JP5741298B2 - 辞書作成装置、辞書作成方法、およびプログラム - Google Patents

Description

本発明は、辞書作成装置、辞書作成方法、およびプログラムに関し、特に、言語解析用の辞書を作成する辞書作成装置等に関するものである。

近年、電子書籍ビジネスの拡大により、デジタルデータの無い本の文章を光学的に読み取り、読み取られた画像データから文字を認識する技術であるOCR（Optical Character Reader）のニーズが高まっている。

従来、全ての未知語を１つの辞書に登録し、標準辞書データベースを構築する技術があるが、作者別辞書やジャンル別辞書といったデータベースは存在しなかった。そのため、書籍をOCRした際、本のジャンル等によっては、文書の言語解析の精度が低くなる。

そこで、例えば、特許文献１には、人や会社部署によって扱う文章・ジャンルが固定する傾向があることから、OCRをする人の属性を事前に登録し、その属性のデータベースに、文章を言語解析した辞書を登録する技術が提案されている。

特許第４６４５０６５号

しかしながら、特許文献１の技術では、事前に人・部署の属性を登録しなくてはならず、また、その属性以外の文章を登録する際には効力を発揮しないという課題があった。

また、データベースに、メタデータ（関連書籍のリンク付け等）を追加する場合、その作業に時間と手間がかかってしまうという課題があった。

本発明は、前述した問題点に鑑みてなされたもので、その目的とすることは、ユーザに負担をかけることなく、読み取られた文書データから属性を特定し、効率的に言語解析用の辞書を作成する辞書作成装置等を提供することである。

前述した目的を達成するために、第１の発明は、本の文章が光学的に読み取られた文書データからテキストデータを取得する取得手段と、前記本の属性に関する情報を記憶する書誌情報記憶手段と、前記取得手段によって取得された前記テキストデータと、前記書誌情報記憶手段に記憶されている前記本の属性に関する情報とを照合し、作者情報とジャンル情報を取得する属性照合手段と、前記取得手段によって取得された前記テキストデータに含まれる語句が、未知語か否かを判定する未知語判定手段と、前記未知語判定手段により判定された前記未知語を、前記属性照合手段により照合された前記作者情報に対応付けられた作者別辞書記憶手段に前記ジャンル情報と共に登録する登録手段と、前記未知語が登録されている前記作者情報及び他の作者情報に対応付られた前記作者別辞書記憶手段からジャンル情報を検索する検索手段と、を備え、前記登録手段は、更に、前記検索手段により検索された前記ジャンル情報に基づいて、前記ジャンル情報に対応付けられたジャンル別辞書記憶手段に前記未知語を登録することを特徴とする辞書作成装置である。
第１の発明によって、自動的に未知語を作者別辞書に登録することができ、正確な言語解析を行うことができる。

前記検索手段による検索結果の画面を表示する表示手段をさらに備え、前記登録手段は、前記表示手段により表示された前記画面上で前記ジャンル情報の指示を受け付けた場合、前記ジャンル情報に対応付けられた前記ジャンル別辞書記憶手段に前記未知語を登録する。
これにより、少ない負担で、未知語を適切なジャンル別辞書に登録することができる。

前記ジャンル別辞書記憶手段は、ジャンル別に前記未知語を記憶する。
これにより、言語解析用の辞書を作者別およびジャンル別に構築することができ、言語解析の精度を向上させることができる。

第２の発明は、本の属性に関する情報を記憶する書誌情報記憶手段と、作者情報に対応付けられた作者別辞書記憶手段と、ジャンル情報に対応付けられたジャンル別辞書記憶手段とを備える辞書作成装置が行う辞書作成方法であって、前記辞書作成装置の制御部が、本の文章が光学的に読み取られた文書データからテキストデータを取得する取得ステップと、前記制御部が、前記取得ステップによって取得された前記テキストデータと、前記書誌情報記憶手段に記憶されている前記本の属性に関する情報とを照合し、作者情報とジャンル情報を取得する属性照合ステップと、前記制御部が、前記取得ステップによって取得された前記テキストデータに含まれる語句が、未知語か否かを判定する未知語判定ステップと、前記制御部が、前記未知語判定ステップにより判定された前記未知語を、前記属性照合ステップにより照合された前記作者情報に対応付けられた前記作者別辞書記憶手段に前記ジャンル情報と共に登録する登録ステップと、前記未知語が登録されている前記作者情報及び他の作者情報に対応付られた前記作者別辞書記憶手段からジャンル情報を検索する検索ステップと、を含み、前記登録ステップは、更に、前記検索ステップにより検索された前記ジャンル情報に基づいて、前記ジャンル情報に対応付けられたジャンル別辞書記憶手段に前記未知語を登録することを特徴とする辞書作成方法である。
第２の発明によって、自動的に未知語を作者別辞書及びジャンル別辞書に登録することができ、正確な言語解析を行うことができる。

第３の発明は、コンピュータに、本の文章が光学的に読み取られた文書データからテキストデータを取得する取得ステップと、前記取得ステップによって取得された前記テキストデータと、前記本の属性に関する情報を記憶する書誌情報記憶手段に記憶されている前記本の属性に関する情報とを照合し、作者情報とジャンル情報を取得する属性照合ステップと、前記取得ステップによって取得された前記テキストデータに含まれる語句が、未知語か否かを判定する未知語判定ステップと、前記未知語判定ステップにより判定された前記未知語を、前記属性照合ステップにより照合された前記作者情報に対応付けられた作者別辞書記憶手段に前記ジャンル情報と共に登録する登録ステップと、前記未知語が登録されている前記作者情報及び他の作者情報に対応付られた前記作者別辞書記憶手段からジャンル情報を検索する検索ステップと、を実行させ、前記登録ステップは、更に、前記検索ステップにより検索された前記ジャンル情報に基づいて、前記ジャンル情報に対応付けられたジャンル別辞書記憶手段に前記未知語を登録することを特徴とするプログラムである。
第３の発明におけるプログラムを汎用のコンピュータにインストールすることによって、第１の発明における辞書作成装置を得ることができる。

本発明により、ユーザに負担をかけることなく、読み取られた文書データから属性を特定し、効率的に言語解析用の辞書を作成する辞書作成装置、辞書作成方法、およびプログラムを提供することができる。

本発明の実施の形態に係る辞書作成装置のハードウェアの構成例を示すブロック図である。 辞書作成装置１の機能構成例を示すブロック図である。 未知語判定処理を説明するフローチャートである。 未知語登録処理を説明するフローチャートである。 データベースに格納される情報の一例を示す図である。 データベースに格納される情報の他の例を示す図である。 ジャンル別辞書登録画面の表示例を示す図である。 データベースに格納される情報の他の例を示す図である。 ジャンル別辞書登録画面の他の表示例を示す図である。 データベースに格納される情報の他の例を示す図である。 データベースにメタデータが追加された一例を示す図である。 リンク登録画面の表示例を示す図である。 データベースにタグが登録された一例を示す図である。 未知語を登録するデータベースの例を示す図である。

以下、図面に基づいて、本発明の実施形態を詳細に説明する。

［本発明の実施の形態］

図１は、辞書作成装置１のハードウェアの構成例を示すブロック図である。なお、図１のハードウェア構成は一例であり、用途、目的に応じて様々な構成を採ることが可能である。

辞書作成装置１を実現するコンピュータは、制御部１１、記憶部１２、メディア入出力部１３、通信制御部１４、入力部１５、表示部１６、周辺機器I/F（インターフェイス）部１７等が、バス１８を介して接続される。

制御部１１は、CPU（Central
Processing Unit）、ROM（Read Only
Memory）、RAM（Random Access
Memory）等で構成される。CPUは、記憶部１２、ROM、記録媒体等に格納されるプログラムをRAM上のワークメモリ領域に呼び出して実行し、バス１８を介して接続された各装置を駆動制御し、辞書作成装置１が行う後述する処理を実現する。ROMは、不揮発性メモリであり、コンピュータのブートプログラムやBIOS（Basic Input/Output System）等のプログラム、データ等を恒久的に保持している。RAMは、揮発性メモリであり、記憶部１２、ROM、記録媒体等からロードしたプログラム、データ等を一時的に保持するとともに、制御部１１が各種処理を行う為に使用するワークエリアを備える。

記憶部１２は、HDD（Hard
Disc Drive）であり、制御部１１が実行するプログラム、プログラム実行に必要なデータ、ＯＳ（オペレーティングシステム）等が格納される。プログラムに関しては、ＯＳに相当する制御プログラムや、後述する処理を辞書作成装置１に実行させるためのアプリケーションプログラムが格納されている。これらの各プログラムコードは、制御部１１により必要に応じて読み出されてRAMに移され、CPUに読み出されて各種の手段として実行される。また記憶部１２には、文書を光学的に読み取る読取手段（OCR：Optical Character Reader）によって読み取られた書籍の文書データ（OCRデータ）が記憶されている。

メディア入出力部１３（ドライブ装置）は、データの入出力を行い、例えば、ＣＤドライブ（−ROM、−Ｒ、−ＲＷ等）、DVDドライブ（−ROM、−Ｒ、−ＲＷ等）等のメディア入出力装置を有する。通信制御部１４は、通信制御装置、通信ポート等を有し、辞書作成装置１とネットワーク間の通信を媒介する通信インターフェイスであり、LAN（Local Area Network）やインターネットなどのネットワークを介して、他のコンピュータ間との通信制御を行う。

入力部１５は、データの入力を行い、例えば、キーボード、マウス等のポインティングデバイス、テンキー等の入力装置を有する。入力部１５を介して、辞書作成装置１に対して、操作指示、動作指示、データ入力等を行うことができる。

表示部１６は、液晶パネル等のディスプレイ装置、ディスプレイ装置と連携して辞書作成装置１のビデオ機能を実現するための論理回路等（ビデオアダプタ等）を有する。

周辺機器Ｉ／Ｆ部１７は、辞書作成装置１に周辺機器を接続させるためのポートであり、周辺機器Ｉ／Ｆ部１７を介して辞書作成装置１は周辺機器とのデータの送受信を行う。周辺機器Ｉ／Ｆ部１７は、USB（Universal Serial Bus）やIEEE（The Institute of Electrical and
Electronics Engineers）１３９４やＲＳ（Recommended Standard）−２３２Ｃ等で構成されており、通常複数の周辺機器Ｉ／Ｆを有する。周辺機器との接続形態は有線、無線を問わない。バス１８は、各装置間の制御信号、データ信号等の授受を媒介する経路である。

以上のような構成を有する辞書作成装置１は、後述する図３、図４のフローチャートに示す処理によって、自動的に未知語を作者別やジャンル別に登録し、言語解析用の辞書を正確かつ詳細に作成する。

図２は、辞書作成装置１の機能構成例を示すブロック図である。図２に示す機能部のうちの少なくとも一部は、辞書作成装置１の制御部１１により辞書作成プログラムが実行されることによって実現される。

図２に示すように、辞書作成装置１は、書誌情報データベース（ＤＢ）２１、作者別辞書データベース２２、ジャンル別辞書データベース２３、標準辞書データベース２４、未知語判定プログラム２５、辞書登録プログラム２６、および言語解析プログラム２７の機能を少なくとも有する。

書誌情報データベース２１は、例えば、MARC（MAchine Readable Cataloging：機械可読目録）データベースであって、タイトル、著者名、編集者、監修、出版社、出版年月、本のページ数・サイズ、価格、分類コード（ジャンル）、シリーズ情報（シリーズものの１冊か否か）、利用対象、受賞履歴、文章による内容紹介、内容目次等の書誌データが登録されている。

作者別辞書データベース２２には、作者Ａ用辞書データベース２２Ａ、作者Ｂ用辞書データベース２２Ｂ、・・・が格納されている。つまり、作者別辞書データベース２２は、作者別（作者Ａ、作者Ｂ、・・・）に辞書データベースが構築されている。

ジャンル別辞書データベース２３には、歴史用辞書データベース２３Ａ、文芸用辞書データベース２３Ｂ、・・・が格納されている。つまり、ジャンル別辞書データベース２３は、ジャンル別（歴史、文芸、・・・）に辞書データベースが構築されている。

標準辞書データベース２４は、ジャンル別辞書登録プログラム２６Ｂによって、ジャンル別及び作者別に辞書データベースが構築されており、各データベースの中で最も上位階層とされる。

未知語判定プログラム２５は、記憶部１２から書籍のOCRデータを入力し、書誌情報データベース２１と照合して作者及びジャンルを特定するとともに、処理対象の語句が、未知語（辞書データベースに未登録の語句）か否かを判定する。未知語判定プログラム２５は、例えば、標準辞書データベース２４、ジャンル別辞書データベース２３、作者別辞書データベース２２の順に、処理対象の語句が登録されているか否かを判定する。未知語の語句については、辞書登録プログラム２６に処理を引き渡す。未知語ではない語句については、言語解析プログラム２７に処理を引き渡す。

辞書登録プログラム２６は、作者別辞書登録プログラム２６Ａ、ジャンル別辞書登録プログラム２６Ｂを含み、作者別辞書データベース２２、ジャンル別辞書データベース２３、および標準辞書データベース２４に未知語を登録する。

作者別辞書登録プログラム２６Ａは、未知語を、特定された作者及びジャンルに関連付け、対応する作者別辞書データベース２２に登録する。

ジャンル別辞書登録プログラム２６Ｂは、作者別辞書データベース２２に登録されている情報に基づく画面を表示部１６に表示させ、ユーザから新たなデータベースへの登録指示を受け付けると、受け付けた登録語を、上位階層のジャンル別辞書データベース２３や標準辞書データベース２４に登録する。

言語解析プログラム２７は、歴史用アルゴリズム２７Ａ、文芸用アルゴリズム２７Ｂ、・・・を含み、作者別辞書データベース２２、ジャンル別辞書データベース２３、および標準辞書データベース２４を参照し、高精度に言語解析を行う。

次に、図３のフローチャートを参照して、辞書作成装置１の未知語判定プログラム２５が実行する、未知語判定処理について説明する。なお、この処理は、本１冊分の処理を示し、全ての書籍について処理が行われるまで繰り返し実行される。

ステップＳ１において、辞書作成装置１の未知語判定プログラム２５は、記憶部１２に記憶されている書籍のOCRデータを入力する。

ステップＳ２において、辞書作成装置１の未知語判定プログラム２５は、ステップＳ１の処理で入力した表紙および背表紙のOCRデータから、テキストデータを取得する。

例えば、先頭に「ISBN（International
Standard Book Number）」、その後が数字の羅列であれば、ISBNコードとして取得する。ISBNは、世界共通で図書（書籍）を特定するための番号である。また、例えば、大きい文字サイズの文字列を、作品名の一部として取得する。また、例えば、「著」、「監修」、「編」等の文字があれば、その前（又は上）の文字列を、作者（著者、監修者、編集者等）として取得する。

ステップＳ３において、辞書作成装置１の未知語判定プログラム２５は、ステップＳ２の処理で取得したテキストデータと、書誌情報データベース２１を照合し、本のジャンルおよび作者を特定する。

なお、ステップＳ２の処理でISBNコードが正確に認識できた場合には、ステップＳ３において、本を一意に特定することができる。つまり、Ｓ２の処理で作品名や著者名を取得するのは、ISBNコードの一部が認識できなかった場合に検索語として用いたり、本のジャンルや作者が特定された結果を検証したりする為である。

ステップＳ４において、辞書作成装置１の未知語判定プログラム２５は、処理対象の語句を特定する。

ここで、処理対象の語句として、文章をどこで区切るか、という問題がある。例えば、「本能寺の変」は、通常の形態素解析では「本能寺／の／変」と３つに区分される。そこで、「本能寺」と「本能寺の変」の両方を、処理対象の語句としても良い。つまり、「名詞」だけでなく、「名詞」＋「助詞」＋「名詞」なども、処理対象の語句としても良い。

ステップＳ５において、辞書作成装置１の未知語判定プログラム２５は、ステップＳ４の処理で特定した処理対象の語句が、標準辞書データベース２４、ジャンル別辞書データベース２３、作者別辞書データベース２２に登録されているか否かを判定し、登録されていないと判定した場合、未知語の登録処理を実行する辞書登録プログラム２６に処理を引き渡す（ステップＳ６）。ステップＳ６については、図４を参照しながら後述する。

ステップＳ５において、辞書作成装置１の未知語判定プログラム２５は、ステップＳ４の処理で特定した処理対象の語句が、標準辞書データベース２４、ジャンル別辞書データベース２３、作者別辞書データベース２２に登録されていると判定した場合、ステップＳ６の処理をスキップし、ステップＳ７に進む。

ステップＳ７において、辞書作成装置１の未知語判定プログラム２５は、当該書籍のOCRデータの最後か否かを判定し、まだ処理していないOCRデータがあると判定した場合には、ステップＳ４に戻り、上述した処理を繰り返し実行する。そして、ステップＳ７において、辞書作成装置１の未知語判定プログラム２５は、当該書籍のOCRデータの最後であると判定した場合、処理を終了する。

次に、図４のフローチャートを参照して、辞書作成装置１の辞書登録プログラム２６が実行する、未知語登録処理について説明する。なお、この処理は、未知語１語句分の処理を示し、全ての未知語について辞書データベースへの登録処理が行われるまで繰り返し実行される。

ステップＳ１１において、辞書作成装置１の作者別辞書登録プログラム２６Ａは、特定された作者の作者別辞書データベース２２に未知語を登録する。

ステップＳ１２において、辞書作成装置１のジャンル別辞書登録プログラム２６Ｂは、処理対象の未知語が登録されている他の作者別辞書データベース２２を検索し、検索結果を、ジャンル別辞書登録画面として表示部１６に表示させる。

ステップＳ１３において、辞書作成装置１のジャンル別辞書登録プログラム２６Ｂは、ユーザによりジャンル別辞書登録画面３１上で登録するデータベースが選択されたか否かを判定し、登録するデータベースが選択されるまで待機する。なお、後述する図７に示すキャンセルボタン３１ｆが押下された場合には、処理を終了する。

ステップＳ１３において、辞書作成装置１のジャンル別辞書登録プログラム２６Ｂは、ユーザによりジャンル別辞書登録画面３１上で登録するデータベースが選択されたと判定した場合、ステップＳ１４に進み、未知語を、選択されたデータベースに登録する。

次に、具体的な例を挙げて、図３、図４に示す処理について説明する。

例えば、本αのOCRデータから、ジャンルとして「歴史」が特定され、作者として「作者Ａ」が特定される（図３のステップＳ３参照）。また処理対象の語句として「本能寺の変」が特定される（図３のステップＳ４参照）。そして、処理対象の語句が、特定された「作者Ａ」の作者Ａ用辞書データベース２２Ａに登録されていない場合には（図３のステップＳ５参照）、処理対象の語句が、未知語であるとして、作者Ａ用辞書データベース２２Ａに登録される。これにより、図５に示すように、「本能寺の変」が第３階層データベースである作者Ａ用辞書データベース２２Ａに登録される。

このように、本αをOCRしたことにより、「歴史」と「作者Ａ」が特定され、未知語として検出された「本能寺の変」が作者Ａ用辞書データベース２２Ａに登録される。従って、以後、作者Ａの別の本をOCRしても、「本能寺の変」は認識され、正確な言語解析を行うことができる。

次に、例えば、本βのOCRデータから、ジャンルとして「歴史」が特定され、作者として「作者Ｂ」が特定される（図３のステップＳ３参照）。また処理対象の語句として「本能寺の変」が特定される（図３のステップＳ４参照）。そして、処理対象の語句が、特定された「作者Ｂ」の作者Ｂ用辞書データベース２２Ｂに登録されていない場合には（図３のステップＳ５参照）、処理対象の語句が、未知語であるとして、作者Ｂ用辞書データベース２２Ｂに登録される。これにより、図６に示すように、「本能寺の変」が第３階層データベースである作者Ｂ用辞書データベース２２Ｂに登録される。

このように、本βをOCRしたことにより、「歴史」と「作者Ｂ」が特定され、未知語として検出された「本能寺の変」が作者Ｂ用辞書データベース２２Ｂに登録される。従って、以後、作者Ｂの別の本をOCRしても、「本能寺の変」は認識され、正確な言語解析を行うことができる。

以上、本α、本βをOCRしたことにより、作者Ａ用辞書データベース２２Ａ、作者Ｂ用辞書データベース２２Ｂに、それぞれ「本能寺の変」という語句が登録される。従って、後述するようにして、ユーザがデータベースを整理する際、格段の専門知識が無くても、「本能寺の変」という単語を上位階層のジャンル別辞書データベース２３（例えば、歴史用辞書データベース２３Ａ）に登録するか否かの判断を容易に行うことが可能となる。

図７は、ジャンル別辞書登録画面３１の表示例を示す図である。

図７に示すように、ジャンル別辞書登録画面３１には、登録語、２つの登録済の作者別辞書（１）、（２）が表示されているとともに、新たに登録する辞書を選択するための選択ボックス３１ａ、３１ｂ、３１ｃ、３１ｄが表示されている。また、選択内容を決定する場合に選択される決定ボタン３１ｅ、操作を中止する場合に操作されるキャンセルボタン３１ｆも表示されている。

図７の例の場合、登録語として「本能寺の変」が表示されており、「本能寺の変」が既に登録されている作者別辞書（１）（作者Ａ用辞書データベース２２Ａ）の属性として「作者：Ａ」、「ジャンル：歴史」が表示され、作者別辞書（２）（作者Ｂ用辞書データベース２２Ｂ）の属性として「作者：Ｂ」、「ジャンル：歴史」が表示されている。

図７に示すジャンル別辞書登録画面３１を確認したユーザは、「本能寺の変」という登録語には、「歴史」のジャンルが共通していることを認識することができる。従って、入力部１５を用いて、選択ボックス３１ａの中から「歴史」を選択し、決定ボタン３１ｅを押下することにより、ジャンル別辞書（１）（歴史用辞書データベース２３Ａ）に「本能寺の変」を新たに登録することができる。このとき、ジャンル別辞書登録プログラム２６Ｂは、既に登録されている作者別辞書データベース２２に「歴史」のジャンルを関連付ける。これにより、図８に示すように、「本能寺の変」が第２階層データベースである歴史用辞書データベース２３Ａに登録され、第３階層データベースである作者Ａ用辞書データベース２２Ａ、作者Ｂ用辞書データベース２２Ｂに、上位階層データベースのジャンルである「歴史」が関連付けられる。

また、例えば、辞書作成装置１のジャンル別辞書登録プログラム２６Ｂは、ステップＳ１２の処理の他の検索結果として、図９に示すようなジャンル別辞書登録画面３１を表示部１６に表示させる。

図９の例の場合、登録語として「本能寺の変」が表示されており、「本能寺の変」が既に登録されている作者別辞書（１）（作者Ａ用辞書データベース２２Ａ）の属性として「作者：Ａ」、「ジャンル：歴史」が表示され、作者別辞書（２）（作者Ｂ用辞書データベース２２Ｂ）の属性として「作者：Ｂ」、「ジャンル：歴史」が表示され、作者別辞書（３）（図２では図示せず）の属性として「作者：Ｘ」、「ジャンル：文芸」が表示されている。

図９に示すジャンル別辞書登録画面３１を確認したユーザは、「本能寺の変」という登録語には、「歴史」、「文芸」のジャンルが共通していることを認識することができる。従って、入力部１５を用いて、選択ボックス３１ａの中から「歴史」を選択し、選択ボックス３１ｂの中から「文芸」を選択し、決定ボタン３１ｅを押下することにより、ジャンル別辞書（１）（歴史用辞書データベース２３Ａ）およびジャンル別辞書（２）（文芸用辞書データベース２３Ｂ）に「本能寺の変」を新たに登録することができる。また、ユーザは、「本能寺の変」を最も上位階層の標準辞書にも登録する場合には、選択ボックス３１ｄにチェックを入れることにより、標準辞書データベース２４に「本能寺の変」を新たに登録することができる。

これにより、図１０に示すように、「本能寺の変」が第１階層データベースである標準辞書データベース２４に登録されるとともに、第２階層データベースである歴史用辞書データベース２３Ａ、文芸用辞書データベース２３Ｂにも登録される。そして、第２階層データベースである歴史用辞書データベース２３Ａ、文芸用辞書データベース２３Ｂに、上位階層データベースのジャンルである「標準」が関連付けられ、第３階層データベースである作者Ａ用辞書データベース２２Ａ、作者Ｂ用辞書データベース２２Ｂに、上位階層データベースのジャンルである「標準／歴史」、「標準／文芸」がそれぞれ関連付けられる。

［発明の実施の形態における効果］
１．以上、本発明の実施の形態における辞書作成装置１によれば、自動的に、未知語を作者別に登録することができ、その作者別辞書を用いて正確に言語解析を行うことが可能となる。

２．また作者別辞書を表示させることで、ユーザが、作者別辞書にそれぞれ登録されている未知語に共通するジャンルを容易に認識することができるため、簡単な操作で、未知語を新たにジャンル別に登録することができる。つまり、少ない負担で言語解析用のジャンル別辞書を正確かつ詳細に構築することができ、言語解析プログラム２７がジャンルに適した正確な言語解析を行うことが可能となる。ひいては、書籍のデジタル化を迅速かつ正確に行うことが可能となる。

３．また、言語解析用の辞書を正確かつ詳細に構築することにより、ユーザが新たな情報（メタデータ）を登録することができる。

図１１は、第３階層データベースである作者別辞書データベース２２に、メタデータが追加された一例を示す図である。

図１１の例では、「本能寺の変」という未知語が、作者Ａ用辞書データベース２２Ａ、作者Ｂ用辞書データベース２２Ｂ、作者Ｃ用辞書データベース２３Ｃ（図２では図示せず）にそれぞれ登録されている。また、作者Ａ用辞書データベース２２Ａに「本α」の作品名、作者Ｂ用辞書データベース２２Ｂに「本β」の作品名、作者Ｃ用辞書データベース２３Ｃに「本γ」の作品名がそれぞれ登録されている。なお、「作品」の属性は、図３のステップＳ３の処理で本のジャンルや作者とともに作品名も特定させておくことにより、図３のステップＳ６の処理（図４の処理）で、未知語と一緒に作者別辞書データベース２２に登録される。

ここで、作者によって、「本能寺の変」の首謀者が「豊臣秀吉」考える人と、「明智光秀」と考える人がいるが、作者Ａは「豊臣秀吉首謀説」、作者Ｂ、作者Ｃは「明智光秀首謀説」を唱えているとすると、ユーザは、それらの主張をメタデータとして登録（追加）することができる。メタデータの登録方法は、図７や図９に示したジャンル別辞書登録画面３１上にメタデータ入力欄を設け、ジャンル別辞書登録の際にメタデータの入力を行わせるようにしてもよいし、ジャンル別辞書データベース２３が作成された後でメタデータ登録画面を新たに表示させ、メタデータの入力を行わせるようにしても良く、その方法は特に問わない。

以上のようにして、新たなメタデータの登録を行うことにより、言語解析用の辞書をさらに詳細に構築することが可能となる。

４．また、メタデータを登録することにより、本の関連付け（リンク）を行い、より詳細に書籍の分類・整理・認識を行うことが可能となる。

例えば、辞書作成装置１の制御部１１は、ユーザが入力部１５を用いて本のリンク登録を指示すると、図１２に示すようなリンク登録画面３３を表示部１６に表示させる。

図１２に示すように、リンク登録画面３３には、リンク元の書籍名（「本γ（明智光秀首謀説を主張）」）、リンク箇所となる登録語（「本能寺の変」）、２つのリンクさせる本の候補（「本α（豊臣秀吉首謀説を主張）」、「本β（明智光秀首謀説を主張）」）が表示されているとともに、リンクさせる本を選択するための選択ボックス３３ａが表示されている。また、リンクさせる本の内容を決定する場合に操作される決定ボタン３３ｂ、操作を中止する場合に操作されるキャンセルボタン３３ｃも表示されている。

図１２に示すリンク登録画面３３を確認したユーザは、「本γ」の「本能寺の変」というリンク箇所にリンクさせる本として、選択ボックス３３ａの中から、同様の主張を唱える「本α」を選択し、決定ボタン３３ｂを押下することにより、図１３に示すように、第３階層データベースである作者別辞書データベース２２の作者Ｃ用辞書データベース２２Ｃ（図２では図示せず）に「link：本α」というタグを登録することができる。

これにより、作者Ｃの本をOCRまたは過去の作者Ｃの本のOCRデータを再度言語解析した場合、「本能寺の変」という語句に「link」というタグを付けることが可能となる。従って、ユーザが、本γの電子書籍を読んでいた際に「本能寺の変」の文字をクリックした場合、同様の主張を唱える本αにリンクされ、本αの内容を容易に参照することができる。

［変形例］
図４に示したジャンル別辞書登録処理では、ユーザからの登録指示に応じて、ジャンル別辞書データベース２３に共通の登録語（未知語）を登録するようにしたが、これに限らず、例えば、所定数以上の作者別辞書データベース２２に同じジャンルで登録語が登録されている場合、辞書作成装置１が、そのジャンルを検出し、自動的に登録するようにしても良い。
また、本実施例では、作者別辞書、ジャンル別辞書を用意したが図１４のように一つの辞書にまとめて記載してもよい。第１フィールドには未知語を登録し、第４フィールドには図３のS３で取得した作者名とジャンルを登録している。第３フィールドには、図９に記載されているジャンル別辞書登録画面を用いて、ユーザが第４フィールドに入力されているジャンルを参照して、入力したジャンルが登録されている。第２フィールドには第３フィールドに登録されたジャンルが複数に渡る場合に、図９に記載されているジャンル別辞書登録画面を用いて、ユーザが標準辞書として登録したときに「標準」が登録される。

以上、添付図面を参照しながら、本発明に係る辞書作成装置等の好適な実施形態について説明したが、本発明はかかる例に限定されない。当業者であれば、本願で開示した技術的思想の範疇内において、各種の変更例又は修正例に想到し得ることは明らかであり、それらについても当然に本発明の技術的範囲に属するものと了解される。

１………辞書作成装置
１１………制御部
１２………記憶部
１５………入力部
１６………表示部
２１………書誌情報データベース
２２………作者別辞書データベース
２３………ジャンル別辞書データベース
２５………未知語判定プログラム
２６………辞書登録プログラム

Claims (5)

1. 本の文章が光学的に読み取られた文書データからテキストデータを取得する取得手段と、
   前記本の属性に関する情報を記憶する書誌情報記憶手段と、
   前記取得手段によって取得された前記テキストデータと、前記書誌情報記憶手段に記憶されている前記本の属性に関する情報とを照合し、作者情報とジャンル情報を取得する属性照合手段と、
   前記取得手段によって取得された前記テキストデータに含まれる語句が、未知語か否かを判定する未知語判定手段と、
   前記未知語判定手段により判定された前記未知語を、前記属性照合手段により照合された前記作者情報に対応付けられた作者別辞書記憶手段に前記ジャンル情報と共に登録する登録手段と、
   前記未知語が登録されている前記作者情報及び他の作者情報に対応付られた前記作者別辞書記憶手段からジャンル情報を検索する検索手段と、
   を備え、
   前記登録手段は、更に、前記検索手段により検索された前記ジャンル情報に基づいて、前記ジャンル情報に対応付けられたジャンル別辞書記憶手段に前記未知語を登録する
   ことを特徴とする辞書作成装置。
2. 前記検索手段による検索結果の画面を表示する表示手段をさらに備え、
   前記登録手段は、前記表示手段により表示された前記画面上で前記ジャンル情報の指示を受け付けた場合、前記ジャンル情報に対応付けられた前記ジャンル別辞書記憶手段に前記未知語を登録する
   ことを特徴とする請求項１に記載の辞書作成装置。
3. 前記ジャンル別辞書記憶手段は、ジャンル別に前記未知語を記憶する
   ことを特徴とする請求項２に記載の辞書作成装置。
4. 本の属性に関する情報を記憶する書誌情報記憶手段と、作者情報に対応付けられた作者別辞書記憶手段と、ジャンル情報に対応付けられたジャンル別辞書記憶手段とを備える辞書作成装置が行う辞書作成方法であって、
   前記辞書作成装置の制御部が、本の文章が光学的に読み取られた文書データからテキストデータを取得する取得ステップと、
   前記制御部が、前記取得ステップによって取得された前記テキストデータと、前記書誌情報記憶手段に記憶されている前記本の属性に関する情報とを照合し、作者情報とジャンル情報を取得する属性照合ステップと、
   前記制御部が、前記取得ステップによって取得された前記テキストデータに含まれる語句が、未知語か否かを判定する未知語判定ステップと、
   前記制御部が、前記未知語判定ステップにより判定された前記未知語を、前記属性照合ステップにより照合された前記作者情報に対応付けられた前記作者別辞書記憶手段に前記ジャンル情報と共に登録する登録ステップと、
   前記未知語が登録されている前記作者情報及び他の作者情報に対応付られた前記作者別辞書記憶手段からジャンル情報を検索する検索ステップと、
   を含み、
   前記登録ステップは、更に、前記検索ステップにより検索された前記ジャンル情報に基づいて、前記ジャンル情報に対応付けられたジャンル別辞書記憶手段に前記未知語を登録する
   ことを特徴とする辞書作成方法。
5. コンピュータに、
   本の文章が光学的に読み取られた文書データからテキストデータを取得する取得ステップと、
   前記取得ステップによって取得された前記テキストデータと、前記本の属性に関する情報を記憶する書誌情報記憶手段に記憶されている前記本の属性に関する情報とを照合し、作者情報とジャンル情報を取得する属性照合ステップと、
   前記取得ステップによって取得された前記テキストデータに含まれる語句が、未知語か否かを判定する未知語判定ステップと、
   前記未知語判定ステップにより判定された前記未知語を、前記属性照合ステップにより照合された前記作者情報に対応付けられた作者別辞書記憶手段に前記ジャンル情報と共に登録する登録ステップと、
   前記未知語が登録されている前記作者情報及び他の作者情報に対応付られた前記作者別辞書記憶手段からジャンル情報を検索する検索ステップと、
   を実行させ、
   前記登録ステップは、更に、前記検索ステップにより検索された前記ジャンル情報に基づいて、前記ジャンル情報に対応付けられたジャンル別辞書記憶手段に前記未知語を登録する
   ことを特徴とするプログラム。

Images