JP5068356B2 - ブログ本文特定装置及びブログ本文特定方法 - Google Patents

Description

本発明は、同一ユーザの複数のブログに共通する本文位置を特定するブログ本文特定装置及びブログ本文特定方法に関する。

インターネットの普及に伴いユーザは、ネットワーク上に存在する大量のデータを閲覧可能になり、このような大量のデータからユーザのニーズに応じたデータを抽出すべく、検索システムの開発が日々行われている。検索システムとして、ロボット型の検索システムが知られており、ロボット型の検索システムでは、インターネット上に公開された大量のデータ（Ｗｅｂページ）から重要なキーワードを自動的に抽出し、これをインデックス化することにより、所望のデータをユーザに提供している。

ところで、ブログなどの文書データ中には、本文以外にもカレンダー情報やヘッダやフッタに記述された情報や過去のログを示す情報や広告情報などのキーワードを抽出する対象として相応しくない情報が数多く混入しており、このような情報からキーワードを抽出しインデックスを生成したのでは、検索精度の低下を招来するおそれがあった。

ブログ（文章データ）の中から本文を抽出する技術としては、特許文献１に開示されたノイズ除去システムが知られている。このノイズ除去処理システムでは、各文章データに含まれる文字列の出現頻度が一定の度合いを超えることから、当該文字列をヘッダやフッタなどの定型文字列と判定し、各文章データから除去するなどして、文章に含まれる本文以外のノイズを除去する。

特開２００９−２７１７９６号公報

また、ブログサイトは、デフォルトでＲＳＳ（ＲＤＦ Ｓｉｔｅ Ｓｕｍｍａｒｙ、Ｒｉｃｈ Ｓｉｔｅ Ｓｕｍｍａｒｙ、Ｒｅａｌｌｙ Ｓｉｍｐｌｅ Ｓｙｎｄｉｃａｔｉｏｎ）に対応しているため、検索システムでは、ＲＳＳのｄｅｓｃｒｉｐｔｉｏｎ要素から本文の要約（本文冒頭の規定数文の文字列）を自動的に収集することが可能になっている。検索システムでは、ブログの中からｄｅｓｃｒｉｐｔｉｏｎ要素に含まれる本文の要約と一致する文字列を抽出することで、ブログに含まれる本文の少なくとも一部を特定することもできる。

しかしながら、ネットワーク上には膨大な量のブログが存在しており、上記方法でブログの中から本文を抽出していたのでは、検索システムに係る負荷が膨大なものとなってしまう。すなわち、特許文献１のノイズ除去システムでは、全てのブログ（文書）に対して個別にノイズ除去を行わなければならず、例えば、新たなブログが作成された場合には、このブログに対しても個別にノイズ除去を行わなければならない。ＲＳＳを用いた本文特定も、同様であり、全てのブログに対して個別に文字列の検索を行わなければならない。更に、特定した本文の一部に基づいて本文の範囲を特定する技術は提案されていない。

本発明は、このような問題に鑑みてなされたものであり、制御負荷を抑えつつブログ本文の特定を可能なブログ本文特定装置及びブログ本文特定方法を提供することを目的とする。

（１） ユーザが作成したブログ本文及び当該ブログ本文の要約情報を含むブログページを当該ユーザを識別する情報と対応付けて記憶するブログページＤＢと、同一ユーザに対応付けられた複数のブログページを解析して、当該複数のブログページの夫々について、ソースコードに含まれるタグの当該ソースコード内でのパスを示す外部パス情報を生成する外部パス情報生成手段と、前記外部パス情報生成手段が生成した前記外部パス情報のうち、前記同一ユーザの複数のブログページの夫々に共通する外部共通パスを取得する外部共通パス取得手段と、前記外部パス情報生成手段が生成した前記外部パス情報のうちブログ本文を含む本文包含外部パスを、前記同一ユーザの複数のブログページの夫々について取得する本文包含外部パス取得手段と、前記外部共通パスであって、かつ、複数のＷｅｂページの全てにおける前記本文包含外部パスであるパスのうち、最も深いパスを前記ブログ本文を含む起点パスとして特定する列起点特定手段と、を備えるブログ本文特定装置。

（１）のブログ本文特定装置によれば、外部共通パス取得手段は、同一ユーザが作成した複数のブログページのソースコードに含まれるタグの位置を示すパスのうち複数のブログページ夫々に共通する外部共通パスを取得し、本文包含外部パス取得手段は、タグのパス情報のうち、ブログ本文を含む本文包含外部パスを、同一ユーザの複数のブログページの夫々について取得する。そして、列起点特定手段は、外部共通パスであって、かつ、本文包含外部パスであるパスのうち、本文包含外部パスに最も近いパスを当該ユーザのブログページのブログ本文に共通するブログ本文を含む起点パスとして特定する。
これにより、同一ユーザの複数のブログページについて、複数のブログページで共通するパスであって、かつ、ブログ本文を含むタグの位置を示す起点パスを特定することができる。また、一度起点パスを特定してしまえば、当該ユーザのブログページのタグ構造が大きく変化しない限り起点パスから容易にブログ本文の位置を特定できるため、制御負荷を抑えつつブログ本文の位置を特定することができる。

（２） 同一ユーザの複数のブログページの夫々について、前記列起点特定手段が特定した起点パスにより特定されるタグよりも下位のタグのパスを示す内部パス情報を生成する内部パス情報生成手段と、前記内部パス情報生成手段が生成した前記内部パス情報のうち、前記同一ユーザの複数のブログページの夫々に共通する内部共通パスを取得する内部共通パス取得手段と、前記内部パス情報生成手段が生成した前記内部パス情報のうち前記ブログ本文を含む本文包含内部パスを、前記同一ユーザの複数のブログページの夫々について取得する本文包含内部パス取得手段と、前記内部共通パスであって、かつ、複数のＷｅｂページの全てにおける前記本文包含内部パスであるパスのうち、最も深いパスを前記ブログ本文を含む本文パスとして特定する本文位置特定手段と、を備える（１）に記載のブログ本文特定装置。

（２）のブログ本文特定装置によれば、列起点特定手段が特定した起点パスにより特定されるタグよりも下位のタグについて、更に、内部共通パス及び本文包含内部パスを取得し、ブログ本文を含む本文パスを特定する。これにより、より詳細な本文の位置を特定することができるとともに、一度特定すれば容易にブログ本文の位置を特定できるため、制御負荷を抑えつつブログ本文の位置を特定することができる。

（３） ユーザが作成したブログ本文及び当該ブログ本文の要約情報を含むブログページを当該ユーザを識別する情報と対応付けて記憶するブログページＤＢと、同一ユーザに対応付けられた複数の前記ブログページを解析して、当該複数のブログページの夫々について、ソースコードに含まれるタグの当該ソースコード内でのパスを示すパス情報を生成するパス情報生成手段と、前記パス情報生成手段が生成した前記パス情報のうち、前記同一ユーザの複数のブログページの夫々に共通する共通パスを取得する共通パス取得手段と、前記パス情報生成手段が生成した前記パス情報のうちブログ本文を含む本文包含パスを、同一ユーザの複数のブログページの夫々について取得する本文包含パス取得手段と、前記共通パスであって、かつ、複数のＷｅｂページの全てにおける前記本文包含パスであるパスのうち、最も深いパスを起点パスとして特定する列起点特定手段と、前記列起点特定手段が前記起点パスを特定できたか否かを判定する特定可否判定手段と、を備え、前記特定可否判定手段が前記列起点特定手段が前記起点パスを特定できたと判定することを条件に、前記パス情報生成手段は、当該起点パスにより特定されるタグよりも下位のタグのパスを示すパス情報を更に生成し、前記共通パス取得手段及び前記本文包含パス取得手段は、前記下位のタグのパス情報から前記共通パス及び前記本文包含パスを取得し、前記列起点特定手段は、前記共通パス及び前記本文包含パスに基づいて、新たな起点パスを特定し、前記特定可否判定手段が前記列起点特定手段が前記起点パスを特定できないと判定することを条件に、起点パス情報を前記ブログ本文を含む本文包含パスとして特定する本文位置特定手段と、を更に備えるブログ本文特定装置。

（３）のブログ本文特定装置によれば、列起点特定手段が新たな起点パスを特定できなくなるまで、下位のタグのパス情報から新たな起点パスが特定される。これにより、より詳細な本文の位置を特定することができるとともに、一度特定すれば容易にブログ本文の位置を特定できるため、制御負荷を抑えつつブログ本文の位置を特定することができる。

（４） ユーザが作成したブログ本文及び当該ブログ本文の要約情報を含むブログページを当該ユーザを識別する情報と対応付けて記憶するブログページＤＢを備えるコンピュータが同一ユーザのブログページの本文位置を特定するブログ本文特定方法であって、同一ユーザに対応付けられた複数のブログページを解析して、当該複数のブログページの夫々について、ソースコードに含まれるタグの当該ソースコード内でのパスを示す外部パス情報を生成するステップと、生成した前記外部パス情報のうち、前記同一ユーザの複数のブログページの夫々に共通する外部共通パスを取得するステップと、生成した前記外部パス情報のうちブログ本文を含む本文包含外部パスを、前記同一ユーザの複数のブログページの夫々について取得するステップと、前記外部共通パスであって、かつ、複数のＷｅｂページの全てにおける前記本文包含外部パスであるパスのうち、最も深いパスを前記ブログ本文を含む起点パスとして特定するステップと、を含むブログ本文特定方法。

（４）のブログ本文特定方法によれば、（１）のブログ本文特定装置と同様の効果を奏する。

本発明によれば、制御負荷を抑えつつブログ本文の特定することができる。

本実施形態のブログ本文特定装置の機能構成を示す図である。 記憶部に記憶される各データベースを示す図である。 外部パス情報生成手段による外部パス情報の生成例を示す図である。 生成された外部パス情報の例を示す図である。 列起点特定手段による起点パスの生成例を示す図である。 列起点特定手段による起点パスの生成例を示す図である。 列起点特定手段による起点パスの生成例を示す図である。 内部パス情報生成手段による内部パス情報の生成例を示す図である。 本文位置特定手段による本文パスの生成例を示す図である。 ブログ本文特定装置の処理の流れを示すフローチャートである。 別実施形態のブログ本文特定装置の機能構成を示す図である。 ブログページ及びそのソースコードを示す図である。 ブログページ及びそのソースコードを示す図である。

以下、本発明の実施形態について図面を参照して説明する。
初めに、図１２及び図１３を参照して、本発明の概要について説明する。図１２は、あるユーザのブログページであるＷｅｂページ１００及びそのソースコード１１０を示し、図１３は、同一ユーザの別の日のブログページであるＷｅｂページ２００及びそのソースコード２１０を示す。

図１２を参照して、Ｗｅｂページ１００は、ブログタイトル欄１０１と、広告欄１０２と、カレンダー欄１０３と、本文欄１０４と、を含む。また、図１３を参照して、Ｗｅｂページ２００は、ブログタイトル欄２０１と、広告欄２０２と、カレンダー欄２０３と、本文欄２０４と、を含む。このように同一ユーザのブログページの構造は、複数のＷｅｂページにおいて基本的に共通している。本発明は、同一ユーザの複数のブログページが共通の構造を有することに着目し、ブログページの本文の位置を特定するものであり、特に、本文の位置の特定を、ソースコードに含まれるタグの位置情報（パス）で特定するものである。

［第１実施形態］
続いて、図１〜図１０を参照して、第１実施形態のブログ本文特定装置１について説明する。

［ブログ本文特定装置１の構成］
図１を参照して、本発明のブログ本文特定装置１について説明する。ブログ本文特定装置１は、第１起点特定部２と、第２起点特定部３と、記憶部４と、ブログ本文抽出手段５と、を含んで構成される。

＜第１起点特定部２の構成＞
第１起点特定部２は、外部パス情報生成手段２１と、外部共通パス取得手段２２と、本文包含外部パス取得手段２３と、列起点特定手段２４と、を含んで構成される。

外部パス情報生成手段２１は、同一ユーザに対応付けられた複数のブログページを解析して、複数のブログページの夫々について、ソースコードに含まれるタグのソースコード内でのパスを示す外部パス情報を生成する。なお、外部パス情報生成手段２１は、記憶部４のブログページＤＢ４１に記憶されたＨＴＭＬデータを読み出して、外部パス情報を生成する。
ここで、外部パス情報生成手段２１は、図３（２）、（３）に示すように、ソースコードに含まれるタグの外部パス情報を、ハードパス及びソフトパスで生成する。なお、「ハードパス」とは、タグの種類、タグの属性及びタグの出現回数で規定されたタグのパス（タグ［属性］［出現回数］）をいい、「ソフトパス」とは、タグの種類及びタグの属性で規定されたタグのパス（タグ［属性］）をいう。

図３を参照して、図３（１）は、Ｗｅｂページ１００のソースコードであり、図３（２）は、ソースコードに含まれるタグのパスをハードパスで規定した外部パス情報であり、図３（２）は、ソースコードに含まれるタグのパスをソフトパスで規定した外部パス情報である。

外部パス情報生成手段２１は、ソースコードに含まれるタグ毎に、ソースコード内でのパス（ハードパス及びソフトパス）を生成する。例えば、ソースコードのライン４のタグ１１のパスの生成について、このタグ１１は、出現回数が１回目の「ｔｒ」タグであり属性が規定されていないことから、外部パス情報生成手段２１は、「ｔｒ［］［０］」という外部パス１１Ａ（ハードパス）を生成するとともに、「ｔｒ［］」という外部パス１１Ｂ（ソフトパス）を生成する。
なお、パスの指定は任意に行うことができ、本実施形態では、「ｈｔｍｌ」タグなどのような多くのＷｅｂページで使用される位置に変化のないタグは、省略することとしている。

また、ライン１６のタグ１２のパスの生成について、このタグ１２は、ライン９の「ｔｒ」タグの下位のライン１３の「ｔｄ」タグの下位のライン１５の「ｄｉｖ」タグの下位のタグである。そして、ライン９の「ｔｒ」タグは、出現回数が２回目の「ｔｒ」タグであり属性が規定されておらず、ライン１３の「ｔｄ」タグは、ライン９の「ｔｒ」タグの中で２回目の「ｔｄ」タグであり属性が規定されておらず、ライン１５の「ｄｉｖ」タグは、ライン１３の「ｔｄ」タグの中で２回目の「ｄｉｖ」タグであり属性が規定されていない。また、ライン１６のタグ１２自体は、ライン１５の「ｄｉｖ」タグの中で１回目の「ｃｅｎｔｅｒ」タグであり属性が規定されていない。
そのため、外部パス情報生成手段２１は、ライン１６のタグ１２のパスとして、「ｔｒ［］［１］／ｔｄ［］［１］／ｄｉｖ［］［１］／ｃｅｎｔｅｒ［］［０］」という外部パス１２Ａ（ハードパス）を生成するとともに、「ｔｒ［］／ｔｄ［］／ｄｉｖ［］／ｃｅｎｔｅｒ［］」という外部パス１２Ｂ（ソフトパス）を生成する。

図４にＷｅｂページ１００（図１２）及びＷｅｂページ２００（図１３）のソースコードに含まれるタグの外部パス情報を示す。図４（１）は、Ｗｅｂページ１００の外部パス情報（ハードパス）であり、図４（２）は、Ｗｅｂページ１００の外部パス情報（ソフトパス）であり、図４（３）は、Ｗｅｂページ２００の外部パス情報（ハードパス）であり、図４（３）は、Ｗｅｂページ２００の外部パス情報（ソフトパス）である。外部パス情報生成手段２１が生成した外部パス情報は、外部共通パス取得手段２２及び本文包含外部パス取得手段２３に供給される。

図１に戻り、外部共通パス取得手段２２は、外部パス情報生成手段２１が生成した外部パス情報のうち、同一ユーザの複数のブログページの夫々に共通するとともに当該パスに対応するタグを一意に特定できる外部共通パスを取得する。
また、本文包含外部パス取得手段２３は、外部パス情報生成手段２１が生成した外部パス情報のうちブログ本文を含む本文包含外部パスを、同一ユーザの複数のブログページの夫々について取得する。

図５〜図７を参照して、外部共通パス及び本文包含外部パスの取得について説明する。
本発明は、ブログ本文の位置をタグのパスで特定することを特徴としているため、起点パスの特定に際しては、同一ユーザの複数のブログページの夫々に共通する外部パスであって、対応するタグを一意に特定できる外部パスを特定する必要がある。

そこで、外部共通パス取得手段２２は、外部パス情報に含まれる外部パス（ハードパス及びソフトパス）の夫々の出現回数を複数のブログページの夫々で計数する。このとき、図５のカウント欄に示すように、Ｗｅｂページ１００とＷｅｂページ２００とでは桁数が重複しないように外部パスの出現回数を計数することが好ましい。本実施形態では、Ｗｅｂページ２００の外部パスの出現回数を１００倍して計数している。すなわち、カウント欄の１００とは、出現回数が１回であることを意味する。そして、外部共通パス取得手段２２は、Ｗｅｂページ１００の外部パスの出現回数とＷｅｂページ２００の外部パスの出現回数とを加算する。外部共通パス取得手段２２は、この加算結果から、外部共通パス、すなわち、同一ユーザの複数のブログページの夫々に共通し、かつ対応するタグを一意に特定できる外部パスを取得する。

図５のカウント欄にＷｅｂページ１００の外部パス（ハードパス）の出現回数とＷｅｂページ２００の外部パス（ハードパス）の出現回数とを示し、図６のカウント欄に外部パス（ハードパス）の出現回数の加算結果を示す。また、図７（１）のカウント欄にＷｅｂページ１００の外部パス（ソフトパス）の出現回数とＷｅｂページ２００の外部パス（ソフトパス）の出現回数とを示し、図７（２）のカウント欄に外部パス（ソフトパス）の出現回数の加算結果を示す。

なお、加算結果「００１」とは、Ｗｅｂページ１００で１回出現するが、Ｗｅｂページ２００では出現しない外部パスを示し、加算結果「１００」とは、Ｗｅｂページ１００で出現しないが、Ｗｅｂページ２００では１回出現する外部パスを示す。また、加算結果「１０１」とは、Ｗｅｂページ１００及びＷｅｂページ２００で１回出現する外部パスを示し、加算結果「３０３」とは、Ｗｅｂページ１００及びＷｅｂページ２００で３回出現する外部パスを示す。

ここで、加算結果「３０３」は、Ｗｅｂページ１００及びＷｅｂページ２００で共通する外部パスであるが、この外部パスは３回出現するため、この外部パスに対応するタグは一意に特定することができない。そこで、本実施形態では、加算結果「１０１」の外部パスを、同一ユーザの複数のブログページの夫々に共通する外部パスであって、対応するタグを一意に特定できる外部パス（外部共通パス）として決定する。なお、図６及び図７（２）では、外部共通パスを点線で示している。

また、本発明は、ブログ本文の位置をタグの位置情報（パス）で特定することを特徴としているため、起点パスで特定されるタグには、本文が含まれている必要がある。

そこで、本文包含外部パス取得手段２３は、外部パス情報に含まれる外部パス（ハードパス及びソフトパス）の夫々により特定されるタグがブログ本文を含むものであるか否かを判定する。なお、ブログ本文を含むタグであるか否かは、記憶部４のブログページＤＢ４１（図２）に記憶されたＲＳＳデータ及びＨＴＭＬデータに基づいて行われる。すなわち、本文包含外部パス取得手段２３は、ＲＳＳデータ（ｄｅｓｃｒｉｐｔｉｏｎ要素に含まれる本文の要約）を含むタグをＨＴＭＬデータから特定し、当該タグを包含する外部パスをブログ本文を含むタグに対応する外部パスであると判定する。

図３（１）を参照して、Ｗｅｂページ１００では、ライン１６の「ｃｅｎｔｅｒ」タグの中にブログ本文が含まれる。そのため、ライン１６の「ｃｅｎｔｅｒ」タグを包含する外部パスが、ブログ本文を含むタグに対応する外部パスと判定される。具体的には、外部パス（ハードパス）「ｔｒ［］［１］／ｔｄ［］［１］／ｄｉｖ［］［１］」は、ライン１６の「ｃｅｎｔｅｒ」タグを包含する外部パスであり、ブログ本文を含むタグに対応する外部パスである。一方、外部パス（ハードパス）「ｔｒ［］［１］／ｔｄ［］［０］」は、ライン１６の「ｃｅｎｔｅｒ」タグを包含しないため、ブログ本文を含まないタグに対応する外部パスである。本実施形態では、ブログ本文を含む外部パスを本文包含外部パスとしている。なお、図６及び図７（２）では、本文包含外部パスを２点鎖線で示している。また、図７では、本文包含欄に「△」と表記されている外部パスが存在するが、これは、複数回出現する外部パスについて、一部が本文を包含し、他の一部が本文を包含しないことを意味している。

図１に戻り、列起点特定手段２４は、外部共通パス取得手段２２及び本文包含外部パス取得手段２３により外部共通パス及び本文包含外部パスが取得されると、外部共通パスであって、かつ、複数のＷｅｂページの全てにおける本文包含外部パスである外部パスのうち、最も深い（すなわち、最も下位の）外部パスを起点パスとして特定する。
例えば、図６を参照すると、ハードパスについては、外部共通パス（点線）であって、かつ、Ｗｅｂページ１００及びＷｅｂページ２００の本文包含外部パス（２点鎖線のうち、Ｗｅｂページ１００及びＷｅｂページ２００で○とされているもの）である外部パスは、外部パス（ハードパス）「ｔｒ［］［１］」及び「ｔｒ［］［１］／ｔｄ［］［１］」となる。これらの外部パス（ハードパス）では、「ｔｒ［］［１］／ｔｄ［］［１］」の方が「ｔｄ［］［１］」分だけ深い。他方、ソフトパスについては、図７に示すように外部共通パスであって、かつ、複数のＷｅｂページの全てにおける本文包含外部パスである外部パスは、存在しない。

よって、列起点特定手段２４は、外部パス（ハードパス）「ｔｒ［］［１］／ｔｄ［］［１］」を起点パスとして特定する。なお、ソフトパスにおいても外部共通パスであって、かつ、複数のＷｅｂページの全てにおける本文包含外部パスである外部パス（以下、「起点パス候補の外部パス」）が存在する場合には、ハードパスの起点パス候補の外部パス及びソフトパスの起点パス候補の外部パスのうち、最も深い外部パスを起点パスとして特定する。また、ハードパスの起点パス候補の外部パス及びソフトパスの起点パス候補の外部パスでパスの深さが同じである場合には、本実施形態ではソフトパスの起点パス候補の外部パスを起点パスとして特定する。これは、ソフトパスの方がハードパスよりも表記が簡潔であり、多数のブログページの本文位置を管理するのに好適だからである。勿論、ハードパスの起点パス候補の外部パスを起点パスとして特定することとしてもよい。
列起点特定手段２４が、起点パスを特定すると、この起点パスは、記憶部４の本文位置ＤＢ４２（図２（２））に記憶される。なお、図２における「Ｈ’」は、ハードパスであることを示し、「Ｓ’」は、ソフトパスであることを示している。

このように、第１起点特定部２では、Ｗｅｂページ１００及びＷｅｂページ２００の本文位置を特定するための起点パスを「Ｈ’ｔｒ［］［１］／ｔｄ［］［１］」と特定する。ここで、図１２に示すＷｅｂページ１００のソースコード１１０を参照して、起点パスが特定するタグは、２回目の「ｔｒ」タグ（ライン９）の下位の「ｔｄ」タグのうち２回目の「ｔｄ」タグ、すなわち、ライン１３の「ｔｄ」タグである。よって、起点パスにより、Ｗｅｂページ１００の本文は、ライン１３の「ｔｄ」タグからライン１９の「／ｔｄ」タグまでの間に存在することが特定できる。

ところで、ライン１３の「ｔｄ」タグからライン１９の「／ｔｄ」まででは、本文（ライン１６）に加え、画像（ライン１４）やＦｏｏｔｅｒ（ライン１８）が含まれる。ここで、画像やＦｏｏｔｅｒ（例えば、図１２のトピックス、コメント（１）、トラックバックなど）は、ブログのキーワードを抽出する対象として相応しくない情報であり、このような情報を含めてキーワードを抽出しインデックスを生成したのでは、検索精度の低下を招来するおそれがある。
そこで、本実施形態では、第１起点特定部２が特定した起点パスにより特定されるタグよりも下位のタグについて、複数のブログページの夫々に共通するパスであって、当該パスによりタグを一意に特定できるパス、かつ、本文を含んでいるパスを再度特定することとしている。

＜第２起点特定部３＞
図１に戻り、第２起点特定部３は、内部パス情報生成手段３１と、内部共通パス取得手段３２と、本文包含内部パス取得手段３３と、本文位置特定手段３４と、を含んで構成される。

内部パス情報生成手段３１は、同一ユーザの複数のブログページの夫々について、列起点特定手段２４が特定した起点パスにより特定されるタグよりも下位のタグのパスを示す内部パス情報を生成する。なお、内部パス情報生成手段３１は、記憶部４の本文位置ＤＢ４２に記憶された起点パス、及び記憶部４のブログページＤＢ４１に記憶されたＨＴＭＬデータを読み出して、内部パス情報を生成する。

内部パス情報の生成は、外部パス情報の生成と基本的に同じであるため詳細な説明を省略するが、内部パス情報生成手段３１は、図８（１）〜（４）に示す内部パス情報（ハードパス及びソフトパス）を生成する。

内部共通パス取得手段３２は、内部パス情報生成手段３１が生成した内部パス情報のうち、同一ユーザの複数のブログページの夫々に共通するとともに当該パスに対応するタグを一意に特定できる内部共通パスを取得する。
すなわち、内部共通パス取得手段３２は、Ｗｅｂページ１００の内部パスの出現回数とＷｅｂページ２００の内部パスの出現回数との加算結果が「１０１」となる内部パスを内部共通パスとして取得する。
本文包含内部パス取得手段３３は、内部パス情報生成手段３１が生成した内部パス情報のうちブログ本文を含む本文包含外部パスを、同一ユーザの複数のブログページの夫々について取得する。
なお、図９に内部パスの出現回数の加算結果及び内部パスのブログ本文包含の有無を示す。

本文位置特定手段は、内部共通パス取得手段３２及び本文包含内部パス取得手段３３により内部共通パス及び本文包含内部パスが取得されると、内部共通パスであって、かつ、複数のＷｅｂページの全てにおける本文包含内部パスである内部パスのうち、最も深い（すなわち、最も下位の）内部パスを本文パスとして特定する。
例えば、図９（２）を参照すると、ソフトパスについては、内部共通パス（点線）であって、かつ、Ｗｅｂページ１００及びＷｅｂページ２００の本文包含内部パスである内部パスは、内部パス（ソフトパス）「ｄｉｖ［］／ｃｅｎｔｅｒ［］」となる。他方、ハードパスについては、図９（１）に示すように内部共通パスであって、かつ、複数のＷｅｂページの全てにおける本文包含内部パスである内部パスは、存在しない。

よって、本文位置特定手段３４は、内部パス（ソフトパス）「ｄｉｖ［］／ｃｅｎｔｅｒ［］」を本文パスとして特定する。本文位置特定手段３４が、本文パスを特定すると、この本文パスは、記憶部４の本文位置ＤＢ４２（図２（２））に記憶される。

＜ブログ本文抽出手段５＞
図１に戻り、ブログ本文抽出手段５は、記憶部４の本文位置ＤＢ４２に記憶された起点パス及び本文パスから特定されるタグに基づいて、ユーザのブログページからブログ本文を抽出し、記憶部４のブログ本文ＤＢ４３に記憶する。
例えば、図１２を参照して、ブログ本文抽出手段５は、ブログ本文の位置を、起点パス「Ｈ’ｔｒ［］［１］／ｔｄ［］［１］」からライン１３の「ｔｄ」タグからライン１９の「／ｔｄ」タグまでの間と絞り込み、本文パス「Ｓ’ｄｉｖ［］／ｃｅｎｔｅｒ［］」からライン１６であると更に絞り込む。その結果、起点パスで特定していた場合に含まれたライン１４の画像やライン１８のＦｏｏｔｅｒを除くことができ、同一ユーザのブログページのブログ本文をより正確に抽出することができる。

＜記憶部４＞
図１に戻り、記憶部４は、ブログページＤＢ４１と、本文位置ＤＢ４２と、ブログ本文ＤＢ４３と、を含んで構成される。
ブログページＤＢ４１は、図２（２）に示すように、ユーザＩＤとＵＲＬとＷｅｂページ情報とを対応付けて記憶する。なお、Ｗｅｂページ情報には、ＨＴＭＬデータとＲＳＳデータとが含まれる。外部パス情報生成手段２１又は内部パス情報生成手段３１は、このＨＴＭＬデータから、外部パス情報又は内部パス情報を生成する。また、本文包含外部パス取得手段２３又は本文包含内部パス取得手段３３は、ＲＳＳデータから、外部パス又は内部パスにより特定されるタグにブログ本文が含まれる否かを判定する。

本文位置ＤＢ４２は、図２（３）に示すように、ユーザＩＤとＵＲＬとブログ本文位置とを対応付けて記憶する。なお、ブログ本文位置には、列起点特定手段２４が特定した起点パスと、本文位置特定手段３４が特定した本文パスと、が含まれる。
ブログ本文ＤＢ４３は、図示は省略するが、ブログ本文抽出手段５が抽出したブログ本文をユーザＩＤやＵＲＬに対応付けて記憶する。ブログ本文ＤＢ４３に記憶されたブログ本文に基づいて、キーワードが抽出され、ブログページについてのインデックスが生成される。

［ブログ本文特定装置１のハードウェア構成］
以上説明したブログ本文特定装置１のハードウェアは、一般的なコンピュータによって構成することができる。一般的なコンピュータは、例えば、制御部として、中央処理装置（ＣＰＵ）を備える他、記憶部として、メモリ（ＲＡＭ、ＲＯＭ）、ハードディスク（ＨＤＤ）及び光ディスク（ＣＤ、ＤＶＤなど）を、ネットワーク通信装置として、各種有線及び無線ＬＡＮ装置を、表示装置として、例えば、液晶ディスプレイ、プラズマディスプレイなどの各種ディスプレイを、入力装置として、例えば、キーボード及びポインティング・デバイス（マウス、トラッキングボールなど）を適宜備え、これらは、バスラインにより接続されている。このような一般的なコンピュータにおいて、ＣＰＵは、ブログ本文特定装置１を統括的に制御し、各種プログラムを適宜読み出して実行することにより、上述したハードウェアと協働し、本発明に係る各種機能を実現している。

［ブログ本文特定装置１の処理］
続いて、ブログ本文特定装置１の処理について、図１０を参照して説明する。

Ｓ１：初めに、外部パス情報生成手段２１は、ブログページＤＢ４１に記憶されたＨＴＭＬデータを解析し、ソースコードに含まれるタグのパスを示す外部パス情報をハードパス及びソフトパスで生成する。
Ｓ２：続いて、外部共通パス取得手段２２は、生成した外部パス情報のうち、同一ユーザの複数のブログページの夫々に共通する外部パスであって、対応するタグを一意に特定可能な外部パスである外部共通パスを取得する。
Ｓ３：また、本文包含外部パス取得手段２３は、生成した外部パス情報のうちブログ本文を含む本文包含外部パスを、同一ユーザの複数のブログページの夫々で取得する。
Ｓ４：そして、列起点特定手段２４は、Ｓ２で取得した外部共通パスであって、かつ、Ｓ３で取得した本文包含外部パスである外部パスのうち、最も深い外部パスを起点パスとして特定する。なお、特定された起点パスは、本文位置ＤＢ４２に記憶される。

Ｓ５：続いて、内部パス情報生成手段３１は、ブログページＤＢ４１に記憶されたＨＴＭＬデータを解析し、Ｓ４で特定した起点パスにより特定されるタグよりも下位のタグのパスを示す内部パス情報をハードパス及びソフトパスで生成する。
Ｓ６：次に、内部共通パス取得手段３２は、生成した内部パス情報のうち、同一ユーザの複数のブログページの夫々に共通する内部パスであって、対応するタグを一意に特定可能な内部パスである内部共通パスを取得する。
Ｓ７：また、本文包含内部パス取得手段３３は、生成した内部パス情報のうちブログ本文を含む本文包含内部パスを、同一ユーザの複数のブログページの夫々で取得する。
Ｓ８：そして、本文位置特定手段３４は、Ｓ６で取得した内部共通パスであって、かつ、Ｓ７で取得した本文包含内部パスである内部パスのうち、最も深い内部パスを本文パスとして特定する。なお、特定された本文パスは、本文位置ＤＢ４２に記憶される。

Ｓ９：続いて、ブログ本文抽出手段５は、本文位置ＤＢ４２に記憶された起点パス及び本文パスから特定されるタグに基づいて、ユーザのブログページからブログ本文を抽出し、記憶部４のブログ本文ＤＢ４３に記憶する。

以上、第１実施形態のブログ本文特定装置１について説明した。第１実施形態のブログ本文特定装置１によれば、同一ユーザの複数のブログページにおいてブログ本文を含むタグを指定するパスを生成することができる。これにより、当該ユーザのブログページでは、タグ構造が大きく変化しない限り容易にブログ本文の位置を特定できるため、新しいページが生成される都度本文のテキストを特定する必要がなく、制御負荷を抑えつつブログ本文の位置を特定することができる。
このとき、第１実施形態のブログ本文特定装置１では、第１起点特定部２が絞り込んだ本文位置を第２起点特定部３が更に絞り込むこととしているため、同一ユーザのブログページのブログ本文をより正確に抽出することができる。

［第２実施形態］
続いて、第２実施形態のブログ本文特定装置１Ａについて、図１１を参照して説明する。第１実施形態のブログ本文特定装置１が、ブログ本文の位置を２回に分けて絞り込むこととしているのに対し、第２実施形態のブログ本文特定装置１Ａでは複数回に分けて絞り込むことを特徴としている。
図１１（１）は、ブログ本文特定装置１Ａの構成を示し、図１１（２）は、本文位置ＤＢ４２Ａの構成を示す。なお、第１実施形態のブログ本文特定装置１と同一の構成については、同一の符号を付し、詳細な説明を省略する。

［ブログ本文特定装置１Ａの構成］
ブログ本文特定装置１Ａは、起点特定部２Ａと、記憶部４Ａと、ブログ本文抽出手段５と、を含んで構成される。
起点特定部２Ａは、パス情報生成手段２１Ａと、共通パス取得手段２２Ａと、本文包含パス取得手段２３Ａと、列起点特定手段２４Ａと、特定可否判定手段２５Ａと、本文位置特定手段２６Ａと、を含み、記憶部４Ａは、ブログページＤＢ４１と、本文位置ＤＢ４２Ａと、ブログ本文ＤＢ４３と、を含む。

パス情報生成手段２１Ａ、共通パス取得手段２２Ａ、本文包含パス取得手段２３Ａ及び列起点特定手段２４Ａは、外部パス情報生成手段２１（内部パス情報生成手段３１）、外部共通パス取得手段２２（内部共通パス取得手段３２）、本文包含外部パス取得手段２３（本文包含内部パス取得手段３３）及び列起点特定手段２４（本文位置特定手段３４）と同様の機能を有する。
すなわち、パス情報生成手段２１Ａ、共通パス取得手段２２Ａ、本文包含パス取得手段２３Ａ及び列起点特定手段２４Ａは、ブログページを解析して生成されたパス情報に含まれるパスのうち、同一ユーザの複数のブログページの夫々に共通するとともにタグを一意に特定でき（共通パス）、かつ、本文を含んでいるパス（本文包含パス）であっても最も深いパスを起点パスとして特定する。

特定可否判定手段２５Ａは、列起点特定手段２４Ａが起点パスを特定できたか否かを判定する。このとき、列起点特定手段２４Ａが起点パスを特定できた場合には、パス情報生成手段２１Ａは、当該起点パスにより特定されるタグよりも下位のタグのパスを示すパス情報を更に生成し、共通パス取得手段２２Ａ及び本文包含パス取得手段２３Ａは、下位のタグのパス情報から共通パス及び本文包含パスを取得し、列起点特定手段２４Ａは、共通パス及び本文包含パスに基づいて、新たな起点パスを特定する。
他方、列起点特定手段２４Ａが起点パスを特定できない場合には、本文位置特定手段２６Ａは、これまで特定された起点パスからブログ本文の位置を特定する。

すなわち、第２実施形態のブログ本文特定装置１Ａでは、より下位の起点パスが特定できなくなるまで新たな起点パスを繰り返し特定する。言い換えると、同一ユーザの複数のブログページの夫々に共通するとともにタグを一意に特定でき（共通パス）、かつ、本文を含んでいるパス（本文包含パス）が存在しなくなるまで、パス情報生成手段２１Ａ乃至列起点特定手段２４Ａの処理を繰り返す。
そのため、図１１（２）に示すように、本文位置ＤＢ４２Ａには、ブログ本文位置として繰り返し特定される起点パスが記憶される。

このようなブログ本文特定装置１Ａによれば、新たな起点パスを特定できなくなるまで、より下位のタグのパス情報から新たな起点パスが特定される。これにより、より詳細な本文の位置を特定することができるとともに、一度特定すれば容易にブログ本文の位置を特定できるため、制御負荷を抑えつつブログ本文の位置を特定することができる。

以上、本発明の実施形態について説明したが、本発明は上述した実施形態に限るものではない。また、本発明の実施形態に記載された効果は、本発明から生じる最も好適な効果を列挙したに過ぎず、本発明による効果は、本発明の実施形態に記載されたものに限定されるものではない。

上記実施形態では、ブログページのソースコードのパス情報（外部パス情報、内部パス情報を含む）を生成した後に、複数のページで共通し対応するタグを一意に特定可能な共通パス（外部共通パス、内部共通パスを含む）やブログ本文を含む本文包含パス（本文包含外部パス、本文包含内部パスを含む）を取得することとしている。ここで、パス情報から共通パス及び本文包含パスを取得する順序は、任意に設計することができる。
また、パス情報に含まれる全てのパスについて、共通パスであるか否かの判定や本文包含パスであるか否かの判定を行う必要もなく、パス情報に含まれている一部のパスについてのみ、当該判定を行うこととしてもよい。例えば、出現回数の加算結果が「１０１」のパスに限って本文を包含するか否かの判定を行うこととしてもよく、本文を包含するパスに限ってのみ出現回数の加算結果を算出することとしてもよい。

また、ハードパスは、その性質上必ず１回しか出現しないため、ソフトパスの加算結果のみを算出し、ハードパスについては複数のブログページで共通するか否かのみを判定することとしてもよい。

また、本実施形態では、ソースコードに含まれるタグのうち、「ｈｔｍｌ」タグなどのような多くのＷｅｂページで使用される位置に変化のないタグは、パスの生成において省略することとしているが、省略するタグの種別は任意に設計可能である。例えば、ブログページでは、基本的な構成は同一であっても、使用するフォントを日々変更することが考えられる。そのため、例えば、「ｆｏｎｔ」タグなどのようなブログページの構成に影響のないタグは、パスの生成において省略することとしてもよく、任意に設計可能である。
また、パスを構成する属性についても、パスの生成において省略することとしてもよく、何れの属性を省略するかは任意に設計可能である。例えば、ブログ本文欄の背景を日々変更するブログページも考えられる。そのため、例えば、「ｔｄ」タグの属性である「ｂｇｃｏｌｏｒ」などの属性は、パスの生成において省略することとしてもよく、任意に設計可能である。

１ ブログ本文特定装置
２ 第１起点特定部
２１ 外部パス生成手段
２２ 外部共通パス取得手段
２３ 本文包含外部パス取得手段
２４ 列起点特定手段
３ 第２起点特定部
３１ 内部パス情報生成手段
３２ 内部共通パス取得手段
３３ 本文包含内部パス取得手段
３４ 本文位置特定手段
４ 記憶部
４１ ブログページＤＢ
４２ 本文位置ＤＢ
４３ ブログ本文ＤＢ
５ ブログ本文抽出手段

Claims (4)

1. ユーザが作成したブログ本文及び当該ブログ本文の要約情報を含むブログページを当該ユーザを識別する情報と対応付けて記憶するブログページＤＢと、
   同一ユーザに対応付けられた複数のブログページを解析して、当該複数のブログページの夫々について、ソースコードに含まれるタグの当該ソースコード内でのパスを示す外部パス情報を生成する外部パス情報生成手段と、
   前記外部パス情報生成手段が生成した前記外部パス情報のうち、前記同一ユーザの複数のブログページの夫々に共通する外部共通パスを取得する外部共通パス取得手段と、
   前記外部パス情報生成手段が生成した前記外部パス情報のうちブログ本文を含む本文包含外部パスを、前記同一ユーザの複数のブログページの夫々について取得する本文包含外部パス取得手段と、
   前記外部共通パスであって、かつ、複数のＷｅｂページの全てにおける前記本文包含外部パスであるパスのうち、最も深いパスを前記ブログ本文を含む起点パスとして特定する列起点特定手段と、
   を備えるブログ本文特定装置。
2. 同一ユーザの複数のブログページの夫々について、前記列起点特定手段が特定した起点パスにより特定されるタグよりも下位のタグのパスを示す内部パス情報を生成する内部パス情報生成手段と、
   前記内部パス情報生成手段が生成した前記内部パス情報のうち、前記同一ユーザの複数のブログページの夫々に共通する内部共通パスを取得する内部共通パス取得手段と、
   前記内部パス情報生成手段が生成した前記内部パス情報のうち前記ブログ本文を含む本文包含内部パスを、前記同一ユーザの複数のブログページの夫々について取得する本文包含内部パス取得手段と、
   前記内部共通パスであって、かつ、複数のＷｅｂページの全てにおける前記本文包含内部パスであるパスのうち、最も深いパスを前記ブログ本文を含む本文パスとして特定する本文位置特定手段と、
   を備える請求項１に記載のブログ本文特定装置。
3. ユーザが作成したブログ本文及び当該ブログ本文の要約情報を含むブログページを当該ユーザを識別する情報と対応付けて記憶するブログページＤＢと、
   同一ユーザに対応付けられた複数の前記ブログページを解析して、当該複数のブログページの夫々について、ソースコードに含まれるタグの当該ソースコード内でのパスを示すパス情報を生成するパス情報生成手段と、
   前記パス情報生成手段が生成した前記パス情報のうち、前記同一ユーザの複数のブログページの夫々に共通する共通パスを取得する共通パス取得手段と、
   前記パス情報生成手段が生成した前記パス情報のうちブログ本文を含む本文包含パスを、同一ユーザの複数のブログページの夫々について取得する本文包含パス取得手段と、
   前記共通パスであって、かつ、複数のＷｅｂページの全てにおける前記本文包含パスであるパスのうち、最も深いパスを起点パスとして特定する列起点特定手段と、
   前記列起点特定手段が前記起点パスを特定できたか否かを判定する特定可否判定手段と、
   を備え、
   前記特定可否判定手段が前記列起点特定手段が前記起点パスを特定できたと判定することを条件に、前記パス情報生成手段は、当該起点パスにより特定されるタグよりも下位のタグのパスを示すパス情報を更に生成し、前記共通パス取得手段及び前記本文包含パス取得手段は、前記下位のタグのパス情報から前記共通パス及び前記本文包含パスを取得し、前記列起点特定手段は、前記共通パス及び前記本文包含パスに基づいて、新たな起点パスを特定し、
   前記特定可否判定手段が前記列起点特定手段が前記起点パスを特定できないと判定することを条件に、起点パス情報を前記ブログ本文を含む本文包含パスとして特定する本文位置特定手段と、
   を更に備えるブログ本文特定装置。
4. ユーザが作成したブログ本文及び当該ブログ本文の要約情報を含むブログページを当該ユーザを識別する情報と対応付けて記憶するブログページＤＢを備えるコンピュータが同一ユーザのブログページの本文位置を特定するブログ本文特定方法であって、
   同一ユーザに対応付けられた複数のブログページを解析して、当該複数のブログページの夫々について、ソースコードに含まれるタグの当該ソースコード内でのパスを示す外部パス情報を生成するステップと、
   生成した前記外部パス情報のうち、前記同一ユーザの複数のブログページの夫々に共通する外部共通パスを取得するステップと、
   生成した前記外部パス情報のうちブログ本文を含む本文包含外部パスを、前記同一ユーザの複数のブログページの夫々について取得するステップと、
   前記外部共通パスであって、かつ、複数のＷｅｂページの全てにおける前記本文包含外部パスであるパスのうち、最も深いパスを前記ブログ本文を含む起点パスとして特定するステップと、
   を含むブログ本文特定方法。

Images