JP6556658B2 - 表モチーフ抽出装置、分類器学習装置、表種類分類装置、方法、及びプログラム - Google Patents

Description

本発明は、表形式データの特徴を抽出する表モチーフ抽出装置、分類器学習装置、表種類分類装置、方法、及びプログラムに関するものである。

コンピュータ技術の発展により、Web上のHTMLで記述された表データや、表計算ソフトウェアなどで作成されたスプレッドシート上の表データは大量に存在するようになった。表データには、縦あるいは横方向のリスト型表、縦あるいは横方向の属性型表、縦あるいは横方向の列挙型表、行列型表、その他のレイアウト用表など幾つかの種類が存在する。この表タイプを正しく理解することができれば、情報検索や質問応答など幅広いサービスに応用可能な知識が獲得できる。

Crestan, Eric and Patrick Pantel (2011). "Web-scale Table Census and Classification". In: Proceedings of the 4th ACM International Conference on Web Search and Data Mining. ACM, pp. 545-554.

表タイプを分類するための従来手法には、非特許文献１などで提案されているように、表内の行数や列数，表内や行内のセル連結数、などの構造的特徴と、HTMLにおけるTHタグやコロン文字のなどの出現数に基づく内容的特徴とを「素性」として、正解の表タイプが存在する表データに基づいて機械学習による学習を行って表タイプ分類器を作成する手法が一般的であった。

これらの従来手法が利用する素性は、表単位、あるいは、行単位および列単位のデータから計算されている。このような素性は、行数および列数が多い場合には有効な情報になるが、行数および列数が少ない場合には分類精度を悪化させる一因となる。その一方で、表を構成する最小の単位はセルであり、ｎ個のセル（具体的に、２〜４個程度）から抽出可能で、かつ、分類精度の向上に大きく寄与する素性は重要であるが、このような有効な素性はこれまで利用されていない。

本発明では、上記事情を鑑みて成されたものであり、表形式データから、表種類の分類精度を向上可能な素性を抽出することができる表モチーフ抽出装置、方法、及びプログラムを提供することを目的とする。

また、精度よく表種類の分類をすることができる分類器学習装置、表種類分類装置、方法、及びプログラムを提供することを目的とする。

上記目的を達成するために、本発明に係る表モチーフ抽出装置は、表形式データから、表に含まれるｎ次隣接したセル（ｎは自然数である）の情報をモチーフ素性として抽出する表モチーフ抽出装置であって、入力された前記表形式データに含まれるそれぞれのセルについて、該セルにｎ次隣接するセルと、該セルとからなるセル集合を抽出するｎ次隣接セル抽出部と、前記ｎ次隣接セル抽出部によって、前記表形式データに含まれるそれぞれのセルについて抽出した前記セル集合に含まれるそれぞれのセルに対して、該セルの構造と内容に基づいて、該セルのセル識別子を付与するセル識別子付与部と、前記ｎ次隣接セル抽出部によって、前記表形式データに含まれるそれぞれのセルについて抽出した前記セル集合の各々について、該セル集合の各セルに付与されたセル識別子に基づき、該セル集合の情報を表すモチーフ素性を出力する表モチーフ出力部と、を含んで構成されている。

本発明に係る表モチーフ抽出方法は、表形式データから、表に含まれるｎ次隣接したセル（ｎは自然数である）の情報をモチーフ素性として抽出する表モチーフ抽出装置における表モチーフ抽出方法であって、ｎ次隣接セル抽出部が、入力された前記表形式データに含まれるそれぞれのセルについて、該セルにｎ次隣接するセルと、該セルとからなるセル集合を抽出し、セル識別子付与部が、前記ｎ次隣接セル抽出部によって、前記表形式データに含まれるそれぞれのセルについて抽出した前記セル集合に含まれるそれぞれのセルに対して、該セルの構造と内容に基づいて、該セルのセル識別子を付与し、表モチーフ出力部が、前記ｎ次隣接セル抽出部によって、前記表形式データに含まれるそれぞれのセルについて抽出した前記セル集合の各々について、該セル集合の各セルに付与されたセル識別子に基づき、該セル集合の情報を表すモチーフ素性を出力する。

本発明に係る分類器学習装置は、表形式データと表種類を表す正解ラベルの組の集合である訓練データ集合に含まれる前記表形式データの各々について、本発明の表モチーフ抽出装置によって出力される前記モチーフ素性を含む、分類に利用する素性集合を抽出する素性抽出部と、前記素性抽出部により前記訓練データ集合に含まれる前記表形式データの各々について抽出された素性集合と、前記訓練データ集合に含まれる前記正解ラベルとに基づいて、表形式データの表種類を分類するための分類器を学習する分類器学習部と、を含んで構成されている。

本発明に係る分類器学習方法は、素性抽出部が、表形式データと表種類を表す正解ラベルの組の集合である訓練データ集合に含まれる前記表形式データの各々について、本発明の表モチーフ抽出方法によって出力される前記モチーフ素性を含む、分類に利用する素性集合を抽出し、分類器学習部が、前記素性抽出部により前記訓練データ集合に含まれる前記表形式データの各々について抽出された素性集合と、前記訓練データ集合に含まれる前記正解ラベルとに基づいて、表形式データの表種類を分類するための分類器を学習する。

本発明に係る表種類分類装置は、入力された表形式データについて、本発明の表モチーフ抽出装置によって出力される前記モチーフ素性を含む、分類に利用する素性集合を抽出する素性抽出部と、前記素性抽出部により抽出された素性集合と、予め学習された表形式データの表種類を分類するための分類器とに基づいて、前記入力された表形式データの表種類を分類する表種類分類部と、を含んで構成されている。

本発明に係る表種類分類方法は、素性抽出部が、入力された表形式データについて、本発明の表モチーフ抽出方法によって出力される前記モチーフ素性を含む、分類に利用する素性集合を抽出し、表種類分類部が、前記素性抽出部により抽出された素性集合と、予め学習された表形式データの表種類を分類するための分類器とに基づいて、前記入力された表形式データの表種類を分類する。

また、本発明のプログラムは、コンピュータを、上記の表モチーフ抽出装置、分類器学習装置、又は表種類分類装置を構成する各部として機能させるためのプログラムである。

以上説明したように、本発明の表モチーフ抽出装置、方法、及びプログラムによれば、表形式データに含まれるそれぞれのセルについて、該セルにｎ次隣接するセルと、該セルとからなるセル集合を抽出し、セル集合の各セルのセル識別子に基づき、セル集合の情報を表すモチーフ素性を出力することにより、表形式データから、表種類の分類精度を向上可能な素性を抽出することができる。

また、本発明の分類器学習装置、方法、及びプログラムによれば、表種類の分類精度を向上可能な分類器を学習することができる。

また、本発明の表種類分類装置、方法、及びプログラムによれば、精度よく表種類を分類することができる。

第１の実施形態に係る表モチーフ抽出装置の機能的構成を示すブロック図である。 表形式データの一例を示す図である。 表形式データの３次隣接セルからなるモチーフを説明するための図である。 第１の実施形態に係る表モチーフ抽出装置における表モチーフ抽出処理ルーチンのフローチャート図である。 モチーフ識別子を生成する処理の流れを示すフローチャート図である。 第２の実施形態に係る分類器学習装置の機能的構成を示すブロック図である。 素性抽出部の機能的構成を示すブロック図である。 第２の実施形態に係る表種類分類装置の機能的構成を示すブロック図である。 第２の実施形態に係る分類器学習装置における分類器学習処理ルーチンのフローチャート図である。 第２の実施形態に係る表種類分類装置における表種類分類処理ルーチンのフローチャート図である。

以下、図面を参照して本発明の実施形態を詳細に説明する。

＜本発明の第１の実施の形態に係る表モチーフ抽出装置の構成＞
次に、本発明の第１の実施の形態に係る表モチーフ抽出装置の構成について説明する。図１に示すように、本実施の形態に係る表モチーフ抽出装置１００は、ＣＰＵと、ＲＡＭと、後述する表モチーフ抽出処理ルーチンを実行するためのプログラムや各種データを記憶したＲＯＭと、を含むコンピュータで構成することが出来る。この表モチーフ抽出装置１００は、機能的には図１に示すように入力部１０と、演算部２０と、出力部９０とを含んで構成されている。

入力部１０は、表モチーフ抽出対象となる表形式データを受け付ける。

例えば、図２に示すように、表形式データは、セルの集合により構成され、各セルは、行番号、列番号、行サイズ、列サイズ、テキスト文字列、スタイルクラスから構成される。

例えば、HTML（tableタグ）で記述された表形式データの場合は、trタグの出現順により行番号が取得され、tdタグおよびthタグの出現順により列番号が取得される。セルの縦方向の連結を表す”rowspan”属性と、横方向の連結を表す”colspan”属性から行サイズ、列サイズが取得される。tdタグおよびthタグの子要素からテキスト文字列が取得される。スタイルクラスは、セルが所属するクラスであり、例えば、セルのタグ名であるtdあるいはthがスタイルクラスとして利用される。また、セルのフォント情報である「書式なし」「太字有」「斜体有」「太字・斜体有」などがスタイルクラスとして設定されていても良い。

演算部２０は、図１に示すように、ｎ次隣接セル抽出部２２と、セル識別子付与部２４と、表モチーフ出力部２６とから構成され、表形式データから、表に含まれる隣接したｎ＋１個のセル（ｎは自然数である）が有する情報の組の集合をモチーフ素性として抽出し、出力部９０により出力する。

ｎ次隣接セル抽出部２２は、入力された表形式データに含まれるそれぞれのセルについて、該セルにｎ次隣接するセルと、該セルとからなるセル集合を抽出する。

具体的には、ｎ次隣接セル抽出部２２は、入力された表形式データ（行数N、列数M）に含まれる全てのセル（行番号ｉ，列番号ｊ）から、以下に説明するように、セル集合を抽出する。以下、行番号ｉ、列番号ｊのセルをc(i,j)と示す。ここで、1次隣接は直接隣接するセルを、n次隣接は、あるセルのn-1次隣接セルに隣接するセルと定義する。

まず、ｎ次隣接セル抽出部２２は、パラメータｎが与えられたとき、行サイズaと列サイズbに関して、ａ＋ｂ＝ｎかつａ≧０かつｉ＋ａ≦Ｎかつｂ≧０かつｊ＋ｂ≦Ｍを満たす（ａ，ｂ）の組の集合Xを列挙する。例えば、ｎ＝２のとき、X={(2,0),(1,1),(0,2)}である。

次に、ｎ次隣接セル抽出部２２は、集合Ｘに含まれる(a,b)の組のそれぞれに対して、垂直方向隣接セル集合H={c(i+1,j),…,c(i+a,j)}、水平方向隣接セル集合V={c(i,j+1),…,c(i,j+b)}を取得する。

図３にHとVの取得例を示す。c(i,j)=c(3,2)に関して、(a,b)=(1,1)の場合、H={c(4,2)}、V={c(3,3)}となる。同様に(a,b)=(2,0)の場合、H={(c(4,2),c(5,2))、Ｖは空集合となる。(a,b)=(0,2)の場合、Ｈは空集合、V={c(3,3),c(3,4)}となる。

ｎ次隣接セル抽出部２２は、集合Ｘに含まれる(a,b)の組のそれぞれに対して、c(i,j)およびＨおよびＶに含まれるセル集合をセル識別子付与部２４に与える。

セル識別子付与部２４は、表形式データに含まれるそれぞれのセルについてｎ次隣接セル抽出部２２によって抽出したセル集合に含まれるそれぞれのセルに対して、該セルの構造と内容に基づいて、該セルのセル識別子を付与する。

セル識別子は、(セルのスタイルクラス)-(セルの行サイズ)-(セルの列サイズ)として定義する。図３の例において、セル(3,2)のスタイルクラスが’td’の場合、行サイズおよび列サイズはどちらも1なので、セル(3,2)のセル識別子は、「td-1-1」となる。また、セル(5,2)のスタイルクラスが’th’の場合、セル(3,2)のセル識別子は、「th-1-2」である。

また、セル識別子は、(セルのスタイルクラス)-(セルの文字列)-(セルの行サイズ)-(セルの列サイズ) として定義してもよい。図３の例において、セル(3,2)のスタイルクラスが’td’かつセル内に記載されるテキストが「規格」の場合、セル(3,2)のセル識別子は、「td-規格-1-1」となる。

表モチーフ出力部２６は、表形式データに含まれるそれぞれのセルについてｎ次隣接セル抽出部２２によって抽出したセル集合の各々について、該セル集合の各セルにセル識別子付与部２４により付与されたセル識別子に基づき、該セル集合から構成されるモチーフのモチーフ識別子を出力する。

＜本発明の第１の実施形態に係る表モチーフ抽出装置の作用＞
次に、本発明の第１の実施形態に係る表モチーフ抽出装置１００の作用について説明する。表モチーフ抽出装置１００は、入力部１０によって、表モチーフ抽出対象の表形式データを受け付けると、表モチーフ抽出装置１００によって、図４に示す表モチーフ抽出処理ルーチンが実行される。

まず、ステップＳ１００で、入力された表形式データ（行数N，列数M）に含まれる処理対象のセル（行番号ｉ，列番号ｊ）から、処理対象のセルにｎ次隣接するセルと、処理対象のセルとからなるセル集合を抽出する。具体的には、行サイズaと列サイズbに関して、ａ＋ｂ＝ｎかつａ≧０かつｉ＋ａ≦Ｎかつｂ≧０かつｊ＋ｂ≦Ｍを満たす（ａ，ｂ）の組の集合Xを列挙し、集合Ｘに含まれる(a,b)の組のそれぞれに対して、垂直方向隣接セル集合H={c(i+1,j),…,c(i+a,j)}，水平方向隣接セル集合V={c(i,j+1),…,c(i,j+b)}を取得する。

次のステップＳ１０２で、上記ステップＳ１００で処理対象のセルについて抽出したセル集合に含まれるそれぞれのセルに対して、該セルの構造と内容に基づいて、該セルのセル識別子を付与する。

そして、ステップＳ１０４では、上記ステップＳ１００で処理対象のセルについて抽出したセル集合の各々について、上記ステップＳ１０２で付与されたセル識別子に基づいて、該セル集合から構成されるモチーフのモチーフ識別子を作成し、出力部９０により出力する。

ステップＳ１０６では、表形式データの全てのセルについて、上記ステップＳ１００〜ステップＳ１０４の処理を実行したか否かを判定し、上記ステップＳ１００〜ステップＳ１０４の処理を実行していないセルが存在する場合には、上記ステップＳ１００へ戻り、当該セルを、処理対象のセルとして、上記ステップＳ１００〜ステップＳ１０４の処理を繰り返す。一方、表形式データの全てのセルについて、上記ステップＳ１００〜ステップＳ１０４の処理を実行した場合には、表モチーフ抽出処理ルーチンを終了する。

上記の表モチーフ抽出処理ルーチンにより、入力された表形式データのモチーフ識別子の集合が、モチーフ素性として得られる。

上記ステップＳ１０４は、図５に示す処理ルーチンによって実現される。

ステップＳ１１０では、空のリストｍを作成し、処理対象のセルｃ（ｉ，ｊ）のセル識別子を追加する。ステップＳ１１２では、リストｍに文字列’H’を追加する。

そして、ステップＳ１１４では、処理対象のセル集合の垂直方向隣接セル集合Hに含まれる各セルについて、リストｍに該セルのセル識別子を追加する。

ステップＳ１１６では、リストｍに文字列’V’を追加する。ステップＳ１１８では、処理対象のセル集合の水平方向隣接セル集合Vに含まれる各セルについて、リストmに該セルのセル識別子を追加する。

そして、ステップＳ１２０で、リストｍの要素を空文字列で連結し、処理対象のセル集合から構成される表モチーフのモチーフ識別子として、出力部９０により出力する。

例えば、図３の例におけるセルc(3,2)およびH={c(3,3)}およびV={c(4,2)}のセル集合が与えられ、セルc(3,2)、セルc(3,3)、セルc(4,2)のセル識別子がそれぞれ「td-1-1」「td-1-1」「th-1-1」のとき、該セル集合から構成されるモチーフのモチーフ識別子は「td1-1Htd-1-1Vth-1-1」となる。

セルc(3,2)およびH={c(3,3),c(3,4)}およびV={ }のセル集合が与えられ、セルc(3,2)、セルc(3,3)、セルc(3,4)のセル識別子がそれぞれ「td-1-1」「td-1-1」「td-1-1」のとき、該セル集合から構成されるモチーフのモチーフ識別子は「td1-1Htd-1-1td-1-1V」となる。

ステップＳ１２２では、処理対象のセルについて抽出した全てのセル集合について、上記ステップＳ１１０〜ステップＳ１１８の処理を実行したか否かを判定し、上記ステップＳ１１０〜ステップＳ１１８の処理を実行していないセル集合が存在する場合には、上記ステップＳ１１０へ戻り、当該セル集合を、処理対象のセル集合として、上記ステップＳ１１０〜ステップＳ１１８の処理を繰り返す。一方、処理対象のセルについての全てのセル集合に対して、上記ステップＳ１１０〜ステップＳ１１８の処理を実行した場合には、処理ルーチンを終了する。

以上説明したように、第１の実施の形態に係る表モチーフ抽出装置によれば、表形式データに含まれるそれぞれのセルについて、該セルにｎ次隣接するセルと、該セルとからなるセル集合を抽出し、セル集合の各セルのセル識別子に基づき、セル集合からなるモチーフのモチーフ識別子を、モチーフ素性として出力することにより、表形式データから、表種類の分類精度を向上可能な素性を抽出することができる。

また、入力された表形式データから、少数のセルの隣接に関する情報を抽出できるので、表単位・行単位・列単位では捉えることが難しかった表の特徴を抽出することが可能になり、表種類の分類精度を高めることができる。

また、ｎ次隣接セル（モチーフ）の構造（サイズ）および内容（タグ名、セル内文字列等）を素性化することで、表の詳細な特徴を獲得でき、表種類分類の精度を向上できる。

また、モチーフ素性として、多段ヘッダ（セルが連結されやすい）などの構造が抽出され、また、内容情報としてTD/TH以外にも、セル内の文字列を素性に組み込む事が可能である。

＜第２の実施の形態＞
次に、第２の実施の形態について説明する。第２の実施の形態では、表形式データの表種類を分類するための表種類分類装置及び分類器学習装置に本発明を適用した場合について説明する。なお、第１の実施の形態と同様の構成となる部分については、同一符号を付して、説明を省略する

＜本発明の第２の実施の形態に係る分類器学習装置の構成＞

次に、本発明の第２の実施の形態に係る分類器学習装置の構成について説明する。図６に示すように、本実施の形態に係る分類器学習装置２００は、ＣＰＵと、ＲＡＭと、後述する分類器学習処理ルーチンを実行するためのプログラムや各種データを記憶したＲＯＭと、を含むコンピュータで構成することが出来る。この分類器学習装置２００は、機能的には図６に示すように入力部２１０と、演算部２２０と、出力部２４０とを含んで構成されている。

入力部２１０は、表形式データと表種類を表す正解ラベルの組の集合である訓練データ集合を受け付ける。表種類は、例えば、縦あるいは横方向のリスト型表、縦あるいは横方向の属性型表、縦あるいは横方向の列挙型表、行列型表、その他のレイアウト用表などである。

演算部２２０は、図６に示すように、素性抽出部２２２及び分類器学習部２２４を備えて構成されている。

素性抽出部２２２は、訓練データ集合に含まれる表形式データの各々について、上記第１の実施の形態で説明したモチーフ識別子を含む、分類に利用する素性集合を抽出する。

素性抽出部２２２は、図７に示すように、通常素性抽出部２３０と、表モチーフ抽出部２３２とを備えている。

通常素性抽出部２３０は、訓練データ集合に含まれる表形式データの各々について、表形式データの特徴を表す通常素性を抽出する。通常素性としては非特許文献１などに記載された素性が利用可能である。

表モチーフ抽出部２３２は、訓練データ集合に含まれる表形式データの各々について、モチーフ識別子の集合を表すモチーフ素性を抽出する。表モチーフ抽出部２３２は、ｎ次隣接セル抽出部２２と、セル識別子付与部２４と、表モチーフ出力部２６とから構成されている。

分類器学習部２２４は、素性抽出部２２２により訓練データ集合に含まれる表形式データの各々について抽出された素性集合と、訓練データ集合に含まれる前記正解ラベルとに基づいて、表形式データの表種類を分類するための分類器を学習する。

具体的には、分類器学習部２２４は、素性抽出部２２２が抽出した通常素性およびモチーフ素性を含む素性集合を利用して、素性集合と正解ラベルの組について学習を行い、出力部２４０により、分類器を出力する。学習アルゴリズムには、サポートベクターマシンやランダムフォレスト法など任意の分類アルゴリズムが利用可能である。

＜本発明の第２の実施の形態に係る表種類分類装置の構成＞
次に、本発明の第２の実施の形態に係る表種類分類装置の構成について説明する。図８に示すように、本実施の形態に係る表種類分類装置２５０は、ＣＰＵと、ＲＡＭと、後述する表種類分類処理ルーチンを実行するためのプログラムや各種データを記憶したＲＯＭと、を含むコンピュータで構成することが出来る。この表種類分類装置２５０は、機能的には図８に示すように入力部２６０と、演算部２７０と、出力部２８０とを含んで構成されている。

入力部２６０は、分類対象となる表形式データを受け付ける。

演算部２７０は、図８に示すように、素性抽出部２７２及び表種類分類部２７４を備えて構成されている。

素性抽出部２７２は、入力された表形式データについて、上記第１の実施の形態で説明したモチーフ素性を含む、分類に利用する素性集合を抽出する。

素性抽出部２７２は、分類器学習装置２００の素性抽出部２２２と同様に、通常素性抽出部２３０と、表モチーフ抽出部２３２とを備えている。

表種類分類部２７４は、素性抽出部２７２により抽出された素性集合と、分類器学習装置２００により学習された表形式データの表種類を分類するための分類器とに基づいて、入力された表形式データの表種類を分類する。

＜本発明の第２の実施形態に係る分類器学習装置の作用＞
次に、本発明の第２の実施形態に係る分類器学習装置２００の作用について説明する。分類器学習装置２００は、入力部２１０によって、訓練データ集合を受け付けると、分類器学習装置２００によって、図９に示す分類器学習処理ルーチンが実行される。

まず、ステップＳ２００で、入力された訓練データ集合に含まれる表形式データの各々について、通常素性を抽出する。

ステップＳ２０２では、入力された訓練データ集合に含まれる表形式データの各々について、モチーフ素性を抽出する。

上記ステップＳ２０２は、訓練データ集合に含まれる表形式データの各々について、上記図４に示す表モチーフ抽出処理ルーチンと同様の処理を実行することにより、実現される。

ステップＳ２０４では、訓練データ集合に含まれる表形式データの各々について上記ステップＳ２００、Ｓ２０２で抽出された通常素性及びモチーフ素性を含む素性集合と、訓練データ集合に含まれる正解ラベルとに基づいて、表形式データの表種類を分類するための分類器を学習し、出力部２４０により出力し、分類器学習処理ルーチンを終了する。

＜本発明の第２の実施形態に係る表種類分類装置の作用＞
次に、本発明の第２の実施形態に係る表種類分類装置２５０の作用について説明する。表種類分類装置２５０は、入力部２６０によって、表形式データを受け付けると、表種類分類装置２５０によって、図１０に示す表種類分類処理ルーチンが実行される。

まず、ステップＳ２５０で、入力された表形式データについて、通常素性を抽出する。

ステップＳ２５２では、入力された表形式データについて、モチーフ素性を抽出する。

上記ステップＳ２５２は、上記図４に示す表モチーフ抽出処理ルーチンと同様の処理を実行することにより、実現される。

ステップＳ２５４では、上記ステップＳ２５０、Ｓ２５２で抽出された通常素性及びモチーフ素性を含む素性集合と、分類器学習装置２００によって学習された分類器とに基づいて、表形式データの表種類を分類し、出力部２８０により出力し、表種類分類処理ルーチンを終了する。

以上説明したように、第２の実施の形態に係る表種類分類装置によれば、表形式データに含まれる特徴的な素性であるモチーフ素性を抽出し、これを表形式データの種類の自動分類において分類の素性として利用することで表形式データの種類の分類精度を向上させることができる。

また、第２の実施の形態に係る分類器学習装置によれば、表形式データに含まれる特徴的な素性であるモチーフ素性を抽出し、これを表形式データの種類の自動分類において分類の素性として利用することで、表種類の分類精度を向上可能な分類器を学習することができる。

なお、本発明は、上述した実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

例えば、上記の実施の形態では、分類器学習装置と表種類分類装置とを別々に設ける場合を例に説明したが、分類器学習装置と表種類分類装置とを、１つの装置で実現するようにしてもよい。

本願明細書中において、プログラムが予めインストールされている実施形態として説明したが、当該プログラムを、コンピュータ読み取り可能な記録媒体に格納して提供することも可能であるし、ネットワークを介して提供することも可能である。

本発明は、表の特徴を表すモチーフを基に表の種類を自動的かつ高精度に理解することにより、表形式データからの知識獲得および情報検索などに利用可能である。

１０、２１０、２６０ 入力部
２０、２２０、２７０ 演算部
２２ ｎ次隣接セル抽出部
２４ セル識別子付与部
２６ 表モチーフ出力部
９０、２４０、２８０ 出力部
１００ 表モチーフ抽出装置
２００ 分類器学習装置
２２２、２７２ 素性抽出部
２２４ 分類器学習部
２３０ 通常素性抽出部
２３２ 表モチーフ抽出部
２５０ 表種類分類装置
２７４ 表種類分類部

Claims (7)

1. 表形式データから、表に含まれるｎ次隣接したセル（ｎは自然数である）の情報をモチーフ素性として抽出する表モチーフ抽出装置であって、
   入力された前記表形式データに含まれるそれぞれのセルについて、該セルにｎ次隣接するセルと、該セルとからなるセル集合を抽出するｎ次隣接セル抽出部と、
   前記ｎ次隣接セル抽出部によって、前記表形式データに含まれるそれぞれのセルについて抽出した前記セル集合に含まれるそれぞれのセルに対して、該セルの構造と内容に基づいて、該セルのセル識別子を付与するセル識別子付与部と、
   前記ｎ次隣接セル抽出部によって、前記表形式データに含まれるそれぞれのセルについて抽出した前記セル集合の各々について、該セル集合の各セルに付与されたセル識別子に基づき、該セル集合の情報を表すモチーフ素性を出力する表モチーフ出力部と、
   を有することを特徴とする表モチーフ抽出装置。
2. 表形式データと表種類を表す正解ラベルの組の集合である訓練データ集合に含まれる前記表形式データの各々について、請求項１記載の表モチーフ抽出装置によって出力される前記モチーフ素性を含む、分類に利用する素性集合を抽出する素性抽出部と、
   前記素性抽出部により前記訓練データ集合に含まれる前記表形式データの各々について抽出された素性集合と、前記訓練データ集合に含まれる前記正解ラベルとに基づいて、表形式データの表種類を分類するための分類器を学習する分類器学習部と、
   を有することを特徴とする分類器学習装置。
3. 入力された表形式データについて、請求項１に記載の表モチーフ抽出装置によって出力される前記モチーフ素性を含む、分類に利用する素性集合を抽出する素性抽出部と、
   前記素性抽出部により抽出された素性集合と、予め学習された表形式データの表種類を分類するための分類器とに基づいて、前記入力された表形式データの表種類を分類する表種類分類部と、
   を有することを特徴とする表種類分類装置。
4. 表形式データから、表に含まれるｎ次隣接したセル（ｎは自然数である）の情報をモチーフ素性として抽出する表モチーフ抽出装置における表モチーフ抽出方法であって、
   ｎ次隣接セル抽出部が、入力された前記表形式データに含まれるそれぞれのセルについて、該セルにｎ次隣接するセルと、該セルとからなるセル集合を抽出し、
   セル識別子付与部が、前記ｎ次隣接セル抽出部によって、前記表形式データに含まれるそれぞれのセルについて抽出した前記セル集合に含まれるそれぞれのセルに対して、該セルの構造と内容に基づいて、該セルのセル識別子を付与し、
   表モチーフ出力部が、前記ｎ次隣接セル抽出部によって、前記表形式データに含まれるそれぞれのセルについて抽出した前記セル集合の各々について、該セル集合の各セルに付与されたセル識別子に基づき、該セル集合の情報を表すモチーフ素性を出力する
   ことを特徴とする表モチーフ抽出方法。
5. 素性抽出部が、表形式データと表種類を表す正解ラベルの組の集合である訓練データ集合に含まれる前記表形式データの各々について、請求項４に記載の表モチーフ抽出方法によって出力される前記モチーフ素性を含む、分類に利用する素性集合を抽出し、
   分類器学習部が、前記素性抽出部により前記訓練データ集合に含まれる前記表形式データの各々について抽出された素性集合と、前記訓練データ集合に含まれる前記正解ラベルとに基づいて、表形式データの表種類を分類するための分類器を学習する
   ことを特徴とする分類器学習方法。
6. 素性抽出部が、入力された表形式データについて、請求項４に記載の表モチーフ抽出方法によって出力される前記モチーフ素性を含む、分類に利用する素性集合を抽出し、
   表種類分類部が、前記素性抽出部により抽出された素性集合と、予め学習された表形式データの表種類を分類するための分類器とに基づいて、前記入力された表形式データの表種類を分類する
   ことを特徴とする表種類分類方法。
7. コンピュータを、請求項１に記載の表モチーフ抽出装置、請求項２に記載の分類器学習装置、又は請求項３記載の表種類分類装置の各部として機能させるためのプログラム。