JP6604207B2 - Relation information generation method, apparatus, and program - Google Patents

Relation information generation method, apparatus, and program Download PDF

Info

Publication number
JP6604207B2
JP6604207B2 JP2016001859A JP2016001859A JP6604207B2 JP 6604207 B2 JP6604207 B2 JP 6604207B2 JP 2016001859 A JP2016001859 A JP 2016001859A JP 2016001859 A JP2016001859 A JP 2016001859A JP 6604207 B2 JP6604207 B2 JP 6604207B2
Authority
JP
Japan
Prior art keywords
item
character string
database
items
partial character
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.)
Active
Application number
JP2016001859A
Other languages
Japanese (ja)
Other versions
JP2017123062A (en
Inventor
宏弥 稲越
啓介 後藤
唯子 太田
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.)
Fujitsu Ltd
Original Assignee
Fujitsu 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 Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to JP2016001859A priority Critical patent/JP6604207B2/en
Publication of JP2017123062A publication Critical patent/JP2017123062A/en
Application granted granted Critical
Publication of JP6604207B2 publication Critical patent/JP6604207B2/en
Active 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、関係情報生成方法、関係情報生成装置、及び関係情報生成プログラムに関する。   The present invention relates to a relationship information generation method, a relationship information generation device, and a relationship information generation program.

マスターデータ管理のための名寄せ処理や、複数の基幹系業務システムを統合して情報系システム(データウェアハウス)を構築する際などに、複数のデータベースを統合することが行われている。   A plurality of databases are integrated when a name identification process for master data management or when an information system (data warehouse) is constructed by integrating a plurality of core business systems.

データベースの統合に関する技術として、文字コード範囲に着目して、名寄せの対象とする項目対の比較候補を絞り込む方法が提案されている。この方法では、ユーザ等によって指定された文字コード群と類似する文字コード群を複数の文字コード群の中から検索する。この際、指定された文字コード群に含まれる各文字コードが、所定の数値範囲内である場合に、複数の文字コード群から、所定の数値範囲内に属さない文字コードを含む文字コード群を除いた文字コード群を抽出する。   As a technique related to database integration, a method of narrowing down comparison candidates for item pairs to be identified is proposed by focusing on a character code range. In this method, a character code group similar to the character code group designated by the user or the like is searched from a plurality of character code groups. At this time, when each character code included in the designated character code group is within a predetermined numerical range, a character code group including a character code not belonging to the predetermined numerical range is selected from a plurality of character code groups. Extract the character code group.

また、一方のマスタのコードを他方のマスタのコードに変換する方法が提案されている。この方法では、統合マスタのレコードの項目とローカルマスタのレコードの項目とを照合することによって、両マスタから同一の事項に関する項目を判別する。そして、同一の事項に関すると判別された項目の内容同士を照合することによって、統合マスタ及びローカルマスタの中から同一の対象に関するレコードを判別する。また、同一の対象に関すると判別された統合マスタのレコードに示される所定の項目のコードとローカルマスタのレコードに示される所定の項目のコードとを対応付けて示すコード変換テーブルを記憶しておく。そして、入力されたデータをコード変換テーブルに基づいて変換する。   In addition, a method for converting the code of one master into the code of the other master has been proposed. In this method, items relating to the same matter are discriminated from both masters by collating the items of the record of the integrated master with the items of the record of the local master. And the record regarding the same object is discriminate | determined from an integrated master and a local master by collating the content of the item discriminate | determined regarding the same matter. In addition, a code conversion table is stored in which a code of a predetermined item indicated in the record of the integrated master determined to be related to the same object and a code of the predetermined item indicated in the record of the local master are associated with each other. Then, the input data is converted based on the code conversion table.

また、2つの2次元データの間で対応関係にあるカラムを抽出する方法が提案されている。この方法では、移行元データにおいて解析対象となるカラム対を選択し、移行先データにおいて解析の対象となるカラム対を選択する。また、移行元データのカラム対において行ごとに支持度及び確信度を計算し、移行先データの各カラム対について、行ごとに支持度及び確信度を計算する。そして、移行元データ内で行間の支持度及び確信度の差分計算を行い、移行先データ内で、カラム対ごとに、行間の支持度及び確信度の差分計算を行う。さらに、移行元データでの差分値と移行先データでの差分値との差分計算を行い、差分計算の結果に基づき、移行元のカラム対に対応する移行先のカラム対を判定する。   Also, a method for extracting a column having a correspondence relationship between two two-dimensional data has been proposed. In this method, a column pair to be analyzed in the migration source data is selected, and a column pair to be analyzed in the migration destination data is selected. Further, the support level and the certainty factor are calculated for each row in the column pair of the migration source data, and the support level and the certainty factor are calculated for each row for each column pair of the migration destination data. Then, the difference between the support and the certainty between the rows is calculated in the migration source data, and the difference between the support and the certainty between the rows is calculated for each column pair in the migration destination data. Further, a difference calculation between the difference value in the migration source data and the difference value in the migration destination data is performed, and the migration destination column pair corresponding to the migration source column pair is determined based on the difference calculation result.

特開2012−234343号公報JP 2012-234343 A 特開2008−250861号公報JP 2008-250861 A 特開2012−38066号公報JP 2012-38066 A

上述の文字コードに着目した従来技術では、文字コード範囲、文字列長、特徴文字列の出現頻度、部分文字列の数などのデータ項目毎のプロファイルを作成し、このプロファイルに基づいて、データ項目の類似度を比較している。しかしながら、どのような項目がどのような形式で記録されているかが未知のデータベース同士の統合においては、項目間の類似度を比較するために、データ項目を適切にプロファイルすることは困難である。また、データベースにおいて、1つの事項に関するデータが複数の項目に分割されている場合、適切なプロファイルの作成は、より困難になり、また、類似度を比較するデータ項目の組み合わせ数も増大し、計算コストが高くなる。なお、1つの事項に関するデータが複数の項目に分割されている場合とは、例えば、「住所」という事項についてのデータが、「住所1」及び「住所2」という2つの項目に分割されて記録されているような場合である。   In the prior art focused on the character code described above, a profile for each data item such as a character code range, a character string length, an appearance frequency of a characteristic character string, the number of partial character strings, and the like is created. The degree of similarity is compared. However, in the integration of databases in which what items are recorded in what format, it is difficult to appropriately profile data items in order to compare the similarity between items. In addition, when the data related to one item is divided into multiple items in the database, it becomes more difficult to create an appropriate profile, and the number of combinations of data items for which the degree of similarity is compared increases and is calculated. Cost increases. Note that when data relating to one item is divided into a plurality of items, for example, data relating to the item “address” is divided into two items “address 1” and “address 2” and recorded. This is the case.

また、予め記憶したコード変換テーブルを用いて、一方のマスタのコードを他方のマスタのコードに変換する従来技術では、適切なコード変換テーブルが定義されている必要がある。しかしながら、この従来技術では、コード変換表を生成するための項目の対応付けの具体的開示がなく、例えば、人手により項目の対応付けを行う必要がある。また、1つの事項に関するデータが複数の項目に分割されている場合、多数あり得る分割のバリエーションの全てに対応したコード変換表を生成しておくことは困難である。   Also, in the prior art in which a code of one master is converted into a code of the other master using a code conversion table stored in advance, an appropriate code conversion table needs to be defined. However, in this prior art, there is no specific disclosure of item association for generating a code conversion table, and for example, it is necessary to associate items manually. In addition, when data related to one item is divided into a plurality of items, it is difficult to generate a code conversion table corresponding to all of the possible division variations.

さらに、2つの2次元データの間で対応関係にあるカラムを抽出する従来技術では、データが複数カラムに分割されている場合が考慮されている。しかし、2つの2次元データ間で対応させる事項(氏名、住所、TELなど)が予め判明していることが前提である。そのため、マスタとトランザクション等、種類の異なるデータベースを統合する場合や、データベースに記録されているデータの内容が混在(顧客名簿、企業リスト、製品データベース、論文等)していたり、未知であったりする場合には適用することができない。   Furthermore, in the conventional technique for extracting a column having a correspondence relationship between two two-dimensional data, a case where data is divided into a plurality of columns is considered. However, it is premised that items (name, address, TEL, etc.) to be matched between two two-dimensional data are known in advance. Therefore, when different types of databases such as master and transaction are integrated, the contents of data recorded in the database are mixed (customer list, company list, product database, paper, etc.) or unknown. Not applicable in case.

すなわち、従来技術では、データベースの属性(種類、項目、データの内容等)によっては、データベース間で対応する項目対を適切に特定することができないか、又は、項目対の特定に要する計算量が多くなってしまう、という問題がある。   That is, in the conventional technology, depending on the attributes (type, item, data content, etc.) of the database, it is not possible to appropriately identify the corresponding item pair between the databases, or the amount of calculation required to identify the item pair is large. There is a problem that it will increase.

本発明は、一つの側面として、データベースの属性に関わらず、データベース間で対応する項目対を少ない計算量で特定することを目的とする。   An object of the present invention is to specify an item pair corresponding between databases with a small amount of calculation regardless of the attributes of the database.

本発明は、一つの側面として、複数の項目の各々に文字列が対応付けられた複数のレコードを含む第1のデータベースに含まれるレコードから部分文字列を抽出する。そして、前記第1のデータベースについての前記複数の項目のうち、前記第1のデータベースから抽出された部分文字列に対応する項目を特定する。また、複数の項目の各々に文字列が対応付けられた複数のレコードを含む第2のデータベースにおいて、前記第1のデータベースから抽出された部分文字列と一致する部分文字列に対応する項目の出現数を算出する。出現数は、前記第1のデータベースから抽出された部分文字列に対応する項目と対応付けて算出する。そして、算出した前記出現数に基づいて、前記第1のデータベースに含まれる項目と、前記第2のデータベースに含まれる項目との対応関係に関する情報を生成する。   As one aspect, the present invention extracts a partial character string from a record included in a first database including a plurality of records in which a character string is associated with each of a plurality of items. And the item corresponding to the partial character string extracted from the said 1st database among the said several items about the said 1st database is specified. In addition, in a second database including a plurality of records in which a character string is associated with each of a plurality of items, the appearance of an item corresponding to a partial character string that matches the partial character string extracted from the first database Calculate the number. The number of appearances is calculated in association with an item corresponding to the partial character string extracted from the first database. Then, based on the calculated number of appearances, information on the correspondence relationship between the items included in the first database and the items included in the second database is generated.

一つの側面として、データベースの属性に関わらず、データベース間で対応する項目対を少ない計算量で特定することができる、という効果を有する。   As one aspect, there is an effect that an item pair corresponding between databases can be identified with a small amount of calculation regardless of the attributes of the database.

関係情報生成装置の機能ブロック図である。It is a functional block diagram of a relationship information generation device. 共通辞書データベースの一例を示す図である。It is a figure which shows an example of a common dictionary database. 名寄せ元表の一例を示す図である。It is a figure which shows an example of a name collation origin table | surface. 部分文字列の抽出を説明するための図である。It is a figure for demonstrating extraction of a partial character string. 部分文字列の抽出を説明するための図である。It is a figure for demonstrating extraction of a partial character string. 抽出位置リストの一例を示す図である。It is a figure which shows an example of an extraction position list. パターンリストの一例を示す図である。It is a figure which shows an example of a pattern list. パターンの照合を説明するための図である。It is a figure for demonstrating collation of a pattern. 出現位置リストの一例を示す図である。It is a figure which shows an example of an appearance position list. 項目群対リストの一例を示す図である。It is a figure which shows an example of an item group pair list. 項目群対の一例を表すグラフである。It is a graph showing an example of an item group pair. 集計表の一例を示す図である。It is a figure which shows an example of a total table. 項目の分割及び写像を説明するための図である。It is a figure for demonstrating the division | segmentation and mapping of an item. 関係情報生成装置として機能するコンピュータの概略構成を示すブロック図である。It is a block diagram which shows schematic structure of the computer which functions as a relationship information generation apparatus. 関係情報生成処理の一例を示すフローチャートである。It is a flowchart which shows an example of a relationship information generation process. 文字列抽出処理の一例を示すフローチャートである。It is a flowchart which shows an example of a character string extraction process. パターン生成処理の一例を示すフローチャートである。It is a flowchart which shows an example of a pattern production | generation process. パターン照合処理の一例を示すフローチャートである。It is a flowchart which shows an example of a pattern matching process. 対応関係抽出処理の一例を示すフローチャートである。It is a flowchart which shows an example of a correspondence extraction process. 名寄せ先表の項目群と名寄せ元表の項目群との項目群対の抽出を説明するための図である。It is a figure for demonstrating extraction of the item group pair of the item group of a name collation destination table, and the item group of a name collation source table. 項目群対の他の例を表すグラフである。It is a graph showing the other example of an item group pair. ツリー構造のデータベースの一例を示す図である。It is a figure which shows an example of the database of a tree structure.

以下、図面を参照して本発明に係る実施形態の一例を詳細に説明する。   Hereinafter, an example of an embodiment according to the present invention will be described in detail with reference to the drawings.

図1に示すように、本実施形態に係る関係情報生成装置10は、共通辞書データベース(DB)20及び名寄せ元DB30を入力とし、共通辞書DB20の項目と名寄せ元DB30の項目との対応関係を示す対応関係情報を生成して出力する。   As shown in FIG. 1, the relationship information generation apparatus 10 according to the present embodiment receives a common dictionary database (DB) 20 and a name identification source DB 30 as input, and shows the correspondence between items in the common dictionary DB 20 and items in the name identification source DB 30. The correspondence information shown is generated and output.

共通辞書DB20は、データバンクなどから提供される汎用的なデータベースである。共通辞書DB20は、例えば図2に示すように、個人名辞書21、住所辞書22、企業名辞書23等を含むことができる。各辞書において、各列がそれぞれ各項目に相当し、各行が1つのレコードに相当する。各レコードは、項目の各々に対応した値(文字列)を有する。   The common dictionary DB 20 is a general-purpose database provided from a data bank or the like. For example, as shown in FIG. 2, the common dictionary DB 20 can include a personal name dictionary 21, an address dictionary 22, a company name dictionary 23, and the like. In each dictionary, each column corresponds to each item, and each row corresponds to one record. Each record has a value (character string) corresponding to each item.

名寄せ元DB30は、企業や組織等のユーザにより作成及び管理されているデータベースである。図1の例では、名寄せ元DB30には、名寄せ元表A31、名寄せ元表B32、及び名寄せ元表C33が含まれる。図3に、名寄せ元表A31の一例を示す。名寄せ元表A31において、各列がそれぞれ各項目に相当し、各行が1つのレコードに相当する。各レコードは、項目の各々に対応した値(文字列)を有する。名寄せ元表B32及び名寄せ元表C33も、名寄せ元表A31と同様に、表形式のデータベースであるが、各名寄せ元表に含まれる項目、データ(レコード)の内容はそれぞれ異なる。   The name identification source DB 30 is a database created and managed by a user such as a company or an organization. In the example of FIG. 1, the name identification source DB 30 includes a name identification source table A31, a name identification source table B32, and a name identification source table C33. FIG. 3 shows an example of the name identification source table A31. In the name identification source table A31, each column corresponds to each item, and each row corresponds to one record. Each record has a value (character string) corresponding to each item. Similarly to the name identification source table A31, the name identification source table B32 and the name identification source table C33 are also tabular databases, but the contents of items and data (records) included in each name identification source table are different.

共通辞書DB20及び名寄せ元DB30は、関係情報生成装置10の所定の記憶領域、関係情報生成装置10と接続される外部装置、又はCD−ROMやUSBメモリ等の記憶媒体に記憶される。   The common dictionary DB 20 and the name identification source DB 30 are stored in a predetermined storage area of the relationship information generation device 10, an external device connected to the relationship information generation device 10, or a storage medium such as a CD-ROM or a USB memory.

本実施形態では、名寄せ元表A31、名寄せ元表B32、及び名寄せ元表C33を1つの名寄せ先表に統合する際に、名寄せ先表の項目として、共通辞書DB20内の各辞書に含まれる項目を利用する。そこで、関係情報生成装置10は、共通辞書DB20内の各辞書に含まれる項目と、名寄せ元DB30内の各名寄せ元表に含まれる項目との対応付けを特定する。以下では、各辞書の項目と、名寄せ元表A31の項目との対応付けについて説明するが、名寄せ元表B32及び名寄せ元表C33の各々の項目についても同様に、各辞書の項目と対応付ける。これにより、各辞書の項目を介して、複数の名寄せ元表を、1つの名寄せ先表に統合することができる。   In this embodiment, when the name identification source table A31, the name identification source table B32, and the name identification source table C33 are integrated into one name identification source table, items included in each dictionary in the common dictionary DB 20 as items of the name identification source table Is used. Therefore, the relationship information generation device 10 identifies the association between the items included in each dictionary in the common dictionary DB 20 and the items included in each name identification source table in the name identification source DB 30. In the following, the correspondence between the items of each dictionary and the items of the name identification source table A31 will be described. However, the items of the name identification source table B32 and the name identification source table C33 are also associated with the items of each dictionary. Thereby, a plurality of name identification source tables can be integrated into one name identification destination table via the items of each dictionary.

関係情報生成装置10は、機能的には、図1に示すように、文字列抽出部11と、パターン生成部12と、パターン照合部13と、対応関係抽出部14とを含む。なお、文字列抽出部11は本発明の抽出部の一例であり、パターン生成部12は本発明の特定部の一例であり、パターン照合部13及び対応関係抽出部14は、本発明の算出部及び生成部の一例である。   Functionally, the relationship information generation device 10 includes a character string extraction unit 11, a pattern generation unit 12, a pattern matching unit 13, and a correspondence relationship extraction unit 14, as shown in FIG. The character string extraction unit 11 is an example of the extraction unit of the present invention, the pattern generation unit 12 is an example of the specifying unit of the present invention, and the pattern matching unit 13 and the correspondence relationship extraction unit 14 are the calculation unit of the present invention. And an example of a generation unit.

文字列抽出部11は、共通辞書DB20内の各辞書に記録されたレコードから、所定の文字数の部分文字列を複数抽出する。この際、文字列抽出部11は、抽出する複数の部分文字列の中に、項目間をまたがって抽出される部分文字列が含まれるようにする。   The character string extraction unit 11 extracts a plurality of partial character strings having a predetermined number of characters from records recorded in each dictionary in the common dictionary DB 20. At this time, the character string extraction unit 11 includes a partial character string extracted across the items in the plurality of partial character strings to be extracted.

具体的には、文字列抽出部11は、図4に示すように、各辞書のいずれかのレコード(図4では、住所辞書22の1レコードを図示)を取り出し、各項目に対応した文字列の各々を連結して、連結文字列41を生成する。文字列抽出部11は、連結文字列41から、ランダムに選択したn−gramを部分文字列42として抽出する。図4の例では、n=3とし、“211”、“88神”、“川県川”、“中原区”、及び“田中4”という部分文字列42が抽出されている。   Specifically, as shown in FIG. 4, the character string extraction unit 11 takes out one of the records in each dictionary (in FIG. 4, one record of the address dictionary 22 is illustrated), and the character string corresponding to each item. Are connected to generate a concatenated character string 41. The character string extraction unit 11 extracts a randomly selected n-gram as a partial character string 42 from the concatenated character string 41. In the example of FIG. 4, n = 3, and partial character strings 42 of “211”, “88 gods”, “river river Kawa”, “Nakahara Ward”, and “Tanaka 4” are extracted.

連結文字列41から部分文字列42を抽出することで、項目間をまたがった部分文字列42も抽出される。上記の例では、“88神”という部分文字列42は、項目「〒」と項目「都道府県」とをまたがって抽出されており、“川県川”という部分文字列42は、項目「都道府県」と項目「市区」とをまたがって抽出されている。   By extracting the partial character string 42 from the concatenated character string 41, the partial character string 42 across the items is also extracted. In the above example, the partial character string 42 “88 god” is extracted across the item “〒” and the item “prefecture”, and the partial character string 42 “kawa river” is It is extracted across the “prefecture” and the item “city”.

このように、項目間をまたがった部分文字列42を抽出する理由について説明する。   Thus, the reason for extracting the partial character string 42 across items will be described.

各データベースにおいて、ある事項に対応する項目の表記の仕方は共通ではなく、多様な書き方をされる場合がある。例えば、各データベースには、氏名、住所、電話番号などの共通事項に関するデータが含まれているとする。これらの共通事項に関して、一方のデータベースに含まれる項目は、「氏名」、「カナ」、「都道府県」、「市区」、「町丁目」、「番地」、及び「TEL」であるとする。また、他方のデータベースに含まれる項目は、「姓」、「名」、「住所1」、「住所2」、及び「電話」であるとする。この場合、氏名という事項について、一方のデータベースでは、「氏名」の項目が相当するが、他方のデータベースでは、「姓」及び「名」という項目が相当する。また、住所という事項について、一方のデータベースでは、「都道府県」、「市区」、「町丁目」、及び「番地」の項目が相当するが、他方のデータベースでは、「住所1」及び「住所2」という項目が相当する。また、電話番号という事項について、一方のデータベースでは、「TEL」の項目が相当するが、他方のデータベースでは、「電話」という項目が相当する。   In each database, the notation method of items corresponding to a certain item is not common, and there are cases where various writing methods are used. For example, each database includes data related to common items such as name, address, and telephone number. Regarding these common items, the items included in one database are “name”, “kana”, “prefecture”, “city”, “machi chome”, “address”, and “TEL”. . The items included in the other database are “last name”, “first name”, “address 1”, “address 2”, and “phone”. In this case, the item “name” corresponds to the item “name” in one database, but corresponds to the items “first name” and “first name” in the other database. In addition, regarding the matter of address, in one database, the items of “prefecture”, “city”, “machi chome”, and “address” correspond, but in the other database, “address 1” and “address The item “2” corresponds. Further, regarding the matter of telephone number, the item “TEL” corresponds to one database, while the item “phone” corresponds to the other database.

上記の2つのデータベースを名寄せする場合には、氏名=姓+名、都道府県+市区+町丁目+番地=住所1+住所2、TEL=電話のように、各事項に対応する項目群同士を対応付ける必要がある。そこで、項目1つ1つの場合だけでなく、項目群同士も対応付けの対象に含まれるようにするために、項目間をまたがった部分文字列42を抽出するものである。   When collating the above two databases, name = last name + first name, prefecture + city + town + street + address = address 1 + address 2, and TEL = telephone It is necessary to associate. Therefore, in order to include not only the case of each item but also the group of items as a target of association, a partial character string 42 across items is extracted.

なお、部分文字列42の長さは一定でなくてもよい。例えば、図5に示すように、文字列抽出部11は、3−gram、4−gram、5−gram、6−gram等を混在させて、部分文字列42を抽出してもよい。また、図5のAの部分に示すように、文字列抽出部11は、異なる部分文字列42同士の一部が重複するように部分文字列42を抽出してもよい。   Note that the length of the partial character string 42 may not be constant. For example, as illustrated in FIG. 5, the character string extraction unit 11 may extract a partial character string 42 by mixing 3-gram, 4-gram, 5-gram, 6-gram, and the like. Further, as shown in part A of FIG. 5, the character string extraction unit 11 may extract the partial character string 42 so that parts of different partial character strings 42 overlap each other.

また、部分文字列42をランダムに抽出する場合には、乱数を用いることができるが、ある項目、及び連続する項目が他に比べて選ばれ易く又は選ばれ難くなるようにしてもよい。例えば、3項目以上にまたがる部分文字列42を抽出する、といったルールを定義しておき、図5のBの部分に示すように、文字列抽出部11は、このルールに従った部分文字列42を抽出してもよい。逆に、3項目以上にまたがる部分文字列42は抽出しない、といったルールを定めておいてもよい。また、特定の項目については、項目間をまたがって部分文字列42を抽出することを禁止するルールを定めてもよい。例えば、項目「〒」と項目「都道府県」とをまたがる部分文字列42は抽出しない、というルールを定めておくことができる。この場合、上記の例における“88神”は抽出されない。   In addition, when the partial character string 42 is extracted at random, a random number can be used. However, a certain item and a continuous item may be selected more easily or less easily than others. For example, a rule is defined such that a partial character string 42 extending over three items or more is defined, and the character string extracting unit 11 performs the partial character string 42 according to this rule as shown in a part B of FIG. May be extracted. Conversely, a rule may be set such that partial character string 42 that extends over three items is not extracted. Further, for a specific item, a rule for prohibiting the extraction of the partial character string 42 across items may be defined. For example, it is possible to define a rule that a partial character string 42 that straddles the item “〒” and the item “prefecture” is not extracted. In this case, “88 God” in the above example is not extracted.

なお、図4では、各レコード又はサンプリングしたレコードからランダムに部分文字列42を抽出する例を示しているが、図5のCに示すように、全レコードから全ての部分文字列42を抽出するようにしてもよい。   FIG. 4 shows an example in which the partial character string 42 is randomly extracted from each record or sampled record. However, as shown in C of FIG. 5, all the partial character strings 42 are extracted from all the records. You may do it.

文字列抽出部11は、抽出した部分文字列42と、その部分文字列42の抽出位置との組を抽出位置情報として、例えば図6に示すような抽出位置リスト43に記録する。部分文字列42の抽出位置は、どの辞書のどのレコードのどの位置から抽出された部分文字列42であるかを示す情報である。例えば、抽出位置は、辞書の識別情報、レコード番号、レコードの先頭から何文字目か、部分文字列42の文字数などの情報により特定される。図6の例では、1行目の抽出位置情報に含まれる部分文字列“211”の抽出位置(22,1,1,3)は、識別情報が22の辞書(住所辞書22)の1行目のレコードの1文字目から3文字分で示される位置を表している。なお、文字数に代えて、部分文字列42の末尾の文字がレコードの先頭から何文字目かの情報を用いるなど、抽出位置を特定する情報は、上記の例に限定されない。   The character string extraction unit 11 records a set of the extracted partial character string 42 and the extracted position of the partial character string 42 as extracted position information in, for example, an extracted position list 43 as shown in FIG. The extraction position of the partial character string 42 is information indicating which partial character string 42 is extracted from which position of which record in which dictionary. For example, the extraction position is specified by information such as dictionary identification information, record number, number of characters from the beginning of the record, and the number of characters in the partial character string 42. In the example of FIG. 6, the extraction position (22, 1, 1, 3) of the partial character string “211” included in the extraction position information of the first line is one line of the dictionary (address dictionary 22) with the identification information 22. This represents the position indicated by three characters from the first character of the eye record. Note that the information for specifying the extraction position is not limited to the above example, such as using information on the number of characters from the beginning of the record instead of the number of characters.

パターン生成部12は、文字列抽出部11により抽出された部分文字列42の各々に対応する項目群を特定する。なお、部分文字列42が項目をまたがって抽出されていない場合には、項目群に含まれる項目は1つである。具体的には、パターン生成部12は、抽出位置リスト43に含まれる抽出位置情報に基づいて、抽出された部分文字列42の位置を特定し、その位置にある部分文字列42を含む値に対応する項目群を特定する。   The pattern generation unit 12 specifies an item group corresponding to each of the partial character strings 42 extracted by the character string extraction unit 11. If the partial character string 42 is not extracted across items, the item group includes one item. Specifically, the pattern generation unit 12 specifies the position of the extracted partial character string 42 based on the extracted position information included in the extracted position list 43, and sets the value including the partial character string 42 at that position. Identify the corresponding item group.

また、パターン生成部12は、抽出位置リスト43に含まれる各部分文字列42と、特定したその部分文字列42に対応する項目群とを組み合わせたパターンを生成する。例えば、パターン生成部12は、部分文字列“88神”から、項目「〒」及び「都道府県」を含む項目群を特定し、<“88神”→(〒,都道府県)>のようなパターンを生成することができる。この例では、矢印(→)の左側が部分文字列42、右側が対応する項目群を表している。パターン生成部12は、生成したパターンを、例えば図7に示すようなパターンリスト44に記録する。なお、図7の例では、項目群に含まれる項目が最大で2つの例であり、項目群に1つの項目しか含まれない場合には、2つ目の項目がないことを「−」で表している。   Further, the pattern generation unit 12 generates a pattern in which each partial character string 42 included in the extraction position list 43 and an item group corresponding to the specified partial character string 42 are combined. For example, the pattern generation unit 12 specifies an item group including the items “〒” and “prefecture” from the partial character string “88 god”, such as <“88 god” → (〒, prefecture)>. A pattern can be generated. In this example, the left side of the arrow (→) represents the partial character string 42 and the right side represents the corresponding item group. The pattern generation unit 12 records the generated pattern in a pattern list 44 as shown in FIG. 7, for example. In the example of FIG. 7, the number of items included in the item group is two at the maximum. When only one item is included in the item group, “−” indicates that there is no second item. Represents.

さらに、パターン生成部12は、郵便番号やTELのように、書き方が一通りではない項目を考慮して、部分文字列42の一部をワイルドカード(?)で置き換えたパターンや、部分文字列42の一部を削除したパターンをパターンリスト44に追加してもよい。例えば、パターン生成部12は、<“211−8588”→(〒,−)>というパターンを生成した場合に、<“211?8588”→(〒,−)>や、<“2118588”→(〒,−)>というパターンを追加することができる。   Furthermore, the pattern generation unit 12 considers items that are not written in a manner such as a zip code or TEL, and a pattern obtained by replacing a part of the partial character string 42 with a wild card (?) Or a partial character string. A pattern in which a part of 42 is deleted may be added to the pattern list 44. For example, when the pattern generation unit 12 generates a pattern of “<211-8588” → (〒, −)>, <“211? 8588” → (〒, −)> and <“211588” → ( A pattern such as 〒,-)> can be added.

パターン照合部13は、パターン生成部12により生成されたパターンと、名寄せ元表A31のレコードとを照合する。具体的には、パターン照合部13は、パターン生成部12により生成された各パターンに含まれる部分文字列42と一致する文字列を、名寄せ元表31Aに含まれるレコードから検索する。図7に示すパターンリスト44に含まれるパターンを用いて、名寄せ元表A31から検索された部分文字列45の一例を、図8に示す。なお、図8では、名寄せ元表A31を表形式のまま図示しているが、パターン照合部13は、各辞書からの部分文字列42の抽出と同様に、名寄せ元表A31の各レコードを連結文字列に変換してから照合する。   The pattern collation unit 13 collates the pattern generated by the pattern generation unit 12 with the record in the name identification source table A31. Specifically, the pattern matching unit 13 searches for a character string that matches the partial character string 42 included in each pattern generated by the pattern generation unit 12 from the records included in the name identification source table 31A. FIG. 8 shows an example of the partial character string 45 retrieved from the name identification source table A31 using the patterns included in the pattern list 44 shown in FIG. In FIG. 8, the name identification source table A31 is illustrated in the form of a table, but the pattern matching unit 13 concatenates each record of the name identification source table A31 in the same manner as the extraction of the partial character string 42 from each dictionary. Matches after converting to a string.

また、パターン照合部13は、照合に用いたパターンと、そのパターンに含まれる部分文字列42に一致する部分文字列45の出現位置との組を出現位置情報として、例えば図9に示すような出現位置リスト46に記録する。部分文字列45の出現位置は、どの名寄せ元表のどのレコードのどの位置に出現した部分文字列45であるかを示す情報である。出現位置は、抽出位置リスト43に記録される抽出位置と同様の情報により特定することができる。図9の例では、1行目の出現位置情報に含まれる出現位置(31,2,18,3)は、識別情報が31の名寄せ元表(名寄せ元表A31)の2行目のレコードの18文字目から3文字分で示される位置を表している。   Further, the pattern matching unit 13 uses a set of the pattern used for matching and the appearance position of the partial character string 45 matching the partial character string 42 included in the pattern as appearance position information, for example, as shown in FIG. Record in the appearance position list 46. The appearance position of the partial character string 45 is information indicating at which position of which record of which name identification source table the partial character string 45 appears. The appearance position can be specified by the same information as the extraction position recorded in the extraction position list 43. In the example of FIG. 9, the appearance position (31, 2, 18, 3) included in the appearance position information of the first line is the record of the second line of the name identification source table (name identification source table A31) with the identification information 31. The position shown by 3 characters from the 18th character is shown.

パターン照合部13は、出現位置リスト46に含まれる各出現位置が示す部分文字列45を含む値に対応する項目群を名寄せ元表A31から特定する。項目群の特定方法は、パターン生成部12が、各辞書から抽出された部分文字列42に対応する項目群を特定する方法と同様である。パターン照合部13は、照合に用いたパターンに含まれる項目群と、そのパターンに基づいて名寄せ元表A31から検索された部分文字列45に対して特定した項目群とを項目群対として、例えば図10に示すような項目群対リスト47に記録する。照合に用いたパターンに含まれる項目群とは、すなわち、各辞書から抽出された部分文字列42に対してパターン生成部12により特定された項目群であり、以下、「辞書項目群」ともいう。また、そのパターンに基づいて名寄せ元表A31から検索された部分文字列45に対して特定した項目群を、以下、「名寄せ元表項目群」ともいう。   The pattern matching unit 13 specifies an item group corresponding to a value including the partial character string 45 indicated by each appearance position included in the appearance position list 46 from the name identification source table A31. The item group specifying method is the same as the method in which the pattern generation unit 12 specifies the item group corresponding to the partial character string 42 extracted from each dictionary. The pattern matching unit 13 uses, as an item group pair, an item group included in the pattern used for matching and an item group specified for the partial character string 45 searched from the name identification source table A31 based on the pattern, for example. It records in the item group pair list 47 as shown in FIG. The item group included in the pattern used for matching is an item group specified by the pattern generation unit 12 with respect to the partial character string 42 extracted from each dictionary, and is hereinafter also referred to as a “dictionary item group”. . The item group specified for the partial character string 45 retrieved from the name identification source table A31 based on the pattern is also referred to as a “name identification source table item group” hereinafter.

例えば、名寄せ元表A31において、パターン<“211”→(〒,−)>の部分文字列“211”と一致した部分文字列45に対応する項目が「郵便」と特定されたとする。この場合、パターン照合部13は、辞書項目群(〒,−)と、名寄せ元表項目群(郵便,−)とを項目群対として、項目群対リスト47に記録する。   For example, in the name identification source table A31, it is assumed that an item corresponding to the partial character string 45 that matches the partial character string “211” of the pattern <“211” → (〒, −)> is specified as “postal”. In this case, the pattern matching unit 13 records the dictionary item group (〒,-) and the name identification source table item group (mail,-) as an item group pair in the item group pair list 47.

図11に、項目群対リスト47に記録された項目群対の情報をグラフで表した一例を示す。図11に示すグラフでは、辞書項目群及び名寄せ元表項目群の各々について、項目群対リスト47に記録されている項目群対を線で結んで表している。また、項目群間を結ぶ線に併記した回数は、その項目群対が項目群対リスト47に出現する回数である。   FIG. 11 shows an example in which the information on the item group pairs recorded in the item group pair list 47 is represented by a graph. In the graph shown in FIG. 11, for each of the dictionary item group and the name identification source table item group, the item group pairs recorded in the item group pair list 47 are connected by lines. Further, the number of times written along the line connecting the item groups is the number of times that the item group pair appears in the item group pair list 47.

対応関係抽出部14は、辞書項目群と名寄せ元表項目群との項目群対の出現回数に基づいて、各辞書に含まれる各項目と、名寄せ元表A31に含まれる各項目との対応関係を抽出し、対応関係情報を生成して出力する。   The correspondence relationship extraction unit 14 correlates each item included in each dictionary and each item included in the name collation source table A31 based on the number of appearances of the item group pair of the dictionary item group and the name collation source table item group. Is extracted, and correspondence information is generated and output.

具体的には、対応関係抽出部14は、各辞書に含まれる各項目(以下、「辞書項目」ともいう)と、各名寄せ元表A31に含まれる各項目(以下、「名寄せ元表項目」ともいう)とが同一の項目群対に含まれて出現した回数を集計する。そして、対応関係抽出部14は、例えば図12に示すような集計表48を作成する。集計の方法としては、対応関係抽出部14は、例えば、項目群対の出現1回につき、その項目群対に含まれる辞書項目群の各辞書項目と名寄せ元表項目群の各名寄せ元表項目との全ての組み合わせについて、カウンタを1インクリメントする。より具体的には、辞書項目群(A,B)と名寄せ元表項目群(C,D)との項目群対の出現回数1回につき、集計表48において、AとCとの組、AとDとの組、BとCとの組、BとDとの組の各々に対応する行のカウンタを1インクリメントする。   Specifically, the correspondence extraction unit 14 includes each item included in each dictionary (hereinafter also referred to as “dictionary item”) and each item included in each name identification source table A31 (hereinafter “name identification source table item”). Counts the number of occurrences included in the same item group pair. Then, the correspondence relationship extraction unit 14 creates a tabulation table 48 as shown in FIG. 12, for example. As a totaling method, for example, for each occurrence of an item group pair, the correspondence relationship extracting unit 14 includes each dictionary item of the dictionary item group included in the item group pair and each name identification source table item of the name identification source table item group. The counter is incremented by 1 for all the combinations. More specifically, for each occurrence of an item group pair of a dictionary item group (A, B) and a name identification source table item group (C, D), a set of A and C, A The counter of the row corresponding to each of the group of D and D, the group of B and C, and the group of B and D is incremented by one.

また、対応関係抽出部14は、共通辞書DB20内の各辞書に含まれる項目全体を各項目の順番を保持したままM個に分割する。同様に、名寄せ元表A31に含まれる項目全体を各項目の順番を保持したままN個に分割する。なお、項目の順番を保持するのは、連続する項目同士が1つの事項に対応していることを考慮したものであるため、辞書の並び順については任意でよい。図13に、辞書項目の全体を6個に分割し、名寄せ元表項目の全体を5個に分割した例(M=6、N=5)を示す。以下では、分割された1単位を「分割項目」といい、辞書項目の各分割項目を「分割項目m(m=1,・・・,M)」、名寄せ元表項目の各分割項目を「分割項目n(n=1,・・・,N)」という。また、1≦M≦辞書項目の総数、1≦N≦名寄せ元表項目の総数である。   Further, the correspondence relationship extraction unit 14 divides the entire items included in each dictionary in the common dictionary DB 20 into M pieces while maintaining the order of the items. Similarly, the entire items included in the name identification source table A31 are divided into N items while maintaining the order of the items. Note that the order of items is retained in consideration of the fact that consecutive items correspond to one item, and therefore the order of the dictionary may be arbitrary. FIG. 13 shows an example (M = 6, N = 5) in which the entire dictionary item is divided into six and the entire name identification source table item is divided into five. Hereinafter, one divided unit is referred to as a “division item”, each division item of the dictionary item is “division item m (m = 1,..., M)”, and each division item of the name identification source table item is “ This is called a divided item n (n = 1,..., N) ”. Also, 1 ≦ M ≦ total number of dictionary items, 1 ≦ N ≦ total number of name identification source table items.

対応関係抽出部14は、あるM及びNでの分割について、例えば図13に示すように、分割項目mを分割項目nへ対応付ける写像f:m→nを与える。そして、対応関係抽出部14は、M及びNが異なる分割毎、かつ対応付けが異なる写像f毎に、信頼度Sを算出する。信頼度Sは、分割及び写像fの確からしさを示す指標であり、例えば、下記(1)式で定義することができる。なお、f(m)は、写像fにより、分割項目mに対応付けられる分割項目nである。   The correspondence extracting unit 14 gives a mapping f: m → n for associating the divided item m with the divided item n, for example, as shown in FIG. Then, the correspondence relationship extraction unit 14 calculates the reliability S for each division with different M and N and for each mapping f with different correspondence. The reliability S is an index indicating the probability of the division and the mapping f, and can be defined by the following equation (1), for example. Note that f (m) is a divided item n associated with the divided item m by the mapping f.

S=H(f(m))−H(f(m)|m) ・・・(1)     S = H (f (m))-H (f (m) | m) (1)

なお、H(f(m))は、f(m)に相当する分割項目nのエントロピーであり、下記(2)式により定義される。また、H(f(m)|m)は、分割項目mで条件付けられるf(m)に相当する分割項目nのエントロピーであり、下記(3)式により定義される。   H (f (m)) is the entropy of the division item n corresponding to f (m), and is defined by the following equation (2). H (f (m) | m) is the entropy of the divided item n corresponding to f (m) conditioned by the divided item m, and is defined by the following equation (3).

H(f(m))=−Σf(m)P(f(m))logP(f(m)) ・・・(2)
H(f(m)|m)=−Σf(m),mP(f(m),m)logP(f(m)|m)
・・・(3)
H (f (m)) = − Σ f (m) P (f (m)) log P (f (m)) (2)
H (f (m) | m) = − Σ f (m), m P (f (m), m) log P (f (m) | m)
... (3)

なお、P(f(m))は、f(m)に相当する分割項目nの出現確率である。具体的には、P(f(m))は、集計表48におけるカウンタの総合計に対する、f(m)に相当する分割項目nに含まれる各名寄せ元表項目を含む行のカウンタの合計の割合として得られる。また、P(f(m),m)は、f(m)に相当する分割項目nと分割項目mとの同時出現確率である。具体的には、P(f(m),m)は、集計表48におけるカウンタの総合計に対する、分割項目mに含まれる各辞書項目とf(m)に相当する分割項目nに含まれる各名寄せ元表項目との組に対応する行のカウンタの合計の割合として得られる。また、P(f(m)|m)は、f(m)に相当する分割項目nが分割項目mに対応付けられる条件付き確率である。具体的には、P(f(m)|m)は、分割項目mに含まれる各辞書項目を含む行のカウンタの合計に対する、分割項目mに含まれる各辞書項目とf(m)に相当する分割項目nに含まれる各名寄せ元表項目との組に対応する行のカウンタの合計の割合として得られる。また、Σf(m)は、写像fにより分割項目mから対応付けられている分割項目nの各々についての和、Σf(m),mは、写像fにより対応付けられている分割項目mとf(m)に相当する分割項目nとの組の各々についての和を表す。 P (f (m)) is the appearance probability of the divided item n corresponding to f (m). Specifically, P (f (m)) is the total of the counters in the row including each name identification source table item included in the divided item n corresponding to f (m) with respect to the total number of counters in the total table 48. Obtained as a percentage. P (f (m), m) is the simultaneous appearance probability of the divided item n and the divided item m corresponding to f (m). Specifically, P (f (m), m) is each dictionary item included in the divided item m and each divided item n corresponding to f (m) with respect to the total of the counters in the summary table 48. It is obtained as the ratio of the total of the counter of the row corresponding to the pair with the name identification source table item. P (f (m) | m) is a conditional probability that the divided item n corresponding to f (m) is associated with the divided item m. Specifically, P (f (m) | m) corresponds to each dictionary item included in the divided item m and f (m) with respect to the total of the counters of the lines including the dictionary items included in the divided item m. It is obtained as a ratio of the total of the counters of the rows corresponding to the pairs with each name identification source table item included in the divided item n. Σ f (m) is the sum for each of the divided items n associated with the divided item m by the mapping f, and Σ f (m), m is the divided item m associated with the mapped item f. And the sum of each of the groups of divided items n corresponding to f (m).

対応関係抽出部14は、従来既知の最適化アルゴリズム等を用いて、信頼度Sが最大となる分割及び写像fを特定し、この分割及び写像fにより得られる分割項目mと分割項目nとの対応付けを、対応関係情報として生成して出力する。   The correspondence relationship extraction unit 14 specifies a division and mapping f having the maximum reliability S using a conventionally known optimization algorithm and the like, and the division item m and the division item n obtained by the division and mapping f are determined. A correspondence is generated and output as correspondence information.

関係情報生成装置10は、例えば図14に示すコンピュータ50で実現することができる。コンピュータ50は、CPU51と、一時記憶領域としてのメモリ52と、不揮発性の記憶部53とを備える。また、コンピュータ50は、入出力装置54と、記録媒体59に対するデータの読み込み及び書き込みを制御するread/write(R/W)部55と、通信インターフェース(I/F)56とを備える。CPU51、メモリ52、記憶部53、入出力装置54、R/W部55、及び通信I/F56は、バス57を介して互いに接続される。   The relationship information generating apparatus 10 can be realized by a computer 50 shown in FIG. 14, for example. The computer 50 includes a CPU 51, a memory 52 as a temporary storage area, and a nonvolatile storage unit 53. The computer 50 also includes an input / output device 54, a read / write (R / W) unit 55 that controls reading and writing of data with respect to the recording medium 59, and a communication interface (I / F) 56. The CPU 51, the memory 52, the storage unit 53, the input / output device 54, the R / W unit 55, and the communication I / F 56 are connected to each other via a bus 57.

記憶部53は、HDD(Hard Disk Drive)、SSD(solid state drive)、フラッシュメモリ等によって実現できる。記憶媒体としての記憶部53には、コンピュータ50を関係情報生成装置10として機能させるための関係情報生成プログラム60が記憶される。関係情報生成プログラム60は、文字列抽出プロセス61と、パターン生成プロセス62と、パターン照合プロセス63と、対応関係抽出プロセス64とを有する。   The storage unit 53 can be realized by a hard disk drive (HDD), a solid state drive (SSD), a flash memory, or the like. The storage unit 53 as a storage medium stores a relationship information generation program 60 for causing the computer 50 to function as the relationship information generation device 10. The relationship information generation program 60 includes a character string extraction process 61, a pattern generation process 62, a pattern matching process 63, and a correspondence relationship extraction process 64.

CPU51は、関係情報生成プログラム60を記憶部53から読み出してメモリ52に展開し、関係情報生成プログラム60が有するプロセスを順次実行する。CPU51は、文字列抽出プロセス61を実行することで、図1に示す文字列抽出部11として動作する。また、CPU51は、パターン生成プロセス62を実行することで、図1に示すパターン生成部12として動作する。また、CPU51は、パターン照合プロセス63を実行することで、図1に示すパターン照合部13として動作する。また、CPU51は、対応関係抽出プロセス64を実行することで、図1に示す対応関係抽出部14として動作する。これにより、関係情報生成プログラム60を実行したコンピュータ50が、関係情報生成装置10として機能することになる。   The CPU 51 reads the relationship information generation program 60 from the storage unit 53 and expands it in the memory 52, and sequentially executes the processes included in the relationship information generation program 60. The CPU 51 operates as the character string extraction unit 11 illustrated in FIG. 1 by executing the character string extraction process 61. Further, the CPU 51 operates as the pattern generation unit 12 illustrated in FIG. 1 by executing the pattern generation process 62. Further, the CPU 51 operates as the pattern matching unit 13 illustrated in FIG. 1 by executing the pattern matching process 63. Further, the CPU 51 operates as the correspondence relationship extraction unit 14 illustrated in FIG. 1 by executing the correspondence relationship extraction process 64. As a result, the computer 50 that has executed the relationship information generation program 60 functions as the relationship information generation device 10.

なお、関係情報生成プログラム60により実現される機能は、例えば半導体集積回路、より詳しくはASIC(Application Specific Integrated Circuit)等で実現することも可能である。   The function realized by the relationship information generation program 60 can also be realized by, for example, a semiconductor integrated circuit, more specifically, an ASIC (Application Specific Integrated Circuit).

次に、本実施形態に係る関係情報生成装置10の作用について説明する。関係情報生成装置10が、共通辞書DB20及び名寄せ元DB30を読み込み、図15に示す関係情報生成処理を実行する。   Next, the operation of the relationship information generation device 10 according to this embodiment will be described. The relationship information generation device 10 reads the common dictionary DB 20 and the name identification source DB 30 and executes the relationship information generation process shown in FIG.

まず、ステップS10で、図16に詳細を示す文字列抽出処理が実行される。   First, in step S10, a character string extraction process shown in detail in FIG. 16 is executed.

ステップS11で、文字列抽出部11が、共通辞書DB20内の各辞書からのレコードの取り出しが終了したか否かを判定する。レコードの取り出しが終了していない場合には、処理はステップS12へ移行し、文字列抽出部11が、いずれかの辞書から、ランダムに、又は先頭から順にレコードを1つ取り出す。   In step S11, the character string extraction unit 11 determines whether or not the extraction of records from each dictionary in the common dictionary DB 20 has been completed. If the record extraction has not been completed, the process proceeds to step S12, and the character string extraction unit 11 extracts one record from any dictionary at random or sequentially from the top.

次に、ステップS13で、文字列抽出部11が、取り出したレコードの各項目に対応した文字列の各々を連結して、連結文字列41を生成する。   Next, in step S <b> 13, the character string extraction unit 11 concatenates each character string corresponding to each item of the extracted record to generate a concatenated character string 41.

次に、ステップS14で、文字列抽出部11が、連結文字列41から、ランダムに選択したn−gramを部分文字列42として抽出する。   Next, in step S <b> 14, the character string extraction unit 11 extracts a randomly selected n-gram as a partial character string 42 from the concatenated character string 41.

次に、ステップS15で、文字列抽出部11が、抽出した部分文字列42と、その部分文字列42の抽出位置との組を抽出位置情報として、例えば図6に示すような抽出位置リスト43に記録し、処理はステップS11に戻る。   Next, in step S15, the character string extraction unit 11 uses a set of the extracted partial character string 42 and the extracted position of the partial character string 42 as extraction position information, for example, an extraction position list 43 as shown in FIG. And the process returns to step S11.

ステップS11で、文字列抽出部11が、所定数のレコードの取り出しが終了していると判定した場合や、全ての最終行のレコードまで取り出しが終了していると判定した場合には、処理は図15に示す関係情報生成処理に戻る。   If the character string extraction unit 11 determines in step S11 that the extraction of a predetermined number of records has been completed, or if it has determined that the extraction of all the records in the last row has been completed, the process is as follows. Returning to the relationship information generation process shown in FIG.

次に、ステップS20で、図17に詳細を示すパターン生成処理が実行される。   Next, in step S20, a pattern generation process shown in detail in FIG. 17 is executed.

ステップS21で、パターン生成部12が、抽出位置リスト43に含まれる全ての抽出位置情報の取り出しが終了したか否かを判定する。抽出位置情報の取り出しが終了していない場合には、処理はステップS22へ移行し、パターン生成部12が、抽出位置リスト43からまだ取り出されていない抽出位置情報を1つ取り出す。   In step S <b> 21, the pattern generation unit 12 determines whether extraction of all extraction position information included in the extraction position list 43 has been completed. If extraction of extraction position information has not been completed, the process proceeds to step S22, and the pattern generation unit 12 extracts one piece of extraction position information that has not yet been extracted from the extraction position list 43.

次に、ステップS23で、パターン生成部12が、取り出した抽出位置情報に基づいて、該当の辞書から該当のレコードを取得する。そして、パターン生成部12が、取り出した抽出位置情報に基づいて、取得したレコードから、文字列抽出部11により抽出された部分文字列42を特定し、その部分文字列42を含む値に対応する項目群を特定する。   Next, in step S23, the pattern generation unit 12 acquires the corresponding record from the corresponding dictionary based on the extracted extraction position information. Then, the pattern generation unit 12 specifies the partial character string 42 extracted by the character string extraction unit 11 from the acquired record based on the extracted extraction position information, and corresponds to the value including the partial character string 42. Identify items.

次に、ステップS24で、パターン生成部12は、上記ステップS22で取り出した抽出位置情報に含まれる部分文字列42と、上記ステップS23で特定したその部分文字列42に対応する項目群とを組み合わせたパターンを生成する。そして、パターン生成部12は、生成したパターンを、例えば図7に示すようなパターンリスト44に記録する。   Next, in step S24, the pattern generation unit 12 combines the partial character string 42 included in the extracted position information extracted in step S22 and the item group corresponding to the partial character string 42 identified in step S23. Generate a pattern. Then, the pattern generation unit 12 records the generated pattern in a pattern list 44 as shown in FIG. 7, for example.

次に、ステップS25で、パターン生成部12が、上記ステップS25で生成したパターンの部分文字列42の一部をワイルドカード(?)で置き換えたパターンや、部分文字列42の一部を削除したパターンを生成し、パターンリスト44に追加する。なお、部分文字列42に、ワイルドカードへの置き換え可能な部分、又は削除可能な部分が含まれない場合には、本ステップの処理は省略する。そして、処理はステップS21に戻る。   Next, in step S25, the pattern generation unit 12 deletes a pattern obtained by replacing a part of the partial character string 42 of the pattern generated in step S25 with a wild card (?) Or a part of the partial character string 42. A pattern is generated and added to the pattern list 44. If the partial character string 42 does not include a part that can be replaced with a wild card or a part that can be deleted, the process of this step is omitted. Then, the process returns to step S21.

ステップS21で、パターン生成部12が、全ての抽出位置情報の取り出しが終了していると判定した場合には、処理は図15に示す関係情報生成処理に戻る。   If the pattern generation unit 12 determines in step S21 that all extraction position information has been extracted, the process returns to the relationship information generation process shown in FIG.

なお、上記では、部分文字列の抽出は部分文字列抽出処理で実行し、その部分文字列に対応する項目の特定はパターン生成処理で実行する場合について説明したが、部分文字列を抽出する際に、あわせてその部分文字列に対応する項目を特定するようにしてもよい。   In the above description, a case where partial character string extraction is executed by partial character string extraction processing and an item corresponding to the partial character string is specified by pattern generation processing has been described. In addition, an item corresponding to the partial character string may be specified.

次に、ステップS30で、図18に詳細を示すパターン照合処理が実行される。   Next, in step S30, a pattern matching process shown in detail in FIG. 18 is executed.

ステップS31で、パターン照合部13が、パターンリスト44に含まれる各パターンと、名寄せ元表A31の各レコードとを照合するパターン照合器を構築する。通常のパターン照合では、i個のパターンと、j個のレコードを照合する場合、i×j回の照合を行うが、ここでは、1つのレコードに対してi個のパターンを1度に照合可能なパターン照合器を構築する(参考文献:Navarro & Raffinot, "Flexible Pattern Matching in String", pp.41-74, Cambridge Press, 2002.)。このようなパターン照合器を用いることで、より計算量を軽減することができる。   In step S31, the pattern collation unit 13 constructs a pattern collator that collates each pattern included in the pattern list 44 with each record of the name identification source table A31. In normal pattern matching, if i patterns and j records are matched, i × j matching is performed, but here, i patterns can be matched to one record at a time. A simple pattern matcher (reference: Navarro & Raffinot, "Flexible Pattern Matching in String", pp. 41-74, Cambridge Press, 2002.). By using such a pattern collator, the amount of calculation can be further reduced.

次に、ステップS32で、パターン照合部13が、名寄せ元表A31に含まれる全てのレコードの取り出しが終了したか否かを判定する。レコードの取り出しが終了していない場合には、処理はステップS33へ移行し、パターン照合部13が、名寄せ元表A31からまだ取り出されていないレコードを1つ取り出す。   Next, in step S32, the pattern matching unit 13 determines whether or not all the records included in the name identification source table A31 have been extracted. If the record extraction has not been completed, the process proceeds to step S33, and the pattern matching unit 13 extracts one record that has not yet been extracted from the name identification source table A31.

次に、ステップS34で、パターン照合部13が、取り出したレコードから連結文字列を生成して、上記ステップS31で構築したパターン照合器に入力する。   Next, in step S34, the pattern matching unit 13 generates a concatenated character string from the extracted record and inputs it to the pattern collator constructed in step S31.

次に、ステップS35で、パターン照合部13は、パターン照合器の出力として、照合に用いたパターンと、上記ステップS33で取り出したレコードにおいて、そのパターンに含まれる部分文字列42に一致する部分文字列45の出現位置との組を取得する。パターン照合部13は、パターンと出現位置との組を出現位置情報として、例えば図9に示すような出現位置リスト46に記録し、処理はステップS32に戻る。   Next, in step S35, the pattern collation unit 13 uses the pattern used as the collation as the output of the pattern collator and the partial character that matches the partial character string 42 included in the pattern in the record extracted in step S33. A pair with the appearance position of the column 45 is acquired. The pattern matching unit 13 records the combination of the pattern and the appearance position as appearance position information in, for example, the appearance position list 46 as shown in FIG. 9, and the process returns to step S32.

ステップS32で、パターン照合部13が、名寄せ元表A31の全てのレコードの取り出しが終了していると判定した場合には、処理はステップS36へ移行する。   If the pattern matching unit 13 determines in step S32 that all the records in the name identification source table A31 have been extracted, the process proceeds to step S36.

ステップS36では、パターン照合部13が、出現位置リスト46に含まれる全ての出現位置情報の取り出しが終了したか否かを判定する。出現位置情報の取り出しが終了していない場合には、処理はステップS37へ移行し、パターン照合部13が、出現位置リスト46からまだ取り出されていない出現位置情報を1つ取り出す。   In step S <b> 36, the pattern matching unit 13 determines whether or not all the appearance position information included in the appearance position list 46 has been extracted. If the extraction of the appearance position information has not ended, the process proceeds to step S37, and the pattern matching unit 13 extracts one piece of appearance position information that has not yet been extracted from the appearance position list 46.

次に、ステップS38で、パターン照合部13が、取り出した出現位置情報に基づいて、名寄せ元表A31から該当のレコードを取得する。そして、パターン照合部13は、取得したレコードから、出現位置情報が示す位置の部分文字列45を特定し、その部分文字列45を含む値に対応する項目群を特定する。   Next, in step S38, the pattern matching unit 13 acquires a corresponding record from the name identification source table A31 based on the extracted appearance position information. Then, the pattern matching unit 13 specifies the partial character string 45 at the position indicated by the appearance position information from the acquired record, and specifies the item group corresponding to the value including the partial character string 45.

次に、ステップS39で、パターン照合部13が、辞書項目群と名寄せ元表項目群とを項目群対として、例えば図10に示すような項目群対リスト47に記録し、処理はステップS36に戻る。   Next, in step S39, the pattern matching unit 13 records the dictionary item group and the name identification source table item group as an item group pair in, for example, an item group pair list 47 as shown in FIG. 10, and the process proceeds to step S36. Return.

ステップS36で、パターン照合部13が、全ての出現位置情報の取り出しが終了していると判定した場合には、処理は図15に示す関係情報生成処理に戻る。   If the pattern matching unit 13 determines in step S36 that all the appearance position information has been extracted, the process returns to the relation information generation process shown in FIG.

次に、ステップS40で、図19に詳細を示す対応関係抽出処理が実行される。   Next, in step S40, the correspondence extraction process shown in detail in FIG. 19 is executed.

ステップS41で、対応関係抽出部14が、項目群対リスト47に含まれる全ての項目群対の取り出しが終了したか否かを判定する。項目群対の取り出しが終了していない場合には、処理はステップS42へ移行し、対応関係抽出部14が、項目群対リスト47からまだ取り出されていない項目群対を1つ取り出す。   In step S <b> 41, the correspondence relationship extraction unit 14 determines whether extraction of all item group pairs included in the item group pair list 47 has been completed. If the extraction of the item group pair is not completed, the process proceeds to step S42, and the correspondence relationship extraction unit 14 extracts one item group pair that has not been extracted from the item group pair list 47.

次に、ステップS43で、対応関係抽出部14が、取り出した項目群対に含まれる辞書項目群の各辞書項目と名寄せ元表項目群の各名寄せ元表項目との全ての組み合わせについて、集計表48のカウンタを1インクリメントし、処理はステップS41に戻る。   Next, in step S43, the correspondence relationship extraction unit 14 calculates a summary table for all combinations of each dictionary item of the dictionary item group and each name identification source table item of the name identification source table item group included in the extracted item group pair. The counter of 48 is incremented by 1, and the process returns to step S41.

ステップS41で、対応関係抽出部14が、全ての項目群対の取り出しが終了していると判定した場合には、処理はステップS44へ移行する。   If the correspondence extracting unit 14 determines in step S41 that all item group pairs have been extracted, the process proceeds to step S44.

ステップS44では、対応関係抽出部14が、共通辞書DB20内の各辞書に含まれる項目全体を各項目の順番を保持したままM個に分割し、名寄せ元表A31に含まれる項目全体を各項目の順番を保持したままN個に分割する。そして、対応関係抽出部14が、分割項目mを分割項目nへ対応付ける写像f:m→nを定義する。   In step S44, the correspondence relationship extraction unit 14 divides the entire items included in each dictionary in the common dictionary DB 20 into M pieces while maintaining the order of the items, and sets the entire items included in the name identification source table A31 to each item. Are divided into N pieces while maintaining the order. Then, the correspondence relationship extraction unit 14 defines a mapping f: m → n that associates the divided item m with the divided item n.

次に、ステップS45で、対応関係抽出部14が、M及びNでの分割における写像fについての信頼度Sを、例えば(1)式により算出する。   Next, in step S45, the correspondence relationship extraction unit 14 calculates the reliability S for the mapping f in the division at M and N, for example, using equation (1).

次に、ステップS46で、対応関係抽出部14が、信頼度Sの算出の終了条件を満たすか否かを判定する。終了条件は最適化アルゴリズムによる。例えば、全てのM及びNでの分割における全ての写像fについて信頼度Sを算出した場合、ステップS44及びS45を所定回数繰り返した場合、今回と前回とで算出された信頼度Sの差が所定値以下となった場合などに、終了条件を満たすと判定することができる。信頼度Sの算出の終了条件を満たさない場合には、処理はステップS44に戻り、対応関係抽出部14が、写像f、又はM及びNと写像fとを変更して、信頼度Sの算出を繰り返す。信頼度Sの算出の終了条件を満たす場合には、処理はステップS47へ移行する。   Next, in step S46, the correspondence relationship extraction unit 14 determines whether or not the end condition for calculating the reliability S is satisfied. The termination condition depends on the optimization algorithm. For example, when the reliability S is calculated for all maps f in all M and N divisions, when steps S44 and S45 are repeated a predetermined number of times, the difference between the reliability S calculated this time and the previous time is predetermined. It can be determined that the end condition is satisfied when the value is equal to or less than the value. If the termination condition for calculating the reliability S is not satisfied, the process returns to step S44, and the correspondence relationship extraction unit 14 changes the mapping f or M and N and the mapping f to calculate the reliability S. repeat. If the termination condition for calculating the reliability S is satisfied, the process proceeds to step S47.

ステップS47では、対応関係抽出部14が、信頼度Sが最大となる分割及び写像fにより得られる分割項目mと分割項目nとの対応付けを、対応関係情報として生成して出力する。そして、処理は図15に示す関係情報生成処理に戻り、関係情報生成処理は終了する。   In step S47, the correspondence relationship extraction unit 14 generates and outputs the association with the division item m and the division item n obtained by the division and mapping f having the maximum reliability S as the correspondence relationship information. Then, the process returns to the relation information generation process shown in FIG. 15, and the relation information generation process ends.

以上説明したように、本実施形態に係る関係情報生成装置10によれば、共通辞書DBに含まれるレコードから部分文字列を抽出し、その部分文字列に対応する辞書項目群を特定する。また、名寄せ元表において、共通辞書から抽出した部分文字列と一致する部分文字列に対応する名寄せ元表項目群を特定する。そして、辞書項目群と名寄せ元表項目群対の出現回数に基づいて、辞書項目の全体をM個に分割した分割項目mと、名寄せ元表項目の全体をN個に分割した分割項目nとを対応付ける。これにより、データベースの種類、項目やデータの内容等のデータベースの属性に関わらず、データベース間で対応する項目対を特定することができる。また、項目毎のプロファイルを作成したり、項目間の対応付けを人手で行ったりする場合に比べ、データベース間で対応する項目対を、少ない計算量で特定することができる。   As described above, according to the relationship information generating apparatus 10 according to the present embodiment, a partial character string is extracted from a record included in the common dictionary DB, and a dictionary item group corresponding to the partial character string is specified. In the name identification source table, the name identification source table item group corresponding to the partial character string that matches the partial character string extracted from the common dictionary is specified. Then, based on the number of appearances of the dictionary item group and the name identification source table item group pair, the division item m obtained by dividing the entire dictionary item into M pieces, and the division item n obtained by dividing the entire name identification source table item into N pieces, Associate. This makes it possible to specify a corresponding item pair between databases regardless of database attributes such as the type of database, items, and data contents. In addition, compared to a case where a profile for each item is created or the association between items is performed manually, it is possible to identify an item pair corresponding to each other with a small amount of calculation.

また、各データベースから部分文字列を抽出する際、項目間をまたがる部分文字列が含まれるようにする。これにより、1つの事項が複数の項目に分割されている場合も考慮して、データベース間で対応する項目対を特定することができる。   Further, when extracting a partial character string from each database, a partial character string straddling items is included. Accordingly, it is possible to specify a corresponding item pair between databases in consideration of a case where one item is divided into a plurality of items.

なお、上記実施形態では、共通辞書の項目を利用して、複数の名寄せ元表を1つの名寄せ先表に統合することを想定して、共通辞書の項目と名寄せ元表の項目との対応関係を抽出する場合について説明したが、これに限定されない。名寄せ先表の項目が既知の場合には、名寄せ先表の項目と、名寄せ元表の項目とを直接対応付けてもよい。この場合、上記実施形態における共通辞書DB20を名寄せ先表と読み替えればよい。   In the above embodiment, assuming that a plurality of name identification source tables are integrated into one name identification target table using items in the common dictionary, the correspondence relationship between the items in the common dictionary and the items in the name identification source table However, the present invention is not limited to this. When the items in the name identification destination table are known, the items in the name identification destination table may be directly associated with the items in the name identification source table. In this case, the common dictionary DB 20 in the above embodiment may be read as a name identification table.

例えば図20に示すように、名寄せ先表25から抽出した部分文字列42と一致する部分文字列45を名寄せ元表A31から検索し、名寄せ先表25の項目群と名寄せ元表31の項目群との項目群対を抽出する。このように抽出された項目群対の情報をグラフで表した一例を、図21に示す。図21では、項目群対の出現回数が多いほど、名寄せ先表項目群と名寄せ元表項目群とを結ぶ線を太い線で表している。図21の情報を用いて、対応関係抽出部14における信頼度Sを算出するとする。この場合、例えば、名寄せ先表項目「名称」→名寄せ元表項目「取引先名略」の対応付けを含む写像の方が、名寄せ先表項目「カナ」→名寄せ元表項目「取引先名略」の対応付けを含む写像より、出現回数が多いため、信頼度が高くなる。   For example, as shown in FIG. 20, a partial character string 45 that matches the partial character string 42 extracted from the name identification destination table 25 is searched from the name identification source table A31, and an item group of the name identification destination table 25 and an item group of the name identification source table 31 The item group pair is extracted. FIG. 21 shows an example in which the information of the item group pairs extracted in this way is represented by a graph. In FIG. 21, as the number of appearances of the item group pair increases, the line connecting the name identification destination table item group and the name identification source table item group is represented by a thick line. Assume that the reliability S in the correspondence extraction unit 14 is calculated using the information in FIG. In this case, for example, the mapping including the correspondence of name identification table item “name” → name identification source table item “customer name abbreviation” is the name identification table item “kana” → name identification source table item “customer name abbreviation” The number of appearances is higher than that of the map including the association “”, so that the reliability is high.

また、名寄せ先表項目「郵便1」及び「郵便2」が1つの分割項目mとなる場合もある。この場合、名寄せ先表項目「郵便1」+「郵便2」→名寄せ元表項目「郵便」の対応付けを含む写像の信頼度Sには、名寄せ先表項目「郵便1」及び「郵便2」の各々と名寄せ元表項目「郵便」との組のそれぞれの出現回数が反映される。そのため、例えば、名寄せ先表項目「郵便1」→名寄せ元表項目「郵便」という1対1の対応付けを含む写像に比べ、信頼度が高くなることが予想され、適切な対応付けが行える。また、名寄せ先表項目「住所」→名寄せ元表項目「住所1」+「住所2」の対応付けも、名寄せ先表項目「住所」→名寄せ元表項目「住所1」の対応付けに比べ、写像の信頼度は高くなることが予想され、適切な対応付けが行える。   Also, the name collation table items “Postal 1” and “Postal 2” may be one division item m. In this case, the reliability S of the mapping including the correspondence of the name collation table item “postal 1” + “postal 2” → name collation source table item “postal” includes the name collation table items “postal 1” and “postal 2”. And the number of appearances of each pair of name identification source table item “mail” is reflected. Therefore, for example, the reliability is expected to be higher than a mapping including a one-to-one correspondence of name identification destination table item “Postal 1” → name identification source table item “Postal”, and appropriate association can be performed. In addition, the association of name identification table item “address” → name identification source table item “address 1” + “address 2” is also compared with the association of name identification table item “address” → name identification source table item “address 1”. The reliability of the mapping is expected to increase, and appropriate association can be performed.

さらに、例えば、名寄せ先表項目「取引銀行」→名寄せ元表項目「取引先名略」という誤った対応付けを含む写像が与えられる場合もある。しかし、この場合、名寄せ先表項目「取引銀行」と名寄せ元表項目「取引先名略」との組の出現回数は極度に少ないと見込まれるため、この対応付けは除外される可能性が高い。   Further, for example, there may be a mapping including an incorrect association of name collation table item “transaction bank” → name collation source table item “customer name abbreviation”. However, in this case, it is highly likely that this association will be excluded because the number of occurrences of the pair of name collation table item “bank” and name collation table item “customer name abbreviation” is expected to be extremely small. .

また、上記実施形態では、項目の対応付けを行うデータベースが表形式の場合について説明したが、これに限定されない。例えばXML(Extensible Markup Language)のようなツリー構造を持つデータベースについても本発明を適用可能である。図22に、ツリー構造のデータベースの一例を示す。図22の例では、名寄せ元表に記録されている各事項を表すノード(取引先、所在地、電話番号)から繋がる葉ノードが、その事項に対応する項目を示しており、項目を示すノードは、その項目についての各レコードの値を保持する。この場合、各部分ツリーに含まれる葉ノードを項目群とみなすことができる。対応関係抽出部14は、ノード間の切断により、各項目を分割項目に分割することができる。例えば、図22に示すように、破線の箇所で切断した場合には、「名称」、「カナ」、「〒」、「住所」、及び「郵便」の5つの分割項目に分割される。また、一点破線の箇所で切断した場合には、「名称」、「カナ」、「〒」、「住所1」、「住所2」、及び「郵便」の6つの分割項目に分割される。   Moreover, although the said embodiment demonstrated the case where the database which matches an item was a table format, it is not limited to this. For example, the present invention can also be applied to a database having a tree structure such as XML (Extensible Markup Language). FIG. 22 shows an example of a database having a tree structure. In the example of FIG. 22, a leaf node connected from a node (business partner, location, telephone number) representing each item recorded in the name identification source table indicates an item corresponding to the item, and the node indicating the item is , Keep the value of each record for that item. In this case, a leaf node included in each partial tree can be regarded as an item group. The correspondence extraction unit 14 can divide each item into divided items by cutting between nodes. For example, as shown in FIG. 22, when cut at a broken line portion, it is divided into five division items of “name”, “kana”, “〒”, “address”, and “postal”. In addition, when cutting at a dashed line, it is divided into six division items of “name”, “kana”, “〒”, “address 1”, “address 2”, and “mail”.

なお、上記実施形態では、関係情報生成プログラム60が記憶部53に予め記憶(インストール)されている態様を説明したが、これに限定されない。本発明に係る関係情報生成プログラムは、CD−ROM、DVD−ROM、USBメモリ等の記録媒体に記録された形態で提供することも可能である。   In the above-described embodiment, the aspect in which the relationship information generation program 60 is stored (installed) in the storage unit 53 in advance has been described. However, the present invention is not limited to this. The related information generation program according to the present invention can be provided in a form recorded on a recording medium such as a CD-ROM, a DVD-ROM, or a USB memory.

以上の実施形態に関し、更に以下の付記を開示する。   Regarding the above embodiment, the following additional notes are disclosed.

(付記1)
コンピュータに、
複数の項目の各々に文字列が対応付けられた複数のレコードを含む第1のデータベースに含まれるレコードから部分文字列を抽出し、
前記第1のデータベースについての前記複数の項目のうち、前記第1のデータベースから抽出された部分文字列に対応する項目を特定し、
複数の項目の各々に文字列が対応付けられた複数のレコードを含む第2のデータベースにおいて、前記第1のデータベースから抽出された部分文字列と一致する部分文字列に対応する項目の出現数を、前記第1のデータベースから抽出された部分文字列に対応する項目と対応付けて算出し、
算出した前記出現数に基づいて、前記第1のデータベースに含まれる項目と、前記第2のデータベースに含まれる項目との対応関係に関する情報を生成する
ことを含む処理を実行させる関係情報生成方法。
(Appendix 1)
On the computer,
Extracting a partial character string from a record included in a first database including a plurality of records in which a character string is associated with each of a plurality of items;
Of the plurality of items for the first database, specify an item corresponding to the partial character string extracted from the first database;
In a second database including a plurality of records in which a character string is associated with each of a plurality of items, the number of occurrences of the item corresponding to the partial character string that matches the partial character string extracted from the first database is calculated. , Calculating in association with the item corresponding to the partial character string extracted from the first database,
A relation information generation method for executing processing including generating information on a correspondence relationship between an item included in the first database and an item included in the second database based on the calculated number of appearances.

(付記2)
前記第1のデータベースに含まれるレコードから部分文字列を抽出する際に、前記複数の項目の各々に対応付けられた文字列を連結した連結文字列から前記部分文字列を抽出する付記1記載の関係情報生成方法。
(Appendix 2)
The supplementary note 1, wherein when extracting a partial character string from a record included in the first database, the partial character string is extracted from a concatenated character string obtained by concatenating character strings associated with each of the plurality of items. Relation information generation method.

(付記3)
前記連結文字列から前記部分文字列を抽出する際に、抽出される部分文字列に対応する項目が、複数の項目に跨るように抽出する付記2記載の関係情報生成方法。
(Appendix 3)
The relation information generating method according to supplementary note 2, wherein when the partial character string is extracted from the concatenated character string, an item corresponding to the extracted partial character string is extracted so as to span a plurality of items.

(付記4)
前記第1のデータベースに含まれる複数の項目の全体をM個の分割項目に分割した場合のm番目の分割項目と、前記第2のデータベースに含まれる複数の項目全体をN個の分割項目に分割した場合のn番目の分割項目とが対応関係にあることの信頼度を、n番目の分割項目に含まれる前記第2のデータベースの項目であって、かつm番目の分割項目に含まれる前記第1のデータベースの項目に対応付けられた項目の前記出現数に基づいて算出し、算出した信頼度が最も高くなる前記m番目の分割項目と前記n番目の分割項目との組み合わせを、前記対応関係に関する情報として生成する付記1〜付記3のいずれか1項記載の関係情報生成方法。
(Appendix 4)
The m-th divided item when the entire plurality of items included in the first database are divided into M divided items, and the entire plurality of items included in the second database are divided into N divided items. The reliability that the n-th divided item is in correspondence with the divided item is the item of the second database included in the n-th divided item and the m-th divided item. Calculated based on the number of occurrences of the item associated with the item in the first database, and the combination of the m-th divided item and the n-th divided item with the highest calculated reliability is the correspondence 4. The relation information generation method according to any one of supplementary notes 1 to 3, which is generated as information related to the relation.

(付記5)
複数の項目の各々に文字列が対応付けられた複数のレコードを含む第1のデータベースに含まれるレコードから部分文字列抽出する抽出部と、
前記第1のデータベースについての前記複数の項目のうち、前記第1のデータベースから抽出された部分文字列に対応する項目を特定する特定部と、
複数の項目の各々に文字列が対応付けられた複数のレコードを含む第2のデータベースにおいて、前記第1のデータベースから抽出された部分文字列と一致する部分文字列に対応する項目の出現数を、前記第1のデータベースから抽出された部分文字列に対応する項目と対応付けて算出する算出部と、
算出した前記出現数に基づいて、前記第1のデータベースに含まれる項目と、前記第2のデータベースに含まれる項目との対応関係に関する情報を生成する生成部と、
を含む関係情報生成装置。
(Appendix 5)
An extraction unit that extracts a partial character string from a record included in a first database including a plurality of records in which a character string is associated with each of a plurality of items;
A specifying unit for specifying an item corresponding to a partial character string extracted from the first database among the plurality of items for the first database;
In a second database including a plurality of records in which a character string is associated with each of a plurality of items, the number of occurrences of the item corresponding to the partial character string that matches the partial character string extracted from the first database is calculated. A calculation unit that calculates the item corresponding to the item corresponding to the partial character string extracted from the first database;
Based on the calculated number of occurrences, a generation unit that generates information about the correspondence between items included in the first database and items included in the second database;
A relational information generation device including

(付記6)
前記抽出部は、前記第1のデータベースに含まれるレコードから部分文字列を抽出する際に、前記複数の項目の各々に対応付けられた文字列を連結した連結文字列から前記部分文字列を抽出する付記5記載の関係情報生成装置。
(Appendix 6)
The extraction unit extracts the partial character string from a concatenated character string obtained by concatenating the character strings associated with each of the plurality of items when extracting the partial character string from a record included in the first database. The related information generation device according to appendix 5.

(付記7)
前記抽出部は、前記連結文字列から前記部分文字列を抽出する際に、抽出される部分文字列に対応する項目が、複数の項目に跨るように抽出する付記6記載の関係情報生成装置。
(Appendix 7)
The relation information generating device according to supplementary note 6, wherein when the extraction unit extracts the partial character string from the concatenated character string, an item corresponding to the extracted partial character string is extracted so as to span a plurality of items.

(付記8)
前記生成部は、前記第1のデータベースに含まれる複数の項目の全体をM個の分割項目に分割した場合のm番目の分割項目と、前記第2のデータベースに含まれる複数の項目全体をN個の分割項目に分割した場合のn番目の分割項目とが対応関係にあることの信頼度を、n番目の分割項目に含まれる前記第2のデータベースの項目であって、かつm番目の分割項目に含まれる前記第1のデータベースの項目に対応付けられた項目の前記出現数に基づいて算出し、算出した信頼度が最も高くなる前記m番目の分割項目と前記n番目の分割項目との組み合わせを、前記対応関係に関する情報として生成する付記5〜付記7のいずれか1項記載の関係情報生成装置。
(Appendix 8)
The generator generates an m-th divided item when the entire plurality of items included in the first database are divided into M divided items, and an entire plurality of items included in the second database as N The reliability of the fact that there is a correspondence relationship with the nth divided item when dividing into the number of divided items is the item of the second database included in the nth divided item and the mth divided item Calculated based on the number of appearances of the item associated with the item of the first database included in the item, and the m-th divided item and the n-th divided item with the highest calculated reliability The relation information generation apparatus according to any one of supplementary notes 5 to 7, which generates a combination as information related to the correspondence relationship.

(付記9)
コンピュータに、
複数の項目の各々に文字列が対応付けられた複数のレコードを含む第1のデータベースに含まれるレコードから部分文字列抽出し、
前記第1のデータベースについての前記複数の項目のうち、前記第1のデータベースから抽出された部分文字列に対応する項目を特定し、
複数の項目の各々に文字列が対応付けられた複数のレコードを含む第2のデータベースにおいて、前記第1のデータベースから抽出された部分文字列と一致する部分文字列に対応する項目の出現数を、前記第1のデータベースから抽出された部分文字列に対応する項目と対応付けて算出し、
算出した前記出現数に基づいて、前記第1のデータベースに含まれる項目と、前記第2のデータベースに含まれる項目との対応関係に関する情報を生成する
ことを含む処理を実行させる関係情報生成プログラム。
(Appendix 9)
On the computer,
Extracting a partial character string from a record included in a first database including a plurality of records in which a character string is associated with each of a plurality of items;
Of the plurality of items for the first database, specify an item corresponding to the partial character string extracted from the first database;
In a second database including a plurality of records in which a character string is associated with each of a plurality of items, the number of occurrences of the item corresponding to the partial character string that matches the partial character string extracted from the first database is calculated. , Calculating in association with the item corresponding to the partial character string extracted from the first database,
A relation information generation program for executing processing including generating information on a correspondence relationship between an item included in the first database and an item included in the second database based on the calculated number of appearances.

(付記10)
前記第1のデータベースに含まれるレコードから部分文字列を抽出する際に、前記複数の項目の各々に対応付けられた文字列を連結した連結文字列から前記部分文字列を抽出する付記9記載の関係情報生成プログラム。
(Appendix 10)
The supplementary note 9 wherein the partial character string is extracted from a concatenated character string obtained by concatenating the character strings associated with each of the plurality of items when the partial character string is extracted from the record included in the first database. Relationship information generation program.

(付記11)
前記連結文字列から前記部分文字列を抽出する際に、抽出される部分文字列に対応する項目が、複数の項目に跨るように抽出する付記10記載の関係情報生成プログラム。
(Appendix 11)
The related information generation program according to supplementary note 10, wherein when the partial character string is extracted from the concatenated character string, an item corresponding to the extracted partial character string is extracted so as to span a plurality of items.

(付記12)
前記第1のデータベースに含まれる複数の項目の全体をM個の分割項目に分割した場合のm番目の分割項目と、前記第2のデータベースに含まれる複数の項目全体をN個の分割項目に分割した場合のn番目の分割項目とが対応関係にあることの信頼度を、n番目の分割項目に含まれる前記第2のデータベースの項目であって、かつm番目の分割項目に含まれる前記第1のデータベースの項目に対応付けられた項目の前記出現数に基づいて算出し、算出した信頼度が最も高くなる前記m番目の分割項目と前記n番目の分割項目との組み合わせを、前記対応関係に関する情報として生成する付記9〜付記11のいずれか1項記載の関係情報生成プログラム。
(Appendix 12)
The m-th divided item when the entire plurality of items included in the first database are divided into M divided items, and the entire plurality of items included in the second database are divided into N divided items. The reliability that the n-th divided item is in correspondence with the divided item is the item of the second database included in the n-th divided item and the m-th divided item. Calculated based on the number of occurrences of the item associated with the item in the first database, and the combination of the m-th divided item and the n-th divided item with the highest calculated reliability is the correspondence The relation information generation program according to any one of supplementary notes 9 to 11, which is generated as information relating to the relation.

(付記13)
コンピュータに、
複数の項目の各々に文字列が対応付けられた複数のレコードを含む第1のデータベースに含まれるレコードから部分文字列を抽出し、
前記第1のデータベースについての前記複数の項目のうち、前記第1のデータベースから抽出された部分文字列に対応する項目を特定し、
複数の項目の各々に文字列が対応付けられた複数のレコードを含む第2のデータベースにおいて、前記第1のデータベースから抽出された部分文字列と一致する部分文字列に対応する項目の出現数を、前記第1のデータベースから抽出された部分文字列に対応する項目と対応付けて算出し、
算出した前記出現数に基づいて、前記第1のデータベースに含まれる項目と、前記第2のデータベースに含まれる項目との対応関係に関する情報を生成する
ことを含む処理を実行させる関係情報生成プログラムを記憶した記憶媒体。
(Appendix 13)
On the computer,
Extracting a partial character string from a record included in a first database including a plurality of records in which a character string is associated with each of a plurality of items;
Of the plurality of items for the first database, specify an item corresponding to the partial character string extracted from the first database;
In a second database including a plurality of records in which a character string is associated with each of a plurality of items, the number of occurrences of the item corresponding to the partial character string that matches the partial character string extracted from the first database is calculated. , Calculating in association with the item corresponding to the partial character string extracted from the first database,
Based on the calculated number of occurrences, a relation information generation program that executes a process including generating information on a correspondence relationship between an item included in the first database and an item included in the second database Stored storage medium.

10 関係情報生成装置
11 文字列抽出部
12 パターン生成部
13 パターン照合部
14 対応関係抽出部
20 共通辞書データベース
25 名寄せ先表
30 名寄せ元データベース
31A、31B、31C 名寄せ元表
41 連結文字列
42 部分文字列
45 部分文字列
50 コンピュータ
51 CPU
52 メモリ
53 記憶部
59 記録媒体
60 関係情報生成プログラム
DESCRIPTION OF SYMBOLS 10 Relation information generation apparatus 11 Character string extraction part 12 Pattern generation part 13 Pattern collation part 14 Correspondence relation extraction part 20 Common dictionary database 25 Name collation table 30 Name collation source database 31A, 31B, 31C Name collation source table 41 Concatenated character string 42 Partial character Column 45 Partial character string 50 Computer 51 CPU
52 Memory 53 Storage Unit 59 Recording Medium 60 Related Information Generation Program

Claims (6)

コンピュータに、
複数の項目の各々に文字列が対応付けられた複数のレコードを含む第1のデータベースに含まれるレコードから部分文字列を抽出し、
前記第1のデータベースについての前記複数の項目のうち、前記第1のデータベースから抽出された部分文字列に対応する項目を特定し、
複数の項目の各々に文字列が対応付けられた複数のレコードを含む第2のデータベースにおいて、前記第1のデータベースから抽出された部分文字列と一致する部分文字列に対応する項目の出現数を、前記第1のデータベースから抽出された部分文字列に対応する項目と対応付けて算出し、
算出した前記出現数に基づいて、前記第1のデータベースに含まれる項目と、前記第2のデータベースに含まれる項目との対応関係に関する情報を生成する
ことを含む処理を実行させる関係情報生成方法。
On the computer,
Extracting a partial character string from a record included in a first database including a plurality of records in which a character string is associated with each of a plurality of items;
Of the plurality of items for the first database, specify an item corresponding to the partial character string extracted from the first database;
In a second database including a plurality of records in which a character string is associated with each of a plurality of items, the number of occurrences of the item corresponding to the partial character string that matches the partial character string extracted from the first database is calculated. , Calculating in association with the item corresponding to the partial character string extracted from the first database,
A relation information generation method for executing processing including generating information on a correspondence relationship between an item included in the first database and an item included in the second database based on the calculated number of appearances.
前記第1のデータベースに含まれるレコードから部分文字列を抽出する際に、前記複数の項目の各々に対応付けられた文字列を連結した連結文字列から前記部分文字列を抽出する請求項1記載の関係情報生成方法。   The partial character string is extracted from a concatenated character string obtained by concatenating character strings associated with each of the plurality of items when extracting a partial character string from a record included in the first database. Related information generation method. 前記連結文字列から前記部分文字列を抽出する際に、抽出される部分文字列に対応する項目が、複数の項目に跨るように抽出する請求項2記載の関係情報生成方法。   The relation information generation method according to claim 2, wherein when extracting the partial character string from the concatenated character string, an item corresponding to the extracted partial character string is extracted so as to span a plurality of items. 前記第1のデータベースに含まれる複数の項目の全体をM個の分割項目に分割した場合のm番目の分割項目と、前記第2のデータベースに含まれる複数の項目全体をN個の分割項目に分割した場合のn番目の分割項目とが対応関係にあることの信頼度を、n番目の分割項目に含まれる前記第2のデータベースの項目であって、かつm番目の分割項目に含まれる前記第1のデータベースの項目に対応付けられた項目の前記出現数に基づいて算出し、算出した信頼度が最も高くなる前記m番目の分割項目と前記n番目の分割項目との組み合わせを、前記対応関係に関する情報として生成する請求項1〜請求項3のいずれか1項記載の関係情報生成方法。   The m-th divided item when the entire plurality of items included in the first database are divided into M divided items, and the entire plurality of items included in the second database are divided into N divided items. The reliability that the n-th divided item is in correspondence with the divided item is the item of the second database included in the n-th divided item and the m-th divided item. Calculated based on the number of occurrences of the item associated with the item in the first database, and the combination of the m-th divided item and the n-th divided item with the highest calculated reliability is the correspondence The relation information generation method according to any one of claims 1 to 3, wherein the relation information is generated as information related to a relation. 複数の項目の各々に文字列が対応付けられた複数のレコードを含む第1のデータベースに含まれるレコードから部分文字列を抽出する抽出部と、
前記第1のデータベースについての前記複数の項目のうち、前記第1のデータベースから抽出された部分文字列に対応する項目を特定する特定部と、
複数の項目の各々に文字列が対応付けられた複数のレコードを含む第2のデータベースにおいて、前記第1のデータベースから抽出された部分文字列と一致する部分文字列に対応する項目の出現数を、前記第1のデータベースから抽出された部分文字列に対応する項目と対応付けて算出する算出部と、
算出した前記出現数に基づいて、前記第1のデータベースに含まれる項目と、前記第2のデータベースに含まれる項目との対応関係に関する情報を生成する生成部と、
を含む関係情報生成装置。
An extraction unit that extracts a partial character string from a record included in a first database including a plurality of records in which a character string is associated with each of a plurality of items;
A specifying unit for specifying an item corresponding to a partial character string extracted from the first database among the plurality of items for the first database;
In a second database including a plurality of records in which a character string is associated with each of a plurality of items, the number of occurrences of the item corresponding to the partial character string that matches the partial character string extracted from the first database is calculated. A calculation unit that calculates the item corresponding to the item corresponding to the partial character string extracted from the first database;
Based on the calculated number of occurrences, a generation unit that generates information about the correspondence between items included in the first database and items included in the second database;
A relational information generation device including
コンピュータに、
複数の項目の各々に文字列が対応付けられた複数のレコードを含む第1のデータベースに含まれるレコードから部分文字列を抽出し、
前記第1のデータベースについての前記複数の項目のうち、前記第1のデータベースから抽出された部分文字列に対応する項目を特定し、
複数の項目の各々に文字列が対応付けられた複数のレコードを含む第2のデータベースにおいて、前記第1のデータベースから抽出された部分文字列と一致する部分文字列に対応する項目の出現数を、前記第1のデータベースから抽出された部分文字列に対応する項目と対応付けて算出し、
算出した前記出現数に基づいて、前記第1のデータベースに含まれる項目と、前記第2のデータベースに含まれる項目との対応関係に関する情報を生成する
ことを含む処理を実行させる関係情報生成プログラム。
On the computer,
Extracting a partial character string from a record included in a first database including a plurality of records in which a character string is associated with each of a plurality of items;
Of the plurality of items for the first database, specify an item corresponding to the partial character string extracted from the first database;
In a second database including a plurality of records in which a character string is associated with each of a plurality of items, the number of occurrences of the item corresponding to the partial character string that matches the partial character string extracted from the first database is calculated. , Calculating in association with the item corresponding to the partial character string extracted from the first database,
A relation information generation program for executing processing including generating information on a correspondence relationship between an item included in the first database and an item included in the second database based on the calculated number of appearances.
JP2016001859A 2016-01-07 2016-01-07 Relation information generation method, apparatus, and program Active JP6604207B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2016001859A JP6604207B2 (en) 2016-01-07 2016-01-07 Relation information generation method, apparatus, and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016001859A JP6604207B2 (en) 2016-01-07 2016-01-07 Relation information generation method, apparatus, and program

Publications (2)

Publication Number Publication Date
JP2017123062A JP2017123062A (en) 2017-07-13
JP6604207B2 true JP6604207B2 (en) 2019-11-13

Family

ID=59306554

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016001859A Active JP6604207B2 (en) 2016-01-07 2016-01-07 Relation information generation method, apparatus, and program

Country Status (1)

Country Link
JP (1) JP6604207B2 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019159837A (en) * 2018-03-13 2019-09-19 日本電気株式会社 Database binding apparatus, database binding method, and database binding program
JPWO2022259303A1 (en) * 2021-06-07 2022-12-15

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005011049A (en) * 2003-06-19 2005-01-13 Nec Soft Ltd Database integration device
JPWO2007083371A1 (en) * 2006-01-18 2009-06-11 富士通株式会社 Data integration apparatus, data integration method, and computer-readable recording medium recording data integration program

Also Published As

Publication number Publication date
JP2017123062A (en) 2017-07-13

Similar Documents

Publication Publication Date Title
US7979268B2 (en) String matching method and system and computer-readable recording medium storing the string matching method
US7305404B2 (en) Data structure and management system for a superset of relational databases
US8577155B2 (en) System and method for duplicate text recognition
JP4848317B2 (en) Database indexing system, method and program
JPWO2015045155A1 (en) Corpus generation device, corpus generation method, and corpus generation program
WO2007139039A1 (en) Information classification device, information classification method, and information classification program
JPWO2008032780A1 (en) Retrieval method, similarity calculation method, similarity calculation and same document collation system, and program thereof
US11520835B2 (en) Learning system, learning method, and program
JP6604207B2 (en) Relation information generation method, apparatus, and program
JP3812818B2 (en) Database generation apparatus, database generation method, and database generation processing program
JP5152918B2 (en) Named expression extraction apparatus, method and program thereof
JP2008027431A (en) Information analyzing apparatus, information analyzing method, and information analyzing program
JP5894273B2 (en) Document association method, document retrieval method, document association apparatus, document retrieval apparatus, and program therefor
JP2016018279A (en) Document file search program, document file search device, document file search method, document information output program, document information output device, and document information output method
CN107145947A (en) A kind of information processing method, device and electronic equipment
US20090319505A1 (en) Techniques for extracting authorship dates of documents
JP4272690B1 (en) Personal information file determination system
JP2017033434A (en) Candidate word evaluation device, candidate word evaluation system, program, and candidate word evaluation method
JP4915499B2 (en) Synonym dictionary generation system, synonym dictionary generation method, and synonym dictionary generation program
JP4844737B2 (en) Representative information selection method, representative information selection system, and program
JP6361472B2 (en) Correspondence information generation program, correspondence information generation apparatus, and correspondence information generation method
US11868726B2 (en) Named-entity extraction apparatus, method, and non-transitory computer readable storage medium
JP7270037B2 (en) File management device, file management method, and program
JP5167202B2 (en) Name identification processing method and name identification processing system of data by Kana name, and program therefor
JP6664306B2 (en) Similar document extracting device, similar document extracting method and similar document extracting program

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20180912

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20190910

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: 20190917

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20190930

R150 Certificate of patent or registration of utility model

Ref document number: 6604207

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150