JP4708436B2 - 信頼性のある文書の識別 - Google Patents

Description

背景
発明の技術分野
ここに説明する実施形態は、全体として情報の取得、より詳細には場所についての文書の信頼性の識別に関する。

従来技術の説明
最新のコンピュータネットワーク、特にインターネットにより、大量の情報を広範に、かつ簡単に利用することが可能になった。たとえばインターネットのサーチエンジンは、インターネットにリンクされた数百万のウェブ文書を検索する。インターネットに接続している使用者は、簡単な検索クエリを入力し、検索クエリに関連するウェブ文書を素早く見つけることができる。

使用者が、特定の場所に関連する文書を探そうとすることが多くある。しかし、この場所に関して信頼できる文書が、その場所のアドレスを含んでいない場合もある。アドレスがサブドキュメント内にあるか、または分析（たとえばインデックス化）が不可能である画像内に配置されている場合もある。こうしたことによって、信頼できる文書を識別することが困難となっている。

概要
一態様では、コンピュータ可読の媒体が、場所に関連する文書を識別するための命令、文書と関連する信号のセットを決定するための命令、および信号に基づき場所についての文書の信頼性を決定するための命令を含む、コンピュータが実行可能な命令を記憶することが可能である。

本明細書に含まれ、これの一部をなす添付の図面は、本発明の実施形態を示し、説明部分と共に発明を説明する。

発明の詳細な説明
以下の本発明の詳細な説明では、添付の図面を参照する。異なる図において同一の符号が使用される場合は、同じまたは類似の要素を示す。また、以下の詳細な説明は発明を限定するものではない。

概観
図１は、本発明の原理に従う構想を示す例示的な図である。場所に関する文書のコーパス１００を想定する。文書は、特定の地理的な場所に関連するという意味において場所に関するが、必ずしも同じ地理的領域には限られない。たとえば企業別のリストは、その企業の特定の住所に関連するため、場所関連文書としてみなされることが可能である。

コーパス１００内の文書は、関連する場所を決定するために分析されることが可能である。たとえば、セット１１０内の文書が同じ場所に関連するものであると仮定する。セット１１０内の各文書は、何らかの形でその場所に言及する。たとえば、セット１１０内の
文書は、その場所における企業、企業の住所、および／またはその企業と関連する電話番号について触れていることが可能である。セット内の１つの文書は、他の文書よりその場所に関してより信頼できるものである可能性がある。たとえば、その場所のレストランのホームページに対応する文書は、レストランの批評に対応する文書よりも場所に関してより信頼できると考えることができる。本発明の原理に従うシステムおよび方法は、場所に関連する文書の信頼性を決定することが可能である。

ここで用いられる「文書」という用語は、機械により可読であり、かつ機械に記憶可能であるあらゆる作業生産物として、広く解釈されるものとする。文書には、たとえば電子メール、ウェブサイト、企業リスト、ファイル、ファイルの組み合わせ、他のファイルへのリンクが組み込まれる１つまたは複数のファイル、ニュースグループ投稿、ブログ、ウェブ広告等を含めることができる。インターネットに関しては、一般的な文書はウェブページである。ウェブページは、テキスト情報を含むことが多く、組み込まれた情報（たとえばメタ情報、画像、ハイパーリンク等）および／または組み込まれた命令（たとえばジャバスクリプト等）を含むことが可能である。ここで用いられる「リンク」という用語は、ある文書へ／から別の文書または同じ文書の別の部分から／へのあらゆる言及を含むものとして、広く解釈されるものとする。

例示的なネットワーク構成
図２は、本発明の原理に従うシステムおよび方法を実施できるネットワーク２００の例示的な図である。ネットワーク２００は、ネットワーク２５０を介してマルチサーバ２２０から２４０に接続されるマルチクライアント２１０を含むことが可能である。簡潔にするため、２つのクライアント２１０と、３つのサーバ２２０から２４０がネットワーク２５０に接続されて示されているが、実際にはクライアントおよびサーバの数はこれより多い、または少ない可能性がある。また、場合によってはクライアントがサーバの機能を行い、サーバがクライアントの機能を行うことが可能である。

クライアント２１０は、クライアントエンティティを含むことが可能である。エンティティは、ワイヤレス電話、パソコン、個人用デジタル補助装置（ＰＤＡ）、ノートパソコンまたはその他の種類のコンピュータまたは通信装置、スレッドまたはこれらの機器の１つにおいて作動するプロセス、および／またはこれらの機器の１つにおいて実施可能であるオブジェクト等の機器として定義することができる。サーバ２２０から２４０は、本発明の原理に従う方法で文書を収集、処理、検索、および／または維持するサーバエンティティを含むことが可能である。

本発明の原理に従う実施形態として、サーバ２２０はクライアント２１０により使用可能であるサーチエンジン２２５を含むことが可能である。サーバ２２０は、文書（たとえばウェブ文書）のコーパス内に潜りこみ、文書をインデックス化し、文書と関連する情報を文書の保存場所に記憶する。サーバ２３０および２４０は、サーバ１２０により潜入または分析される文書を記憶または維持することが可能である。

サーバ２２０から２４０は個別のエンティティとして示されているが、サーバ２２０から２４０の１つまたは複数は、別の１つまたは複数のサーバ２２０から２４０の１つまたは複数の機能を実行することが可能である。たとえば、サーバ２２０から２４０の２つまたはそれ以上のサーバを、単一のサーバとして実施することが可能である。また、サーバ２２０から２４０のうちの１つのサーバを、２つまたはそれ以上の個別の（場合によっては分散型の）装置として実施することも可能である。

ネットワーク２５０は、ローカルエリアネットワーク（ＬＡＮ）、広域ネットワーク（ＷＡＮ）、たとえば公衆交換電話網（ＰＳＴＮ）のような電話網、イントラネット、イン
ターネット、メモリ装置、またはネットワークの組み合わせを含むことができる。クライアント２１０およびサーバ２２０から２４０は、有線、無線、および／または光学的接続を介して接続できる。

例示的なクライアント／サーバアーキテクチャ
図３は、本発明の原理に従う実施形態による１つまたは複数のクライアント２１０および／またはサーバ２２０から２４０に対応することができるクライアントまたはサーバのエンティティ（以後「クライアント／サーバエンティティ」と称する）の例示的な図である。クライアント／サーバエンティティは、バス３１０と、プロセッサ３２０と、メインメモリ３３０と、読み出し専用メモリ（ＲＯＭ）３４０と、記憶装置３５０と、入力装置３６０と、出力装置３７０と、通信インタフェース３８０とを含むことが可能である。バス３１０は、クライアント／サーバエンティティの要素間の通信を可能にするパスを含むことができる。

プロセッサ３２０は、従来型のプロセッサ、マイクロプロセッサ、または命令を解釈し実行する処理ロジックを含むことが可能である。メインメモリ３３０は、ランダムアクセスメモリ（ＲＡＭ）、またはプロセッサ３２０による実行のための情報および命令を記憶できるその他の種類の動的記憶装置を含むことが可能である。ＲＯＭ３４０は、従来型のＲＯＭ装置、またはプロセッサ３２０が使用するための静的な情報および命令を記憶できるその他の種類の静的記憶装置を含むことが可能である。記憶装置３５０は、磁気および／または光学記録媒体とその対応ドライブを含むことが可能である。

入力装置３６０は、キーボード、マウス、ペン、音声認識および／または生体識別メカニズム等の、クライアント／サーバエンティティに操作者が情報を入力することを可能にする従来型のメカニズムを含むことができる。出力装置３７０は、ディスプレイ、プリンタ、スピーカ等の、操作者に対して情報を出力する従来型のメカニズムを含むことが可能である。通信インタフェース３８０は、クライアント／サーバエンティティが別の装置および／またはシステムと通信することを可能にするトランシーバのような任意のメカニズムを含むことが可能である。たとえば、通信インタフェース３８０は、ネットワーク２５０のようなネットワークを介して別の装置またはシステムと通信するためのメカニズムを含むことが可能である。

以下に詳細に説明するように、本発明の原理に従うクライアント／サーバエンティティは、文書処理に関連する特定の操作を実行することができる。クライアント／サーバエンティティは、メモリ３３０のようなコンピュータで読み取り可能な媒体に含まれるソフトウェア命令をプロセッサ３２０が実行したことに応じて、これらの操作を実行することができる。コンピュータで読み取り可能な媒体は、物理または論理メモリ装置および／または搬送波として定義できる。

ソフトウェア命令は、データ記憶装置３５０のような別のコンピュータで読み取り可能な媒体、または別の装置から通信インタフェース３８０を介してメモリ３３０へ読み込まれることが可能である。メモリ３３０内に含まれるソフトウェア命令は、後述する処理をプロセッサ３２０に実行させることができる。または、本発明の原理に従う処理を実施するために、配線で接続された回路をソフトウェア命令の代わりに、またはこれと組み合わせて使用することも可能である。したがって、本発明の原理に従う実施形態は、特定のハードウェア回路およびソフトウェアの組み合わせに限定されない。

例示的な処理
図４は、本発明の原理に従う実施形態による、場所に関する文書の信頼性を決定するための例示的な処理を示すフローチャートである。一実施形態では、図４の処理はサーバ２
２０（図２）により実行される。別の実施形態では、図４の処理が別の装置、または装置のグループにより実行される。

処理は、特定の場所に関連する文書の候補のセットを識別することにより開始する（ブロック４１０）。文書のコーパスが分析され、たとえば場所の住所全体または一部分、場所に関連する電話番号全体またはその一部分、および／または場所に関連する企業の名称全体または一部分のような、場所に関連する情報を含むテキストの断片（テキストの断片が文書の一部または文書全体として定義できる）が識別される。これらの断片に関連する文書は、候補となる文書の第１グループとして含めることができる。

場所に関連する情報を含む文書は、その場所についての信頼できる文書にリンクすることが多くあり得る。したがって、第１グループの候補文書によりリンクされる文書は、候補文書の第２グループとして含めることができる。候補文書の第３グループは、たとえば第１および第２グループの候補文書のアドレスの部分を除去することによって、第１および第２グループの候補文書のアドレスから識別できる。たとえば、ある候補文書がアドレスｈｔｔｐ：／／ｗｗｗ．ａｂｃｄｅｆ．ｃｏｍ／ｇｈｉｊｋ／ｌｍｎｏｐ／ｑｒｓｔ．ｈｔｍを含むと仮定する。追加の候補文書を識別するために、このアドレスの一部を除去することが可能である。たとえば以下の追加の候補文書を第３グループに含めることが可能である（これらが存在する場合）。（１）ｈｔｔｐ：／／ｗｗｗ．ａｂｃｄｅｆ．ｃｏｍ／ｇｈｉｊｋ／ｌｍｎｏｐ、（２）ｈｔｔｐ：／／ｗｗｗ．ａｂｃｄｅｆ．ｃｏｍ／ｇｈｉｊｋ、（３）ｈｔｔｐ：／／ｗｗｗ．ａｂｃｄｅｆ．ｃｏｍ。候補文書のセットはさらに展開されるか、または当業者に自明な別の方法によってさらに展開されることが可能である。

候補文書の第１、第２および第３グループは、候補文書のセットを形成するために組み合わせることができる。図５は、本発明の原理に従う実施形態によりいかにして文書が候補文書として選択可能かを示す例示的な図である。図５に示されるように、グループ（Ａ）は、場所に関連する情報を含むテキストの断片を有する文書を含むことが可能である。これはたとえば、場所の住所の全体または一部、場所に関連する電話番号全体またはその一部、および／または場所に関連する企業の名称全体または一部が含まれる。グループ（Ｂ）は、グループ（Ａ）の文書によりリンクされる文書を含むことが可能であり、グループ（Ｃ）はグループ（Ａ）および（Ｂ）の文書のアドレスから形成される文書を含むことが可能である。候補文書のセットは、グループ（Ａ）、（Ｂ）、（Ｃ）の文書から形成できる。

図４に戻ると、候補文書のセットに関連する信号が決定されることが可能である（ブロック４２０）。信号は、候補文書に関連するメタデータに対応することができる。信号の一種は、他の候補文書を示す候補文書内のアウトリンクの数に関連していることが可能である。信頼できる文書とは、多数の候補文書からのアウトリンクに対応するリンク先であることが可能である。

別の種類の信号は、候補文書を示すアウトリンクのアンカーテキストに関連することが可能である。アンカーテキストは、文書コーパス内の任意の文書に関連することができ、アンカーテキストが、場所に関連する企業の名称全体または一部に一致するか否かを決定するため分析されることが可能である。この状況においてテキストマッチングには注意を要する場合がある。というのも、部分的な名称および／またはスペルミスを含む様々な表現が、企業の名称に関してあり得るからである。したがって、単語および／またはバイグラムの発生頻度に基づき単語および／またはバイグラムを記録するテキスト類似度技術を使用することが可能である。

単語および／またはバイグラムの発生頻度は、文書を地理的領域（たとえば郵便番号）ごとに分析することによって決定可能である。たとえば、特定の地理的領域に関連することが分かっている文書のセット内の全ての単語およびバイグラムが有効とされることができる。バイグラム「Ｎｅｗ Ｙｏｒｋ」はニューヨーク市の領域においてよく使われると仮定すると、これはニューヨーク市領域では重要度が高い。さらに、「Ｐａｎｄｅｌｌａ
Ｓｈｏｐ」というバイグラムはニューヨーク市領域ではまれであると仮定すると、これはニューヨーク市領域では重要度が低くなる。

地理的領域ごとにありふれた、またはまれである単語および／またはバイグラムを識別するために、各地理的領域にヒストグラムを作成することが可能である。上記の例では、ニューヨーク市領域に関連するヒストグラムでは、バイグラム「Ｎｅｗ Ｙｏｒｋ」はありふれており（すなわち、ニューヨーク市領域と関連する文書に頻出する）、バイグラム「Ｐａｎｄｅｌｌａ Ｓｈｏｐ」はまれである（すなわちニューヨーク市領域に関連する文書での発生は非常にまれである）と示されてよい。

アンカーテキストが場所に関連する企業の名称の全体または一部に一致するか否かを決定するために、任意の周知のテキスト類似度技術が使用可能である。一般的ではない単語および／またはバイグラム（たとえば「Ｐａｎｄｅｌｌａ Ｓｈｏｐ」）に対しては、部分的なテキスト一致またはスペルミスのあるテキスト一致に関して、一般的な単語および／またはバイグラム（たとえば「Ｎｅｗ Ｙｏｒｋ」）に対する場合よりも許容の幅を広げることが可能である。信頼できる文書とは、そのアンカーテキストが企業の名称の全体または一部に一致するアウトリンクに対応するリンク先であることが可能である。

別の種類の信号は、候補文書の文書タイトルに関連することが可能である。候補文書のテキストが、場所に関連する企業の名称の全体または一部に文書のタイトルが一致するか否かを決定するために分析されることが可能である。候補文書のタイトルが企業の名称全体または一部に一致するか否かを決定するために、上述の技術と類似のテキスト類似度技術を使用することが可能である。信頼できる文書は、企業の名称全体または一部に一致するタイトルを含むことが可能である。

別の種類の信号は、候補文書に関連するドメイン名に関連することが可能である。ドメイン名のテキストが、場所に関連する企業の名称の全体または一部にテキストが一致するか否かを決定するために分析される。ドメイン名は、企業の名称がつなげられた形、および／または切り詰めた形であることが多い（たとえばＢｏｂ’ｓ Ｂｉｌｌｉａｒｄ Ｓｈｏｐの場合は、ＢｏｂｓＢｉｌｌｉａｒｄ．ｃｏｍまたはＢｏｂｓＢｉｌｌｉａｒｄＳｈｏｐ．ｃｏｍとなる）。上述のテキスト類似度技術の代わりに、またはこれに加えて、任意の周知の文字部分列マッチング技術が、企業の名称の全体または一部に候補文書に関連するドメイン名が一致するかを決定するために使用可能である。信頼できる文書は、企業の名称の全体または一部に一致するドメイン名に関連することが可能である。

セット内の異なる候補文書用の信号は、信頼性スコアを取得するために評価され、何らかの形で組み合わせられることができる（ブロック４３０）。たとえば、値（またはスコア）が信号に関して導出され、値（またはスコア）は何らかの方法で評価されることができる。一実施形態では、たとえばアンカーテキストおよび／またはドメイン名に関連する信号のような１つまたは複数の信号に関連する値（またはスコア）が、別の１つまたは複数の信号に関連する値（またはスコア）より高く評価されることが可能である。値（またはスコア）は、たとえばセット内の各候補文書用に信頼性スコアを取得するために合算して組み合わせることが可能である。

一実施形態では、候補文書用の信頼性スコアは、候補文書が１つの場所（多数の場所と
は対照的に）に関連している場合、高められることが可能である。一部の候補文書は、異なる場所を示すテキストの断片を含むが、同じ文書に言及（たとえばリンク）していることがある。たとえば、１つの候補文書は場所Ａに言及し、文書Ａにリンクしており、その一方で別の候補文書が場所Ｂに言及するとともに同様に文書Ａにリンクしているかもしれない。また、一部の候補文書は、多数の場所に関連している可能性がある。たとえば、候補文書が、たとえば多数の場所にある企業の場合など、場所ＡおよびＢに言及していることがある。１つの場所に特定される候補文書の信頼性スコアは高められる。

候補文書の信頼性は信頼性スコアに基づき決定できる（ブロック４４０）。信頼性スコアがより高い文書は、信頼性スコアが低い文書よりも場所に関してより信頼できると決定できる。

次いで、候補文書は、その信頼性に基づき処理されることができる（ブロック４５０）。たとえば、候補文書の信頼性スコアは、候補文書に関連するその後の処理段階または序列、配列、重要度の管理および／またはその他のユーザインタフェース要素のために使用されることが可能である。たとえば、場所に関する検索クエリを後から受けると、より信頼できる文書が、信頼性が低い文書より目立つ形で検索結果において提示されることが可能である。

実施例
図６は、本発明の原理に従う実施形態により文書の信頼性を識別する際に考慮できる信号の例示的な図である。図６に示されるように、文書６１０はペンシルバニア州 １５３０２ オークモント １２３ メインストリート所在のＢｉｇ Ｎｉｃｋ’ｓ Ｐｉｚｚａ Ｊｏｉｎｔに関連する場所について信頼できる（すなわち、高い信頼性スコアを得る）と決定できる。上述の通り、文書６１０を場所に関して信頼できると識別するために、信号の組み合わせが使用できる。

信頼できる文書６１０は、場所または企業の名称の全体または一部に言及する多数の文書からのアウトリンクに対応するリンク先である。信頼できる文書６１０は、アンカーテキストが企業の名称の全体または一部（たとえばＢｉｇ Ｎｉｃｋ’ｓ Ｐｉｚｚａ Ｊｏｉｎｔ、Ｂｉｇ Ｎｉｃｋ’ｓ Ｐｉｚｚａ、Ｂｉｇ Ｎｉｃｋ’ｓ、Ｂｉｇ Ｎｉｃｋ’ｓ Ｐｉｚｚａ Ｒｅｓｔａｕｒａｎｔ、Ｂｉｇ Ｎｉｃｋ’ｓ Ｐｉｚｚａ、Ｂｉｇ Ｎｉｃｋ Ｐｉｚｚａ Ｊｏｉｎｔ）に一致するアウトリンクに対応するリンク先でもある。信頼できる文書６１０は、企業の名称の全体または一部に一致するタイトルも含む（たとえばＢｉｇ Ｎｉｃｋ’ｓ Ｐｉｚｚａ Ｊｏｉｎｔ）。信頼できる文書６１０は、企業の名称の全体または一部に一致するドメイン名を含む（たとえばｗｗｗ．ｂｉｇｎｉｃｋｓ．ｃｏｍ）。また、信頼できる文書６１０は、単一の場所に関連する（たとえばペンシルバニア州 オークモント １２３ メインストリート）。

様々な信号が評価され、組み合わされると、文書６１０は、ペンシルバニア州 １５３０２ オークモント １２３ メインストリートの住所にある企業Ｂｉｇ Ｎｉｃｋ’ｓ
Ｐｉｚｚａ Ｊｏｉｎｔに関連する場所に対して高い信頼性スコアを得ることが可能である。

総括
本発明の原理に従うシステムおよび方法は、場所に関連する文書の信頼性を決定することができる。ここで使用される「場所」とは、住所および／またはその住所に所在の企業を指す。

本発明の好適な実施形態の上記の説明は、例示的なものであり、包括的または本発明で
開示される特定の形態に限定する性質のものではない。修正および変形は、上述の教示に照らして、または発明の実施により習得されることが可能である。

たとえば、図４に関して一連の行為が説明されたが、本発明の原理に従う別の実施形態においてこれらの行為の順序を修正することが可能である。さらに、従属しない行為を並行して行うことも可能である。

当該技術分野における通常の知識を有する者には、上述の発明の態様が、様々なソフトウェア、ファームウェアおよびハードウェアにおいて、図面に示される実施形態で実施され得ることが明らかであろう。本発明の原理に従う実施態様において使用される実際のソフトウェアコードまたは特殊化された制御ハードウェアによって本発明は限定されない。したがって、態様の操作およびふるまいが、特定のソフトウェアコードに言及せずに説明された。当業者であれば、本明細書の説明に基づいて上記態様を実施するソフトウェアおよび制御ハードウェアを設計することが可能であろう。

本出願において使用された要素、行為または命令は、いずれも明示的にその旨が記載されていない限り、本発明において重大または必須であると解されるべきではない。また、冠詞「ａ」は、１つまたは複数のものを含むものとする。１つのみのものがあることを示す場合は、「１つ」またはこれに類似の表現が使用される。さらに、「に基づき」という表現は、明示的に別段に定められていない限り「少なくとも部分的に基づき」という意味を有するものとする。

本発明の原理に従う構想を示す例示的な図である。 本発明の原理に従うシステムおよび方法が実施可能であるネットワークの例示的な図である。 本発明の原理に従う実施形態による図２のクライアントまたはサーバの例示的な図である。 本発明の原理に従う実施形態による場所についての文書の信頼性を決定する例示的な処理のフローチャートである。 本発明の原理に従う実施形態により、文書が候補文書として選択される方法を示す例示的な図である。 本発明の原理に従う実施形態により、文書の信頼性を識別する際に考慮される信号の例示的な図である。

Claims (26)

1. サーバに関連する１つ以上のプロセッサによって実現される方法であって、
   同一の地理的な場所に関連する文書のセットを候補文書として識別することと、
   他の前記候補文書を示す、前記候補文書からのアウトリンクの数、前記地理的な場所における企業の名称の全体または一部に一致し、前記候補文書を示すリンクに関連するアンカーテキスト、前記地理的な場所における企業の名称の全体または一部に一致する、前記候補文書のタイトル、または、前記地理的な場所における企業の名称の全体または一部に一致し、前記候補文書に関連するドメイン名、のうちの少なくとも１つに関連付けられ、前記候補文書と関連する信号を、前記サーバに関連する１つ以上のプロセッサにより識別することと、
   前記信号に基づき前記地理的な場所における前記企業の前記候補文書の信頼性の指標を、前記サーバに関連する１つ以上のプロセッサにより算出することと、
   前記サーバに関連する１つ以上のプロセッサにより、別の１つの前記候補文書に関して、１つの前記候補文書に、前記地理的な場所における前記企業に関するこれらの信頼性の指標に基づき順位を付けることとを含む方法。
2. 文書のセットを識別することは、
   前記サーバに関連する１つ以上のプロセッサにより、前記場所に関連する情報を含むテキストの断片を識別するために文書コーパス内の文書を分析することと、
   前記サーバに関連する１つ以上のプロセッサにより、前記テキストの断片を含む文書を候補文書として識別することとを含む、請求項１に記載の方法。
3. 前記地理的な場所に関連する前記情報が、前記地理的な場所の住所の全体または一部、前記地理的な場所に関連する電話番号の全体または一部、または前記地理的な場所における前記企業の名称の全体または一部のうち少なくとも１つを含む、請求項２に記載の方法。
4. 文書のセットを識別することは、
   前記サーバに関連する１つ以上のプロセッサにより、前記候補文書がリンクしている文書を識別することと、
   前記サーバに関連する１つ以上のプロセッサにより、前記識別された文書を候補文書として識別することとをさらに含む、請求項２に記載の方法。
5. 文書のセットを識別することは、
   前記サーバに関連する１つ以上のプロセッサにより、前記候補文書のアドレスの一部を削除することにより追加の文書を識別することと、
   前記サーバに関連する１つ以上のプロセッサにより、前記追加の文書を候補文書として識別することとをさらに含む、請求項４に記載の方法。
6. 前記候補文書に関連する信号を識別することは、
   前記サーバに関連する１つ以上のプロセッサにより、他の前記候補文書を示す前記候補文書からのアウトリンクの数を識別することを含み、
   前記候補文書の信頼性の指標を算出することは、
   前記サーバに関連する１つ以上のプロセッサにより、前記候補文書を示す別の前記候補文書からの前記アウトリンクの数に基づき、前記候補文書の信頼性スコアを生成することを含む、請求項１に記載の方法。
7. 前記候補文書と関連する信号を識別することは、
   前記サーバに関連する１つ以上のプロセッサにより、前記候補文書を示す前記リンクに関連する前記アンカーテキストを識別することを含み、
   前記候補文書の信頼性の指標を算出することは、
   前記サーバに関連する１つ以上のプロセッサにより、アンカーテキストが前記場所における前記企業の前記名称の全体または一部に一致している前記候補文書が、１つまたは複数のリンクにより示されているか否かに基づいて、１つの前記候補文書の信頼性スコアを生成することを含む、請求項１に記載の方法。
8. 前記候補文書に関連する信号を識別することは、
   前記サーバに関連する１つ以上のプロセッサにより、前記候補文書の前記タイトルを識別することを含み、
   前記候補文書の信頼性の指標を算出することは、
   前記サーバに関連する１つ以上のプロセッサにより、前記候補文書に関連するタイトルが前記地理的な場所における前記企業の前記名称の全体または一部に一致するか否かに基づき、１つの前記候補文書の信頼性スコアを生成することを含む、請求項１に記載の方法。
9. 前記候補文書に関連する信号を識別することは、
   前記サーバに関連する１つ以上のプロセッサにより、前記候補文書に関連する前記ドメイン名を識別することを含み、
   前記候補文書の信頼性の指標を算出することは、
   前記サーバに関連する１つ以上のプロセッサにより、前記候補文書に関連するドメイン名が前記地理的な場所における前記企業の前記名称の全体または一部に一致するか否かに基づき、１つの前記候補文書の信頼性スコアを生成することを含む、請求項１に記載の方法。
10. 前記候補文書に関連する信号を識別することは、
    前記サーバに関連する１つ以上のプロセッサにより、前記候補文書が関連している場所を識別することを含み、
    前記候補文書の信頼性の指標を算出することは、
    前記サーバに関連する１つ以上のプロセッサにより、前記候補文書が単一の地理的な場所と関連しているか否かに基づいて１つの前記候補文書の前記信頼性の指標を高めることをさらに含む、請求項１に記載の方法。
11. 前記信号は、前記候補文書に関連する複数の異なる種類のデータに関連付けられ、他の前記候補文書を示す、前記候補文書からのアウトリンクの数、前記地理的な場所における企業の名称の全体または一部に一致し、前記候補文書を示すリンクに関連するアンカーテキスト、前記地理的な場所における企業の名称の全体または一部に一致する、前記候補文書のタイトル、または、前記地理的な場所における企業の名称の全体または一部に一致し、前記候補文書に関連するドメイン名を含み、前記方法は、
    前記異なる種類のデータを評価することと、
    前記候補文書用の前記評価されたデータを組み合わせることと、
    前記組み合わされた評価データに基づき前記候補文書に信頼性スコアを割り当てることとをさらに含む、請求項１に記載の方法。
12. 同一の企業に関連する文書のセットを候補文書として識別する手段と、
    他の前記候補文書を示す、前記候補文書からのアウトリンクの数、前記同一の企業の名称の全体または一部に一致し、前記候補文書を示すリンクに関連するアンカーテキスト、前記同一の企業の名称の全体または一部に一致する、前記候補文書のタイトル、または、前記同一の企業の名称の全体または一部に一致し、前記候補文書に関連するドメイン名、の複数に関連付けられ、各前記候補文書と関連する複数の信号を識別する手段と、
    前記信号に基づき前記同一の企業に関する前記候補文書の信頼性の指標を算出する手段と、
    別の１つの前記候補文書に関して、１つの前記候補文書に、前記同一の企業の信頼性の指標に基づき順位を付けるための手段とを備えるシステム。
13. 命令を記憶するメモリと、
    前記メモリ内の前記命令を実行するプロセッサとを備え、前記プロセッサは、
    同一の地理的な場所に関連する一組の文書を、候補文書として識別し、
    他の前記候補文書を示す、前記候補文書からのアウトリンクの数、前記地理的な場所における企業の名称の全体または一部に一致し、前記候補文書を示すリンクに関連するアンカーテキスト、前記地理的な場所における企業の名称の全体または一部に一致する、前記候補文書のタイトル、または、前記地理的な場所における企業の名称の全体または一部に一致し、前記候補文書に関連するドメイン名、のうちの少なくとも１つに関連づけられ、各前記候補文書に関連する複数の信号を識別し、
    前記信号に基づき前記候補文書に信頼性スコアを割り当て、前記信頼性スコアは前記地理的な場所における企業についての前記候補文書の信頼性の指標を示し、
    前記信頼性スコアに基づき前記候補文書を処理するシステム。
14. 前記一組の文書を識別するときに、前記プロセッサは、前記地理的な場所に関連する情報を有するテキストの断片を含む文書を検知するために、文書コーパス内において、文書を分析するように構成されている、請求項１３に記載のシステム。
15. 前記地理的な場所に関連する前記情報は、前記地理的な場所の住所の全体または一部、前記地理的な場所に関連する電話番号の全体または一部、または前記地理的な場所における前記企業の名称の全体または一部のうち少なくとも１つを含む、請求項１４に記載のシステム。
16. 前記一組の文書を識別するとき、前記プロセッサはさらに、前記候補文書によりリンクされる文書を候補文書として識別するように構成される、請求項１４に記載のシステム。
17. 前記一組の文書を識別するとき、前記プロセッサはさらに、前記候補文書のアドレスの一部を削除することにより、文書を候補文書として識別するように構成される、請求項１６に記載のシステム。
18. 複数の信号を識別するとき、前記プロセッサは、前記他の候補文書を示す前記候補文書からの前記アウトリンクの数を決定するように構成され、
    前記候補文書の信頼性スコアを割り当てるとき、前記プロセッサは、１つの前記候補文書を示す他の候補文書からのアウトリンクの数に基づき前記１つの前記候補文書の信頼性スコアを生成するように構成される、請求項１３に記載のシステム。
19. 前記複数の信号を識別するとき、前記プロセッサは、前記候補文書へのリンクに関連する前記アンカーテキストを識別するように構成され、
    前記候補文書の信頼性スコアを割り当てるとき、前記プロセッサは、前記地理的な場所における前記企業の名称の全体または一部にアンカーテキストが一致する前記候補文書への１つまたは複数のリンクに基づき１つの前記文書の信頼性スコアを生成するように構成される、請求項１３に記載のシステム。
20. 複数の信号を識別するとき、前記プロセッサは、前記候補文書のタイトルを識別するように構成され、
    前記候補文書に信頼性スコアを割り当てるとき、前記プロセッサは、前記地理的な場所における前記企業の名称の全体または一部に一致するタイトルを前記候補文書が含むか否かに基づき、１つの前記候補文書の信頼性スコアを生成するように構成される、請求項１３に記載のシステム。
21. 複数の信号を識別するとき、前記プロセッサは、前記候補文書に関連するドメイン名を識別するように構成され、
    前記候補文書に信頼性スコアを割り当てるとき、前記プロセッサは、前記地理的な場所における前記企業の名称の全体または一部に一致するドメイン名に１つの前記候補文書が関連するか否かに基づき、前記１つの前記候補文書の信頼性スコアを生成するように構成される、請求項１３に記載のシステム。
22. 複数の信号を識別するとき、前記プロセッサは、前記候補文書が関連している前記地理的な場所を決定するように構成され、
    前記候補文書に信頼性スコアを割り当てるとき、前記プロセッサは、１つの前記候補文書が単一の場所に関連している場合に前記１つの前記候補文書に割り当てられている前記信頼性スコアを高めるように構成される、請求項１３に記載のシステム。
23. 前記信号は、前記候補文書に関連する複数の異なる種類のデータに関連付けられており、他の前記候補文書を示す、前記候補文書からのアウトリンクの数、前記地理的な場所における企業の名称の全体または一部に一致し、前記候補文書を示すリンクに関連するアンカーテキスト、前記地理的な場所における企業の名称の全体または一部に一致する、前記候補文書のタイトル、または、前記地理的な場所における企業の名称の全体または一部に一致し、前記候補文書に関連するドメイン名を含み、
    前記候補文書に信頼性スコアを割り当てるときに、前記プロセッサは、
    前記異なる種類のデータを評価し、
    前記候補文書についての前記評価されたデータを組み合わせ、
    前記組み合わせた評価されたデータに基づき前記候補文書に信頼性スコアを生成するように構成される、請求項１３に記載のシステム。
24. 前記候補文書の処理のとき、前記プロセッサは、１つの前記候補文書をその信頼性スコアに基づき、少なくとも別の１つの前記候補文書に関して順位付けるように構成される、請求項１３に記載のシステム。
25. 請求項１に記載の方法を実行するための命令を含む、コンピュータにより読み取り可能な媒体。
26. サーバに関連する１つ以上のプロセッサによって実現される方法であって、
    同一の地理的な場所に関連する文書のセットを候補文書として、前記サーバに関連する１つ以上のプロセッサにより識別することと、
    各前記候補文書用に、前記候補文書を示す１つまたは複数の前記候補文書からのアウトリンクの数に基づき第１信号を、前記サーバに関連する１つ以上のプロセッサにより識別することと、
    各前記候補文書用に、前記地理的な場所に関連する企業の企業名称の全体または一部に一致するアンカーテキストがあるか否かに基づき前記候補文書を示すリンクに関連する第２信号を、前記サーバに関連する１つ以上のプロセッサにより識別することと、
    各前記候補文書用に、前記候補文書のタイトルが前記企業名称の全体または一部に一致するか否かに基づき第３信号を、前記サーバに関連する１つ以上のプロセッサにより識別することと、
    各前記候補文書用に、前記候補文書に関連するドメイン名が前記企業名称の全体または一部に一致するか否かに基づき第４信号を、前記サーバに関連する１つ以上のプロセッサにより識別することと、
    各前記候補文書用に、前記候補文書が単一の場所に関連するか否かに基づき第５信号を、前記サーバに関連する１つ以上のプロセッサにより識別することと、
    前記第１、第２、第３、第４および第５信号を、前記サーバに関連する１つ以上のプロセッサにより評価することと、
    各前記候補文書についてスコアを生成するために、前記評価された第１、第２、第３、第４、第５信号を、前記サーバに関連する１つ以上のプロセッサにより組み合わせることと、
    前記スコアに基づき前記候補文書を、前記サーバに関連する１つ以上のプロセッサにより処理することとを含む方法。

Images