JP5758262B2

JP5758262B2 - 類似文書可視化装置、類似文書可視化方法およびプログラム

Info

Publication number: JP5758262B2
Application number: JP2011222164A
Authority: JP
Inventors: 田中　俊介; 俊介田中; 高木　徹; 徹高木; 高志末永
Original assignee: NTT Data Corp
Current assignee: NTT Data Corp
Priority date: 2011-10-06
Filing date: 2011-10-06
Publication date: 2015-08-05
Anticipated expiration: 2031-10-06
Also published as: JP2013084060A

Description

本発明は、類似文書可視化装置、類似文書可視化方法およびプログラムに関する。

近年、データの記憶媒体の大容量化・低価格化が急速に進んでおり、作成される文書データ量も膨大になってきている。そのため、類似する文書データ間の差分や関係を利用者に提示し、利用者による文書データ群内の文書データの理解効率を高める技術が一般に用いられている。

例えば、文書データ同士の内容を比較して文書データ間の類似パターンを判定し、文書データの最終更新日に基づいて配列して表示する技術が用いられている（特許文献１）。

特開２０１０−０６１５８７号公報

しかし、特許文献１に記載の技術では、文書データの最終更新日の情報が必ずしも正確な情報であるとは限らないため、正確な情報に基づいて配列されない可能性があり、利用者にとって、表示された文書データ群内の文書データを効率よく理解すること（理解効率）が困難となる場合がある。したがって特許文献１に記載の技術では、文書データ群内の文書データの理解効率を高めるという観点からみると未だ十分とは言えない。

本発明は、上述のような事情に鑑みてなされたものであり、文書データ群内の文書データの理解効率を高めることのできる類似文書可視化装置、類似文書可視化方法およびプログラムを提供することを目的としている。

上記目的を達成するため、本発明の第１の観点に係る類似文書可視化装置は、
文書データ群に含まれる複数の文書データの各二文書データ間の内容の類似度を算出する類似度算出手段と、
前記文書データ群に含まれる文書データのうち利用者により選択された文書データに類似する一又は複数の文書データを前記類似度算出手段で算出した類似度に基づいて抽出する文書データ抽出手段と、
前記文書データ抽出手段で抽出した文書データを識別する識別記号と前記利用者に選択された文書データを識別する識別記号とを各文書データの文字数に基づいて整列して表示する識別表示整列手段と、
前記識別表示整列手段で表示した識別記号同士をリンクするリンク記号を選択可能に表示するリンク表示手段と、
前記リンク記号が利用者から選択されたことに応じて、該リンクされている識別記号に対応する文書データをそれぞれ特定する文書データ特定手段と、
類似度に対応付けられて予め複数記憶されている類似情報のうち、前記文書データ特定手段で特定した文書データ間の類似度に対応する類似情報を表示する類似情報表示手段と、を備え、
前記類似度算出手段は、二文書データ間の内容を各文書データのページ毎に比較してページ毎の類似度を算出するページ別類似度算出手段を含み、
前記類似情報表示手段は、前記ページ毎の類似度に基づいて利用者の操作を分類して表示する、
ことを特徴とする。

前記識別表示整列手段で整列した識別記号それぞれに対応する文書データについて、該文書データと最も類似度の高い文書データを前記類似度算出手段に基づいて判定する類似度判定手段をさらに備え、
前記リンク表示手段は、
前記類似度判定手段で判定した類似度の文書データの識別記号同士をリンクするリンク記号を選択可能に表示する、ようにしてもよい。

前記類似度算出手段は、
前記ページ別類似度算出手段で算出したページ毎の類似度に基づいて前記二文書データ間の類似度を算出し、
前記類似情報表示手段は、
前記ページ別類似度算出手段で算出したページ毎の類似度に基づいて前記文書データ特定手段で特定した文書データ間のページ毎の類似情報を表示する、ようにしてもよい。

上記目的を達成するため、本発明の第２の観点に係る類似文書可視化方法は、
文書データ群に含まれる複数の文書データの各二文書データ間の内容の類似度を算出する類似度算出ステップと、
前記文書データ群に含まれる文書データのうち利用者により選択された文書データに類似する一又は複数の文書データを前記類似度算出ステップで算出した類似度に基づいて抽出する文書データ抽出ステップと、
前記文書データ抽出ステップで抽出した文書データを識別する識別記号と前記利用者に選択された文書データを識別する識別記号とを各文書データの文字数に基づいて整列して表示する識別表示整列ステップと、
前記識別表示整列ステップで表示した識別記号同士をリンクするリンク記号を選択可能に表示するリンク表示ステップと、
前記リンク記号が利用者から選択されたことに応じて、該リンクされている識別記号に対応する文書データをそれぞれ特定する文書データ特定ステップと、
類似度に対応付けられて予め複数記憶されている類似情報のうち、前記文書データ特定ステップで特定した文書データ間の類似度に対応する類似情報を表示する類似情報表示ステップと、を備え、
前記類似度算出ステップは、二文書データ間の内容を各文書データのページ毎に比較してページ毎の類似度を算出するページ別類似度算出ステップを含み、
前記類似情報表示ステップでは、前記ページ毎の類似度に基づいて利用者の操作を分類して表示する、
ことを特徴とする。

上記目的を達成するため、本発明の第３の観点に係るプログラムは、
コンピュータを、
文書データ群に含まれる複数の文書データの各二文書データ間の内容の類似度を算出する類似度算出手段、
前記文書データ群に含まれる文書データのうち利用者により選択された文書データに類似する一又は複数の文書データを前記類似度算出手段で算出した類似度に基づいて抽出する文書データ抽出手段、
前記文書データ抽出手段で抽出した文書データを識別する識別記号と前記利用者に選択された文書データを識別する識別記号とを各文書データの文字数に基づいて整列して表示する識別表示整列手段、
前記識別表示整列手段で表示した識別記号同士をリンクするリンク記号を選択可能に表示するリンク表示手段、
前記リンク記号が利用者から選択されたことに応じて、該リンクされている識別記号に対応する文書データをそれぞれ特定する文書データ特定手段、
類似度に対応付けられて予め複数記憶されている類似情報のうち、前記文書データ特定手段で特定した文書データ間の類似度に対応する類似情報を表示する類似情報表示手段、として機能させ、
前記類似度算出手段は、二文書データ間の内容を各文書データのページ毎に比較してページ毎の類似度を算出するページ別類似度算出手段を含み、
前記類似情報表示手段は、前記ページ毎の類似度に基づいて利用者の操作を分類して表示する、
ことを特徴とする。

本発明によれば、文書データ群内の文書データの理解効率を高めることのできる類似文書可視化装置、類似文書可視化方法およびプログラムを提供することができる。

本発明の実施形態に係る類似文書可視化装置の一例を示すブロック図である。本発明の実施形態に係る類似文書可視化装置にて行われる類似度判定処理の一手順を示すフローチャートである。本発明の実施形態に係る類似文書可視化装置にて行われる類似関係分類処理の一手順を示すフローチャートである。文書データ群に含まれる文書データの一例を示す図である。ページリストの一例を示す図である。類似関係テーブルの一例を示す図である。本発明の実施形態に係る類似文書可視化装置にて行われるツリー表示処理の一手順を示すフローチャートである。表示部に表示されるツリー表示の一例を示す図である。本発明の実施形態に係る類似文書可視化装置にて行われる差分表示処理の一手順を示すフローチャートである。表示部に表示される差分表示の一例を示す図である。

以下、本発明の実施形態に係る類似文書可視化装置１００を、図面を参照して説明する。

本実施形態に係る類似文書可視化装置１００は、文書データ群の中から選択された文書データの内容とその他の複数の文書データの内容とを比較して類似度を算出し、類似度に応じて所定の文書データに類似する文書データをツリー状でかつ選択可能に表示し、利用者からの選択に基づいて二文書データ間の差分内容を表示する、プログラム制御により動作するコンピュータである。

類似文書可視化装置１００は、図１に示すように、入力部２１０と、表示部２２０と、記憶部２３０と、制御部２４０と、上記各部を相互に接続するシステムバス２６０を備えている。

入力部２１０は、例えば、キーボードやマウス等であり、表示部２２０は、例えば、入力画面やユーザにより入力された情報を後述する制御部２４０を介して表示するモニター等である。

記憶部２３０は、フラッシュメモリ、ハードディスク等の不揮発性メモリから構成され、プログラム２３１が格納される。記憶部２３０には、制御部２４０の各機能部を実現させるためのプログラム２３１や文書データ群に含まれる各文書データのページ数等の情報を示す文書データ情報２３２が記憶されている。

プログラム２３１は、二文書データ間の差分値を算出して文書データ間のページ毎の類似度を示すリストを作成や二文書データ間の文書データ間の類似度や類似関係等を示すテーブルを作成する類似度判定処理や、類似度に応じて所定の文書データに類似する文書データをツリー状で且つ選択可能に表示するツリー表示処理や、利用者からの選択に応じて文書データ間の差分を表示する差分表示処理等が記載されたプログラムである。

文書データ情報２３２は、図示は省略するが、文書データ群に含まれる各文書データのページ数や文書データ群に含まれる文書データの文書データ数を示す情報である。

制御部２４０は、ＣＰＵ等から構成される。制御部２４０は、プログラム２３１に従って動作し、類似度判定処理やツリー表示処理、及び、差分表示処理に必要な機能を提供する。制御部２４０は、プログラム２３１により提供される主要な機能部として、類似度判定部２４１と、ツリー表示部２４２と、差分箇所表示部２４３を備えている。

類似度判定部２４１は、文書データ群の中の文書データ同士を全て比較し、所定の算出方法に基づいて各文書データ間の類似度を算出する。具体的には、任意の文書データの内容をページ毎に他の文書データの全ページの内容と１文字ずつ比較し、一致している文字数をカウントする。そして予め定められているページ別類似度算出式にカウント値を代入することにより、ページ別の類似度を算出する。そして、予め定められている文書データ間類似度算出式に、算出したページ別の類似度をそれぞれ代入することにより、文書データ間の類似度を算出する。また、類似度判定部２４１は、算出した文書データ間の類似度と予め定められた閾値とを比較して、文書データ間の類似関係を判定する。類似関係は、文書データ間の類似度に応じた段階別の分類を示す。本実施形態では、類似する程度が大きいものから順に、「類似文書データ」、「一部流用」、「関係性なし」といった３つの分類が設定されており、文書データ間の類似関係は、これらのいずれかに分類されることになる。なお、文書データ間の類似度や類似関係は、図６に示すような類似関係テーブルとして記憶部２３０に格納される。また、ページ別の類似度についても記憶部２３０に格納される。

類似関係テーブルは、文書データ群に含まれる全ての文書データについて、文書データ間の類似度、分類された類似関係、各文書データのページリスト、文書データ間の類似度の算出式をそれぞれ示すテーブルである。なお、図６に示す例では、文書データ群に文書データＡ〜Ｄが含まれ、文書データ間の類似度や類似関係等の情報が示されているが、類似関係テーブルに示される各情報の生成方法については後述する。

ツリー表示部２４２は、利用者から任意の文書データが選択されることに基づいて、記憶部２３０に格納されている類似関係テーブルから、選択された文書データに対して「類似文書データ」、「一部流用」関係にある文書データを検索し、該当する文書データを抽出する。そして当該選択された文書データを基準文書データとして、基準文書データと検索された各文書データをそれぞれ類似度の高い順に双方向に結線し、ツリー構造を生成して表示部２２０へ供給する。

差分箇所表示部２４３は、記憶部２３０に格納されたページ別の類似度に基づいて、表示部２２０に選択可能に表示されたツリー構造のうち、利用者に選択された結線で結ばれる文書データ同士の差分をページ毎に表示する。具体的には、図１０に示すように、文書データＡから文書データＢへ向かう結線が利用者により選択された場合には、文書データＢが文書データＡにからどのように作成されるのかを示す情報を表示する。一方、文書データＢから文書データＡへ向かう結線が選択された場合には、文書データＡが文書データＢからどのように作成されるのかを示す情報を表示する。なお、差分箇所表示部２４３の詳細な動作については後述する。

以上が、類似文書可視化装置１００の構成である。続いて、類似文書可視化装置１００の動作について、図２〜図１０を参照して説明する。

まず、類似度判定処理について図２を参照して説明する。類似度判定処理は、利用者が入力部２１０を操作することにより、入力部２１０から制御部２４０に操作指示が供給されることに応じて開始される。

制御部２４０は、類似度判定部２４１の機能により以下に示す処理を行う。制御部２４０は、文書データ群の中から任意の一文書データを基準文書データとして選択する（ステップＳ１０１）。続いて制御部２４０は、文書データ群の中からステップＳ１０１で選択した文書データ以外の任意の文書データを比較文書データとして選択する（ステップＳ１０２）。

続いて制御部２４０は、選択した２つの文書データを比較して二文書データ間の類似関係を分類する類似関係分類処理を実行する（ステップＳ１０３）。類似関係分類処理の詳細については後述する。制御部２４０は、基準文書データと、文書データ群に含まれる比較文書データのうちの全ての比較文書データについて類似関係分類処理が実行されたか否かを判定する（ステップＳ１０４）。ステップＳ１０１の処理にて文書データＡが選択された場合には、文書データＡと文書データＢ〜Ｄそれぞれについて類似関係分類処理が実行されたか否かを判定する。基準文書データと全ての比較文書データについて類似関係分類処理が実行されたと判定した場合（ステップＳ１０４；Ｙｅｓ）、制御部２４０は、文書データ群に含まれる全ての文書データが基準文書データとして選択されたか否かを判定する（ステップＳ１０５）。一方、ステップＳ１０４の処理において、基準文書データと全ての比較文書データについて類似関係分類処理が実行されていないと判定した場合（ステップＳ１０４；Ｎｏ）、制御部２４０は、ステップＳ１０２に戻り、文書データ群に含まれる比較文書データのうち、既に選択済みでない文書データを比較文書データとして選択し、上記ステップＳ１０３〜Ｓ１０４の処理を繰り返す。

ステップＳ１０５の処理において、文書データ群に含まれる全ての文書データが基準文書データとして選択されたと判定した場合（ステップＳ１０５；Ｙｅｓ）、制御部２４０は処理を終了する。一方、文書データ群に含まれる全ての文書データが基準文書データとして選択されていないと判定した場合（ステップＳ１０５；Ｎｏ）、制御部２４０は、ステップＳ１０１に戻り、未だ選択されていない文書データを基準文書データとして選択し、ステップＳ１０２以降の処理を実行する。

次に、ステップＳ１０３における類似関係分類処理について、図３を参照して説明する。まず、制御部２４０は、基準文書データの一のページと比較文書データの全ページとを１ページ毎に順に比較する（ステップＳ２０１）。具体的には、基準文書データと比較文書データの内容を比較し、一致した文字数をカウントして記憶部２３０にカウント値を記憶する。なお、基準文書データ及び比較文書データのうち、図表が含まれているものはテキストのみを抽出してテキスト同士を比較する。

続いて制御部２４０は、記憶部２３０に記憶したカウント値に基づいて、基準文書データの一のページと比較文書データの各ページにおける類似度を算出する（ステップＳ２０２）。具体的には、予め設定されているページ別類似度算出式に基づいて類似度を算出する。本実施形態におけるページ別類似度算出式は、例えば、次の式（１）に示す内容で設定されている。
類似度＝カウント値×２÷（基準文書データの文字数＋比較文書データの文字数）・・・（１）

次に、制御部２４０は、算出したページ毎の類似度が予め設定された閾値以上であるか否かをページ毎にそれぞれ判定して、閾値以上であるページが存在するか否かを判別する（ステップＳ２０３）。閾値以上であるページが存在しないと判別した場合（ステップＳ２０３；Ｎｏ）、制御部２４０は、基準文書データの当該ページ番号に対応する類似度を「０」、比較文書データのページ番号を「ｘ」として図５（Ｂ）に示すようなページリスト１に記録する（ステップＳ２０４）。なお、ページリスト１は記憶部２３０に格納される。図３に戻り、閾値以上であるページが存在すると判定した場合（ステップＳ２０３；Ｙｅｓ）、制御部２４０は、算出したページ毎の類似度のうち、最も高い類似度のページ番号を、その類似度とともに、基準文書データの当該ページ番号に対応する比較文書データのページ番号及び類似度としてページリスト１に記録する（ステップＳ２０５）。

続いて制御部２４０は、基準文書データの全てのページについて上記ステップＳ２０１〜Ｓ２０４またはステップＳ２０１〜Ｓ２０５の処理を実行したか否かを判定する（ステップＳ２０６）。基準文書データの全てのページについて処理を実行していないと判定した場合（ステップＳ２０６；Ｎｏ）、制御部２４０は、基準文書データのページ番号を１加算して次のページを比較ページとの比較対象とし（ステップＳ２０７）、ステップＳ２０１の処理に戻る。

一方、基本文書データの全てのページについて処理を実行したと判定した場合（ステップＳ２０６；Ｙｅｓ）、制御部２４０は、基準文書データと比較文書データを入れ替えて上記ステップＳ２０１〜Ｓ２０７の処理を実行する（ステップＳ２０８）。具体的には、ステップＳ１０１で選択された基準文書データを比較文書データに、ステップＳ１０２で選択された比較文書データを基準文書データとして、ステップＳ２０１〜Ｓ２０６の処理を実行する。この場合、ステップＳ２０４及びＳ２０５において記録されるページリストは、ページリスト１とは異なるページリスト２とする。

次に、制御部２４０は、文書データ間類似度算出式に基づいて文書データ間の類似度を算出する（ステップＳ２０９）。具体的には、ページリスト１及びページリスト２におけるページ毎の類似度を足し合わせた値を、基準文書データのページ数と比較文書データのページ数を足し合わせた値で割ることにより、文書データ間の類似度を算出する。

続いて制御部２４０は、算出した文書データ間の類似度が予め設定された閾値以上であるか否かを判定する（ステップＳ２１０）。閾値以上であると判定した場合（ステップＳ２１０；Ｙｅｓ）、制御部２４０は、文書データ間の類似関係を「類似文書データ」と判定し、判定した類似関係を、類似度、ページリスト１、ページリスト２、及び、文書データ間の類似度の算出式とともに、図６に示すような類似関係テーブルに記録して（ステップＳ２１１）、処理を終了する。

図３に戻り、閾値未満であると判定した場合には（ステップＳ２１０；Ｎｏ）、類似するページが１ページ以上存在するか否かを判定する（ステップＳ２１２）。類似するページが存在するか否かは、ページリスト１及び２を参照し、類似度が「０」でないページが存在するか否かにより判定し、類似度が「０」でないページが存在する場合には類似するページが存在することになる。類似するページが１ページ以上存在すると判定した場合（ステップＳ２１２；Ｙｅｓ）、制御部２４０は、文書データ間の類似関係を「一部流用」と判定し、判定した類似関係を、類似度、ページリスト１、ページリスト２、及び、文書データ間の類似度の算出式とともに、類似関係テーブルに記録して（ステップＳ２１３）、処理を終了する。一方、類似するページが存在しないと判定した場合（ステップＳ２１２；Ｎｏ）、制御部２４０は、文書データ間の類似関係を「関係性なし」と判定し、判定した類似関係を、類似度、ページリスト１、ページリスト２、及び、文書データ間の類似度の算出式とともに、類似関係テーブルに記録して（ステップＳ２１４）、処理を終了する。

次に、理解を容易にするため、類似度判定処理について、図４に示すように文書データ群に文書データＡ〜Ｄが含まれる場合を例に説明する。文書データＡ〜Ｄそれぞれの内容は、図４に示す内容とする。

まず、制御部２４０は、ステップＳ１０１の処理において文書データ群の中から任意の一文書データを基準文書データとして選択する。この例では、文書データＡを基準文書データとして選択する。続いてステップＳ１０２の処理において文書データＡ以外の文書データを比較文書データとして選択する。この例では、文書データＢを比較文書データとして選択する。

続いてステップＳ１０３の処理において文書データＡと文書データＢについて類似関係分類処理を実行する。類似関係分類処理では、まず、ステップＳ２０１の処理により基準文書データである文書データＡの最初の１ページと比較文書データである文書データＢの全ページが比較され、ステップＳ２０１の処理により、文書データＡの最初の１ページの比較文書データの各ページに対する類似度が算出される。具体的には、文書データＡと文書データＢにおける比較対象のページ毎に、一致している文字数をカウントし、上記式（１）に基づいて類似度を算出する。この例では、文書データＡの１ページ目と文書データＢの１ページ目とでは、６文字が一致しており、文書データＡの１ページ目及び文書データＢの１ページ目はそれぞれ８文字であるため、類似度は０．７５と算出される。また、文書データＡの１ページ目と文書データＢの２ページ目、文書データＡの１ページ目と文書データＢの３ページ目とを比較して類似度を算出する（類似度はそれぞれ０．０８と０）。

次に、ステップＳ２０３の処理において、算出した類似度が予め設定されている閾値以上であるページが存在するか否かを判定する。この例では、閾値が０．６に設定されていることとすると、文書データＡの１ページ目と文書データＢの１ページ目の類似度が０．７５であることから、ステップＳ２０５の処理に移り、文書データＡの１ページ目と文書データＢの１ページ目の類似度が最も高いことから、図５（Ａ）に示すようにページリスト１に各情報を記録する。

続いてステップＳ２０６の処理において、基準文書データである文書データＡの全ページについて処理を実行したか否かを判定し、文書データＡの２ページ目については処理を実行していないため、ステップＳ２０７の処理に移り、文書データＡの２ページ目を比較対象ページとする。そして、再度ステップＳ２０１〜Ｓ２０７の処理を実行する。ステップＳ２０６の処理において今度は基準文書データＡの全ページについて処理を実行したと判定し、ステップＳ２０８の処理に移る。

ステップＳ２０８の処理において、基準文書データである文書データＡを比較文書データに、比較文書データである文書データＢを基準文書データとして基準文書データと比較文書データを入替え、ステップＳ２０１〜Ｓ２０７の処理を実行する。なお、ステップＳ２０８の処理では、ページリスト２に情報が記録される。具体的には、文書データＢの１ページ目から順に文書データＡの全ページを比較して類似度を算出する。この例では、ステップＳ２０３の処理において文書データＢの２ページ目と文書データＡの各ページとの類似度がいずれも閾値未満であることから、ステップＳ２０４の処理により、図５（Ａ）に示すページリスト２における比較文書データのページ番号に「ｘ」を、類似度に０を記録する。

続いてステップＳ２０９の処理において文書データＡと文書データＢにおける文書データ間の類似度を算出する。この例では、ページリスト１及びページリスト２に記録された類似度（０．７５、１、０．７５、０、１）をそれぞれ足し合わせ、その値を文書データＡのページ数（２）と文書データＢのページ数（３）を足し合わせた値で割ることで類似度を算出する。したがって、文書データＡとＢとの間の類似度は（０．７５＋１＋０．７５＋０＋１）÷（２＋３）により算出され、０．７となる。

次に、ステップＳ２１０の処理において、算出した類似度が予め設定されている閾値以上であるか否かを判定する。この例では閾値は０．６に設定されており、文書データＡとＢとの間の類似度は閾値以上であることから、ステップＳ２１１の処理により、文書データ間の類似関係を「類似文書データ」と判定し、図６に示す類似関係テーブルに記録する。そして類似関係分類処理を終了し、ステップＳ１０４に移行する。

ステップＳ１０４の処理において、基準文書データである文書データＡと全ての比較文書データ（文書データＢ〜Ｄ）との間で類似関係分類処理を実行したか否かを判定し、文書データＣや文書データＤを比較文書データとして類似関係分類処理を実行していないため、ステップＳ１０２の処理に戻り、文書データＣ又は文書データＤを比較文書データに選択し、ステップＳ１０３の処理を実行する。ステップＳ１０４の処理において全ての比較文書データ（文書データＢ〜Ｄ）との間で類似関係分類処理を実行したと判定した場合、ステップＳ１０５の処理において文書データＡ〜Ｄのうち全ての文書データが基準文書データとして選択されたか否かを判定する。そして文書データＡ以外の文書データを基準文書データとして選択していないため、ステップＳ１０１に戻り、文書データＢ〜Ｄのいずれかの文書データを基準文書データとして選択してステップＳ１０１〜Ｓ１０５の処理を実行する。ステップＳ１０５の処理において、文書データＡ〜Ｄの全ての文書データを基準文書データとして選択したと判定した場合、類似度判定処理を終了する。

次に、ツリー表示処理について、図７〜図８を参照して説明する。ツリー表示処理は、利用者が入力部２１０を操作することにより、入力部２１０から制御部２４０に操作指示が供給されることに応じて開始される。

制御部２４０は、ツリー表示部２４２の機能により以下に示す処理を行う。制御部２４０は、文書データ群に含まれる文書データのうち、利用者から選択された文書データ（選択文書データ）との類似関係が「類似文書データ」又は「一部流用」である文書データを、記憶部２３０に記憶されている類似関係テーブルから検索し、抽出する（ステップＳ３０１）。

次に、制御部２４０は、選択文書データと抽出した文書データとの文字数をカウントして文字数順に配列し、表示部２２０に表示する（ステップＳ３０２）。具体的には、文字数の少ない文書データから順に配列して表示部２２０に表示する。

続いて制御部２４０は、選択文書データ及び抽出した文書データそれぞれにつき、類似度の最も高い文書データ同士を図８に示すように相互に結線し（ステップＳ３０３）、処理を終了する。具体的には、記憶部２３０に記憶されている類似関係テーブルを参照し、ステップＳ３０１で抽出した文書データのうち選択文書データと最も類似度の高い文書データと選択文書データを相互に結線する。そして、ステップＳ３０１で抽出した「類似文書データ」及び「一部流用」の類似関係の各文書データについて、当該抽出した文書データのうちの類似度の最も高い文書データとそれぞれ相互に結線する。なお、上記ステップＳ３０３までの処理を行い、表示している文書データが島に別れている状態である場合には、島に含まれるそれぞれの文書データの中で、他の島に含まれる文書データのうちの最も類似度が高い文書データと相互に結線し、島同士を結線する。島に別れている状態とは、鎖状に結線されている文書データ群が複数存在する状態をいう。

続いて、理解を容易にするため、類似度判定処理で説明した場合と同様に、ツリー表示処理について、文書データ群に文書データＡ〜Ｄが含まれる場合を例に説明する。ここでは、選択文書データとして利用者から文書データＢが選択されたことを前提とする。

まず、制御部２４０は、ステップＳ３０１の処理において選択文書データである文書データＢとの類似関係が「類似文書データ」または「一部流用」である文書データを記憶部２３０に記憶されている図６に示す類似関係テーブルから検索し、文書データＡ及び文書データＤを抽出する。

続いて制御部２４０は、ステップＳ３０２の処理において、選択文書データである文書データＢと抽出文書データである文書データＡ及びＤの文字数をそれぞれカウントし、文字数順に配列して表示部２２０に表示する。

次に、制御部２４０は、ステップＳ３０３の処理において、記憶部２３０に記憶されている類似関係テーブルを参照し、文書データＢ、文書データＡ、文書データＤのそれぞれについて類似度の最も高い文書データを相互に結線する。具体的には、文書データＢと最も類似度が高い文書データは文書データＡであることから制御部２４０は文書データＡと文書データＢを図８に示すように相互に結線して表示する。また、文書データＤと最も類似度が高いのは文書データＢであることから、文書データＢと文書データＤを相互に結線する。なお、文書データＡと最も類似度が高いのは文書データＢであるが、既に結線されているため文書データＡについては省略する。そして、処理を終了する。

次に、差分表示処理について、図９〜図１０を参照して説明する。差分表示処理は、利用者が入力部２１０を操作することにより、入力部２１０から制御部２４０に操作指示が供給されることに応じて開始される。

制御部２４０は、差分箇所表示部２４３の機能により以下に示す処理を行う。図９に示すように、制御部２４０は、利用者から選択された結線に対応する文書データのページリスト１を記憶部２３０から読み込む（ステップＳ４０１）。

続いて制御部２４０は、読み込んだページリスト１の基準文書データのページ番号と当該基準文書データに対応する比較文書データのページ番号とが一致するか否かを判定する（ステップＳ４０２）。なお、ページ番号の比較は、ページリスト１の先頭から行う。基準文書データのページ番号と比較文書データのページ番号とが一致すると判定した場合（ステップＳ４０２；Ｙｅｓ）、制御部２４０は、対応する類似度が「１」であるか否かをページリストに基づいて判定する（ステップＳ４０３）。類似度が「１」であると判定した場合（ステップＳ４０３；Ｙｅｓ）、制御部２４０は、当該ページについては差分がないと判定し、当該ページについての表示を行わない（ステップＳ４０４）。一方、類似度が「１」でないと判定した場合（ステップＳ４０３；Ｎｏ）、制御部２４０は、当該ページが一部修正された文書データであると判定し、基準文書データのページ番号とともに「コピーして一部修正」と表示部２２０に表示する（ステップＳ４０５）。

基準文書データのページ番号と比較文書データのページ番号とが不一致であると判定した場合（ステップＳ４０２；Ｎｏ）、制御部２４０は、当該比較文書データのページ番号が「ｘ」であるか否かを判定する（ステップＳ４０６）。ページ番号が「ｘ」であると判定した場合（ステップＳ４０６；Ｙｅｓ）、制御部２４０は、当該ページが新規に作成したものであると判定し、表示部２２０に、基準文書データのページ番号とともに「新規作成」と表示部２２０に表示する（ステップＳ４０７）。一方、ページ番号が「ｘ」でないと判定した場合（ステップＳ４０６；Ｎｏ）、制御部２４０は、対応する類似度が「１」であるか否かをページリストに基づいて判定する（ステップＳ４０８）。類似度が「１」であると判定した場合（ステップＳ４０８；Ｙｅｓ）、制御部２４０は、当該ページが比較文書データのページ番号からページ番号を変えてコピーものであると判定し、表示部２２０に、基準文書データのページ番号とともに「比較文書データのページ番号からページ番号を変えてコピー」と表示する（ステップＳ４０９）。一方、類似度が「１」でないと判定した場合（ステップＳ４０８；Ｎｏ）、制御部２４０は、当該文書データが比較文書データのページ番号からページ番号を変えてコピーして一部修正したものであると判定し、表示部２２０に、比較文書データのページ番号からページ番号を変えてコピーして一部修正と表示する（ステップＳ４１０）。

上記ステップＳ４０４、Ｓ４０９、又は、Ｓ４１０の処理の実行後、制御部２４０は、ページリスト１に記録されている基準文書データの最終ページであるか否かを判定する（ステップＳ４１１）。最終ページでないと判定した場合（ステップＳ４１１；Ｎｏ）、制御部２４０は、ページリスト１に記録されている基準文書データのページ番号を１加算して（ステップＳ４１２）、ステップＳ４０２の処理に戻る。これにより基準文書データの次のページ番号と対応する比較文書データのページ番号とが一致するか否かを判定することとなる。一方、最終ページであると判定した場合（ステップＳ４１１；Ｙｅｓ）、制御部２４０は、記憶部２３０に記憶されているページリスト２を読み込む（ステップＳ４１３）。

続いて制御部２４０は、ページリスト２の比較文書データのページ番号が「ｘ」であるものが存在するか否かを判定する（ステップＳ４１４）。ページ番号が「ｘ」であるものが存在すると判定した場合（ステップＳ４１４；Ｙｅｓ）、制御部２４０は、「ｘ」である比較文書データのページ番号に対応する基準文書データのページ番号部分を削除したものと判定し、表示部２２０に、基準文書データの当該ページ番号で示されるページは削除と表示して（ステップＳ４１５）処理を終了する。一方、ページ番号が「ｘ」であるものが存在しないと判定した場合（ステップＳ４１４；Ｎｏ）、処理を終了する。

続いて、理解を容易にするため、類似度判定処理で説明した場合と同様に、差分表示処理について、文書データ群に文書データＡ〜Ｄが含まれる場合を例に説明する。ここでは、図１０に示すように、文書データＡから文書データＢへの結線と文書データＢから文書データＡへの結線があるため、文書データＡから文書データＢへの結線が選択された場合と文書データＢから文書データＡへの結線が選択された場合とに分けて説明する。

まず、文書データＡから文書データＢへの結線が選択された場合について説明する。制御部２４０は、ステップＳ４０１の処理において、図５（Ｂ）に示す文書データＢのページリスト１を記憶部２３０から読み込む。続いて制御部２４０は、ステップＳ４０２の処理において、基準文書データのページ番号と比較文書データのページ番号が一致するか否かを判定する。この例では、基準文書データＢと比較文書データＡのページ番号がそれぞれ「１」であり一致することから、ステップＳ４０３の処理に移行し、類似度が１であるか否かを判定する。この例では類似度は「０．７５」であるため、図１０に示すように当該ページ番号（１ページ）と「コピーして一部修正」とを表示部２２０に表示する。

続いて制御部２４０は、ステップＳ４１１の処理において、ページリスト１に記録されている基準文書データの最終ページであるか否かを判定するが、現段階では基準文書データの１ページ目であるため、最終ページではない。したがって、ステップＳ４１２の処理によりページリスト中の基準文書データのページ番号を１加算して２ページ目とし、ステップＳ４０２の処理に戻る。ステップＳ４０２の処理では、基準文書データのページ番号が「２」で、比較文書データのページ番号が「ｘ」であることから、ステップＳ４０６の処理に移行し、比較文書データのページ番号が「ｘ」であるか否かを判定する。

この例では、比較文書データのページ番号は「ｘ」であるため、ステップＳ４０７の処理に移行し、図１０に示すように当該ページ番号（２ページ）と「新規作成」とを表示部２２０に表示する。その後ステップＳ４１１の処理において、ページリスト１に記録されている基準文書データの最終ページであるか否かを判定するが、現段階では基準文書データの２ページ目であるため、最終ページではない。したがって、ステップＳ４１２の処理によりページリスト中の基準文書データのページ番号を１加算して３ページ目とし、ステップＳ４０２の処理に戻る。ステップＳ４０２の処理では、基準文書データのページ番号が「３」で、比較文書データのページ番号が「２」であることから、ステップＳ４０６の処理に移行し、比較文書データのページ番号が「ｘ」であるか否かを判定する。

この例では、比較文書データのページ番号は「ｘ」ではないため、ステップＳ４０８の処理に移行し、類似度が「１」であるか否かを判定する。ここで、類似度は「１」であることから、制御部２４０は、ステップＳ４０９の処理において、図１０に示すように当該ページ番号（３ページ）と「２ページをページ番号を変えてコピー」とを表示部２２０に表示する。

再びステップＳ４１１の処理において、ページリスト１に記録されている基準文書データの最終ページであるか否かを判定する。そして最終ページであることから、ステップＳ４１２の処理に移行する。そして図５（Ｂ）に示すページリスト２を読み込み、ステップＳ４１４の処理において比較文書データのページ番号中に「ｘ」のページ番号のものが存在するか否かを判定する。この例では、「ｘ」のページ番号のものは存在しないため、制御部２４０はこの処理を終了する。

次に、文書データＢから文書データＡへの結線が選択された場合について説明する。制御部２４０は、ステップＳ４０１の処理において、図５（Ａ）に示す文書データＡのページリスト１を記憶部２３０から読み込む。続いて制御部２４０は、ステップＳ４０２の処理において、基準文書データのページ番号と比較文書データのページ番号が一致するか否かを判定する。この例では、基準文書データＡと比較文書データＢのページ番号がそれぞれ「１」であり一致することから、ステップＳ４０３の処理に移行し、類似度が１であるか否かを判定する。この例では類似度は「０．７５」であるため、図１０に示すように当該ページ番号（１ページ）と「コピーして一部修正」とを表示部２２０に表示する。

この例では、比較文書データのページ番号は「ｘ」ではないため、ステップＳ４０８の処理に移行し、類似度が「１」であるか否かを判定する。ここで、類似度は「１」であることから、制御部２４０は、ステップＳ４０９の処理において、図１０に示すように当該ページ番号（２ページ）と「３ページをページ番号を変えてコピー」とを表示部２２０に表示する。

再びステップＳ４１１の処理において、ページリスト１に記録されている基準文書データの最終ページであるか否かを判定する。そして最終ページであることから、ステップＳ４１２の処理に移行する。そして図５（Ａ）に示すページリスト２を読み込み、ステップＳ４１４の処理において比較文書データのページ番号中に「ｘ」のページ番号のものが存在するか否かを判定する。この例では、基準文書データのページ番号が２に対応する比較文書データのページ番号が「ｘ」であるため、ステップＳ４１５の処理に移行し、図１０に示すように「文書データＢの２ページは削除」と表示部２２０に表示する。そして処理を終了する。

以上が、類似文書可視化装置１００の動作である。このように、ページ毎に類似度を判定することにより、文書データの大部分を追加又は削除した場合や、一部のページのみを流用した場合にも、精度よく２文書データ間の類似性を数値化することができる。また、オフィス文書データの通常の作業過程では文字量は増えていくことが一般的であり、類似文書データ群を可視化する場合に文字数に基づいて配列することで、文書データ群の文書データを精度よく配列することができ、文書データ群内の文書データの理解効率を高めることができる。さらに、差分表示については、２文書データ間の差分をどのような作業により行われたかということを具体的に表示するため、文書データ群内の文書データの理解効率をより高めることができる。

（変形例）
この発明は、上記の実施形態に限定されず、種々の変形及び応用が可能である。上記実施形態では、ページ毎に類似度を算出する例を示したが、これは一例である。類似度の算出は、ページ毎に算出しなくてもよく、例えば、章毎や段落毎に行ってもよい。

また、上記実施形態では、文書データ間の類似関係を「類似文書データ」、「一部流用」、及び、「関係性なし」の３段階に分類する例を示したがこれは一例である。文書データ間の類似関係は複数段階に分類されていれば３段階でなくてもよく、例えば、４段階であっても５段階であってもよい。

また、上記実施形態では、文書データ間の類似度が最も高い文書データを結線する例を示したが、これは一例である。例えば、文書データ間の類似度が最も高い文書データのみではなく２番目に高い文書データや３番目に高い文書データをさらに結線してもよい。

また、上述の機能を、ＯＳ（ＯｐｅｒａｔｉｎｇＳｙｓｔｅｍ）とアプリケーションとの分担、またはＯＳとアプリケーションとの協同により実現する場合等には、ＯＳ以外の部分のみを媒体に格納してもよい。

また、搬送波にプログラム２３１を重畳し、通信ネットワークを介して配信することも可能である。例えば、通信ネットワーク上の掲示板（ＢＢＳ、ＢｕｌｌｅｔｉｎＢｏａｒｄＳｙｓｔｅｍ）に当該プログラムを掲示し、ネットワークを介して当該プログラムを配信してもよい。そして、これらのプログラムを起動し、オペレーティングシステムの制御下で、他のアプリケーションプログラムと同様に実行することにより、上述の処理を実行できるように構成してもよい。

１００類似文書可視化装置
２１０入力部
２２０表示部
２３０記憶部
２３１プログラム
２３２文書データ情報
２４０制御部
２４１類似度判定部
２４２ツリー表示部
２４３差分箇所表示部
２６０システムバス

Claims

文書データ群に含まれる複数の文書データの各二文書データ間の内容の類似度を算出する類似度算出手段と、
前記文書データ群に含まれる文書データのうち利用者により選択された文書データに類似する一又は複数の文書データを前記類似度算出手段で算出した類似度に基づいて抽出する文書データ抽出手段と、
前記文書データ抽出手段で抽出した文書データを識別する識別記号と前記利用者に選択された文書データを識別する識別記号とを各文書データの文字数に基づいて整列して表示する識別表示整列手段と、
前記識別表示整列手段で表示した識別記号同士をリンクするリンク記号を選択可能に表示するリンク表示手段と、
前記リンク記号が利用者から選択されたことに応じて、該リンクされている識別記号に対応する文書データをそれぞれ特定する文書データ特定手段と、
類似度に対応付けられて予め複数記憶されている類似情報のうち、前記文書データ特定手段で特定した文書データ間の類似度に対応する類似情報を表示する類似情報表示手段と、を備え、
前記類似度算出手段は、二文書データ間の内容を各文書データのページ毎に比較してページ毎の類似度を算出するページ別類似度算出手段を含み、
前記類似情報表示手段は、前記ページ毎の類似度に基づいて利用者の操作を分類して表示する、
ことを特徴とする類似文書可視化装置。
前記識別表示整列手段で整列した識別記号それぞれに対応する文書データについて、該文書データと最も類似度の高い文書データを前記類似度算出手段に基づいて判定する類似度判定手段をさらに備え、
前記リンク表示手段は、
前記類似度判定手段で判定した類似度の文書データの識別記号同士をリンクするリンク記号を選択可能に表示する、
ことを特徴とする請求項１に記載の類似文書可視化装置。
前記類似度算出手段は、
前記ページ別類似度算出手段で算出したページ毎の類似度に基づいて前記二文書データ間の類似度を算出し、
前記類似情報表示手段は、
前記ページ別類似度算出手段で算出したページ毎の類似度に基づいて前記文書データ特定手段で特定した文書データ間のページ毎の類似情報を表示する、
ことを特徴とする請求項１又は２に記載の類似文書可視化装置。
文書データ群に含まれる複数の文書データの各二文書データ間の内容の類似度を算出する類似度算出ステップと、
前記文書データ群に含まれる文書データのうち利用者により選択された文書データに類似する一又は複数の文書データを前記類似度算出ステップで算出した類似度に基づいて抽出する文書データ抽出ステップと、
前記文書データ抽出ステップで抽出した文書データを識別する識別記号と前記利用者に選択された文書データを識別する識別記号とを各文書データの文字数に基づいて整列して表示する識別表示整列ステップと、
前記識別表示整列ステップで表示した識別記号同士をリンクするリンク記号を選択可能に表示するリンク表示ステップと、
前記リンク記号が利用者から選択されたことに応じて、該リンクされている識別記号に対応する文書データをそれぞれ特定する文書データ特定ステップと、
類似度に対応付けられて予め複数記憶されている類似情報のうち、前記文書データ特定ステップで特定した文書データ間の類似度に対応する類似情報を表示する類似情報表示ステップと、を備え、
前記類似度算出ステップは、二文書データ間の内容を各文書データのページ毎に比較してページ毎の類似度を算出するページ別類似度算出ステップを含み、
前記類似情報表示ステップでは、前記ページ毎の類似度に基づいて利用者の操作を分類して表示する、
ことを特徴とする類似文書可視化方法。
コンピュータを、
文書データ群に含まれる複数の文書データの各二文書データ間の内容の類似度を算出する類似度算出手段、
前記文書データ群に含まれる文書データのうち利用者により選択された文書データに類似する一又は複数の文書データを前記類似度算出手段で算出した類似度に基づいて抽出する文書データ抽出手段、
前記文書データ抽出手段で抽出した文書データを識別する識別記号と前記利用者に選択された文書データを識別する識別記号とを各文書データの文字数に基づいて整列して表示する識別表示整列手段、
前記識別表示整列手段で表示した識別記号同士をリンクするリンク記号を選択可能に表示するリンク表示手段、
前記リンク記号が利用者から選択されたことに応じて、該リンクされている識別記号に対応する文書データをそれぞれ特定する文書データ特定手段、
類似度に対応付けられて予め複数記憶されている類似情報のうち、前記文書データ特定手段で特定した文書データ間の類似度に対応する類似情報を表示する類似情報表示手段、として機能させ、
前記類似度算出手段は、二文書データ間の内容を各文書データのページ毎に比較してページ毎の類似度を算出するページ別類似度算出手段を含み、
前記類似情報表示手段は、前記ページ毎の類似度に基づいて利用者の操作を分類して表示する、
ことを特徴とするプログラム。