JP5094096B2 - 有名人の別表現の自動抽出装置、方法 - Google Patents

Description

本発明は、有名人の別表現の自動抽出装置に関する。更に詳しくは、有名人の別表現（別名、通称、愛称など）を自動抽出する装置、方法、及びプログラムに関する。

インターネットの普及や検索技術の向上により、キーワードを検索エンジンに入力するだけで手軽に大量のデータを入手することが可能になった。しかし、キーワード検索では意味が同じで表記の異なる語がある場合、ユーザ側で、キーワードの変更や絞り込みを必要とする、といった問題が存在する。この問題に対しては、現在ではサーバ側で、シソーラス（単語の上位／下位関係、部分／全体関係、同義関係、類義関係などによって単語を分類し、体系づけた辞書）を用いて検索支援をすることが行われている。しかし、人名に対してのシソーラスは存在しない、もしくは貧弱である。そこで、非特許文献１では、人名に対してＷｅｂ上からコーパス（コンピュータによる検索が可能になっている大量の言語データ）を収集し、そのコーパス内から人名のニックネームや愛称などの別名を抽出し、人名のシソーラスを構築する手法が提案されている。
古澤秀介，森田和宏，泓田正雄，青江順一：人名の別表記の自動抽出手法，言語処理学会第１１回年次大会（ＮＬＰ２００５），６９５−６９８頁，２００５年３月

非特許文献１に記載の「人名を含む別表現の自動抽出」によると、入力人名をキーワードとして、検索エンジンを使用しコーパスを取得する。次に、字種切りを使用して、漢字、数字、ローマ字、カタカナのみを残し、人名の別表現の候補を抽出する。更に、抽出した語句から入力人名を含む語句を取得し、取得した語句に対して形態素解析を行い、人名の別表記には不要な形態素を削除する。そして、この不要な形態素を不要語として定義し、削除することによって人名の別表記を抽出する。

また、同じく非特許文献１に記載の「人名を含まない別表現の自動抽出」によると、入力人名に対して「こと＋入力人名」をキーワードとして、検索エンジンを使用し、コーパスを取得する。次に取得したコーパス内の「こと＋人名」の前１５文字をすべて取得する。更に、得られた１５文字の実態表記をデータベースに登録し、後方一致により、一致部分の出現頻度を集計する。そして、データベースと出現頻度とから人名の別表記の候補を得て、文字単位で不適切な語を削除する。

しかしながら、このような非特許文献１に記載の方法では、「人名を含む別表現の自動抽出」と「人名を含まない別表現の自動抽出」とに分けて処理する必要があり、「人名を含む別表現の自動抽出」においては、入力した人名と文字列とのマッチング（比較）を必要とする。このような方法では、入力した人名全部を含まない別表現を抽出できない。また「人名を含まない別表現の自動抽出」の方法では、「こと＋人名」のような個別のルールを必要とし、このようなルールに適合しない別表記を抽出することはできない。

本発明は、上記の課題に鑑み、入力した人名と文字列とのマッチングを必要とせず、また、「こと＋人名」のような個別のルールを適用することなく、人名の別表記を自動抽出することが可能な新たな装置、方法などを提供することを目的とする。

本発明では以下のような解決手段を提供する。

（１）有名人の別表現を自動抽出する装置であって、
ネットワーク上で人名情報が含まれるデータベースから人名に関するデータを取得し、
人名と所定のキーワードとで条件検索し、得られた上位の検索結果を形態素解析する形態素解析部と、
前記形態素解析した語の中から特定の文書に偏って出現する頻度の高い語を選択し、前記選択した語と前記人名との共起の強さを計算し、前記共起の強い語を別表現候補として抽出する別表現候補抽出部と、
を備える装置。

このような構成によれば、本装置は、インターネット上などで人名情報が含まれるデータベース（例えばＷｉｋｉｐｅｄｉａのような信頼性の高いデータベース）から、人名に関するデータ（例えばＷｅｂページ）を取得し、本装置に備えられた形態素解析部によって、例えば、有名人リストのようなものから得た人名を、所定のキーワードとで条件検索し、得られた上位の検索結果を形態素解析する。ここで所定のキーワードとは、人名の別表現抽出のための手がかりとなる予め定められた複数の語句である。また、条件検索とは、例えば、人名と前述のキーワードのＡＮＤ条件などである。更に、本装置の別表現抽出部は、形態素解析した語から、特定の文書に偏って出現する頻度の高い語を選択し、この選択した語と人名との共起の強さ（共起ヒット：関係の強さを測る尺度）を計算し、前記共起の強い語を別表現候補として抽出する。

このようにすることによって、日々更新されるインターネット上の既存のデータベースからの情報をインデックス化して効率化し、これを用いて予め登録しておいた人名リストとキーワードを用いて検索し、検索結果の上位に現れるような、Ｕｐ Ｔｏ Ｄａｔｅの情報を元データ（コンテンツ）として利用することができるので信頼性、流行性、拡張性を同時にとりこむことができる。また、公知の技術であるＴＦ＊ＩＤＦと共起の強さの計算を組み合わせることにより、人名と関係が強い語句を別表現候補として抽出することができる。

（２）前記所定のキーワードは、「氏名」、「本名」、「旧性」、「別名」、「別表現」、「呼び名」、「ニックネーム」、「あだ名」、「俗称」、「通称」、「愛称」、「略称」、「芸名」、「アーティスト名」、「ペンネーム」、「幼名」の少なくとも一つを含む、（１）に記載の装置。

このような構成によれば、人名の別表現の抽出のための手がかりとなるような上記キーワードを多数登録しておくことで、別表現の抽出の効率化を行うことができる。もちろん、このキーワードは、経験則に基づいて更新していってもよい。

（３）前記共起の強さはシンプソン係数を用いて計算する、（１）または（２）に記載の装置。

このような構成によれば、前記の共起の強さ（共起ヒット）を公知の技術であるシンプソン係数の計算によって、また、特定の文書に偏って出現する頻度は、ＴＦ＊ＩＤＦ（Ｔｅｒｍ Ｆｒｅｑｕｅｎｃｙ−Ｉｎｖｅｒｓｅ Ｄｏｃｕｍｅｎｔ Ｆｒｅｑｕｅｎｃｙ）値を用いて具体的に求めることができる。ここで、シンプソン係数とは、後述するように、スコアが０〜１の範囲で、値が大きいほど共起が強いと判断される尺度である。

（４）前記別表現候補抽出部によって前記抽出された別表現候補をランキング表示し、装置管理者に別表現としての妥当性を判断させる判定部を更に備え、前記判断に応じて前記別表現を別表現データベースに登録する、（３）に記載の装置。

このような構成によれば、本装置は、別表現候補として本装置が抽出した語を、更に装置管理者のような人目により判断させる手段を備えるので、より確実な別表現のみをデータベースに登録することができる。

（５）前記ランクング表示は、前記シンプソン係数とＴＦ＊ＩＤＦ値の降順にソートして表示する、（４）に記載の装置。

このような構成によれば、ランキング表示において、シンプソン係数と、ＴＦ＊ＩＤＦ値を共にソートした結果を表示するので、装置管理者は、別表現候補を選択する際に両者の特性に基づいた判断をすることができる。

（６）有名人の別表現を自動抽出する方法であって、
人名と所定のキーワードとで条件検索するステップと、
前記条件検索で得られた上位の検索結果を形態素解析するステップと、
前記形態素解析した語の中から特定の文書に偏って出現する頻度の高い語を選択し、前記選択した語と前記人名との共起の強さを計算するステップと、
前記共起の強い語を別表現候補として抽出するステップと、
を含む方法。

このような構成によれば、ユーザまたはシステム側から任意に入力した人名と所定のキーワードで条件検索した上位検索結果をデータ元として使用するので、インターネット上でよく検索に使われるデータのみを対象とすることができ、また、この検索結果を前処理として形態素解析し、公知の技術であるＴＦ＊ＩＤＦと共起の強さの計算を組み合わせることによって、人名の別表現候補を効率よく抽出することができる。

（７）前記所定のキーワードは、「氏名」、「本名」、「旧性」、「別名」、「別表現」、「呼び名」、「ニックネーム」、「あだ名」、「俗称」、「通称」、「愛称」、「略称」、「芸名」、「アーティスト名」、「ペンネーム」、「幼名」の少なくとも一つを含む、（６）に記載の方法。

このような構成によれば、（２）と同様に、人名の別表現の抽出のための手がかりとなるような上記キーワードを多数登録しておくことで、別表現の抽出の効率化を行うことができる。

（８）前記共起の強さはシンプソン係数を用い、前記特定の文書に偏って出現する頻度はＴＦ＊ＩＤＦ値を用いて計算する、（６）または（７）に記載の方法。

このような構成によれば、（３）と同様に、前記の共起の強さ（共起ヒット）を公知の技術であるシンプソン係数の計算によって、また特定の文書に偏って出現する頻度は、ＴＦ＊ＩＤＦ（Ｔｅｒｍ Ｆｒｅｑｕｅｎｃｙ−Ｉｎｖｅｒｓｅ Ｄｏｃｕｍｅｎｔ Ｆｒｅｑｕｅｎｃｙ）値を用いて具体的に求めることができる。

（９）前記抽出された別表現候補をランキング表示し、装置管理者に別表現としての妥当性を判断させ、前記判断に応じて前記別表現を別表現データベースに登録するステップを更に含む、（８）に記載の方法。

このような構成によれば、（４）と同様に、別表現候補として抽出した語を、更に管理者のような人目により判断させる手段を備えるので、より確実な別表現のみをデータベースに登録することができる。

（１０）前記ランクング表示は、前記シンプソン係数と前記ＴＦ＊ＩＤＦ値の降順にソートして表示する、（９）に記載の方法。

このような構成によれば（５）と同様に、ランキング表示において、シンプソン係数と、ＴＦ＊ＩＤＦ値を共にソートした結果を表示するので、別表現候補を選択する際に両者の特性に基づいた判断をすることができる。

（１１）有名人の別表現を自動抽出するコンピュータ・プログラムであって、
人名と所定のキーワードとで条件検索するステップと、
前記条件検索で得られた上位の検索結果を形態素解析するステップと、
前記形態素解析した語の中からＴＦ＊ＩＤＦ値の高い語を選択し、前記選択した語と前記人名との共起の強さを計算するステップと、
前記共起の強い語を別表現候補として抽出するステップと、
をコンピュータに実行させるコンピュータ・プログラム。

このような構成によれば（５）と同様な作用効果を奏する機能をコンピュータに実行させるコンピュータ・プログラムとして提供することができる。

本発明によれば、インターネット上のＵｐ Ｔｏ Ｄａｔｅな情報源を元に、入力した人名と検索した文字列とのマッチングを使用せず、「こと＋人名」のような個別のルールを適用することなく、新たな別名の表記を自動抽出することが可能な装置、方法などを提供することができる。

以下、本発明の実施形態について図を参照しながら説明する。但し、これらはあくまでも一例であって、本発明の技術的範囲はこれらに限定されるものではない。

図１は、本発明の好適な実施形態の一例に係る別表現抽出装置１０の機能ブロックの概略を示す図である。

図示するように、別表現抽出装置１０は、主として、インターネット４０を介して様々なデータベースを備えたサーバ３０と交信し、人名に関する多くのデータを集めるクローラ部１１と、集めたデータにインデックスを施し、インデックスＤＢ２０に格納するインデックス作成部１２、インデックス化されたデータを形態素（意味のある最小の文字列単位）に分解する形態素解析部１３、形態素解析されたデータから人名の別表現候補を抽出する別表現候補抽出部１４、別表現候補から人による確認をさせる判定部１５、及び、確認された別名表現を多数格納する別表現ＤＢ２１から構成される。ここで生成された別表現ＤＢ２１は、人名別表現辞書のようなものとして機能し、日本語情報処理の効率化ツールの一つとなり得るものである。また、インデックスＤＢ２０と別表現ＤＢ２１にアクセス制御を行うデータベースアクセス部１９を備えてもよい。本装置は、他に、通信部１８、入力部１６、表示部１７を備えるが、これらは一般的な情報処理装置に使用されるものであるので説明は省略する。

図２は、本発明の好適な実施形態の一例に係る別表現抽出装置１０の処理フローの概略を示す図である。

まず、ステップＳ１において、Ｗｉｋｉｐｅｄｉａ（自由に投稿したり編集したりできる百科事典）など信頼性のある情報を多数備えたデータベースから、人名に関するデータをダウンロードしてインデックス化する。ここでのインデックス化は任意の方法であってよい。Ｗｉｋｉｐｅｄｉａに関しては、例えば［ ｈｔｔｐ：／／ｗｗｗ．ｎａｔｕｒｅ．ｃｏｍ／ｎａｔｕｒｅ／ｊｏｕｒｎａｌ／Ｖ４３８／ｎ７０７０／ｆｕｌｌ／４３８９００ａ．ｈｔｍｌ、オンライン、２００６年１０月３１日検索 ］のようなレポートを参照されたい。

次にステップＳ２において、別表現を検索したい人名の氏名など（例えば、「豊臣秀吉」と、「別名」のようなキーワードをＡＮＤ条件で結んだ語句）を入力する。例えば、このような検索キーワードは、氏名」、「本名」、「旧性」、「別名」、「別表現」、「呼び名」、「ニックネーム」、「あだ名」、「俗称」、「通称」、「愛称」、「略称」、「芸名」、「アーティスト名」、「ペンネーム」、「幼名」のような別名を探索する手がかりとなるもので、これらのキーワードをインデックスのラベルとして、インデックスＤＢ２０を構成してもよい。そうようにすることで、検索の効率化が期待できる。

次に、ステップＳ３において、上記の検索結果の上位Ｎ件のページ中の文章を形態素解析する。形態素解析は、「茶筅」などの公知の技術を用いてよい。ここで、形態素解析は、助詞や接続詞など、人名の別表現として用いられる可能性の低い文字列を除去するようにしてもよい。

次に、ステップＳ４において、形態素解析された上位Ｎ件のページからＴＦ＊ＩＤＦ値を用いて別表現候補を抽出する。ＴＦ＊ＩＤＦ値は、典型的には次の数１の式で計算され、特定のページに偏って多く出現するほど高いスコアをとる。

更に、ＴＦ＊ＩＤＦによって抽出された別表現候補と、前述の人名との関係の強さを計算する（ステップＳ５）。関係の強さを測る尺度としては、相互情報量を求める方法もあるが、ここでは、シンプソン係数を用いた計算方法を用いることにする。シンプソン係数は、二つの語の共起の強さを測る尺度であり、次の数２の式で計算される。シンプソン係数は、スコア０〜１の範囲の値をとり、大きいほど共起が強い。

最後に、ステップＳ６において、上記ステップＳ５で求めた関係の強い語（共起の強い語）を別表現候補として抽出する。

図３は、本発明の好適な実施形態に係る別表現候補の抽出方式の共起ヒットの概念を示す図である。

この図では、有名人の例として、有名人リスト２５にある「豊臣秀吉」に着目する。前述の方法により抽出された上位Ｎ件の形態素解析済みの語彙リスト３５には、「木下藤吉郎」、「日吉丸」、「羽柴秀吉」のような別名候補を含まれるが、「義経」、「関ヶ原」などのように、関連はあるが別表現ではない語彙も多数含まれ得る。有名人リストの人名「豊臣秀吉」と共起しやすい語を、前述の共起ヒット計算により識別に役立てる。この例では、最終的に人の目による判断で、４７ａ、４７ｂ、４７ｃが別表現として採用と判断され、４８が別表現としては不採用と判断される。

図４は、単純にシンプソン係数で降順にソートした結果の例を示す図である。

図示するように、シンプソン係数の大小だけでは、人名の別表現として関連なさそうな語、（「前田利家の実の娘」、「義経」）も抽出される。シンプソン係数の問題点は、低頻度な語は、共起が少なくてノイズである場合が多いが、シンプソン係数が高くなりやすいという点である。例えば「豊臣秀吉」の単独ヒット数が９９９，０００で「前田利家の実の娘」の単独ヒット数が５の場合、つまり、｜豊臣秀吉｜＝９９９，０００で、｜前田利家の実の娘｜＝５、｜豊臣秀吉∩前田利家の実の娘｜＝５とすると、Ｒ（豊臣秀吉、前田利家の実の娘）＝５／ｍｉｎ（９９９，０００，５）＝５／５＝１．００となる。すなわち、関係のなさそうな「前田利家の実の娘」のシンプソン係数は高くなることがある。

このような問題に対処するため、松尾らは閾値ｋによる解決策を提案している（松尾豊、友部博教、橋田浩一、石塚満 イベント空間支援における人間関係ネットワーク抽出技術の活用、第１８回人口知能学会全国大会、３Ｃ１−０４，２００４年６月参照）。この方法では、単独ヒット数が閾値ｋに満たない語を除外する。すなわち、数２式を変形して、数３の式のように定義する。

しかしながら、上記の閾値ｋで解決できない問題も已然として存在する。例えば、｜豊臣秀吉｜＝９９９，０００で、｜関ヶ原｜＝８２１，０００、｜豊臣秀吉∩関ヶ原｜＝９５，４００とすると、Ｒ（豊臣秀吉、関ヶ原）＝９５，４００／ｍｉｎ（９９９，０００，８２１，０００）＝９５，４００／８２１，０００＝０．１１６となる。ここで「関ヶ原」を別表現候補から除きたい場合、ｋ＝８２１，０００になるが、ｋ＝８２１，０００にするとほとんどの語が候補から外れてしまうことになる。

一方、ＴＦ＊ＩＤＦによる本発明の手法では、ＴＦ＊ＩＤＦの低い語は除外する。例えば、同じような共起ヒットでも、「関ヶ原」のＴＦ＝１，ＩＤＦ＝４．３６９、ＴＦ＊ＩＤＦ＝４．３６９に対して、「木下藤吉郎」のＴＦ＝４２、ＩＤＦ＝５．６８１、ＴＦ＊ＩＤＦ＝２３８．６０２とすると、このＴＦ＊ＩＤＦ値が相対的に低いものは、関係のなさそうな語として選別が可能である。

図５は、シンプソン係数とＴＦ＊ＩＤＦ値を用いた別表現候補の抽出結果を示す図である。この図では、閾値として、ｋ＝３０の他、更にＴＦ＊ＩＤＦの閾値＝５を用い、第１の降順ソートキーとしてシンプソン係数を用い、第２の降順ソートキーとして、ＴＦ＊ＩＤＦを用いている。

この結果から分かるように本発明のシンプソン係数とＴＦ＊ＩＤＦを組み合わせた手法は、人名の別表現候補の抽出に有効であることが確認される。

図６は、本発明の好適な実施形態の別の例に係る別表現抽出システムの処理フローの概略を示す図である。

図６の点線で囲んだ「自動化」の部分は、図１、２で説明した装置１０と基本的には同様であるが、本システムではクローラ部１１、インデックス作成部１２、別表現候補抽出部１４などの各部が別個の装置として存在してもよい。図６は、これらの装置を含んだ全体のシステムを示している。本システムでは、既に説明したように、Ｗｉｋｉｐｅｄｉａなどの有用なサイトへのリンクを含んだＵＲＬリスト３１を、クローラ部１１が取得し（ステップＳ１１）、インターネット４０に対してそのＵＲＬへコンテンツをリクエストする（ステップＳ１２）。そして、人名に関する情報（コンテンツ５０）を取得する（ステップＳ１３）。得られたコンテンツ５０は、インデックス作成部１２に渡され（ステップＳ１４）、インデックス化された後（ステップＳ１５）、別表現候補抽出部１４によって、別表現候補５１が抽出される（ステップＳ１６）。この別表現候補５１は、人の目による判定によって人名の最終的な別表現５２であることを確認され（ステップＳ１７）、別表現ＤＢ２１に登録される。登録された別表現ＤＢ２１の内容は、辞書のように外部に閲覧できるようにしてもよい（ステップＳ１８）。なお、各装置の機能は、前述の説明と同様であるので詳細は省略する。

図７は、本発明の好適な実施形態の更に別の例に係る別表現抽出方法の処理フローの概略を示す図である。

図示するように、有名人リスト２５から、検索エンジン１１ａに人名データが入力され、インターネット４０から検索結果ページ５０ａが得られる。この方法では、図１のようなクローラ部１１やインデックス作成部１２、インデックスＤＢ２０などは必ずしも備えていなくともよい。検索エンジン１１ａがこれらの働きをするものと考えてもよい。

検索結果ページは、以下のようなステップを備えたスコア計算が施される。各ステップは図２にステップと同様であるが、ステップＳ３において、検索結果の上位Ｎ件の形態素解析を行う。次にステップＳ４において、ＴＦ＊ＩＤＦ値を求め、ステップＳ５において、共起ヒットの計算を行う。ステップＳ７は、図２にはない新たなステップで、別表現候補５１に対して、フィルタリングやランキング表示を行う。この表示にはシンプソン係数をソートして表示してもよいし、シンプソン係数とＴＤ＊ＩＤＦ値を並べて表示してもよい。これらの表示によって人の目による別表現の確定に役立てることができる。

［別表現抽出装置のハードウェア構成］
図８は、図１で説明した本発明の好適な実施形態の一例に係る別表現抽出装置１０のハードウェア構成の一例を示す図である。別表現抽出装置１０は、制御部１０１を構成するＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１０１０（マルチプロセッサ構成ではＣＰＵ１０１２など複数のＣＰＵが追加されてもよい）、バスライン１００５、通信Ｉ／Ｆ１０４０、メインメモリ１０５０、ＢＩＯＳ（Ｂａｓｉｃ Ｉｎｐｕｔ Ｏｕｔｐｕｔ Ｓｙｓｔｅｍ）１０６０、ＵＳＢポート１０９０、Ｉ／Ｏコントローラ１０７０、並びにキーボード及びマウス１１００などの入力手段や表示装置１０２２を備える。

Ｉ／Ｏコントローラ１０７０には、テープドライブ１０７２、ハードディスク１０７４、光ディスクドライブ１０７６、半導体メモリ１０７８、などの記憶手段を接続することができる。

ＢＩＯＳ１０６０は、別表現抽出装置１０の起動時にＣＰＵ１０１０が実行するブートプログラムや、別表現抽出装置１０のハードウェアに依存するプログラムなどを格納する。

記憶部１０７を構成するハードディスク１０７４は、別表現抽出装置１０がサーバとして機能するための各種プログラム及び本発明の機能を実行するプログラムを記憶しており、更に必要に応じて各種データベースを構成可能である。

光ディスクドライブ１０７６としては、例えば、ＤＶＤ−ＲＯＭドライブ、ＣＤ−ＲＯＭドライブ、ＤＶＤ−ＲＡＭドライブ、ＣＤ−ＲＡＭドライブを使用することができる。この場合は各ドライブに対応した光ディスク１０７７を使用する。光ディスク１０７７から光ディスクドライブ１０７６によりプログラムまたはデータを読み取り、Ｉ／Ｏコントローラ１０７０を介してメインメモリ１０５０またはハードディスク１０７４に提供することもできる。また、同様にテープドライブ１０７２に対応したテープメディア１０７１を主としてバックアップのために使用することもできる。

別表現抽出装置１０に提供されるプログラムは、ハードディスク１０７４、光ディスク１０７７、またはメモリカードなどの記録媒体に格納されて提供される。このプログラムは、Ｉ／Ｏコントローラ１０７０を介して、記録媒体から読み出され、または通信Ｉ／Ｆ１０４０を介してダウンロードされることによって、別表現抽出装置１０にインストールされ実行されてもよい。

前述のプログラムは、内部または外部の記憶媒体に格納されてもよい。ここで、記憶部１０７を構成する記憶媒体としては、ハードディスク１０７４、光ディスク１０７７、またはメモリカードの他に、ＭＤなどの光磁気記録媒体、テープ媒体を用いることができる。また、専用通信回線やインターネットに接続されたサーバシステムに設けたハードディスク１０７４または光ディスクライブラリなどの記憶装置を記録媒体として使用し、通信回線を介してプログラムを別表現抽出装置１０に提供してもよい。

ここで、表示装置１０２２は、ユーザにデータの入力を受け付ける画面を表示したり、別表現抽出装置１０による演算処理結果の画面を表示したりするものであり、ブラウン管表示装置（ＣＲＴ）、液晶表示装置（ＬＣＤ）などのディスプレイ装置を含む。

ここで、入力手段は、ユーザによる入力の受付を行うものであり、キーボード及びマウス１１００などにより構成してよい。

また、通信Ｉ／Ｆ１０４０は、別表現抽出装置１０を専用ネットワークまたは公共ネットワークを介して端末と接続できるようにするためのネットワーク・アダプタである。通信Ｉ／Ｆ１０４０は、モデム、ケーブル・モデム及びイーサネット（登録商標）・アダプタを含んでよい。

以上の例は、別表現抽出装置１０について主に説明したが、コンピュータに、プログラムをインストールして、そのコンピュータをサーバ装置として動作させることにより上記で説明した機能を実現することもできる。したがって、本発明において一実施形態として説明したサーバにより実現される機能は、上述の方法を当該コンピュータにより実行することにより、或いは、上述のプログラムを当該コンピュータに導入して実行することによっても実現可能である。

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、本発明の実施例に記載されたものに限定されるものではない。

本発明の好適な実施形態の一例に係る別表現抽出装置１０の機能ブロックの概略を示す図である。 本発明の好適な実施形態の一例に係る別表現抽出装置１０の処理フローの概略を示す図である。 本発明の好適な実施形態に係る別表現候補の抽出方式の共起ヒットの概念を示す図である。 シンプソン係数で降順にソートした結果の例を示す図である。 シンプソン係数とＴＦ＊ＩＤＦ値を用いた別表現候補の抽出結果を示す図である。 本発明の好適な実施形態の別の例に係る別表現抽出システムの処理フローの概略を示す図である。 本発明の好適な実施形態の更に別の例に係る別表現抽出方法の処理フローの概略を示す図である。 図１で説明した本発明の好適な実施形態の一例に係る別表現抽出装置１０のハードウェア構成の一例を示す図である。

符号の説明

１０ 別表現抽出装置
１１ クローラ部
１１ａ 検索エンジン
１２ インデックス作成部
１３ 形態素解析部
１４ 別表現候補抽出部
１５ 判定部
１６ 入力部
１７ 表示部
１８ 通信部
１９ データベースアクセス部
２０ インデックスＤＢ
２１ 別表現ＤＢ
２５ 有名人リスト
３０ サーバ
３１ ＵＲＬリスト
３５ 上位Ｎ件の形態素解析済みの語彙リスト
４０ インターネット
４７ａ，４７ｂ，４７ｃ 採用リスト
４８ 不採用リスト
５０ コンテンツ
５０ａ 検索結果ページ
５１ 別表現候補
５２ 別表現
１０１ 制御部
１０７ 記憶部

Claims (12)

1. インターネット上のデータベースから集められた人名情報を含むＷｅｂページがインデックス化されて格納されたインデックスＤＢから、所定の人名をキーとして検索し、その検索結果の複数のページ中の文書を形態素解析する形態素解析部と、
   前記形態素解析により得られた複数の語句について、出現頻度の特定のページへの偏り度合いを示すスコアと前記所定の人名との共起度を示すスコアとを計算し、各語句の両スコアに基づいて、前記複数の語句から、前記出現頻度の前記特定のページへの偏りが大きく、かつ、前記所定の人名との共起度が高い語句を、前記所定の人名の別表現候補として抽出する別表現候補抽出部と、
   を備える装置。
2. 前記形態素解析部は、前記検索の際に、前記所定の人名と当該所定の人名の別表現の抽出のための手がかりとなる所定のキーワードとをキーとして検索する、請求項１に記載の装置。
3. 前記所定のキーワードは、「氏名」、「本名」、「旧性」、「別名」、「別表現」、「呼び名」、「ニックネーム」、「あだ名」、「俗称」、「通称」、「愛称」、「略称」、「芸名」、「アーティスト名」、「ペンネーム」、「幼名」のいずれかである、請求項２に記載の装置。
4. 前記別表現候補抽出部によって前記抽出された別表現候補について、前記両スコアに基づいて別表現候補のランキングを作成し、当該ランキングを表示装置に表示させ、管理者からの確認を受け付けた別表現候補を前記別表現候補を別表現データベースに登録する判定部を更に備える、請求項１から３のいずれかに記載の装置。
5. 前記判定部が、前記ランキングの表示において、前記別表現候補を前記両スコアの降順にソートした情報を作成し、前記表示装置に表示させる、請求項４に記載の装置。
6. 前記別表現候補抽出部が、前記出現頻度の前記特定のページへの偏り度合いを示すスコアを全ページにおける出現数をＴＦとしたＴＦ＊ＩＤＦ値を用いて計算し、前記共起度を示すスコアをシンプソン係数を用いて計算する、請求項１から請求項５のいずれかに記載の装置。
7. コンピュータが、
   インターネット上のデータベースから集められた人名情報を含むＷｅｂページがインデックス化されて格納されたインデックスＤＢから、所定の人名をキーとして検索し、その検索結果の複数のページ中の文書を形態素解析する第１のステップと、
   前記形態素解析により得られた複数の語句について、出現頻度の特定のページへの偏り度合いを示すスコアと前記所定の人名との共起度を示すスコアとを計算する第２のステップと、
   各語句の両スコアに基づいて、前記複数の語句から、前記出現頻度の前記特定のページへの偏りが大きく、かつ、前記所定の人名との共起度が高い語句を、前記所定の人名の別表現候補として抽出する第３のステップと、
   を実行する方法。
8. 前記第１のステップは、前記検索の際に、前記所定の人名と当該所定の人名の別表現の抽出のための手がかりとなる所定のキーワードとをキーとして検索するステップである、請求項７に記載の方法。
9. 前記コンピュータが、前記第３のステップの後に、前記抽出された別表現候補について、前記両スコアに基づいて別表現候補のランキングを作成し、当該ランキングを表示装置に表示させ、管理者からの確認を受け付けた別表現候補を別表現データベースに登録する第４のステップを更に実行する、請求項７または請求項８に記載の方法。
10. 前記第４のステップでは、前記コンピュータが、前記ランキングの表示において、前記別表現候補を前記両スコアの降順にソートした情報を作成し、前記表示装置に表示させる、請求項９に記載の方法。
11. 前記第２のステップでは、前記コンピュータが、前記出現頻度の前記特定のページへの偏り度合いを示すスコアを全ページにおける出現数をＴＦとしたＴＦ＊ＩＤＦ値を用いて計算し、前記共起度を示すスコアをシンプソン係数を用いて計算する、請求項７から請求項１０のいずれかに記載の方法。
12. コンピュータに、
    インターネット上のデータベースから集められた人名情報を含むＷｅｂページがインデックス化されて格納されたインデックスＤＢから、所定の人名をキーとして検索し、その検索結果の複数のページ中の文書を形態素解析する第１のステップと、
    前記形態素解析により得られた複数の語句について、出現頻度の特定のページへの偏り度合いを示すスコアと前記所定の人名との共起度を示すスコアとを計算する第２のステップと、
    各語句の両スコアに基づいて、前記複数の語句から、前記出現頻度の前記特定のページへの偏りが大きく、かつ、前記所定の人名との共起度が高い語句を、前記所定の人名の別表現候補として抽出する第３のステップと、
    を実行させるためのコンピュータ・プログラム。

Images