JP6758448B1

JP6758448B1 - 文書解析装置、文書解析方法及び文書解析プログラム

Info

Publication number: JP6758448B1
Application number: JP2019077297A
Authority: JP
Inventors: 育海田島; 慶太九島
Original assignee: 株式会社フィエルテ
Priority date: 2019-04-15
Filing date: 2019-04-15
Publication date: 2020-09-23
Anticipated expiration: 2039-04-15
Also published as: JP2020177293A

Abstract

【課題】所定フォーマットで電子化された文書に含まれる表の内容を、より正確に読み取ることができる文書解析装置、文書解析方法及び文書解析プログラムを提供する。【解決手段】文書解析装置１０は、所定フォーマットで電子化された文書を取得する取得部１１と、文書に含まれる表の位置情報に基づいて、表に含まれる複数のセルを特定する特定部１２と、複数のセルを、列ヘッダー、行ヘッダー及びデータセルに分類する第１分類部１３と、隣接するセルにそれぞれ複数行のテキストが含まれ、行数が一致する場合に、複数行のテキストを文字の行又は数値の行に分類する第２分類部１４と、文字の行及び数値の行のうち数値の行が半分以上である場合に、複数行のテキストを行毎に分割して、表を再構成する再構成部１５と、を備える。【選択図】図１

Description

本発明は、文書解析装置、文書解析方法及び文書解析プログラムに関する。

従来、電子文書の文字認識技術が用いられている。例えば、下記特許文献１には、帳票に記載された文字認識の方法を規定する「読取定義」において、読取対象となる各項目単位で、読取の優先順位、読み飛ばしの可否を指定するフラグを設定し、票から抽出された文字列数が、対象項目よりも少ない場合、読み飛ばしの可が設定された項目または優先順位の低い項目に記載漏れがあるものと判断して、文字認識を実行する帳票読取装置が記載されている。

特開２００４−１６４２１７号公報

有価証券報告書等の文書は、ＰＤＦ（Portable Document Format）等の所定フォーマットで電子化されて公開される。ここで、有価証券報告書等には、決算情報をまとめた表や貸借対照表等の様々な表が含まれ、それらの記載内容が正確であるか確認する必要がある。

しかしながら、所定フォーマットで電子化された文書に含まれる表は、電子文書を生成するソフトウェアに依存した形式となっており、形式が一定しないため、既存の文字認識技術では正確な読み取りが困難である。また、表の体裁に制限はなく、罫線の有無やセルの区切り方が様々であるため、正確な読み取りが困難である。

そこで、本発明は、所定フォーマットで電子化された文書に含まれる表の内容を、より正確に読み取ることができる文書解析装置、文書解析方法及び文書解析プログラムを提供する。

本発明の一態様に係る文書解析装置は、所定フォーマットで電子化された文書を取得する取得部と、文書に含まれる表の位置情報に基づいて、表に含まれる複数のセルを特定する特定部と、複数のセルを、列ヘッダー、行ヘッダー及びデータセルに分類する第１分類部と、隣接するセルにそれぞれ複数行のテキストが含まれ、行数が一致する場合に、複数行のテキストを文字の行又は数値の行に分類する第２分類部と、文字の行及び数値の行のうち数値の行が半分以上である場合に、複数行のテキストを行毎に分割して、表を再構成する再構成部と、を備える。

この態様によれば、所定フォーマットで電子化された文書に、１つのセルに複数行のテキストが含まれる表が記載されている場合に、当該複数行のテキストを行毎に分割することで、表における対応関係が正しく反映されたより解析しやすい表を再構成することができる。これにより、所定フォーマットで電子化された文書に含まれる表の内容を、より正確に読み取ることができる。

上記態様において、再構成部は、列ヘッダーに複数行のセルが含まれる場合に、複数行のセルに含まれるテキストを列毎に統合して、表を再構成してもよい。

この態様によれば、列ヘッダーに複数行のセルが含まれる場合に、複数行のセルに含まれるテキストを列毎に統合して、列ヘッダーに単一行のセルが含まれるように再構成することで、文書に含まれる表の内容を、より正確に読み取ることができるようになる。

上記態様において、再構成部は、列ヘッダーの列数と、データセルの列数が一致しない場合に、列ヘッダーの列数をデータセルの列数に合わせて、データセルに含まれるテキストを列ヘッダーに統合して、表を再構成してもよい。

この態様によれば、列ヘッダーの列数と、データセルの列数が一致しない場合に、列ヘッダーの列数を増やして、データセルに含まれるテキストを列ヘッダーに統合するように再構成することで、文書に含まれる表の内容を、より正確に読み取ることができるようになる。

上記態様において、再構成部は、文書に含まれる目次情報に応じて選択される辞書を用いて表を再構成する再構成ロジックを特定し、再構成ロジックに従って、列ヘッダー、行ヘッダー及びデータセルに含まれるテキストから表を再構成してもよい。

この態様によれば、文書に定型的に含まれる表について、予め用意した再構成ロジックに従って表を再構成することができ、文書に含まれる表の内容を、より正確に読み取ることができるようになる。

上記態様において、辞書は、有価証券報告書、四半期報告書、通期決算短信及び四半期決算短信のいずれかに対応していてよい。

この態様によれば、有価証券報告書等に含まれる決算情報をまとめた表や貸借対照表を再構成することができ、より正確に読み取ることができるようになる。

上記態様において、文書は、有価証券報告書、四半期報告書、通期決算短信及び四半期決算短信のいずれかであり、再構成された表に基づいて、有価証券報告書、四半期報告書、通期決算短信及び四半期決算短信のいずれかに不備があるか判定する判定部をさらに備えていてもよい。

この態様によれば、有価証券報告書、四半期報告書、通期決算短信及び四半期決算短信に記載された内容をより正確に読み取り、正確な情報開示を担保することができる。

本発明の他の態様に係る文書解析方法は、所定フォーマットで電子化された文書を取得することと、文書に含まれる表の位置情報に基づいて、表に含まれる複数のセルを特定することと、複数のセルを、列ヘッダー、行ヘッダー及びデータセルに分類することと、隣接するセルにそれぞれ複数行のテキストが含まれ、行数が一致する場合に、複数行のテキストを文字の行又は数値の行に分類することと、文字の行及び数値の行のうち数値の行が半分以上である場合に、複数行のテキストを行毎に分割して、表を再構成することと、を含む。

本発明の他の態様に係る文書解析プログラムは、文書解析装置に備えられた演算部を、所定フォーマットで電子化された文書を取得する取得部、文書に含まれる表の位置情報に基づいて、表に含まれる複数のセルを特定する特定部、複数のセルを、列ヘッダー、行ヘッダー及びデータセルに分類する第１分類部、隣接するセルにそれぞれ複数行のテキストが含まれ、行数が一致する場合に、複数行のテキストを文字の行又は数値の行に分類する第２分類部、及び文字の行及び数値の行のうち数値の行が半分以上である場合に、複数行のテキストを行毎に分割して、表を再構成する再構成部、として機能させる。

本発明によれば、所定フォーマットで電子化された文書に含まれる表の内容を、より正確に読み取ることができる文書解析装置、文書解析方法及び文書解析プログラムを提供することができる。

本発明の実施形態に係る文書解析装置の機能ブロックを示す図である。本実施形態に係る文書解析装置の物理的構成を示す図である。本実施形態に係る文書解析装置により取得されるＰＤＦ文書に含まれる表の第１例を示す図である。本実施形態に係る文書解析装置によって再構成された表の第１例を示す図である。本実施形態に係る文書解析装置により取得されるＰＤＦ文書に含まれる表の第２例を示す図である。本実施形態に係る文書解析装置によって再構成された表の第２例を示す図である。本実施形態に係る文書解析装置により取得されるＰＤＦ文書に含まれる表の第３例を示す図である。本実施形態に係る文書解析装置によって再構成された表の第３例を示す図である。本実施形態に係る文書解析装置により取得されるＰＤＦ文書に含まれる表の第４例を示す図である。本実施形態に係る文書解析装置によって再構成された表の第４例を示す図である。本実施形態に係る文書解析装置により実行される文書解析処理の第１フローチャートを示す図である。本実施形態に係る文書解析装置により実行される文書解析処理の第２フローチャートを示す図である。

添付図面を参照して、本発明の実施形態について説明する。なお、各図において、同一の符号を付したものは、同一又は同様の構成を有する。

図１は、本発明の実施形態に係る文書解析装置１０の機能ブロックを示す図である。文書解析装置１０は、所定フォーマットで電子化された文書（本実施形態ではＰＤＦ文書）に含まれる表を解析し、内容の照合が容易となるように表を再構成する。本実施形態では、ＰＤＦ文書は、有価証券報告書、四半期報告書、通期決算短信及び四半期決算短信のいずれかである。

文書解析装置１０は、取得部１１、特定部１２、第１分類部１３、第２分類部１４、再構成部１５及び判定部１６を備える。

取得部１１は、ユーザ端末２０及び開示書類サーバ３０から所定フォーマットで電子化された文書を取得する。ユーザ端末２０は、例えば、開示書類を作成する企業が用いる汎用のコンピュータである。取得部１１は、ユーザ端末２０から有価証券報告書等のＰＤＦ文書を取得し、ＰＤＦ文書に含まれる表を再構成して、内容の正誤を判定する。また、開示書類サーバ３０は、過去に開示された有価証券報告書、四半期報告書、通期決算短信及び四半期決算短信を少なくとも記憶するサーバである。取得部１１は、例えば、開示書類サーバ３０から過去に開示された有価証券報告書等のＰＤＦ文書を取得し、ＰＤＦ文書に含まれる表を再構成して、ユーザ端末２０から取得されたＰＤＦ文書に記載された過去のデータとの整合性を判定する。

特定部１２は、文書に含まれる表の位置情報に基づいて、表に含まれる複数のセルを特定する。特定部１２は、ＰＤＦ文書に含まれる線オブジェクトの始点座標及び終点座標と、複数の線オブジェクトの交点座標とに基づいて、表の位置情報を算出し、４つの交点で囲まれた領域を１つのセルとして特定する。

第１分類部１３は、複数のセルを、列ヘッダー、行ヘッダー及びデータセルに分類する。第１分類部１３は、表中の最も左上に位置するセルを基準セルとして、基準セルと同じ行に並ぶ複数のセルを列ヘッダーに分類し、基準セルと同じ列に並ぶ複数のセルを行ヘッダーに分類し、他のセルをデータセルに分類する。

第２分類部１４は、隣接するセルにそれぞれ複数行のテキストが含まれ、行数が一致する場合に、当該複数行のテキストを文字の行又は数値の行に分類する。ここで、数値の行は、０から９までの数字と、「￥」、「，」、「＋」、「−」及び「△」等の所定の記号とのみを含む行であり、文字の行は、それ以外の文字を含む行である。

再構成部１５は、第２分類部１４により分類された文字の行及び数値の行のうち数値の行が半分以上である場合に、複数行のテキストを行毎に分割して、表を再構成する。このように、ＰＤＦ文書に、１つのセルに複数行のテキストが含まれる表が記載されている場合に、当該複数行のテキストを行毎に分割することで、表における対応関係が正しく反映されたより解析しやすい表を再構成することができる。これにより、文書に含まれる表の内容を、より正確に読み取ることができる。第２分類部１４によるテキスト分類及び再構成部１５による表の再構成の例は、後に図３及び４を用いて詳細に説明する。

再構成部１５は、列ヘッダーに複数行のセルが含まれる場合に、複数行のセルに含まれるテキストを列毎に統合して、表を再構成してもよい。このように、列ヘッダーに複数行のセルが含まれる場合に、複数行のセルに含まれるテキストを列毎に統合して、列ヘッダーに単一行のセルが含まれるように再構成することで、文書に含まれる表の内容を、より正確に読み取ることができるようになる。このような再構成部１５による表の再構成の例は、後に図５及び６を用いて詳細に説明する。

再構成部１５は、列ヘッダーの列数と、データセルの列数が一致しない場合に、列ヘッダーの列数をデータセルの列数に合わせて、データセルに含まれるテキストを列ヘッダーに統合して、表を再構成してもよい。このように、列ヘッダーの列数と、データセルの列数が一致しない場合に、列ヘッダーの列数を増やして、データセルに含まれるテキストを列ヘッダーに統合するように再構成することで、文書に含まれる表の内容を、より正確に読み取ることができるようになる。このような再構成部１５による表の再構成の例は、後に図７及び８を用いて詳細に説明する。

再構成部１５は、文書に含まれる目次情報に応じて選択される辞書を用いて表を再構成する再構成ロジックを特定し、再構成ロジックに従って、列ヘッダー、行ヘッダー及びデータセルに含まれるテキストから表を再構成してもよい。辞書は、キーが目次情報の項目名であり、バリューが再構成ロジックを特定する情報であってよい。これにより、ＰＤＦ文書に定型的に含まれる表について、予め用意した再構成ロジックに従って表を再構成することができ、文書に含まれる表の内容を、より正確に読み取ることができるようになる。

ここで、辞書は、有価証券報告書、四半期報告書、通期決算短信及び四半期決算短信のいずれかに対応していてよい。これにより、有価証券報告書等に含まれる決算情報をまとめた表や貸借対照表を再構成することができ、より正確に読み取ることができるようになる。

判定部１６は、再構成された表に基づいて、有価証券報告書、四半期報告書、通期決算短信及び四半期決算短信のいずれかに不備があるか判定する。ここで、不備とは、記載された数値が単一の文書内で整合していないことであったり、記載された数値が複数の文書間で整合していないことであったり、記載された氏名が誤っていることであったりを含む。判定部１６は、例えば、有価証券報告書に含まれる複数の表について、再構成された複数の表に基づいて、複数の表に記載された数値を照合し、不整合が存在しないか判定してよい。このようにして、有価証券報告書、四半期報告書、通期決算短信及び四半期決算短信に記載された内容をより正確に読み取り、正確な情報開示を担保することができる。

図２は、本実施形態に係る文書解析装置１０の物理的構成を示す図である。文書解析装置１０は、演算部に相当するＣＰＵ（Central Processing Unit）１０ａと、記憶部に相当するＲＡＭ（Random Access Memory）１０ｂと、記憶部に相当するＲＯＭ（Read only Memory）１０ｃと、通信部１０ｄと、入力部１０ｅと、表示部１０ｆと、を有する。これらの各構成は、バスを介して相互にデータ送受信可能に接続される。なお、本例では文書解析装置１０が一台のコンピュータで構成される場合について説明するが、文書解析装置１０は、複数のコンピュータが組み合わされて実現されてもよい。また、図３で示す構成は一例であり、文書解析装置１０はこれら以外の構成を有してもよいし、これらの構成のうち一部を有さなくてもよい。

ＣＰＵ１０ａは、ＲＡＭ１０ｂ又はＲＯＭ１０ｃに記憶されたプログラムの実行に関する制御やデータの演算、加工を行う制御部である。ＣＰＵ１０ａは、ＰＤＦ文書に含まれる表を再構成するプログラム（文書解析プログラム）を実行する演算部である。ＣＰＵ１０ａは、入力部１０ｅや通信部１０ｄから種々のデータを受け取り、データの演算結果を表示部１０ｆに表示したり、ＲＡＭ１０ｂに格納したりする。

ＲＡＭ１０ｂは、記憶部のうちデータの書き換えが可能なものであり、例えば半導体記憶素子で構成されてよい。ＲＡＭ１０ｂは、ＣＰＵ１０ａが実行するプログラム、ＰＤＦ文書といったデータを記憶してよい。なお、これらは例示であって、ＲＡＭ１０ｂには、これら以外のデータが記憶されていてもよいし、これらの一部が記憶されていなくてもよい。

ＲＯＭ１０ｃは、記憶部のうちデータの読み出しが可能なものであり、例えば半導体記憶素子で構成されてよい。ＲＯＭ１０ｃは、例えば文書解析プログラムや、書き換えが行われないデータを記憶してよい。

通信部１０ｄは、文書解析装置１０を他の機器に接続するインターフェースである。通信部１０ｄは、インターネット等の通信ネットワークに接続されてよい。

入力部１０ｅは、ユーザからデータの入力を受け付けるものであり、例えば、キーボード及びタッチパネルを含んでよい。

表示部１０ｆは、ＣＰＵ１０ａによる演算結果を視覚的に表示するものであり、例えば、ＬＣＤ（Liquid Crystal Display）により構成されてよい。表示部１０ｆは、ＰＤＦ文書や再構成された表を表示してよい。

文書解析プログラムは、ＲＡＭ１０ｂやＲＯＭ１０ｃ等のコンピュータによって読み取り可能な記憶媒体に記憶されて提供されてもよいし、通信部１０ｄにより接続される通信ネットワークを介して提供されてもよい。文書解析装置１０では、ＣＰＵ１０ａが文書解析プログラムを実行することにより、図１を用いて説明した様々な動作が実現される。なお、これらの物理的な構成は例示であって、必ずしも独立した構成でなくてもよい。例えば、文書解析装置１０は、ＣＰＵ１０ａとＲＡＭ１０ｂやＲＯＭ１０ｃが一体化したＬＳＩ（Large-Scale Integration）を備えていてもよい。

図３は、本実施形態に係る文書解析装置１０により取得されるＰＤＦ文書に含まれる表の第１例Ｔ１を示す図である。表の第１例Ｔ１は、四半期連結損益計算書の一部を示したものである。

表の第１例Ｔ１は、列ヘッダーとして「利益」及び「金額」を含み、行ヘッダーとして「報告セグメント計」、「当社とセグメントとの取引消去額」、「会社費用（注）」、「その他」及び「四半期連結損益計算書の営業利益」を含む。そして、データセルには、「報告セグメント計」に対応する金額である「1,034,247」、「当社とセグメントとの取引消去額」に対応する金額である「799,168」、「会社費用（注）」に対応する金額である「△696,937」、「その他」に対応する金額である「1」及び「四半期連結損益計算書の営業利益」に対応する金額である「1,136,479」が記載されている。

表の第１例Ｔ１のように、行ヘッダー及びデータセルに複数行のテキストが含まれる場合、行ヘッダーに記載された項目名と、データセルに記載された数値との対応関係が正しく読み取れない場合がある。

本実施形態に係る文書解析装置１０の第２分類部１４は、隣接するセルにそれぞれ複数行のテキストが含まれ、行数が一致する場合に、複数行のテキストを文字の行又は数値の行に分類する。表の第１例Ｔ１の場合、隣接する行ヘッダー及びデータセルには、それぞれ４行のテキストが含まれ、行数が一致するため、第２分類部１４は、複数行のテキストを文字の行又は数値の行に分類する。具体的には、第２分類部１４は、行ヘッダーに含まれる４行のテキストを文字の行に分類し、データセルに含まれる４行のテキストを数値の行に分類する。

なお、数値は折り返して記載しないことが通常であるから、隣接するセルにそれぞれ複数行のテキストが含まれ、行数が一致しない場合、いずれかのセルに記載された文字が折り返して記載されている蓋然性が高く、文書解析装置１０は、行罫線に従ってデータセルの内容を読み取ればよい。

そして、再構成部１５は、文字の行及び数値の行のうち数値の行が半分以上である場合に、複数行のテキストを行毎に分割して、表を再構成する。表の第１例Ｔ１の場合、文字の行が４行であり、数値の行が４行であり、数値の行は全体の半分であるから、再構成部１５は、複数行のテキストを行毎に分割して、表を再構成する。

なお、再構成部１５は、文字の行及び数値の行のうち数値の行が半分以上であるか否かを、行罫線で区切られた一行のセル毎に判定し、一行のセル毎に表を再構成してよい。これにより、一つの表の中に行ヘッダー及びデータセルに複数行のテキストが含まれる箇所と、行ヘッダー及びデータセルに一行のテキストが含まれる箇所とが混在する場合であっても、適切に表を再構成することができる。

図４は、本実施形態に係る文書解析装置１０によって再構成された表の第１例ＲＴ１を示す図である。再構成された表の第１例ＲＴ１は、再構成部１５によって表の第１例Ｔ１を再構成した例である。

再構成された表の第１例ＲＴ１では、「報告セグメント計」に対応する金額である「1,034,247」、「当社とセグメントとの取引消去額」に対応する金額である「799,168」、「会社費用（注）」に対応する金額である「△696,937」及び「その他」に対応する金額である「1」が、それぞれ項目との対応関係が明らかな形式で記載されている。

このように、本実施形態に係る文書解析装置１０によれば、１つのセルに複数行のテキストが含まれる表が記載されている場合に、当該複数行のテキストを行毎に分割することで、表における対応関係が正しく反映されたより解析しやすい表を再構成することができる。

図５は、本実施形態に係る文書解析装置１０により取得されるＰＤＦ文書に含まれる表の第２例Ｔ２を示す図である。表の第２例Ｔ２は、売上高等の四半期推移を示したものである。

表の第２例Ｔ２は、列ヘッダーとして「２９年６月期」について「第４四半期」と、「３０年６月期」について「第１四半期」、「第２四半期」及び「第３四半期」を含む。また、行ヘッダーとして「売上高」、「営業利益」及び「営業利益率（％）」を含む。そして、データセルには、四半期毎に、「売上高」、「営業利益」及び「営業利益率（％）」の数値が記載されている。

表の第２例Ｔ２のように、列ヘッダーに複数行のセルが含まれる場合、列ヘッダーの内容が正しく読み取れない場合がある。

本実施形態に係る文書解析装置１０の再構成部１５は、列ヘッダーに複数行のセルが含まれる場合に、複数行のセルに含まれるテキストを列毎に統合して、表を再構成する。表の第２例Ｔ２の場合、列ヘッダーに２行のセルが含まれるから、再構成部１５は、列ヘッダーの複数行のセルに含まれるテキストを列毎に統合して、表を再構成する。

図６は、本実施形態に係る文書解析装置１０によって再構成された表の第２例ＲＴ２を示す図である。再構成された表の第２例ＲＴ２は、再構成部１５によって表の第２例Ｔ２を再構成した例である。

再構成された表の第２例ＲＴ２では、列ヘッダーに「２９年６月期第４四半期」、「３０年６月期第１四半期」、「３０年６月期第２四半期」及び「３０年６月期第３四半期」という単一行のセルしか含まれず、列ヘッダーの内容が明らかな形式で記載されている。

このように、本実施形態に係る文書解析装置１０によれば、列ヘッダーに複数行のセルが含まれる場合に、複数行のセルに含まれるテキストを列毎に統合して、列ヘッダーに単一行のセルが含まれるように再構成することができ、表の内容をより正確に読み取ることができるようになる。

図７は、本実施形態に係る文書解析装置１０により取得されるＰＤＦ文書に含まれる表の第３例Ｔ３を示す図である。表の第３例Ｔ３は、通期における売上高等の金額と前年からの変化率を示したものである。

表の第３例Ｔ３は、列ヘッダーとして「売上高」、「営業利益」、「経常利益」、「親会社株主に帰属する当期純利益」及び「１株当たり当期純利益」を含む。また、行ヘッダーとして「通期」を含む。そして、データセルには、「売上高」に対応する金額（単位は百万円）及び変化率（単位は％）と、「営業利益」に対応する金額（単位は百万円）及び変化率（単位は％）と、「経常利益」に対応する金額（単位は百万円）及び変化率（単位は％）と、「親会社株主に帰属する当期純利益」に対応する金額（単位は百万円）及び変化率（単位は％）と、「１株当たり当期純利益」に対応する金額（単位は円、銭）が記載されている。

表の第３例Ｔ３のように、列ヘッダーの列数と、データセルの列数が一致しない場合、
列ヘッダーに記載された項目名と、データセルに記載された数値との対応関係が正しく読み取れず、データセルの内容が正しく読み取れない場合がある。

本実施形態に係る文書解析装置１０の再構成部１５は、列ヘッダーの列数をデータセルの列数に合わせて、データセルに含まれるテキストを列ヘッダーに統合して、表を再構成する。より具体的には、再構成部１５は、データセルの１行目に含まれるテキストを列ヘッダーに統合して、表を再構成する。

図８は、本実施形態に係る文書解析装置１０によって再構成された表の第３例ＲＴ３を示す図である。再構成された表の第３例ＲＴ３は、再構成部１５によって表の第３例Ｔ３を再構成した例である。

再構成された表の第３例ＲＴ３は、列ヘッダーの列数が９列であり、列ヘッダーは、「売上高百万円」、「売上高％」、「営業利益百万円」、「営業利益％」、「経常利益百万円」、「経常利益％」、「親会社株主に帰属する当期純利益百万円」、「親会社株主に帰属する当期純利益％」及び「１株当たり当期純利益」という項目を含む。そして、データセルは、金額及び変化率を表す数値のみ含む。

このように、本実施形態に係る文書解析装置１０によれば、列ヘッダーの列数と、データセルの列数が一致しない場合に、列ヘッダーの列数を増やして、データセルに含まれるテキストを列ヘッダーに統合するように再構成することができ、表の内容をより正確に読み取ることができるようになる。

図９は、本実施形態に係る文書解析装置１０により取得されるＰＤＦ文書に含まれる表の第４例Ｔ４を示す図である。表の第４例Ｔ４は、貸借対照表の資産の部の一部を示したものである。

表の第４例Ｔ４は、列ヘッダーとして「前連結会計年度（平成２９年６月３０日）」及び「当四半期連結会計期間（平成３０年３月３１日）」を含み、行ヘッダーとして「資産の部」、「流動資産」、「現金及び預金」、「受取手形及び売掛金」、「仕掛品」、「原材料及び貯蔵品」、「繰延税金資産」、「その他」及び「流動資産合計」を含む。データセルには、行ヘッダーに記載された複数の項目それぞれについて、列ヘッダーに記載された期間における金額が記載されている。

表の第４例Ｔ４のように、有価証券報告書等の開示書類に定型的に含まれる表の場合、予め再構成ロジックを用意して、表の内容を再構成することで、表の読み取り精度を向上させることができる場合がある。

本実施形態に係る文書解析装置１０の再構成部１５は、ＰＤＦ文書に含まれる目次情報に応じて選択される辞書を用いて表を再構成する再構成ロジックを特定し、再構成ロジックに従って、列ヘッダー、行ヘッダー及びデータセルに含まれるテキストから表を再構成する。ここで、辞書は、有価証券報告書、四半期報告書、通期決算短信及び四半期決算短信のいずれかに対応していてよい。例えば、表の第４例Ｔ４の場合、再構成部１５は、目次情報に応じて貸借対照表の再構成に用いる再構成ロジックを特定し、再構成ロジックに従って、列ヘッダー、行ヘッダー及びデータセルに含まれるテキストから表を再構成する。なお、表の第４例Ｔ４のように、罫線ではなく色分けによってセルを区切る表の場合、文書解析装置１０は、色の境界線を線オブジェクトとして抽出してよい。

図１０は、本実施形態に係る文書解析装置１０によって再構成された表の第４例ＲＴ４を示す図である。再構成された表の第４例ＲＴ４は、再構成部１５によって表の第４例Ｔ４を再構成した例である。

再構成された表の第４例ＲＴ４は、行ヘッダーとして「流動資産現金及び預金」、「流動資産受取手形及び売掛金」、「流動資産仕掛品」、「流動資産原材料及び貯蔵品」、「流動資産繰延税金資産」、「流動資産その他」及び「流動資産合計」を含み、行ヘッダー及び列ヘッダーによって１つのデータセルが特定されるように再構成されている。

このように、本実施形態に係る文書解析装置１０によれば、有価証券報告書等に含まれる決算情報をまとめた表や貸借対照表について、予め用意した再構成ロジックに従って表を再構成することができ、表の内容をより正確に読み取ることができるようになる。

図１１は、本実施形態に係る文書解析装置１０により実行される文書解析処理の第１フローチャートを示す図である。はじめに、文書解析装置１０は、ＰＤＦ文書を取得し、目次情報を作成する（Ｓ１０）。文書解析装置１０は、ＰＤＦ文書の目次ページから目次情報を作成してもよいし、ＰＤＦ文書に含まれるしおり情報に基づいて目次情報を作成してもよい。

次に、文書解析装置１０は、ＰＤＦ文書からテキストオブジェクト及び線オブジェクトを抽出し（Ｓ１１）、隣接する線オブジェクトの集合を表とし、目次情報に含まれる項目に紐付ける（Ｓ１２）。なお、表に対応する目次情報の項目が存在しない場合、紐付けは行われなくてよい。その後、文書解析装置１０は、線オブジェクトの４つの交点に囲まれた領域をセルとし、座標情報を用いてセルと文字を紐付ける（Ｓ１３）。

文書解析装置１０は、表に対応する辞書が存在する場合（Ｓ１４：ＹＥＳ）、辞書を用いて再構成ロジックを特定し、再構成ロジックに従って、セルに含まれるテキストから表を再構成する（Ｓ１５）。

その後、文書解析装置１０は、再構成された表に基づいて、文書に不備があるか判定する（Ｓ１６）。なお、文書に不備がある場合、文書解析装置１０は、文書に不備があること、不備が検出された箇所を表示してよい。

図１２は、本実施形態に係る文書解析装置１０により実行される文書解析処理の第２フローチャートを示す図である。第２フローチャートは、第１フローチャートにおいて、表に対応する辞書が存在しないと判定された場合（Ｓ１４：ＮＯ）に実行される処理である。

はじめに、文書解析装置１０は、表中の最も左上に位置するセルを起点として、複数のセルを、列ヘッダー、行ヘッダー及びデータセルに分類する（Ｓ２０）。そして、列ヘッダーに複数行のセルが含まれる場合（Ｓ２１：ＹＥＳ）、文書解析装置１０は、複数行のセルに含まれるテキストを列毎に統合して、表を再構成する（Ｓ２２）。

また、列ヘッダーの列数と、データセルの列数が一致しない場合（Ｓ２３：ＮＯ）、文書解析装置１０は、列ヘッダーの列数をデータセルの列数に合わせて、データセルに含まれるテキストを列ヘッダーに統合して、表を再構成する（Ｓ２４）。

その後、文書解析装置１０は、列ヘッダーを除いた残りのセルから１行抽出し（Ｓ２５）、隣接するセルにそれぞれ複数行のテキストが含まれ、行数が一致し、数値の行が半分以上であるか判定する（Ｓ２６）。隣接するセルにそれぞれ複数行のテキストが含まれ、行数が一致し、数値の行が半分以上である場合（Ｓ２６：ＹＥＳ）、文書解析装置１０は、複数行のテキストを行毎に分割して、表を再構成する（Ｓ２７）。一方、隣接するセルにそれぞれ複数行のテキストが含まれないか、行数が一致しないか、数値の行が半分以上でない場合（Ｓ２６：ＮＯ）、文書解析装置１０は、複数行のテキストを１行に結合して表を再構成する（Ｓ２８）。

文書解析装置１０は、抽出した行が最終行でなければ（Ｓ２９：ＮＯ）、さらに１行抽出し（Ｓ２５）、処理Ｓ２６〜Ｓ２８を実行する。一方、抽出した行が最終行であれば（Ｓ２９：ＹＥＳ）、文書解析装置１０は、再構成された表に基づいて、文書に不備があるか判定する（Ｓ３０）。なお、文書に不備がある場合、文書解析装置１０は、文書に不備があること、不備が検出された箇所を表示してよい。

以上説明した実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。実施形態が備える各要素並びにその配置、材料、条件、形状及びサイズ等は、例示したものに限定されるわけではなく適宜変更することができる。また、異なる実施形態で示した構成同士を部分的に置換し又は組み合わせることが可能である。

１０…文書解析装置、１０ａ…ＣＰＵ、１０ｂ…ＲＡＭ、１０ｃ…ＲＯＭ、１０ｄ…通信部、１０ｅ…入力部、１０ｆ…表示部、１１…取得部、１２…特定部、１３…第１分類部、１４…第２分類部、１５…再構成部、１６…判定部、２０…ユーザ端末、３０…開示書類サーバ

Claims

所定フォーマットで電子化された文書を取得する取得部と、
前記文書に含まれる表の位置情報に基づいて、前記表に含まれる複数のセルを特定する特定部と、
前記複数のセルを、列ヘッダー、行ヘッダー及びデータセルに分類する第１分類部と、
隣接するセルにそれぞれ複数行のテキストが含まれ、行数が一致する場合に、前記複数行のテキストを文字の行又は数値の行に分類する第２分類部と、
前記文字の行及び前記数値の行のうち前記数値の行が、前記文字の行及び前記数値の行の合計の半分以上である場合に、前記複数行のテキストを行毎に分割して、前記表を再構成する再構成部と、
を備える文書解析装置。
前記再構成部は、前記列ヘッダーに複数行のセルが含まれる場合に、前記複数行のセルに含まれるテキストを列毎に統合して、前記表を再構成する、
請求項１に記載の文書解析装置。
前記再構成部は、前記列ヘッダーの列数と、前記データセルの列数が一致しない場合に、前記列ヘッダーの列数を前記データセルの列数に合わせて、前記データセルに含まれるテキストを前記列ヘッダーに統合して、前記表を再構成する、
請求項１又は２に記載の文書解析装置。
前記再構成部は、前記文書に含まれる目次情報に応じて選択される辞書を用いて前記表を再構成する再構成ロジックを特定し、前記再構成ロジックに従って、前記列ヘッダー、前記行ヘッダー及び前記データセルに含まれるテキストから前記表を再構成する、
請求項１から３のいずれか一項に記載の文書解析装置。
前記辞書は、有価証券報告書、四半期報告書、通期決算短信及び四半期決算短信のいずれかに対応している、
請求項４に記載の文書解析装置。
前記文書は、有価証券報告書、四半期報告書、通期決算短信及び四半期決算短信のいずれかであり、
再構成された前記表に基づいて、前記有価証券報告書、前記四半期報告書、前記通期決算短信及び前記四半期決算短信のいずれかに不備があるか判定する判定部をさらに備える、
請求項１から５のいずれか一項に記載の文書解析装置。
文書解析装置に備えられた演算部が、
所定フォーマットで電子化された文書を取得することと、
前記文書に含まれる表の位置情報に基づいて、前記表に含まれる複数のセルを特定することと、
前記複数のセルを、列ヘッダー、行ヘッダー及びデータセルに分類することと、
隣接するセルにそれぞれ複数行のテキストが含まれ、行数が一致する場合に、前記複数行のテキストを文字の行又は数値の行に分類することと、
前記文字の行及び前記数値の行のうち前記数値の行が、前記文字の行及び前記数値の行の合計の半分以上である場合に、前記複数行のテキストを行毎に分割して、前記表を再構成することと、
を実行する文書解析方法。
文書解析装置に備えられた演算部を、
所定フォーマットで電子化された文書を取得する取得部、
前記文書に含まれる表の位置情報に基づいて、前記表に含まれる複数のセルを特定する特定部、
前記複数のセルを、列ヘッダー、行ヘッダー及びデータセルに分類する第１分類部、
隣接するセルにそれぞれ複数行のテキストが含まれ、行数が一致する場合に、前記複数行のテキストを文字の行又は数値の行に分類する第２分類部、及び
前記文字の行及び前記数値の行のうち前記数値の行が、前記文字の行及び前記数値の行の合計の半分以上である場合に、前記複数行のテキストを行毎に分割して、前記表を再構成する再構成部、
として機能させる文書解析プログラム。