書アクセス容易度を算出するステップと、
    前記検索結果を出力する手段が、前記文書群適合度を第１ソートキーとし、前記文書群を文書群適合度の高い順に出力し、さらに、前記文書アクセス容易度を第２ソートキーとし、前記出力された文書群のそれぞれについて、文書アクセス容易度の高い順に当該文書群に含まれる前記ヒット文書を出力するステップを備えること
    を特徴とする文書検索プログラムを記録した記憶媒体。
14. 前記計算機が、登録する文書を解析する手段と、文書をデータベースに登録する手段をさらに備えて、
    前記登録する文書を解析する手段が前記文書に含まれるテキストを取得するステップと、
    前記文書をデータベースに登録する手段が検索対象となる文書を前記テキストと関連付けてデータベースに登録するステップをさらに実行すること
    を特徴とする請求項１３に記載の文書検索プログラムを記録した記憶媒体。

Images