JP5308199B2 - 文書検索システム - Google Patents

Description

本発明は、文書の検索のための技術に関する。

文書検索に関する技術として、例えば、特許文献１及び２に開示の技術がある。

特許文献１によれば、まず、キーワード、文書ＩＤ及び文書断片のうちのいずれか１種類の情報が入力され、入力された情報が類似文書型データベースに送られ、類似文書型データベースから、その情報から特定される文書に含まれている複数の特徴単語が抽出される。そして、抽出されたそれぞれの特徴単語が、キーワード型データベースに送られる。これにより、特徴単語を含んだ文書が検索される。

特許文献２によれば、まず、対象文書（検索条件文書）が入力され、入力された対象文書から複数のキーワードが抽出され、それぞれのキーワードを用いて、キーワード検索が行われる。そのキーワード検索により、キーワードを含んだ文書が検索される。そして、その検索により見つかった複数の文書の中から、上記の対象文書に類似する文書が検索される（つまり類似文書検索が行われる）。

特開２００２−２２２２０８号公報 特開２００４−１５１９５９号公報

特許文献１によれば、検索のために入力される情報は、キーワード、文書ＩＤ及び文書断片のうちのいずれか１種類である。一方、特許文献２によれば、検索のために入力される情報は、対象文書のみである。

このため、いずれの特許文献に記載の技術でも、検索結果の方向性を指定することができない。従って、文書検索の精度が低く、それ故、ユーザの望む文書が提示される確率は低い。

そこで、本発明の目的は、文書検索の精度を向上することにある。

検索手段が、キーワードに関する所定の条件に適合し且つ対象文書と類似する文書を複数の文書の中から検索する。つまり、検索手段は、キーワードと対象文書の両方を用いて文書を検索する。そのキーワードは、対象文書に含まれていてもいなくても良い。

これにより、類似文書検索とキーワード検索が併用されることで、類似文書検索の結果に一定の方向性が与えられるので、ユーザの望む文書が得られる確率を向上させることができる。

なお、「キーワードに関する所定の条件に適合する文書」とは、例えば、そのキーワードをｋ個含む又は含まない文書である（ｋは自然数）。典型的にはｋは１であると考えられるが、ｋは２以上であっても良い。この場合、例えば、条件が「キーワード「ＡＢＣ」を２個含む」であれば、キーワード「ＡＢＣ」を１個だけ含んでいる文書は、「キーワードに関する所定の条件に適合する文書」に該当しない文書である。

また、「文書」は、文字を含んだ電子データであれば、どのようなデータでも良い（例えば、表や画像を含んだ文書であっても良い）。

図１は、本発明の第一実施形態に係る文書検索システムが適用されたメール監査システムを有するコンピュータシステムを示す。 図２は、本発明の第一実施形態での検索処理の流れの一例を示す。 図３は、本発明の第一実施形態での検索処理における二次検索の説明図である。 図４は、本発明の第二実施形態に係る文書検索システムが適用されたメール監査システムを有するコンピュータシステムを示す。 図５は、本発明の第二実施形態での検索処理の説明図である。 図６（Ａ）は、類似メール空間の類似カテゴリに分類されているメール群から少なくとも一つのメールを選択する方法（以下、メール選択方法）の第一の例の説明図である。図６（Ｂ）は、メール選択方法の第二の例の説明図である。図６（Ｃ）は、メール選択方法の第三の例の説明図である。図６（Ｄ）は、メール選択方法の第四の例の説明図である。 図７は、本発明の第二実施形態での検索処理の流れの一例を示す。 図８は、図６（Ｄ）に示したメール選択方法の説明の補足図である。

以下、文書が電子メール（以下、単に「メール」と言う）である場合を例に採り、図面を参照しながら本発明の幾つかの実施形態について詳細に説明する。

図１は、本発明の第一実施形態に係る文書検索システムが適用されたメール監査システム１０３を有するコンピュータシステムを示す。

社内端末１０１と社外端末１０５との間で、社内ネットワーク１１１及び社外ネットワーク１１２を経由して、メールが送受信される。社内端末１０１及び社外端末１０５は、例えば、パーソナルコンピュータ或いはサーバマシンである。社内ネットワーク１１１は、例えばＬＡＮ（Local Area Network）である。社外ネットワーク１１２は、例えば、社内ネットワーク１１１とは異なる外部のイントラネットやインターネットを含んだネットワークである。

社内ネットワーク１１１に、メールサーバ１０７及びメール監査システム１０３が接続されている。

メールサーバ１０７は、社内ネットワーク１１１を経由して送受信された電子メールを記憶する。

メール監査システム１０３は、社内ネットワーク１１を経由する電子メール、特に、例えば、社内から社外に送信されるメール（いわゆるアウトバウンドメール）をチェックする。

メール監査システム１０３は、例えば、ＣＰＵ１３１と、記憶資源（例えば、メモリ１３２及び記憶装置１３５）と、外部の装置との通信を制御するインターフェイス装置（通信Ｉ／Ｆ）１３３とを備える。

メモリ１３２は、例えば、種々のコンピュータプログラムや、ＣＰＵ１３１が行う処理に使用される種々のデータ等を記憶する。コンピュータプログラムとしては、例えば、検索プログラム３２１がある。

ＣＰＵ１３１は、メモリ１３２に記憶されているコンピュータプログラムを実行することにより、メール検索を行うことができる。具体的には、例えば、ＣＰＵ１３１は、検索プログラム３２１を実行することにより、検索部３０１の機能を実現する。

記憶装置１３５は、類似メールデータベース（類似メールＤＢ）４４１と、キーワードデータベース（キーワードＤＢ）４４２とを記憶する。類似メールＤＢ４４１は、類似メール検索で使用されるＤＢである。キーワードＤＢ４４２は、キーワード検索で使用されるＤＢである。

本実施形態において、検索部３０１は、キーワードと対象メールの両方を用いてメールをメールサーバ１０７から検索する。検索部３０１は、例えば、メール監査システム１０３と通信可能なユーザ端末（例えば、社内端末１０１、或いは、社内ネットワーク１１１と非経由にメール監査システム１０３に接続されている通信端末）を介しユーザから、検索の指示を受け、その指示に応答して、検索処理を行い、そのユーザ端末に検索結果を出力することができる。出力された検索結果は、ユーザ端末のディスプレイ画面に表示される。

図２は、検索部３０１が行う検索処理の流れを示す。

キーワードが入力される（Ｓ１０１）。このキーワードは、例えば、ユーザから入力されたキーワードである。もちろん、それに限らず、例えば、メモリ１３２に記憶されているキーワードリストから任意に選択されたキーワードであっても良い。

検索部３０１が、入力されたキーワードを用いた一次検索（キーワード検索）を行う（Ｓ１０２）。具体的には、例えば、検索部３０１は、入力されたキーワードを含んだメールを、メールサーバ１０７が有する複数のメールから検索する。この結果、例えば、メールサーバ１０７が有する１００００通のメール（グループＣ）から、１０通のメール（グループＡ）が検索されたとする。

Ｓ１０２での検索により見つかった１０通のメール（グループＡ）から少なくとも１通のメールが自動的に選択される（Ｓ１０３）。選択の基準としては、例えば、Ｓ１０１で入力されたキーワードを幾つ含むかという基準がある。ここでは、Ｓ１０１で入力されたキーワードを１番多く含むメールＸと、そのキーワードを２番目に多く含むメールＹが選択されたとする。

ここで選択されたメールが、対象メールとされる。「対象メール」とは、類似メール検索の対象（起点）となるメールである。

検索部３０１が、キーワードを用いたキーワード検索と対象メールを用いた類似メール検索との両方である二次検索を行う。この二次検索では、Ｓ１０１で入力されたキーワードを含まず且つ対象メールと類似するメールが検索される。この結果、例えば、グループＣにおけるグループＡ以外のグループＢ（９９９０通のメール）から、対象メールＸに類似する１８通のメールと、対象メールＹに類似する２２通のメールが検索されたとする。

検索部３０１は、検索結果を出力する（Ｓ１０５）。この検索結果には、例えば、検索ヒット数とメールリストが含まれる。検索ヒット数は、例えば、一次検索で見つかったメールの数と、二次検索で見つかったメールの数との合計である。メールリストは、例えば、一次検索で見つかったメールに関する情報（例えば、送信元及び送信先のメールアドレス、メール本文）と、二次検索で見つかったメールに関する情報とを含んでいる。

以上が、検索処理の流れである。なお、この流れは一例であり、例えば以下のいずれかの変形例が採用されても良い。すなわち、Ｓ１０２では、Ｓ１０１で入力されたキーワードを含まないメールが検索されても良い。Ｓ１０３では、グループＡからユーザが対象メールを選択しても良い。Ｓ１０４では、Ｓ１０１で入力されたキーワードとは別のキーワード（例えば、Ｓ１０３で選択された対象メールに含まれているキーワード、或いは、ユーザが別途入力したキーワード）が用いられても良い。Ｓ１０４では、キーワードを含むメールが検索されてもよい。

図３を参照して、二次検索について詳細に説明する。

二次検索では、類似メールＤＢ４４１及びキーワードＤＢ４４２が用いられる。

類似メールＤＢ４４１は、各類似度とメールとの関係を表すテーブルである。本実施形態での類似メール検索は、ＬＳＨ（Locality Sensitive Hashing）、つまり近似近傍点探索手法を用いた類似メール検索である。このため、メールの類似度は、メールのハッシュ値である。

キーワードＤＢ４４２は、各キーワードとそのキーワードを含むメールとの関係を表すテーブルである。

本実施形態では、既存メール群（メールサーバ１０７に記憶されているメール群）４４３における各メール４５１が、事前に（例えば夜間バッチで）、類似メールＤＢ４４１及びキーワードＤＢ４４２に登録される。具体的には、類似メールＤＢ４４１について言えば、全てのメール４５１のそれぞれのハッシュ値が算出され、そのハッシュ値に対応した欄に、そのメール４５１のＩＤが追記される（そのハッシュ値が類似メールＤＢ４４１に未登録であれば、そのハッシュ値とメールＩＤが類似メールＤＢ４４１に登録される）。一方、キーワードＤＢ４４２について言えば、メール４５１から単語が抽出され、その単語と同じキーワードに対応した欄に、そのメール４５１のＩＤが追記される（抽出された単語がキーワードＤＢ４４２に未登録であれば、その単語（キーワード）とメールＩＤがキーワードＤＢ４４２に登録される）。

二次検索では、類似メール検索と、キーワード検索と、検索結果統合とが行われる。類似メール検索では、検索部３０１が、対象メールのハッシュ値を算出し、そのハッシュ値に対応した全てのメールＩＤ（第一のメールＩＤ群）を類似メールＤＢ４４１から取得する。キーワード検索では、検索部３０１が、キーワードに対応した全てのメールＩＤ（第二のメールＩＤ群）をキーワードＤＢ４４２から取得する。検索結果統合では、例えば条件が「指定されたキーワードを含まない」であれば、検索部３０１が、第一のメールＩＤ群から、第二のメールＩＤ群に含まれているメールＩＤと異なるメールＩＤを全て取得する（条件が「指定されたキーワードを含む」であれば、検索部３０１は、第一のメールＩＤ群から、第二のメールＩＤ群に含まれているメールＩＤと同じメールＩＤを全て取得する）。その取得されたメールＩＤが、二次検索でヒットしたメールのＩＤである。対象メールを図２の対象メールＸとすれば、この二次検索でヒットしたメールのＩＤは、上記１８通のメールのＩＤである。

以上が、第一の実施形態についての説明である。なお、類似メール検索としては、ＬＳＨの手法に従う類似メール検索に限らず、他の手法に従う類似メール検索が採用されても良い。

上述した第一の実施形態によれば、二次検索では、類似メール検索とキーワード検索が併用されるので、類似メール検索の結果に一定の方向性が与えられる。故に、ユーザの望むメールが得られる確率を向上させることができる。具体的には、例えば、下記の第１及び第２のケースで、ユーザの望むメールが得られる確率が向上する。

第１のケース：キーワード型監査における検索漏れを防ぐ。
「キーワード型監査」とは、例えば、予め用意されているＮＧキーワードリストに登録されているＮＧキーワードが含まれている送信メールを抽出し、抽出された送信メールの本文を人手等で確認することで、会社に不利益となる送信メール（以下、危険メール）が社外に流出していないかどうかを監査する手法である。本ケースには、以下のように本実施形態を適用することができる。すなわち、検索部３０１が、ＮＧキーワード「ＸＸＸ」を含んだメールを一次検索で検索し、一次検索で見つかったメール群から選択されたメール（危険メール）を対象メールとし、「対象メールに類似するメールであってキーワード「ＡＢＣ」を含まないメール」を二次検索で検索する。これにより、ＮＧキーワード「ＡＢＣ」を含まないメール群の中から、ＮＧキーワード「ＡＢＣ」を含む危険メールに類似したメールを見つけることができる。つまり、検索の網羅性が確保され、危険メールの流出検知の確実性が向上する。

第２のケース：キーワード検索での検索結果を絞り込む。
本ケースには、以下のように本実施形態を適用することができる。すなわち、検索部３０１が、ユーザからのキーワード「ＤＦＧ」を含んだメールを一次検索で検索し、一次検索で見つかったメール群から選択されたメール（ユーザ所望のメール）を対象メールとし、「対象メールに類似するメールであってキーワード「ＤＦＧ」を含むメール」を二次検索で検索する。つまり、ユーザが入力したキーワード「ＤＦＧ」に加えて類似メール検索で絞り込みを行う。これにより、ユーザが新たにキーワードを追加入力すること無く、ユーザ所望のメール以外のメールの数が少なくなるよう、検索結果を絞り込むことができる。

本発明の第二の実施形態を説明する。その際、第一の実施形態との相違点を主に説明し、第一の実施形態との共通点については説明を省略或いは簡略する。なお、以下の説明では、メールＩＤ＝ｘ（ｘは整数）のメールを「メール＃ｘ」と表記する。

図４は、本発明の第二実施形態に係る文書検索システムが適用されたメール監査システム８０３を有するコンピュータシステムを示す。

記憶装置１３５に、類似メールＤＢ４４１が複数個用意される。言い換えれば、本実施形態では、複数の類似メール空間が定義されている。本実施形態では、複数の類似メール空間として、例えば、類似メール空間Ａ及びＢが定義されているとする。このため、類似メールＤＢ４４１として、類似メールＤＢ４４１Ａ及び４４１Ｂが用意されているとする。

ＣＰＵ１３１で実現される検索部８０１（ＣＰＵ１３１で実行される検索プログラム８２１）は、検索部３０１が有する機能に代えて又は加えて、類似メール空間を辿っていく類似メール検索を行う機能を有する。

図５は、検索部８０１が行う類似メール検索の説明図である。

類似メール空間Ａ及びＢは、ＬＳＨの異なる類似度モデルに基づいて定義された空間である。すなわち、類似メール空間Ａ（第一の類似メールＤＢ４４１Ａ）における各ハッシュ値（カテゴリ）と、類似メール空間Ｂ（第二の類似メールＤＢ４４１Ｂ）における各ハッシュ値（カテゴリ）は、異なる類似度モデルに従い算出されている。例えば、類似メール空間Ａについてのハッシュ値は、類似度モデルＡに従う方法で得られ、類似メール空間Ｂについてのハッシュ値は、類似度モデルＢに従う方法で得られる。

メールサーバ１０７が記憶するメール群（既存メール群）における各メールについて、予め、類似メール空間Ａ及びＢのそれぞれの類似度モデルに従ってそれぞれのハッシュ値が算出される。そして、各メールが、それぞれのハッシュ値に従い類似メール空間ＡとＢのそれぞれに分類される。

検索部８０１は、例えば、対象メールが入力された場合、下記の処理（５−１）〜（５−６）を行うことで、対象メールに類似するメールとして、メール＃４を検索することができる。
（５−１）対象メールの初めの検索範囲である類似メール空間Ａの類似度モデルＡに従って、対象メールのハッシュ値＝４８を算出する。
（５−２）：類似メール空間Ａからハッシュ値＝４８に該当するメール群を検索する。
（５−３）：（５−２）の検索で見つかったメール群から、所定の方法で、メール＃５を選択する。
（５−４）：（５−３）で選択されたメール＃５のＩＤ＝５をキーに、この（５−４）の直前の検索範囲とは別の検索範囲である類似メール空間Ｂを参照する。これにより、類似メール空間Ｂから、メール＃５が分類されているハッシュ値＝９４８のメール群が見つかる。
（５−５）：（５−４）で見つかったメール群から、所定の方法で、メール＃８を選択する。
（５−６）：（５−５）で選択されたメール＃８のＩＤ＝８をキーに、この（５−６）の直前の検索範囲とは別の検索範囲である類似メール空間Ａを参照する。これにより、類似メール空間Ａから、メール＃８が分類されているハッシュ値＝１８のメール群が見つかる。
（５−７）：（５−６）で見つかったメール群に含まれているメール＃４は、類似度モデルＢに従うハッシュ値が４８３である。この（５−６）の直前の検索範囲である類似メール空間Ｂでは、ハッシュ値＝４８３には、メール＃１も分類されている。メール＃１は、最初の検索範囲の類似メール空間Ａにおいて、対象メールと同じハッシュ値＝４８に分類されているメールである。以上のことから、メール＃４は、対象メールに類似するメール＃１に類似しており、メール＃１が、対象メールに類似しているということになる。このため、メール＃４を、対象メールに類似するメールと判定する。

以上のようにして、初めの検索範囲の類似メール空間Ａでは対象メールに非類似であるが、別の類似メール空間Ｂでは対象メールに類似するようなメール＃４を見つけることができる。

対象メールに類似するメールは、一つの類似メール空間Ａだけを参照しても見つからない。別の言い方をすれば、対象メールを基に一つの類似メール空間Ａだけを参照して見つかったメールは、必ずしも対象メールに類似しているとは限らない。

本実施例では、複数の類似度モデルに従う複数の類似メール空間を定義して各メールをそれぞれの類似メール空間に分類しておき、対象メールを基に類似メール空間を辿る（上記例では、類似メール空間Ａ及びＢを交互に参照する）。つまり、対象メールに類似するメールを、複数の観点から検索する。これにより、対象メールに実は類似しているメール＃４を検索することができる。言い換えれば、類似メール検索の精度を全体として向上することができる。

以上の処理は一例であり、例えば以下のいずれかの変形例が採用されても良い。

例えば、上記の例では、類似メール空間Ａが最初に参照されるが、どの類似メール空間を最初の参照先とするかは、予め定義されていても良いし、ランダム或いは他の方法で変更されても良い。

また、例えば、該当するハッシュ値に分類されているメール群の検索の際に（例えば上記の（５−２）や（５−４）の検索の際に）、第一の実施形態のようにキーワード検索が併用されても良い。具体的には、例えば、（５−１）の検索では、ハッシュ値＝４８に分類されているメールであってキーワード「ＨＩＪ」を含まない（又は含む）メールが検索される。キーワード「ＨＩＪ」は、対象メールから抽出されたキーワードであっても良いし、対象メールに含まれておらずユーザから入力されたキーワードであっても良い。また、例えば、（５−３）の検索では、ハッシュ値＝９４８に分類されているメールであってキーワード「ＫＬＭ」を含まない（又は含む）メールが検索される。キーワード「ＫＬＭ」は、対象メール或いはこれまで検索（又は選択）されたメールのいずれかのメール（例えば、ハッシュ値＝４８に分類されているいずれかのメール、又は、選択されたメール＃５）から抽出されたキーワードであっても良いし、別途ユーザから入力されたキーワードであっても良い。

また、例えば、キーワード検索は、最後の絞り込みで採用されて良い。すなわち、対象メールを基に類似メール空間を辿った結果として取得された、対象メールに類似するメール群から、キーワード「ＮＯＰ」を含まない（又は含む）メールが検索されても良い。キーワード「ＮＯＰ」は、対象メール或いはこれまで検索（又は選択）されたメールのいずれかのメール（例えば、空間Ａのハッシュ値＝４８に分類されているいずれかのメール、空間Ｂのハッシュ値＝４８３に分類されているいずれかのメール、又は、選択されたメール＃５又はメール＃８）から抽出されたキーワードであっても良いし、別途ユーザから入力されたキーワードであっても良い。

また、例えば、類似メール空間を辿る際、キーワード検索が全く併用されなくても良い。言い換えれば、キーワードＤＢ４４２は無くても良い。

また、複数の類似メール空間に、異なる種類の類似メール検索手法に従う類似メール空間が含まれていても良い。上記の例で言えば、ＬＳＨに従う類似メール空間の他に、他の類似メール検索手法に従う類似メール空間（例えば、カテゴリとして、ハッシュ値ではなく、「業務」、「私用」などのようなメール種類が採用された空間）が含まれていても良い。

ところで、（５−３）及び（５−５）における「所定の方法」（すなわち、類似メール空間Ａのハッシュ値＝４８から一つのメール＃５を選択する方法、及び、類似メール空間Ｂのハッシュ値＝９４８から一つのメール＃８を選択する方法）とは、例えば、図６に示す（Ａ）〜（Ｄ）のいずれかの方法である。

図６（Ａ）の方法は、キーワードで選択する法である。図６（Ａ）の例によれば、空間Ａのハッシュ値＝４８に分類されているメール群から、入力されたキーワードを含まない（又は含む）メール＃５が選択される。なお、入力されたキーワードは、対象メール或いはこれまで検索（又は選択）されたメールのいずれかのメールから抽出されたキーワードであっても良いし、別途ユーザから入力されたキーワードであっても良い。

図６（Ｂ）の方法は、ユーザが手動で選択する方法である。図６（Ｂ）の例によれば、ユーザが、ハッシュ値＝４８に分類されている各メールを閲覧し（例えば各メールの本文を閲覧し）、所望のメール＃５を選択する。

図６（Ｃ）の方法は、全文単語検索で選択する方法である。図６（Ｃ）の例によれば、ハッシュ値＝４８に分類されている全てのメールから様々な単語が抽出され、メール毎の単語統計とメール群全体の単語統計とが算出され、メール群全体の単語統計と、メール毎の単語統計とを基に、メール＃５が選択される。具体的には、例えば、メール群全体の単語統計によれば、単語「立て替え」が最も多く存在し、単語「立て替え」が最も多く存在するメールは、ハッシュ値＝４８に分類されているメール群のうちメール＃５のため、メール＃５が選択される。なお、全文単語検索では、対象メールに含まれている単語も考慮されても良い。

図６（Ｄ）の方法は、入力のメールを中心とした半径Ｒの距離を、取得されるメール数がＰ個（Ｐは自然数）になるよう調整することで、半径Ｒの範囲内にあるメールを選択する方法である。「入力のメール」とは、（５−２）では対象メールであり、（５−４）ではメール＃５である。この入力のメールを、図８にあげるとおり、ベクトルに変換し、類似メール空間へ投影する。ベクトルへの変換はどのように行われても構わないが、たとえば、ここでは、メール文中に含まれる単語を用いるものとする。メール文中に含まれる単語をについて、あらかじめ別途リストアップしておいた単語リストと比較し、単語リストに含まれるものについては“1”、含まれないものについては“0”とする。これによりベクトルが形成される。なお、リストアップする単語の種類を変えることで異なる類似メール空間が形成される。図６（Ｄ）の例によれば、類似ベクトル空間において対象メールＷを中心とした半径Ｒの距離を、Ｒ１からＲ２に縮めることで、ハッシュ値＝４８に分類されているメール群を１つのメール＃５に絞り込むことが行われる。

なお、ベクトルの変換に用いる要素は、単語以外に、メールの送信時刻、添付ファイル、或いは送信形態（新規メールであるか、転送であるか、返信であるか、等）が用いられてもよい。また、単語を用いる場合でも、単語の有無ではなく、含まれる単語の数が用いられてもよい。

以上の図６（Ａ）〜図６（Ｄ）の方法のうちの少なくとも一つが、該当するハッシュ値に分類されているメール群の検索結果の絞り込み（例えば、上記の（５−２）や（５−４）の検索の結果の絞り込み）に利用されても良い。例えば、対象メールの初めの類似メール空間Ａでのハッシュ値＝４８に１００００通のメールが分類されている場合、１００００通のメールを絞り込むために、図６（Ａ）〜図６（Ｄ）の方法のうちの少なくとも一つが利用されても良い。

図７は、検索部８０１が行う検索処理の流れを示す。以下の説明では、説明を分かり易くするために、適宜、図５に示したハッシュ値及びメールＩＤを使用する。

検索部８０１は、対象メールが入力された場合（Ｓ７０１）、対象メールの初めの検索範囲となる類似メール空間（空間Ａ）の類似度モデルに従って、対象メールのハッシュ値（例えば４８）を算出する（Ｓ７０２）。

次に、検索部８０１は、算出されたハッシュ値と同一のハッシュ値に分類されているメール群を初めの類似メール空間（空間Ａ）から検索する（Ｓ７０３）。

次に、検索部８０１は、直前の検索範囲の類似メール空間（空間Ａ）とは別の類似メール空間（空間Ｂ）から、直前の検索により見つかったメール群から選択されたメール（メール＃５）が属するハッシュ値に分類されているメール群を検索する（Ｓ７０４）。具体的には、例えば、検索部８０１は、上記選択されたメールのメールＩＤをキーに、別の類似メール空間を参照することで、その別の類似メール空間から、選択されたメールが属するハッシュ値に分類されているメール群を検索する。なお、上記「選択されたメール」とは、直前の検索により見つかったメール群から図６（Ａ）〜（Ｄ）の方法のいずれかの方法で選択されたメールである（これは、以下の説明でも同様である）。

次に、検索部８０１は、Ｓ７０４の検索により見つかったメール群から選択されたメール（メール＃８）が対象メールと所定の関係があるか否かを判断する（Ｓ７０５）。言い換えれば、検索部８０１は、類似メール検索を終了して良いかどうかを判断する。

Ｓ７０５の判断の結果が否定的であれば（Ｓ７０５：ＮＯ）、検索部８０１は、Ｓ７０４を再実行する。具体的には、例えば、直前回のＳ７０４の検索範囲は類似メール空間Ｂであったため、検索部８０１は、直前回に選択されたメールのＩＤ＝８をキーに、別の類似メール空間Ａを参照する。これにより、別の類似メール空間Ａから、メール＃８が属するハッシュ値＝１８に分類されているメール群を見つけることができる。

以上のように、検索部８０１は、Ｓ７０５の判断の結果として肯定的な結果が得られるまで、Ｓ７０４を繰り返すことになる。従って、Ｓ７０４での直前の検索範囲とは、Ｓ７０３での検索範囲（初めの検索範囲である類似メール空間Ａ）、又は、直前回のＳ７０４での検索範囲である。

Ｓ７０４の判断の結果が肯定的であれば（Ｓ７０４：ＹＥＳ）、検索部８０１は、最後のＳ７０４の検索により見つかったメール（メール＃４）を、対象メールに類似するメールと判断する（Ｓ７０６）。

ここで、Ｓ７０５の判断における「所定の関係」とは、Ｓ７０４の検索により見つかったメール（メール＃４）と、対象メールの初めの検索範囲（類似メール空間Ａ）でのハッシュ値（＝４８）に分類されているメール（メール＃１）が、そのＳ７０４の直前の検索範囲（類似メール空間Ｂ）において同一のハッシュ値（＝４８３）に分類されていることである。

このような検索処理により、図５を参照して説明した検索が行われることになる。すなわち、類似メール空間Ａ及びＢを交互に参照することになり、その結果として、対象メールに実は類似するメール＃４が検索される。

以上、第二の実施形態によれば、複数の類似メール検索を組み合わせることで、個々の類似メール検索の精度の低さを補うことができ、全体としての類似メール検索の精度を向上させることができる。

上述した本発明の幾つかの実施形態は、本発明の説明のための例示であり、本発明の範囲をそれらの実施形態にのみ限定する趣旨ではない。本発明は、その要旨を逸脱することなく、その他の様々な態様でも実施することができる。

１０３，８０３…メール監査システム

Claims (4)

1. キーワードを入力するキーワード入力手段と、
   対象文書を入力する対象文書入力手段と、
   前記キーワードに関する所定の条件に適合し且つ前記対象文書と類似する文書を複数の文書の中から検索する検索手段と、
   を備え、
   異なる観点に従う異なる文書空間があり、各文書空間に、その文書空間の観点に基づいて決定された複数の類似カテゴリがあり、
   各文書は、いずれか二以上の文書空間のいずれかの類似カテゴリに分類されており、
   前記検索手段が、以下の（Ａ）乃至（Ｄ）の処理：
   （Ａ）前記対象文書の初めの検索範囲とされる文書空間の観点に基づき、前記対象文書のその文書空間での類似カテゴリを特定する、
   （Ｂ）前記特定された類似カテゴリと同一の類似カテゴリに分類されている文書を前記初めの文書空間から検索する；
   （Ｃ）この（Ｃ）の処理の直前の検索範囲とは別の文書空間から、この（Ｃ）の直前の処理により見つかった文書と同一の類似カテゴリに分類されている文書を検索する；
   （Ｄ）前記（Ｃ）の処理により見つかった文書が前記対象文書と所定の関係があるか否かを判断する；
   を実行し、
   前記（Ｄ）の判断の結果が否定的であれば、前記検索手段は、前記（Ｃ）の処理を再実行し、
   前記（Ｄ）の判断の結果が肯定的であれば、前記検索手段は、前記（Ｃ）の処理により見つかった文書を、前記対象文書に類似する文書と判断し、
   前記（Ｂ）及び／又は（Ｃ）の処理により見つかった文書は、キーワードに関する所定の条件に適合する文書である、
   文書検索システム。
2. 前記所定の関係とは、前記（Ｃ）の処理により見つかった文書と、前記対象文書の前記初めの文書空間での類似カテゴリに分類されている文書が、前記（Ｃ）の処理の直前の検索範囲の文書空間において同一の類似カテゴリに分類されていることである、
   請求項１記載の文書検索システム。
3. 前記（Ｃ）の処理の直前の検索範囲から見つかった文書とは、その検索範囲から見つかった二以上の文書がキーワードを用いて絞り込まれた文書である、
   請求項１又は２記載の文書検索システム。
4. 少なくとも１つの文書空間は、ＬＳＨ（Locality Sensitive
   Hashing）の類似度モデルに基づく空間であり、
   各類似度カテゴリは、ハッシュ値であり、
   前記（Ｃ）の処理の直前の検索範囲から見つかった文書とは、その（Ｃ）での検索のために入力された文書と同一のハッシュ値を有する複数の文書のうちの、その入力された文書を中心とした調整後の半径Ｒ以内の範囲に属する文書である、
   請求項１又は２記載の文書検索システム。

Images