JP5499546B2 - Important word extraction method, apparatus, program, recording medium - Google Patents

Important word extraction method, apparatus, program, recording medium Download PDF

Info

Publication number
JP5499546B2
JP5499546B2 JP2009167476A JP2009167476A JP5499546B2 JP 5499546 B2 JP5499546 B2 JP 5499546B2 JP 2009167476 A JP2009167476 A JP 2009167476A JP 2009167476 A JP2009167476 A JP 2009167476A JP 5499546 B2 JP5499546 B2 JP 5499546B2
Authority
JP
Japan
Prior art keywords
word
compound word
compound
important
synonym
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
JP2009167476A
Other languages
Japanese (ja)
Other versions
JP2011022809A (en
Inventor
侑吾 西川
修 中川
治男 西村
直之 伊藤
宣幸 小林
潤平 小林
直之 田村
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dai Nippon Printing Co Ltd
Original Assignee
Dai Nippon Printing Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dai Nippon Printing Co Ltd filed Critical Dai Nippon Printing Co Ltd
Priority to JP2009167476A priority Critical patent/JP5499546B2/en
Publication of JP2011022809A publication Critical patent/JP2011022809A/en
Application granted granted Critical
Publication of JP5499546B2 publication Critical patent/JP5499546B2/en
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Description

本発明は、文書の特徴を現す重要語を抽出する方法、装置、プログラム、記録媒体に関するものである。
本発明は、特に、自然言語で作成された文書から抽出した形態素を連結した語を、文書の特徴を現す重要語として抽出する場合に有用である。
The present invention relates to a method, an apparatus, a program, and a recording medium for extracting an important word that represents a feature of a document.
The present invention is particularly useful when a word obtained by concatenating morphemes extracted from a document created in a natural language is extracted as an important word representing the characteristics of the document.

インターネットやコンピューターの普及に伴い、膨大な電子化文書の蓄積が進んでいることから、これらの文書を活用するために、文書の特徴を現す語(=重要語)を抜き出すことが益々重要となっている。
重要語を手掛りとすることで、文書の利用者(以下、分析者)は、文書を能率よく、分類し検索することができる。
ここで、文章の内容が専門的な事項に関する場合には、複数の単語の組み合わせ(=複合語)で、複雑な概念を表すことが多いから、文書の重要語として複合語を用いることが、有効である。
With the spread of the Internet and computers, enormous amounts of electronic documents are accumulating, so in order to utilize these documents, it is becoming increasingly important to extract words (= important words) that express the characteristics of the documents. ing.
By using key words as clues, a document user (hereinafter, an analyst) can efficiently classify and search for documents.
Here, when the content of a sentence is related to a specialized matter, a combination of a plurality of words (= compound word) often represents a complex concept, so it is possible to use a compound word as an important word of a document. It is valid.

そこで、文書から複合語を抜き出す方法と重要語を決定する方法について説明する。
《A.複合語の抽出》
複合語を抜き出す方法は、自然言語で作成された文書を形態素解析プログラムにより形態素分割して、次に、この分割された形態素に対して、単語の品詞や属性などの組み合わせ方を定めた複合語規則を適用することで、複数の形態素を連結した複合語を作成する。
たとえば、非特許文献1には、日本文を単語単位(=形態素)に分割し、品詞を付与する技術が開示されている。
また、特許文献1では、文書の形態素に対して複合語規則を適用することで、品詞や読みなどの形態素解析情報を有する複合語を作成する技術が開示されている。
ここで、形態素解析とは、自然言語で書かれた文を、大まかにいえば、言語で意味を持つ最小単位である形態素の列に分割し、それぞれの品詞を判別する自然言語処理の基礎技術であり、広く用いられている。
《B.重要語の決定》
複合語の中から重要語を選定する方法は、重要語が出現する文書位置などの重要語知識や、複合語の出現頻度の情報を用いて、複合語の重要度を計算して、重要語を決定する。
たとえば、特許文献2では、重要語が割り付けられる場所や重要語のフォントサイズなどの重要語知識を用いて、重要語を決定する技術が開示されている。
Therefore, a method for extracting compound words from a document and a method for determining important words will be described.
<< A. Compound word extraction >>
A method of extracting compound words is a compound word in which a document created in a natural language is divided into morphemes by a morpheme analysis program, and then a combination of word parts of speech and attributes is determined for the divided morphemes. By applying the rules, a compound word that connects multiple morphemes is created.
For example, Non-Patent Document 1 discloses a technique for dividing Japanese sentences into word units (= morphemes) and adding parts of speech.
Patent Document 1 discloses a technique for creating a compound word having morphological analysis information such as part of speech or reading by applying a compound word rule to a morpheme of a document.
Here, morphological analysis is a basic technology of natural language processing that divides a sentence written in natural language into morpheme strings, which are the smallest units meaningful in the language, and discriminates each part of speech. Is widely used.
<< B. Determination of important words >>
The method of selecting an important word from compound words is to calculate the importance of the compound word using important word knowledge such as the document position where the important word appears and the frequency of occurrence of the compound word. To decide.
For example, Patent Document 2 discloses a technique for determining an important word by using important word knowledge such as a place where the important word is allocated and a font size of the important word.

特開2008−287406号公報(段落0081−段落0088、図6)JP 2008-287406 A (paragraph 0081-paragraph 0088, FIG. 6) 特開2006−309347号公報(段落0059−段落0062)JP 2006-309347 A (paragraph 0059-paragraph 0062)

形態素解析システム茶筅[平成20年6月20日検索]インターネットURL:http://chasen-legacy.sourceforge.jp/Morphological analysis system tea bowl [Search June 20, 2008] Internet URL: http://chasen-legacy.sourceforge.jp/

上述したように、《A.複合語の抽出》に於いて、複合語規則を用いて文書から複合語を抽出する場合には、複合語規則に則らない複合語が抽出できないので、抽出できない複合語は、文書の重要語として設定できない。
また、《B.重要語の決定》に於いて、重要語を決定するためには、予め重要語について分析して、重要語知識を習得しなければ成らない。
As described above, << A. In compound word extraction, when compound words are extracted from a document using compound word rules, compound words that do not comply with the compound word rules cannot be extracted. Cannot be set as
In addition, << B. In determining important words, in order to determine important words, it is necessary to analyze important words in advance and acquire important word knowledge.

本発明は以上のような点を解決するためになされたものであって、本発明の課題は、複合語規則や重要語知識を用いずに、複合語を文書の特徴を現す重要語に設定できる方法、装置、プログラム、記録媒体を提供することである。
The present invention has been made in order to solve the above-described points, and an object of the present invention is to set a compound word as an important word that represents a document feature without using compound word rules or important word knowledge. It is to provide a method, an apparatus, a program, and a recording medium.

本発明は、以下の各態様に記載の手段により、前記課題を解決する。
すなわち、本願発明の第1の発明は、文書入力手段、複合語抽出手段、類似複合語作成手段、出現頻度集計手段、重要語設定提示手段、類語データベースを備える重要語抽出装置が行う重要語抽出方法であって、
前記文書入力手段が、文書データを取得する文書入力ステップと、
前記複合語抽出手段が、文書データから品詞の種類が限定されない3以上の形態素で構成される複合語を抽出する複合語抽出ステップと、
前記類似複合語作成手段が、複合語を構成する1つの形態素を検索キーにして、類語データベースを検索して得られる類語で置き換えて、類似複合語を作成する類似複合語作成ステップと、
前記出現頻度集計手段が、複合語と類似複合語を用いて、文書データにおける出現頻度を集計する出現頻度集計ステップと、
前記重要語設定提示手段が、複合語と類似複合語の出現頻度が重要語設定条件を満たせば、当該複合語を、前記文書データの重要語に設定して、提示する重要語設定提示ステップと、
を含んだ手順でなされることを特徴とする重要語抽出方法である。
This invention solves the said subject by the means as described in each following aspect.
That is, the first invention of the present invention is a key word extraction performed by a key word extraction device comprising a document input means, a compound word extraction means, a similar compound word creation means, an appearance frequency counting means, a key word setting presentation means, and a synonym database. A method,
A document input step in which the document input means acquires document data; and
A compound word extracting step in which the compound word extracting means extracts a compound word composed of three or more morphemes whose type of part of speech is not limited from document data;
A similar compound word creating step in which the similar compound word creating means creates a similar compound word by replacing one morpheme constituting the compound word with a synonym obtained by searching the synonym database;
An appearance frequency counting step in which the appearance frequency counting means counts the appearance frequency in the document data using a compound word and a similar compound word;
The important word setting presentation unit, if the frequency of appearance of the compound word similar compound word satisfies the important word setting conditions, the compound word, by setting the key word of the document data, and the key word setting presenting step of presenting ,
It is a key word extraction method characterized by being performed in the procedure including.

このように、複合語規則を用いずに、文書から複合語を抽出することが可能である。ここで、複合語の品詞は、名詞や動詞などに限定されず、いかなる品詞であってもよい。また、複合語を構成する形態素の品詞も、いかなる品詞であってもよい。
また、類似複合語(=複合語の一部を類語に置き換えた語)の出現頻度を重要語判定条件を用いることによって、複合語が重要語(=文書の特徴を現す語)であるか否かを容易に判定することが可能である。
In this way, compound words can be extracted from a document without using compound word rules. Here, the part of speech of the compound word is not limited to a noun or a verb, and may be any part of speech. The part of speech of the morpheme constituting the compound word may be any part of speech.
Whether or not the compound word is an important word (= a word representing the feature of the document) by using the occurrence frequency of the similar compound word (= a word obtained by replacing a part of the compound word with a synonym) using the important word determination condition. It is possible to determine easily.

本願発明の第2の発明は、第1の発明に記載の重要語抽出方法であって、
前記重要語設定条件は、
複合語の出現頻度が2回で、かつ、類似複合語の出現頻度が0回である、
を備えることを特徴とする重要語抽出方法である。
A second invention of the present invention is the key word extraction method according to the first invention,
The important word setting conditions are:
The appearance frequency of the compound word is 2 and the appearance frequency of the similar compound word is 0.
Is an important word extraction method characterized by comprising:

本願発明の第3の発明は、類語データベースを格納する類語格納領域、
を有する記憶部と、
文書データを取得する文書入力手段と、
文書データから品詞の種類が限定されない3以上の形態素で構成される複合語を抽出する複合語抽出手段と、
複合語を構成する1つの形態素を検索キーにして、類語データベースを検索して、類語を取得する類語取得手段と、
検索キーに用いた形態素を取得された類語に置き換えて、類似複合語を作成する類似複合語作成手段と、
複合語と類似複合語を用いて、文書データにおける出現頻度を集計する出現頻度集計手段と、
複合語と類似複合語の出現頻度が重要語設定条件を満たせば、当該複合語を、前記文書データの重要語に設定して、提示する重要語設定提示手段と、
を備えることを特徴とする重要語抽出装置である。
A third invention of the present invention provides a synonym storage area for storing a synonym database,
A storage unit having
A document input means for obtaining document data;
A compound word extracting means for extracting a compound word composed of three or more morphemes from which the type of part of speech is not limited ;
A synonym acquisition means for searching a synonym database and acquiring a synonym using one morpheme constituting a compound word as a search key;
A similar compound word creating means for creating a similar compound word by replacing the morpheme used for the search key with the obtained synonym;
Appearance frequency counting means for calculating appearance frequency in document data using compound words and similar compound words,
If the frequency of occurrence of compound words similar compound word satisfies the important word setting conditions, the compound word, by setting the key word of the document data, and the important word setting presenting means for presenting,
It is an important word extracting device characterized by comprising.

本願発明の第4の発明は、第3の発明に記載の重要語抽出装置であって、
前記重要語設定条件は、
複合語の出現頻度が2回以上で、かつ、類似複合語の出現頻度が0回である、
ことを特徴とする重要語抽出装置である。
A fourth invention of the present invention is the key word extraction device according to the third invention,
The important word setting conditions are:
The appearance frequency of the compound word is 2 times or more, and the appearance frequency of the similar compound word is 0 times.
This is an important word extraction device.

本願発明の第5の発明は、コンピューターに組込むことによって、コンピューターを第3または第4の発明に記載の重要語抽出装置として動作させるコンピュータプログラムである。 A fifth invention of the present invention is a computer program that causes a computer to operate as the important word extracting device according to the third or fourth invention by being incorporated in the computer.

本願発明の第6の発明は、第5の発明に記載のコンピュータプログラムを記録したコンピューター読取り可能な記録媒体である。
A sixth invention of the present invention is a computer-readable recording medium on which the computer program according to the fifth invention is recorded.

本願発明によれば、
(1)文書から複数の形態素を連結した複合語を抽出することが可能である。
(2)類似複合語(=複合語の一部を類語に置き換えた語)の出現頻度を計測することで、複合語が文書の特徴を現す語であるか否かを容易に判定することが可能である。
従って、本発明によれば、複合語と類語を用いて、当該複合語の出現頻度を判定することで、複合語が文書の特徴を現す重要語であるか否かを、容易に特定できるという効果がある。
According to the present invention,
(1) It is possible to extract a compound word obtained by connecting a plurality of morphemes from a document.
(2) It is possible to easily determine whether or not a compound word is a word representing a feature of a document by measuring the appearance frequency of a similar compound word (= a word obtained by replacing a part of a compound word with a synonym). Is possible.
Therefore, according to the present invention, it is possible to easily identify whether or not a compound word is an important word that expresses the characteristics of a document by determining the appearance frequency of the compound word using a compound word and a synonym. effective.

発明の実施の形態による複合語抽出システム1の概要を説明する図である。(実施例1)It is a figure explaining the outline | summary of the compound word extraction system 1 by embodiment of this invention. Example 1 合語抽出システム1の作業と処理の大まかな手順を説明する図である Is a diagram illustrating the high-level steps of the working and processing of the double focus word extraction system 1. 書データの表示例を説明する図である。It is a diagram illustrating a display example of document data. 語データベースの詳細を説明する図である。Is a diagram illustrating the details of the kind word database. の意味と類語を説明する図である。It is a figure explaining the meaning and synonym of a word . 合語抽出処理の詳細な手順を説明する図である。It is a diagram illustrating a detailed procedure of a double focus word extraction processing. 合語を説明する図である。It is a diagram illustrating a multi-case words. 似複合語生成処理の詳細な手順を説明する図である。It is a diagram illustrating a detailed procedure of the kind similar compound word generation process. 要語抽出装置100の詳細な構成図である。A detailed block diagram of the important word extracting unit 100.

以下、図面等を参照しながら、本発明の実施の形態について、更に詳しく説明する。 Hereinafter, embodiments of the present invention will be described in more detail with reference to the drawings.

図1は、本発明の実施の形態による複合語抽出システム1の概要を説明する図である。
複合語抽出システム1は、重要語抽出装置100と、ウェブサーバー装置300とがネットワーク接続されて構成される。
FIG. 1 is a diagram illustrating an overview of a compound word extraction system 1 according to an embodiment of the present invention.
The compound word extraction system 1 is configured by connecting a keyword extraction device 100 and a web server device 300 via a network.

重要語抽出装置100は、既存の形態素解析プログラムを備えたパーソナルコンピューターに、ユーザーエージェント(たとえば、ウェブブラウザーやクローラーやメールユーザーエージェントなど)と、後述する専用プログラムを搭載したものである。 The keyword extraction device 100 is a personal computer equipped with an existing morpheme analysis program, in which a user agent (for example, a web browser, a crawler, a mail user agent, etc.) and a dedicated program described later are installed.

ウェブサーバー装置300は、既存のサーバープログラム(たとえば、ウェブページをユーザーエージェントに提供するウェブサーバープログラム)を備えたサーバーコンピューターである。
ウェブサーバー装置300が提供する文書データには、ウェブページ(ブログや電子掲示板などを含む)などがある。
なお、ウェブサーバー装置300は、メールサーバープログラムを備えて、ネットニュースを提供してもよい。
The web server device 300 is a server computer provided with an existing server program (for example, a web server program that provides a web page to a user agent).
The document data provided by the web server device 300 includes web pages (including blogs and electronic bulletin boards).
The web server device 300 may be provided with a mail server program and provide net news.

図2は複合語抽出システム1の作業と処理の大まかな手順を説明する。
(1)分析者は、インターネット上の文書(ウェブサーバー装置300のウェブページなど)を指定(たとえば、URL=Uniform Resource Locatorを入力)する。
(2)重要語抽出装置100は、ウェブサーバー装置300からURLで指定された文書データ391を取得する。
ここで、重要語抽出装置100は外部記録媒体(CD、DVD、半導体メモリ)から文書データ391を取得するように構成しても良い。
(3)重要語抽出装置100は、文書データ391から、複数の形態素で構成される複合語を抽出する。
ここで、複合語の品詞の種類は問わず、いかなる品詞であってもよい。また、複合語には、品詞や読みなどの形態素解析情報を関連付ける必要はない。また、複合語を構成する複数の形態素には、品詞や読みなどの形態素解析情報を関連付ける必要はない。(詳細は後述する)
(4)重要語抽出装置100は、類語データベースを用いて、複合語を構成する形態素の類語を得て、複合語の該当する形態素をこの類語に置き換えて、類似複合語を生成する。
(5)重要語抽出装置100は、文書に於いて、複合語と類似複合語の出現頻度を集計して、出現頻度が重要語設定条件(たとえば、複合語の出現頻度が2回以上で、類似複合語の出現頻度がゼロ回)を満たせば、その複合語を、その文書の重要語に設定して、提示する。
(6)分析者は、重要語を手掛りにして、必要な文書にたどり着く。
FIG. 2 illustrates a rough procedure of the work and processing of the compound word extraction system 1.
(1) The analyst designates a document (such as a web page of the web server device 300) on the Internet (for example, URL = Uniform Resource Locator is input).
(2) The keyword extraction device 100 acquires the document data 391 specified by the URL from the web server device 300.
Here, the keyword extraction device 100 may be configured to acquire the document data 391 from an external recording medium (CD, DVD, semiconductor memory).
(3) The keyword extraction device 100 extracts a compound word composed of a plurality of morphemes from the document data 391.
Here, the type of part of speech of the compound word is not limited, and any part of speech may be used. Further, it is not necessary to associate morphological analysis information such as part of speech or reading with a compound word. In addition, it is not necessary to associate morpheme analysis information such as part of speech or reading with a plurality of morphemes constituting a compound word. (Details will be described later)
(4) The keyword extraction device 100 uses the synonym database to obtain a synonym of a morpheme constituting the compound word, and replaces the corresponding morpheme of the compound word with the synonym to generate a similar compound word.
(5) The keyword extraction device 100 aggregates the appearance frequencies of compound words and similar compound words in a document, and the appearance frequency is an important word setting condition (for example, the appearance frequency of a compound word is two or more, If the appearance frequency of the similar compound word is zero), the compound word is set as an important word of the document and presented.
(6) The analyst arrives at the necessary document using the key words as clues.

図3は、文書の重要語を説明する図である。 FIG. 3 is a diagram for explaining important words of a document.

図3の(a)は、複合語が重要語と判断される文書データ391文書の表示例である。
表示された文書データ391には、複合語「我輩は猫である」が含まれている。
ここで、形態素「猫」の類語を用い作成した類似複合語(たとえば、形態素「猫」の類語「犬」を用いて作成した類似複合語「我輩は犬である」など)が、この文書には含まれていないことを示している。
FIG. 3A shows a display example of document data 391 document in which a compound word is determined to be an important word.
The displayed document data 391 includes the compound word “I am a cat”.
Here, a similar compound word created using the synonym of the morpheme “cat” (for example, the similar compound word “I am a dog” created using the synonym “dog” of the morpheme “cat”) is included in this document. Indicates that it is not included.

この表示された文書データ391の意味は、複合語「我輩は猫である」の出現頻度が、所定の回数(たとえば、2回以上)あって、類似複合語(たとえば、「我輩は犬である」など)の出現頻度が、0回であるので、重要語設定条件に適合しおり、複合語「我輩は猫である」は、重要語であることを示している。 The meaning of the displayed document data 391 is that the compound word “I am a cat” has an appearance frequency of a predetermined number of times (for example, two times or more), and a similar compound word (for example, “I am a dog” “)” Is 0 times, so it matches the important word setting condition, and the compound word “I am a cat” indicates that it is an important word.

図3の(b)は、複合語と、類似複合語が含まれる文書データ391の表示例である。
表示された文書データ391には、複合語「日本の食料自給率」とこの複合語に対する類似複合語「アメリカの食料自給率」と「韓国の食料自給率」が含まれている。すなわち、形態素「日本」の類語が、「アメリカ」と「韓国」とであるので、複合語「日本の食料自給率」から生成した類似複合語は、複合語「アメリカの食料自給率」と「韓国の食料自給率」に相当する。
FIG. 3B is a display example of document data 391 including compound words and similar compound words.
The displayed document data 391 includes a compound word “Japanese food self-sufficiency ratio” and a similar compound word “American food self-sufficiency ratio” and “Korea food self-sufficiency ratio” corresponding to this compound word. That is, since the synonyms of the morpheme “Japan” are “America” and “Korea”, the similar compound words generated from the compound word “Japan's food self-sufficiency rate” are compound words “US food self-sufficiency rate” and “ Corresponds to the “Korean food self-sufficiency ratio”.

この表示された文書データ391の意味は、複合語「日本の食料自給率」の出現頻度が、所定の回数(たとえば、2回以上)あって、類似複合語「アメリカの食料自給率」と「韓国の食料自給率」の出現頻度が、少なくとも1回あるので、複合語「日本の食料自給率」は、重要語でないことを示している。 The meaning of the displayed document data 391 is that the compound word “Japanese food self-sufficiency rate” has a predetermined frequency (for example, two or more times) and the similar compound words “US food self-sufficiency rate” and “ Since the frequency of “Korean food self-sufficiency” appears at least once, the compound word “Japanese food self-sufficiency” indicates that it is not an important word.

ここで、複合語「食料自給率」が重要語であるか否かを検討する。複合語「食料自給率」の出現頻度(2回以上)と、類似複合語(たとえば、「食べ物自給率」や「食料調達率」など)の出現頻度(0回)とが、重要語設定条件を満たす。そこで、複合語「食料自給率」は、この文書の重要語に設定される。 Here, it is examined whether or not the compound word “food self-sufficiency ratio” is an important word. The appearance frequency of the compound word “food self-sufficiency” (two times or more) and the appearance frequency of similar compound words (for example, “food self-sufficiency rate” and “food procurement rate”) (zero times) are important word setting conditions Meet. Therefore, the compound word “food self-sufficiency ratio” is set as an important word of this document.

以上の説明で述べた複合語の品詞は、名詞や動詞であったが、これに限定されるものではなくて、形容詞や副詞などであってもよい。また、複合語を構成する形態素の品詞は、名詞や動詞、助詞などであったが、これに限定されるものではなくて、形容詞や副詞などであってもよい。
なお、複合語を抽出するためには、特許文献1の技術の複合語規則や、特許文献2の技術の重要語知識を必要としないことが分かる。
The part of speech of the compound word described in the above description is a noun or a verb, but is not limited to this, and may be an adjective or an adverb. Moreover, although the part of speech of the morpheme which comprises a compound word was a noun, a verb, a particle, etc., it is not limited to this, An adjective, an adverb, etc. may be sufficient.
In addition, in order to extract a compound word, it turns out that the compound word rule of the technique of patent document 1 and the important word knowledge of the technique of patent document 2 are not required.

図4は、類語データベースの詳細を説明する。
類語データベース191は、1つの形態素と同じ意味の類語を検索するデータベースである。
類語データベース191は、意味テーブル1911と、類語テーブル1912とを含んで構成される。
意味テーブル1911は、単語1914(主キー)と、意味を表す語1913と、を対応付けた表形式のデータである。
類語テーブル1912は、意味を表す語1917(主キー)と、類語1916の集合1915と、を対応付けた表形式のデータである。
FIG. 4 explains the details of the synonym database.
The synonym database 191 is a database that searches for synonyms having the same meaning as one morpheme.
The synonym database 191 includes a meaning table 1911 and a synonym table 1912.
The meaning table 1911 is tabular data in which a word 1914 (primary key) and a meaning word 1913 are associated with each other.
The synonym table 1912 is tabular data in which a meaning word 1917 (primary key) and a set 1915 of synonyms 1916 are associated with each other.

類語データベース191の説明として、リレーショナル型データベースを例にしたが、ネットワーク型データベースを用いてもよい。
類語データベース191としては、たとえば、NTTコミュニケーション科学研究所が監
修している『日本語語彙大系』(岩波書店)を用いればよい。
As an explanation of the synonym database 191, a relational database has been taken as an example, but a network database may be used.
As the synonym database 191, for example, “Japanese vocabulary system” (Iwanami Shoten) supervised by NTT Communication Science Laboratories may be used.

ここで、図5を用いて、意味を表す語1913と類語1916の集合191について説明する。 Here, with reference to FIG. 5, for a set 191 5 word 1913 synonymous 1916 meaning explained.

意味を表す語1913とは、体系化された語体系(たとえば、木構造による語体系)である。
図5に例示された意味を表す語1913の木構造は、たとえば、意味を表す語1913「名詞」の下位には、意味を表す語1913「生物」と「物質」とが関連付けられて、木構造で体系化されている。また、意味を表す語1913「生物」の下位には、たとえば、意味を表す語1913「動物」と「植物」とが関連付けられて、木構造で体系化されている。また、意味を表す語1913「動物」の下位には、たとえば、意味を表す語1913「哺乳類」と「爬虫類」と「鳥類」と関連付けられて、木構造で体系化されている。
The meaning word 1913 is a systemized word system (for example, a word system based on a tree structure).
In the tree structure of the word 1913 representing the meaning illustrated in FIG. 5, for example, the word 1913 “living” and “substance” representing the meaning are associated with the word 1913 “noun” representing the meaning, Systematized by structure. Further, below the meaning word 1913 “organism”, for example, the meaning word 1913 “animal” and “plant” are associated and organized in a tree structure. Further, below the meaning word 1913 “animal”, for example, the meaning words 1913 “mammals”, “reptiles”, and “birds” are associated with each other and organized in a tree structure.

これらの例示された意味を表す語の木構造の意図は、「名詞」1913の下位の意味には、「生物」1913と「物質」1913とがあるということを示している。また、「生物」1913の下位の意味には、「動物」1913と「植物」1913とがあるということを示している。また、「動物」1913の下位の意味には、「哺乳類」1913と「爬虫類」1913と「鳥類」1913とがあるということである。 The intention of the tree structure of the words representing these exemplified meanings indicates that “subject” 1913 and “substance” 1913 are subordinate meanings of “noun” 1913. Further, it is shown that “animal” 1913 and “plant” 1913 are subordinate to “living organism” 1913. The subordinate meaning of “animal” 1913 is “mammal” 1913, “reptile” 1913, and “bird” 1913.

次に、類語の集合191について説明する。
図5に例示された類語の集合191は、たとえば、「犬」191と「猫」191「牛」191となどである。この類語の集合1915は、意味を表す語1913「哺乳類」に対応付けられている。
Next, a description will be given of the set 191 5 of the Thesaurus.
The set of synonyms 191 5 illustrated in FIG. 5 is, for example, “Dog” 191 6 and “Cat” 191 6 “Cow” 191 6 . This set of synonyms 1915 is associated with the word 1913 “mammal” representing meaning.

これらの例示された類語の集合1915の意図は、ある類語191「猫」の意味は、たとえば、「哺乳類」1913であるので、この「哺乳類」1913に対応付けられた他の類語191は、「犬」191と「牛」191などであるということである。 The intent of these illustrated set of synonyms 1915 is that the meaning of a certain synonym 191 6 “cat” is, for example, “mammal” 1913, so other synonyms 191 6 associated with this “mammal” 1913 are , is that "dog" 191 6 and the "cow" 191 6, and the like.

図6は、複合語抽出処理の詳細な手順を説明する図である。
(3)複合語抽出処理
(3−1)重要語抽出装置100は、文書データ391を形態素解析して、形態素に分割する。
(3−2)重要語抽出装置100は、これらの分割された形態素の列から、連続してN個の形態素を取り出して連結して、複合語とする。(N=2、3、・・・、n。nは、予め定めた整数値)従って、複合語を構成する形態素は、形態素の列から連続して、機械的に取り出すので、形態素の品詞の種類は問わない。
FIG. 6 is a diagram for explaining the detailed procedure of the compound word extraction process.
(3) Compound Word Extraction Processing (3-1) The keyword extraction device 100 performs morphological analysis on the document data 391 and divides it into morphemes.
(3-2) The keyword extraction device 100 continuously extracts N morphemes from these divided morpheme strings and connects them to form a compound word. (N = 2, 3,..., N, where n is a predetermined integer value) Accordingly, the morphemes constituting the compound word are mechanically extracted from the sequence of morphemes. Any type.

ここで、図7を用いて、複合語を説明する。
図7の(a)には、文書データ391の一部としての句が、例示されている。
文書データ391の句の例としては、小説の題名「我輩は猫である」が示されている。
図7の(b)には、分割された形態素が、例示されている。
分割された形態素の例としては、「我輩 / は / 猫 / で / ある」が示されている。/は、形態素の区切りを示す記号である。
図7の(c)には、連続してN個の形態素を取り出して連結した複合語が、例示されている。
N=2の時には、複合語の例としては、「吾輩は」 「は猫」 「猫で」 「である」が示されている。
N=3の時には、複合語の例としては、「吾輩は猫」 「は猫で」 「猫である」が示されている。
N=4の時には、複合語の例としては、「吾輩は猫で」 「は猫である」が示されている。
N=5の時には、複合語の例としては、「吾輩は猫である」が示されている。
Here, the compound word will be described with reference to FIG.
FIG. 7A illustrates a phrase as a part of the document data 391.
As an example of the phrase of the document data 391, a novel title “I am a cat” is shown.
FIG. 7B illustrates divided morphemes.
As an example of a divided morpheme, “I am / is / cat / is / is” is shown. / Is a symbol indicating a morpheme break.
FIG. 7C illustrates a compound word in which N morphemes are continuously extracted and connected.
When N = 2, as examples of compound words, “Senior is” “is a cat” “is a cat” “is” is shown.
When N = 3, examples of compound words are “Senior is a cat”, “is a cat”, and “is a cat”.
When N = 4, “I am a cat” and “I am a cat” are shown as examples of compound words.
When N = 5, “I am a cat” is shown as an example of a compound word.

図8は、類似複合語生成処理の詳細な手順を説明する図である。
(4)類似複合語生成処理
(4−1)重要語抽出装置100は、複合語を構成する1つの形態素を検索キーにして、類語データベースを検索して、検索キーの形態素に対応する類語を取得する。
なお、類語データベース191は、検索キーの形態素を用いて、意味テーブルを参照して、検索キーの形態素に対応する意味コードを取得して、次に、この取得した意味コードを用いて、類語テーブルを参照して、意味コードに対応する類語を取得する。
(4−2)重要語抽出装置100は、取得した類語を用いて、形態素列の該当する形態素を、この類語に置き換えて、類似複合語を生成する。
FIG. 8 is a diagram for explaining the detailed procedure of the similar compound word generation process.
(4) Similar Compound Word Generation Processing (4-1) The keyword extraction device 100 searches the synonym database using one morpheme constituting the compound word as a search key, and selects a synonym corresponding to the morpheme of the search key. get.
The synonym database 191 obtains a semantic code corresponding to the morpheme of the search key by referring to the semantic table using the morpheme of the search key, and then uses the acquired semantic code to generate a synonym table. Referring to, a synonym corresponding to the semantic code is acquired.
(4-2) The keyword extraction device 100 uses the acquired synonym to replace the corresponding morpheme in the morpheme string with this synonym and generates a similar compound word.

図9は、重要語抽出装置100の詳細な構成図である。
重要語抽出装置100は、CPU101と、表示部103と、入力部102と、ネットワーク通信部104と、記憶部109と専用プログラムとを備える。
CPU101と、表示部103と、入力部102と、ネットワーク通信部104と、記憶部109とは、BUS199で接続される。
FIG. 9 is a detailed configuration diagram of the keyword extraction device 100.
The keyword extraction device 100 includes a CPU 101, a display unit 103, an input unit 102, a network communication unit 104, a storage unit 109, and a dedicated program.
The CPU 101, the display unit 103, the input unit 102, the network communication unit 104, and the storage unit 109 are connected by a BUS199.

CPU101は、中央演算装置である。
表示部103は、液晶表示装置や有機EL表示装置である。
入力部102は、マウスやキーボードである。入力部102は、キーボードやマウスや表示部103に表示されたソフトキーボード(=タッチパネル)であってもよい。
ネットワーク通信部104は、LANアダプターである。
The CPU 101 is a central processing unit.
The display unit 103 is a liquid crystal display device or an organic EL display device.
The input unit 102 is a mouse or a keyboard. The input unit 102 may be a keyboard, a mouse, or a soft keyboard (= touch panel) displayed on the display unit 103.
The network communication unit 104 is a LAN adapter.

記憶部109は、半導体メモリーや磁気メモリーである。
記憶部109は、類語データベース格納領域1091と文書格納領域1092と形態素格納領域1093とを備えて、オペレーティングシステム185と、形態素解析プログラム180と、ウェブブラウザー381と、専用プログラムとを記憶する。
The storage unit 109 is a semiconductor memory or a magnetic memory.
The storage unit 109 includes a synonym database storage area 1091, a document storage area 1092, and a morpheme storage area 1093, and stores an operating system 185, a morpheme analysis program 180, a web browser 381, and a dedicated program.

類語データベース格納領域1091は、類語データベース191を格納する。
文書格納領域1092は、文書データ391を格納する。
形態素格納領域1093は、形態素列データ195を格納する。
The synonym database storage area 1091 stores a synonym database 191.
The document storage area 1092 stores document data 391.
The morpheme storage area 1093 stores morpheme string data 195.

記憶部109は、クローラーやメールユーザーエージェントなどのユーザーエージェントを記憶してもよい。 The storage unit 109 may store user agents such as crawlers and mail user agents.

オペレーティングシステム185は、重要語抽出装置100のハードウェア(たとえば、CPU101と、入力部102と、表示部103と、ネットワーク通信部104と、記憶部109と、BUS199など)を管理・制御して、応用ソフトウエア(たとえば、専用プログラム)に対して、これらのハードウェアを利用できるようなサービスを提供する基本ソフトウエアである。
形態素解析プログラム180は、既存のプログラムであって、所定の形式のテキストデータを入力データとして与えると、分解した形態素と品詞や読みの情報とを対応付けた形態素解析データを出力するプログラムである。
ウェブブラウザー381は、既存のプログラムであって、インターネットのウェブサイトのウェブページ(たとえば、文書データ)を閲覧するプログラムである。
The operating system 185 manages and controls the hardware of the keyword extraction device 100 (for example, the CPU 101, the input unit 102, the display unit 103, the network communication unit 104, the storage unit 109, the BUS 199, etc.) It is basic software that provides a service that can use these hardware for application software (for example, a dedicated program).
The morpheme analysis program 180 is an existing program that outputs morpheme analysis data in which disassembled morphemes are associated with parts of speech and reading information when text data of a predetermined format is given as input data.
The web browser 381 is an existing program, and is a program for browsing a web page (for example, document data) of an internet website.

この他に、文書入力手段110と、複合語抽出手段120と、類語抽出手段135と、類似複合語作成手段130と、出現頻度集計手段140と、重要語設定提示手段150と、を備える。これらの各手段は、それぞれの専用プログラムによって実現され、専用プログラムがCPU101に解釈・実行されることによって機能する。 In addition, a document input unit 110, a compound word extraction unit 120, a synonym extraction unit 135, a similar compound word creation unit 130, an appearance frequency totaling unit 140, and an important word setting presentation unit 150 are provided. Each of these means is realized by each dedicated program and functions by the CPU 101 interpreting and executing the dedicated program.

文書入力手段110は、ウェブサーバー装置300から文書データ391を取得する。 The document input unit 110 acquires document data 391 from the web server device 300.

複合語抽出手段120は、形態素解析プログラム180を呼び出して、文書データ391を入力データとして渡して、形態素解析プログラム180が出力する形態素解析データを受け取り、この形態素解析データの形態素を用いて複合語を作成する。
なお、複合語抽出手段120の処理の詳細は、図の(3)《複合語抽出処理》の詳細な流れを説明する項で述べた。
The compound word extraction unit 120 calls the morpheme analysis program 180, passes the document data 391 as input data, receives the morpheme analysis data output from the morpheme analysis program 180, and uses the morpheme of the morpheme analysis data to generate a compound word. create.
The details of the processing compound words extraction means 120, described in the section describing the detailed flow of the (3) "compound word extraction" in Fig.

類語抽出手段135は、複合語を構成する1つの形態素を検索キーにして、類語データベース191を検索して、類語を取得する。
なお、類語抽出手段135の処理の詳細は、図の(4)《類似複合語生成処理》の詳細な流れを説明する項で述べた。
The synonym extracting unit 135 searches the synonym database 191 using one morpheme constituting the compound word as a search key, and acquires a synonym.
The details of the processing synonym extraction means 135, described in the section describing the detailed flow of the (4) "similar compound word generation processing" in FIG. 8.

類似複合語作成手段130は、元の複合語を構成する1つの形態素を、取得された類語に置き換えて、類似複合語を作成する。 The similar compound word creation means 130 replaces one morpheme constituting the original compound word with the obtained synonym and creates a similar compound word.

出現頻度集計手段140は、複合語と類似複合語を用いて、文書データ391における出現頻度を集計する。 The appearance frequency totaling unit 140 totals the appearance frequencies in the document data 391 using compound words and similar compound words.

重要語設定提示手段150は、複合語と類似複合語の出現頻度が所定の条件を満たせば、その複合語を、その文書の重要語に設定して、提示する。
When the appearance frequency of the compound word and the similar compound word satisfies a predetermined condition, the keyword setting presentation unit 150 sets the compound word as the keyword of the document and presents it.

1 複合語抽出システム
100 重要語抽出装置
110 文書入力手段
120 複合語抽出手段
130 類似複合語作成手段
135 類語抽出手段
140 出現頻度集計手段
150 重要語設定提示手段
180 形態素解析プログラム
191 類語データベース
300 文書サーバー装置
391 文書データ

DESCRIPTION OF SYMBOLS 1 Compound word extraction system 100 Important word extraction apparatus 110 Document input means 120 Compound word extraction means 130 Similar compound word creation means 135 Synonym extraction means 140 Appearance frequency totaling means 150 Important word setting presentation means 180 Morphological analysis program 191 Synonym database 300 Document server Device 391 Document data

Claims (6)

文書入力手段、複合語抽出手段、類似複合語作成手段、出現頻度集計手段、重要語設定提示手段、類語データベースを備える重要語抽出装置が行う重要語抽出方法であって、
前記文書入力手段が、文書データを取得する文書入力ステップと、
前記複合語抽出手段が、文書データから品詞の種類が限定されない3以上の形態素で構成される複合語を抽出する複合語抽出ステップと、
前記類似複合語作成手段が、複合語を構成する1つの形態素を検索キーにして、類語データベースを検索して得られる類語で置き換えて、類似複合語を作成する類似複合語作成ステップと、
前記出現頻度集計手段が、複合語と類似複合語を用いて、文書データにおける出現頻度を集計する出現頻度集計ステップと、
前記重要語設定提示手段が、複合語と類似複合語の出現頻度が重要語設定条件を満たせば、当該複合語を、前記文書データの重要語に設定して、提示する重要語設定提示ステップと、
を含んだ手順でなされることを特徴とする重要語抽出方法。
A keyword extraction method performed by a keyword extraction device comprising a document input means, a compound word extraction means, a similar compound word creation means, an appearance frequency counting means, a keyword setting presentation means, and a synonym database ,
A document input step in which the document input means acquires document data; and
A compound word extracting step in which the compound word extracting means extracts a compound word composed of three or more morphemes whose type of part of speech is not limited from document data;
A similar compound word creating step in which the similar compound word creating means creates a similar compound word by replacing one morpheme constituting the compound word with a synonym obtained by searching the synonym database;
An appearance frequency counting step in which the appearance frequency counting means counts the appearance frequency in the document data using a compound word and a similar compound word;
The important word setting presentation unit, if the frequency of appearance of the compound word similar compound word satisfies the important word setting conditions, the compound word, by setting the key word of the document data, and the key word setting presenting step of presenting ,
A key word extraction method characterized by being performed in a procedure including
請求項1に記載の重要語抽出方法であって、
前記重要語設定条件は、
複合語の出現頻度が2回以上で、かつ、類似複合語の出現頻度が0回である、
ことを特徴とする重要語抽出方法。
The key word extraction method according to claim 1,
The important word setting conditions are:
The appearance frequency of the compound word is 2 times or more, and the appearance frequency of the similar compound word is 0 times.
An important word extraction method characterized by this.
類語データベースを格納する類語格納領域、
を有する記憶部と、
文書データを取得する文書入力手段と、
文書データから品詞の種類が限定されない3以上の形態素で構成される複合語を抽出する複合語抽出手段と、
複合語を構成する1つの形態素を検索キーにして、類語データベースを検索して、類語を取得する類語取得手段と、
検索キーに用いた形態素を取得された類語に置き換えて、類似複合語を作成する類似複合語作成手段と、
複合語と類似複合語を用いて、文書データにおける出現頻度を集計する出現頻度集計手段と、
複合語と類似複合語の出現頻度が重要語設定条件を満たせば、当該複合語を、前記文書データの重要語に設定して、提示する重要語設定提示手段と、
を備えることを特徴とする重要語抽出装置。
A synonym storage area for storing a synonym database,
A storage unit having
A document input means for obtaining document data;
A compound word extracting means for extracting a compound word composed of three or more morphemes from which the type of part of speech is not limited;
A synonym acquisition means for searching a synonym database and acquiring a synonym using one morpheme constituting a compound word as a search key;
A similar compound word creating means for creating a similar compound word by replacing the morpheme used for the search key with the obtained synonym;
Appearance frequency counting means for calculating appearance frequency in document data using compound words and similar compound words,
If the appearance frequency of the compound word and the similar compound word satisfies the important word setting condition, the important word setting presenting means for setting and presenting the compound word as the important word of the document data; and
An important word extracting device comprising:
請求項3に記載の重要語抽出装置であって、
前記重要語設定条件は、
複合語の出現頻度が2回以上で、かつ、類似複合語の出現頻度が0回である、
ことを特徴とする重要語抽出装置。
The key word extraction device according to claim 3,
The important word setting conditions are:
The appearance frequency of the compound word is 2 times or more, and the appearance frequency of the similar compound word is 0 times.
An important word extraction device characterized by that.
コンピューターに組込むことによって、コンピューターを請求項3または請求項4に記載の重要語抽出装置として動作させるコンピュータプログラム。   The computer program which makes a computer operate | move as an important word extraction apparatus of Claim 3 or Claim 4 by incorporating in a computer. 請求項5に記載のコンピュータプログラムを記録したコンピューター読取り可能な記録媒体。   A computer-readable recording medium on which the computer program according to claim 5 is recorded.
JP2009167476A 2009-07-16 2009-07-16 Important word extraction method, apparatus, program, recording medium Expired - Fee Related JP5499546B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2009167476A JP5499546B2 (en) 2009-07-16 2009-07-16 Important word extraction method, apparatus, program, recording medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2009167476A JP5499546B2 (en) 2009-07-16 2009-07-16 Important word extraction method, apparatus, program, recording medium

Publications (2)

Publication Number Publication Date
JP2011022809A JP2011022809A (en) 2011-02-03
JP5499546B2 true JP5499546B2 (en) 2014-05-21

Family

ID=43632830

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2009167476A Expired - Fee Related JP5499546B2 (en) 2009-07-16 2009-07-16 Important word extraction method, apparatus, program, recording medium

Country Status (1)

Country Link
JP (1) JP5499546B2 (en)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6476886B2 (en) * 2015-01-19 2019-03-06 日本電気株式会社 Keyword extraction system, keyword extraction method, and computer program
JP6303148B2 (en) * 2015-06-03 2018-04-04 明 潮田 Document feature extraction device, document feature extraction method, document classification device, document classification method, document search device, document search method, computer program, and recording medium on which computer program is recorded
CN106372063A (en) * 2016-11-01 2017-02-01 上海智臻智能网络科技股份有限公司 Information processing method and device and terminal

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001043226A (en) * 1999-08-03 2001-02-16 Hitachi Ltd Word dictionary preparation supporting device and computer readable recording medium

Also Published As

Publication number Publication date
JP2011022809A (en) 2011-02-03

Similar Documents

Publication Publication Date Title
JP4654745B2 (en) Question answering system, data retrieval method, and computer program
US10423672B2 (en) Network resource-specific search assistance
US20100198802A1 (en) System and method for optimizing search objects submitted to a data resource
JP2007141090A (en) Question answering system, data retrieval method and computer program
US8831945B2 (en) Language model generating device, method thereof, and recording medium storing program thereof
JP2006252382A (en) Question answering system, data retrieval method and computer program
JP2007287134A (en) Information extracting device and information extracting method
JP2008287406A (en) Information processor, information processing method, program, and recording medium
AU2013231149B2 (en) Systems and methods for keyword research and content analysis
US10606903B2 (en) Multi-dimensional query based extraction of polarity-aware content
JP5718405B2 (en) Utterance selection apparatus, method and program, dialogue apparatus and method
Kumar Apache Solr search patterns
JP2009217689A (en) Information processor, information processing method, and program
JP5499546B2 (en) Important word extraction method, apparatus, program, recording medium
JP4143085B2 (en) Synonym acquisition method and apparatus, program, and computer-readable recording medium
JP6106489B2 (en) Semantic analyzer and program
CN114020867A (en) Method, device, equipment and medium for expanding search terms
CN115757760A (en) Text abstract extraction method and system, computing device and storage medium
Borin et al. Language technology for digital linguistics: Turning the linguistic survey of India into a rich source of linguistic information
JP5495425B2 (en) Sentence correction program, method, and sentence analysis server for correcting sentences containing unknown words
JP5187187B2 (en) Experience information search system
JP2004334382A (en) Structured document summarizing apparatus, program, and recording medium
JP4934115B2 (en) Keyword extraction apparatus, method and program
JP2008276561A (en) Morpheme analysis device, morpheme analysis method, morpheme analysis program, and recording medium with computer program recorded thereon
Koeva et al. Bulgarian X-language Parallel Corpus.

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20120528

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20130723

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20130730

RD01 Notification of change of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7421

Effective date: 20130823

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20130927

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20131224

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20140127

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20140212

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20140225

R150 Certificate of patent or registration of utility model

Ref document number: 5499546

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

LAPS Cancellation because of no payment of annual fees