JP7003457B2 - 文書再構成装置 - Google Patents

Description

本発明は、段組みされた文書の段組みを解除して文書を再構成する文書再構成装置およびプログラムに関する。

スマートフォンやタブレットＰＣといった小型の電子端末の普及に伴い、そのような小型の端末上で文書の閲覧を行う機会が増えている。しかし、スマートフォンやタブレットＰＣはディスプレイが小さいため、書籍や資料といった文書を閲覧する際は、文書の拡大・縮小、上下スクロールを繰り返しながら読まなくてはならない。特に新聞や雑誌といった、段組みされた文書を閲覧するには、上述の繰り返し操作がより多く必要になる。

例えば、図２４に示すような段組みされた文書を小型の電子端末で閲覧すると、図２５に示すように、デフォルトでは画面に対し、文書全体が全画面表示される形式で表示される。このままでは文字が小さく且つ段組みとなっていることから、閲覧者は文書の拡大・縮小や上下スクロールを行いながら該文書を閲覧する必要がある。その結果、図２６の矢印に示すように、画面を横スクロールさせたり縦にスクロールさせたりする必要があるため、操作が煩雑となり、利便性が良くなかった。

このような問題に対応する技術として、下記特許文献１には、段組みされた第一の文書を構成する複数の各テキスト群を１列に配列し直して第二の文書を生成するシステムが開示されている。このシステムでは、縦に並ぶ複数の行によって構成される複数のテキスト群が横に並んで配置されてなる第一の文書の各テキスト群に、第一の文書を人間が読む際の順番に応じた順位を付し、順位の小さい順にテキスト群を縦に並べて第二の文書を生成する。

特開２０１７－４９８６５号公報

特許文献１では、第一の文書を構成する複数のテキスト群に、第一の文書を人間が読む際の順番に応じた順位を付する、とあるが、人間が読む際の順番をどのように特定するかについては開示がない。たとえば、新聞などでは複雑な段組みで紙面が構成されるため、人間が読む際の順番を正しく見つけ出して、各テキスト群を適切な順序で一列に配列することは難しい。そのため、第一の文書において、一のテキスト群と他の一テキスト群とが本来１つの文章であった場合でも、それらが連続して配列されないケースがあり、文章として正しく読むことができないといった問題が生じる。

本発明は、段組みされた文書において本来１つの文章が飛び飛びの場所に分断されて配置されている場合にも、それらを繋いで文書の段組みを適切に解除することのできる文書再構成装置およびプログラムを提供することを目的としている。

かかる目的を達成するための本発明の要旨とするところは、次の各項の発明に存する。

［１］段組みされた元文書を、所定の領域判別条件に基づいて複数の領域に分割する分割部と、
分割後の各領域に含まれる文章を抽出する文章抽出部と、
分割後の各領域から抽出した文章が、他の領域から抽出した文章と繋がった文章か、独立した文章かを判別する判別部と、
他の領域から抽出した文章と繋がっていると判別された文章同士を１つの文章に繋げる文章結合部と、
前記独立した文章および前記文章結合部によって１つに繋げられた文章を一列に配列して、前記元文書を、段組みの解除された文書に再構成する再構成部と、
を有し、
前記再構成部は、各領域内での文章のレイアウトを保持したまま文字サイズを調整して前記再構成するか、リフローで前記再構成するかを選択可能である
ことを特徴とする文書再構成装置。

上記発明では、段組みされた文書を、段組みの境界線や空白などの領域判別条件に基づいて複数の領域に分割し、それぞれの領域の文章が他の領域の文章と繋がった文章か否かを判断し、繋がっているものは１つの文章に結合した上で、各文章を、通常読む順で一列に配列して文書を再構成する。たとえば、新聞のように複雑に段組みされていても、文章の繋がりを判断することで、飛び飛びの位置に分断されて配置されていた文章を適切に繋げて文書を再構成することができる。また、上記発明では、各領域内での文章のレイアウトを保持したまま文字サイズを調整して再構成するか、リフローで再構成するかを選択可能であり、ユーザの好みに応じた形態(レイアウト)で文書を再構成することができる。

［２］前記判別部は、文章同士の繋がりの適正度を数値化し、所定の閾値と比較して、前記判別する
ことを特徴とする［１］に記載の文書再構成装置。

［３］前記閾値をユーザが設定し得る
ことを特徴とする［２］に記載の文書再構成装置。

［４］前記判別部は、文章の内容の類似度、およびまたは、一の文章の末尾と他の一の文章の先頭との連続性、に基づいて、前記判別する
ことを特徴とする［１］に記載の文書再構成装置。

［５］前記判別部は、一の領域に含まれる文章と、前記一の領域に含まれる文章と連続する可能性のない位置にある領域に含まれる文章との繋がりは判別しない
ことを特徴とする［１］に記載の文書再構成装置。

上記発明では、繋がりを判別する対象を絞り込むことで、処理負担が軽減される。

［６］前記再構成部は、前記文章を読み進める方向に従って、前記文章を一列に配列する
ことを特徴とする［１］に記載の文書再構成装置。

上記発明では、行単位での読み進め方向に、文章を配列する。これにより、再構成された文書を、文章の読み進め方向にスクロールさせていけば、次の文章が自然に表示される。

［７］前記再構成部は、ユーザの指定する方向に従って、前記文章を一列に配列する
ことを特徴とする［１］に記載の文書再構成装置。

上記発明では、ユーザが文章の配列方向を任意に指定することができる。ユーザの好みに応じた配列の文書を再構成することができる。

［８］文字サイズをユーザが指定し得る
ことを特徴とする［１］に記載の文書再構成装置。

上記発明では、ユーザの好みに応じた文字サイズで文書を再構成することができる。

［９］一の領域の中に文章のほかに画像や図形のオブジェクトが存在する場合に、前記再構成部は、一の領域に含まれるオブジェクトと文章とを一体に扱って、前記配列する
ことを特徴とする［１］に記載の文書再構成装置。

上記発明では、文章とオブジェクトとの対応関係が維持される。

［１０］前記元文書がイメージデータの場合に、前記分割部は、前記元文書を画像処理によって領域判別することで、前記分割する
ことを特徴とする［１］に記載の文書再構成装置。

［１１］前記元文書がマークアップ言語で記述された文書の場合に、前記分割部は、段組みを示すタグ情報に基づいて、前記分割する
ことを特徴とする［１］に記載の文書再構成装置。

［１２］前記元文書がイメージデータの場合に、前記文章抽出部は、文字認識によって文章を抽出する
ことを特徴とする［１］に記載の文書再構成装置。

［１３］前記元文書がマークアップ言語で記述された文書の場合に、前記文章抽出部は、テキスト領域を示すタグ情報に基づいて文章を抽出する
ことを特徴とする［１］に記載の文書再構成装置。

［１４］情報処理装置を、［１］乃至［１３］のいずれか１つの文書再構成装置として機能させるプログラム。

本発明に係る文書再構成装置およびプログラムによれば、段組みされた文書において本来１つの文章が飛び飛びの場所に分断されて配置されている場合にも、それらを適切に繋いて文書の段組みを適切に解除することができる。

本発明に係る文書再構成装置を含む文書閲覧システムの一例を示す図である 文書再構成装置の概略構成を示すブロック図である。 文書再構成装置が元文書の段組みを解除して再構成文書を作成する処理の概要を示す流れ図である。 例１の元文書およびこれを境界線を基準に複数の領域に分割してラべリングした状態を示す図である。 例２の元文書およびこれを空白を基準に複数の領域に分割してラべリングした状態を示す図である。 文書の再構成処理（図３のステップ１０７の詳細）を示す流れ図である。 図４に示し例１の元文書を再構成した再構成文書を示す図である。 例３の元文書を示す図である。 例３の元文書を領域１～領域４に分割してラべリングした状態を示す図である。 図８に示した例３の元文書を再構成した再構成文書を示す図である。 例４の元文書を示す図である。 例４の元文書を複数の領域に分割してラべリングした状態を示す図である。 例４の元文書を再構成した結果の再構成文書を示す図である。 例５の元文書を示す図である。 例５の元文書を再構成した結果の再構成文書を示す図である。 例６の元文書を示す図である。 例６の元文書を再構成した結果の再構成文書を示す図である。 例７の再構成文書を示す図である。 例８の再構成文書を示す図である。 例９の元文書を示す図である。 例９の元文書を再構成した結果の再構成文書を示す図である。 例１０の元文書を示す図である。 例１０の再構成文書を示す図である。 段組みされた文書の例を示す図である。 図２４の段組みされた文書の全体を小型の携帯端末の表示部に表示した様子を示す図である。 図２４の段組みされた文書を小型の携帯端末で閲覧する様子を示す図である。

以下、図面に基づき本発明の実施の形態を説明する。

図１は、本発明に係る文書再構成装置を含む文書閲覧システム２の一例を示す図である。文書閲覧システム２は、ユーザが使用するスマートフォンやタブレットなどの小型の携帯端末５と、該携帯端末５とネットワークを通じて通信可能に接続されたサーバ（情報処理装置）である文書再構成装置１０を備えて構成される。

携帯端末５は、段組みされた文書を閲覧する際に、その文書（元文書とする）のデータを、ネットワークを通じて文書再構成装置１０に送信し、段組みの解除を依頼する（Ｐ１）。文書再構成装置１０は受信した元文書の段組みを解除して、一方向へのスクールのみで閲覧できるようにした再構成文書を生成し（Ｐ２）、該再構成文書を携帯端末５に送信する（Ｐ３）。携帯端末５では再構成文書を閲覧することで、一方向へのスクロール操作を行うだけで文書を先頭から末尾まで円滑に閲覧することが可能になる。

なお、文書再構成装置１０による段組み解除の機能を果たすプログラムを携帯端末５にインストールしておき、段組みされた文書の段組み解除を携帯端末５で行うように構成されてもよい（図１のＰ４）。

図２は、文書再構成装置１０の概略構成を示すブロック図である。文書再構成装置１０は、ＣＰＵ(Central Processing Unit)１１に、ＲＡＭ(Random Access Memory)１２、ＲＯＭ（Read Only Memory）やハードディスク装置などで構成された記憶部１３、ネットワーク通信部１４、入力Ｉ／Ｆ部１５、出力Ｉ／Ｆ部１６などを接続して構成される。

ＣＰＵ１１はマイクロプロセッサを有し、ＯＳプログラムをベースとし、その上で、ミドルウェアやアプリケーションプログラムを実行する。記憶部１３には各種プログラムやデータが格納される。ＣＰＵ１１がこれらのプログラムに従って処理を実行することで文書再構成装置１０として機能が実現される。ＲＡＭ１２は、ＣＰＵ１１が処理を実行する際に各種データを一時的に格納するワークメモリとして使用される。

ネットワーク通信部１４は、ネットワークを通じて携帯端末５や各種の外部装置と通信する機能を果たす。ネットワーク通信部１４は、携帯端末５から元文書のデータおよび段組みの解除依頼を受信する。またネットワーク通信部１４は、再構成文書を携帯端末５に送信する。

入力装置１５は、キーボードやマウスなどユーザの操作を入力するための機器である。出力装置１６は、液晶モニタなどのディスプレイ装置である。なお、段組み解除に関する各種設定（たとえば、後述するレイアウトの選択や文字サイズの選択など）は、文書再構成装置１０の入力装置１５から受け付けるほか、携帯端末５から受けることができる。

ＣＰＵ１１は、プログラムを実行することで、分割部２１、文章抽出部２２、判別部２３、文章結合部２４、再構成部２５としての機能を果たす。

分割部２１は、元文書を所定の領域判別条件に基づいて複数の領域に分割する。

文章抽出部２２は、分割後の各領域に含まれる文章(テキスト群)を抽出する。

判別部２３は、各領域から抽出した文章が、他の領域から抽出した文章と繋がった文章であるか、独立した文章であるかを判別する。

文章結合部２４は、他の領域から抽出した文章と繋がっていると判別された文章同士を１つの文章に繋げる。

再構成部２５は、独立した文章および文章結合部２４によって１つに繋げられた文章を一列に配列して、前記元文書を、段組みの解除された文書に再構成する。

図３は、文書再構成装置１０が元文書の段組みを解除して再構成文書を作成する処理の概要を示す流れ図である。文書再構成装置１０は、まず、元文書を入力する（ステップＳ１０１）。入力される元文書は、文字コードで表された文書でもよいし、ビットマップデータなどのイメージデータで表されていてもよい。この例では、元文書は、紙文書をスキャナなどで読み取って得たイメージデータになっているものとする。

次に、文書再構成装置１０のＣＰＵ１１（分割部２１）は、元文書を所定の領域判別条件に基づいて複数の領域に分割し、分割後の各領域にラべリングを行う（ステップＳ１０２）。

領域判別条件は、段組みの境界線や一定以上の空白領域の存在などであり、文字が纏まって存在する範囲を１つの領域として判別するための条件である。図４に示すように段組みされた元文書に段組みの境界線が引かれている場合には、その線を基準に複数の領域に分割する。図４（ｂ）は例１の元文書を分割してラべリングした状態を示す。図中の破線は領域を示す。なお、図４の元文書を例１とする。

境界線が無い場合には、図５に示すように、文章と文章の間や、段組みの各段の間に設けられる空白領域を基準に複数の領域に分割する。より詳細には、各文字列の行間隔を確認し、前後で間隔に一定以上の相違がある場合は空白であると判断する。たとえば、間隔が１２ｐｔ、１２ｐｔ、…と続いた後に、間隔が３０ｐｔになった場合は、該３０ｐｔとなった箇所に区切りの空白領域があると判断する。図５（ｂ）は例２の元文章を分割してラべリングした状態を示す。図中の破線は領域を示す。なお、図５の元文書を例２とする。

次に文書再構成装置１０のＣＰＵ１１（文章抽出部２２）は、分割した各領域に含まれている文字を光学文字認識等によって認識して文字コードに変換し、それぞれの領域に含まれている文章（文字群）を文字コードの形式で抽出する（ステップＳ１０３）。元文書が文字コードで記述されている場合、その文字コードをそのまま抽出すればよい。

文書再構成装置１０のＣＰＵ１１（文章抽出部２２）は、抽出した文章(文字コード群)を解析して、その言語、行の方向（縦書き、横書き）、行単位での読み進める方向などを特定する（ステップＳ１０４）。たとえば、図４に示す例１の元文書の場合、日本語、縦書き、右から左に読み進める文章であることを認識する。そして、言語、読み進める方向などから、この文書の各領域の文章を読むときの標準的な読む順序（どの領域から順に読み進めるか）を特定し、各領域の文章に標準的な読む順序に従った順位を初期値として付与する。

図４に示す例１の場合、各段においては右から左に進み、かつ上の段から順に下へと読み進めると判断し、標準的な読む順序は、領域１→領域２→領域３→領域４となる。したがって、領域１の文章には順位１を、領域２の文章には順位２を、領域３の文章には順位３を、領域４の文章には位４を初期値として付与する。なお領域Ｎから抽出した文章を文章Ｎとする。また文章Ｎに与えた順位を文書Ｎ（１）のように（）を付けて付記する。

次に文書再構成装置１０のＣＰＵ１１（判別部２３）は、各領域から抽出した文章が他の文章と繋がった文章であるか、独立した文章であるかを判別する（ステップＳ１０５）。領域１～領域４から抽出した文章同士を比較し、２つの領域の文章が連続した文章であるか否かを判別する。ここでは、その判別のために所定の指標値を計算する。指標値による比較方法としてはテキストの類似度、文脈の一致度の計算、などが挙げられる。

テキストの類似度は、例えば、ＴＦ（Term Frequency）－ＩＤＦ（Inverse Document Frequency）やＣｏｓ類似度により、文章間の類似度を計算する。ここではＣｏｓ類似度によって類似度を計算する。領域１から抽出した文章１と領域２から抽出した文章２との類似度を計算する例を示す。まず、各文章に含まれる単語の出現頻度をベクトルで表現すると、
文章１：（今年，景気，・・・）＝（３，１０・・・）、
文書２：（近年，技術動向，・・・）＝（１５，３・・・）
となり、Ｃｏｓ類似度は、
Ｃｏｓθ＝文章１のベクトル・文章２のベクトル／｜文書１｜｜文書２｜、として求まる、ここでは、Ｃｏｓθ＝0.2（上限を1.0とする） であったとする。

文脈の一致度に関しては、文章１の終わりが「・・・であった。」、文章２の始まりが「近年の技術動向に・・・」であったとしたとき、文章１の終わりは句読点（。）であることから、他の文章が続いている可能性は高くないと判断し、文脈の一致度は、たとえば、0.3（上限を1.0とする）と計算される。

上記を総合的に判断し、文章１と文章２の最終的な文章連続度が０．２５と算出されたとする。

近傍の文章間においても同様に計算を行う。すなわち、文章１と文章２、文章１と文章３、文章１と文章４、文章２と文章３、文章２と文章４、文章３と文章４、のそれぞれについて文章連続度を計算し、求めた文章連続度の値が閾値を越えているか否かを判断する。例えば、文章１と文章２との間の文章連続度の値が0.25で、既定のあるいはユーザが設定した閾値が0.8（上限1.0）であったとすると、文章１と文章２とは連続した文章でないと判断する。図４に示す例１では、すべての文章は他の文章と連続しておらず、それぞれが独立した文章であると判断される。

次に文書再構成装置１０のＣＰＵ１１（文章結合部２４）は、ステップＳ１０５において連続した文章であると判断された文章が存在する場合に、それらの文章を結合して１つの文章にする（ステップＳ１０６）。たとえば、仮に、文章２と文章４が連続した文書であるとステップＳ１０５で判断された場合、文章２と文章４を１つの文章に結合する(これを、文書２＋４、のように記す)。結合後の文章２＋４の読む順位は、文章２の順位と、文書４の順位のうちの小さい方とする。

ステップＳ１０５の判別結果に基づいて連続する文章同士をステップＳ１０６で結合した後、文書再構成装置１０のＣＰＵ１１（再構成部２５）は、各文章（元々独立していた文章および１つに結合された文章）を一列に配列し、段組みの解除された文書(再構成文書)を生成して（ステップＳ１０７）、本処理を終了する。

図６は、図３のステップＳ１０７の詳細を示す流れ図である。まず、文書のレイアウトを確定する（ステップＳ２０１）。ここでは、レイアウトとして、文章のレイアウトを保持したまま文字サイズを調整するか、リフローとするか、を選択可能とする。この選択は、たとえば、携帯端末５のユーザから受ける。図４の例１の元文書については、文章のレイアウトを保持したまま文字サイズを調整するように文書を再構成するものとする。

次に文書再構成装置１０のＣＰＵ１１（再構成部２５）は、ステップＳ１０４で特定した、読み進める方向に基づいて、文章を一列に配列する際の配列方向を決定する(ステップＳ２０２)。図４に示す例１の元文書の場合、各行は縦読みであり、行単位で読み進める方向は右から左なので、各領域から抽出した文章を右から左に向かって一列に配列する。この文章を閲覧するとき、ユーザは、横スクロールにより文書内の見る位置を調整することになる。

最後に、文書再構成装置１０のＣＰＵ１１(再構成部２５)はは、各領域から抽出した独立した文章およびステップＳ１０６で結合された文章を、ステップＳ２０１で決定したレイアウト、ステップＳ２０２で決定した配列方向に従って、順位が若い順に並べて、文書の再構成を行う（ステップＳ２０３）。

図７は、図４に示した例１の元文書を再構成した再構成文書を示している。同図（ｂ）は、再構成文書を携帯端末５で閲覧する際のスクロール状況を示している。この再構成文書は、右スクロールのみで閲覧可能となっている。これにより、図４の元文書と比較すると、文字の拡大回数、上下移動のスクロール回数を削減することが可能となり、ユーザが閲覧している端末に適した閲覧しやすい文書となる。

次に、元文書から再構成文書を生成する場合の各種の例について説明する。

＜例３＞
図８は、例３の元文書を示している。この元文書は、上段と下段の２段に段組みされており、日本語、縦書きで、右から左に向かって読み進める文書である。領域は４つに分かれており、上段の右側の領域に１つの独立した文章、下段の右側の領域に１つの独立した文章があり、さらに、上段左側の領域の文章に下段左側の文章が繋がっている。

文書再構成装置１０のＣＰＵ１１（分割部２１）は、元文書を入力し（ステップＳ１０１）、境界線を基準に４つの領域に分割し、各領域をラべリングする(ステップＳ１０２)。図９は、領域１～領域４に、ラべリングした状態を示す。図中の破線は領域を示す。

文書再構成装置１０のＣＰＵ１１（文章抽出部２２）は、ラベリングされた領域１～領域４のそれぞれについて光学文字認識を行い、テキスト(文章)を抽出する(ステップＳ１０３)。この例では、領域１からは「今年の景気に関して○・・・○」、領域２からは「近年の技術動向に関して×・・・×」、領域３からは「昨日のスポーツに関して△・・・△」、領域４からは「×・・・×」という文章が抽出される。

そして、言語、行の方向、行単位での読み進める方向を特定する（ステップＳ１０４）。例３の元文書の場合、日本語、縦書き、右から左に向かって読み進める文書であると特定する。そして、この条件での標準的な読む順序に従って、各領域の文書に順位を付与する。例３の元文書の場合、標準的な読む順序は、領域１→領域２→領域３→領域４となり、文章１に与える初期の順位は１、文章２に与える初期の順位は２、文章３に与える初期の順位は３、文章４に与える初期の順位は４、となる。

次に文書再構成装置１０のＣＰＵ１１（判別部２３）は、各領域から抽出した文章が他の文章と繋がった文章であるか、独立した文章であるかを判別する（ステップＳ１０５）。ここでは、例１の元文書の場合と同様の手法により比較した結果、文章２と文章４の類似度が0.8（上限1.0）であったとする。また、文脈の一致度は文章２の終わりが「・・・であり、将」、文章４の文章の始まりが「来性は高いといえる。・・・」であったとする。“将”と“来”は組み合わせると、“将来”という文字列になり、“将来”という文字列を単語データベース（辞書）とマッチングを行うことにより一つの単語として認識されることから、文脈の一致度は1.0（上限1.0）と計算される。総合的に判断し、結果として最終的な文章連続度が0.9と算出されたとする。

同様に近傍の文章同士の比較を行い、すべての組み合わせ（文章１と文章２、文章１と文章３、文章１と文章４、文章２と文章３、文章２と文章４、文章３と文章４）について文章連続度の値を算出する。

ここでは、文章連続度の値を閾値（0.8とする）と比較した結果、文章１と文章２、文章１と文章３、文章１と文章４、文章２と文章３、文章３と文章４の間についての値はユーザ設定の閾値（0.8）を越えず、連続した文章ではなく、文章２と文章４について計算した文章連続度の値は閾値を越えており、連続した文章であると判断されたとする。したがって、文章１と文章３は独立した文章であり、文章２と文章４は１つの文章に結合される（ステップＳ１０６）。文書２の初期の順位は（２）、文書４の初期の順位は（４）なので、文書２＋４の順位は（２）となる。

文書の再構成においては、レイアウトを保持したまま文字サイズを調整する方法に決定し(ステップＳ２０１)、ステップＳ１０４で特定した、読み進める方向に基づいて、文章を一列に配列する際の配列方向は、「文章を右から左に向かって一列に配列する」に決定する(ステップＳ２０２)。そして、上記レイアウトおよび配列方向に従って、文章１（１）、文章２＋４（２）、文章３（３）を、（）の中の順位の若い順に配列して再構成文書を生成する（ステップＳ２０３）。

図１０は、図８に示した例３の元文書を再構成した再構成文書を示している。同図（ｂ）は、再構成文書を携帯端末５で閲覧する際のスクロール状況を示している。この再構成文書は、右スクロールのみで閲覧可能となっている。これにより、段組みで文章が別の領域に分かれていたとしても、元文書より、文字の拡大回数、上下移動のスクロール回数を削減して閲覧することが可能となり、ユーザの端末に適した閲覧しやすい文書となる。

＜例４＞
例４の元文書は、複数ページ（２ページ）で構成される(図１１参照)。１ページ目は、上段に２つ、下段に２つの文章から構成され、２ページ目は、上段に２つ、下段に１つの文章から構成される。いずれも、日本語、縦読み、かつ右から左に読み進める文章である。なお、１ページ目の左下の文章は２ページ目の上段右の文章へ続いており、２ページ目の上段左の文章は下段の文章へ続いている。よって、この２ページの文書には、独立した５つの文章が含まれている。

図１２は、図３のステップＳ１０１、ステップＳ１０２により、ラべリングされた結果を示す。ステップＳ１０３、ステップＳ１０４については前述の例１，例３の場合と同様に行われる。

ステップＳ１０５の繋がり判別では、文章１～文章７について比較し、各々が連続した文章であるか否かを判別するための指標である文章連続度の値を計算する。ここで、たとえば、文章１に対して、文章５、文章６、文章７は隣り合っている領域でもなく、ページが異なっているため、文章として連続している可能性は低いと考えられる。よってそれらの文章の類似度や、文脈の一致度の計算は省略する。

すなわち、本例では、すべての組み合わせを計算した場合、２１通りの組み合わせについて文章連続度を計算することになるが、連続する可能性のない組み合わせについての計算を省略する。この場合、文章１については文章２と文章３、文章２については文章３と文章４と文章５、文章３については文章４、文章４については文章５、文章５については文章６と文章７、文章６については文章７、との組み合わせを考えればよく、合計１０通りについて計算すればよい。

図１２の例では、繋がりを判別した結果、文章１、文章２、文章３はそれぞれ独立した文章、文章４と文章５は連続している、文章６と文章７は連続していると判別される。文章のレイアウトを保持したまま文字サイズを調整し、横スクロールで読めるように文章を右から左に一列に配列して文書を再構成した結果を図１３に示す。これにより、文章がページを跨いでいたとしても、もとの文書より文字の拡大回数、上下移動のスクロール回数を削減することが可能となり、ユーザが閲覧している端末に適した閲覧しやすい文書となる。なお、例４では２ページに跨っている場合を例示したが、それ以上の複数ページでもよい。

＜例５＞
例５の元文書では、領域の中に、図や画像などのオブジェクトが存在する。図１４に例５の元文書を示す。上段に２つ、下段に２つの文章（計４つの文章）から構成され、かつ、その中の上段右側の文章には、画像のオブジェクトが含まれている。この文書は、各行が縦読みで、行単位では右から左に読み進める日本語の文書である。

文書再構成装置１０のＣＰＵ１１は、他の例と同様に、図３の処理を実施して、文書を各領域に分割し、それぞれの領域にラべリングする。この際、一の領域の中に文章と画像などオブジェクトが存在する場合、そのオブジェクトはその文章に属するものとして(紐付けて)扱う。図１４（ｂ）は、例５の元文書を分割してラべリングした状態を示す。図中の破線は領域を示す。

図３の各ステップを文書再構成装置１０のＣＰＵ１１が実行することで、文章１、文章２、文章３、文章４を抽出し、文書１にはオブジェクトＡが紐付けされ、各文章はそれぞれ独立した文章と判別される。そして、文章のレイアウトを保持したまま文字サイズを調整し、横スクロールで読めるように、右から左に一列に各文章をその順位に従って配列して再構成文章が作成される。

図１５は、生成された再構成文書を示す。元文書でのレイアウトと同じようにして、文章１に中にオブジェクトＡが配置されている。同図（ｂ）は、再構成文書を携帯端末５で閲覧する際のスクロール状況を示している。

このように、文章中に画像などのオブジェクトが含まれていたとしても、拡大回数、上下移動のスクロール回数を削減することが可能となり、ユーザが閲覧している端末に適した閲覧しやすい文書となる。なお、オブジェクトの例として画像が一つ存在する場合を例示したが、複数存在してもよい。また、オブジェクトの例として画像の場合を示したが、グラフや表などのオブジェクトでもよい。

＜例６＞
例６の元文書（図１６参照）は、横書きの日本語文書であり、各行は左から右に読み、行単位では上から下に読み進める。この例では、上段に２つの文章、下段に２つの文章がある。図１６（ｂ）は、例６の元文書を分割してラべリングした状態を示す。図中の破線は領域を示す。

文書再構成装置１０のＣＰＵ１１が図３の各ステップを実行することで、各々が独立した日本語の文章であると判別され、文章のレイアウトを保持したまま文字サイズを調整し、左から右へ向かって読むので、縦スクロールで読めるように文書が再構成される。図１７は、再構成された結果の再構成文書を示している。これにより、元文書より、文字の拡大回数、上下移動のスクロール回数を削減することが可能となり、ユーザが閲覧している端末に適した閲覧しやすい文書となる。

＜例７＞
例７は、各文章を配列して再構成する際に、リフロー表示に対応した文書にする。該文書をリフロー表示した例を図１８に示す。

文書のレイアウトを保持したまま文字サイズを調整するよりも、リフロー表示したほうが文字の拡大回数、上下移動のスクロール回数を削減することが可能となる場合もあり、これにより、よりユーザが閲覧している端末に適した閲覧しやすい文書となる。文書再構成装置１０は、リフローとする旨の選択を、たとえば、段組み解除の指示と共に携帯端末５から受信する。

＜例８＞
例８では、ユーザが指定した文字サイズや文字フォントでリフロー表示する。図１９はユーザが指定した文字サイズや文字フォントでリフロー表示した場合の一例を示す。元文書は例７と同じである。文書再構成装置１０は、リフローする場合の文字サイズの指定を、たとえば、段組み解除の指示と共に携帯端末５から受信する。なお、閲覧する際に携帯端末５において文字サイズの指示を受けて、携帯端末５が表示する文字サイズを変更するようにしてもよい。

デバイスに合わせたリフロー表示を行っても、ユーザにとっては文字が小さく感じる場合があるので、予め文字サイズを設定し、調節することで、拡大する回数を減らすことができ、また、ユーザが好ましフォントへ変更することで、よりユーザが閲覧しやすい文書となる。

＜例９＞
図２０は、例９の元文書を示している。例９の元文書は、上段に２つの文章、下段に２つの文章が配置されており、左上から右下に向かって読む文書である。ここでは、モンゴル語の文章となっている。図２０（ｂ）は、例９の元文書を領域に分割してラべリングした状態を示す。図中の破線は領域を示す。ラべリングの順序は日本語の場合と同様になっている。

この例では、図３の各ステップを経ることで、例９の元文書が、モンゴル語の文章であり、各文章がそれぞれ独立した文書であると判別されたものとする。そして、文章のレイアウトを保持したまま文字サイズを調整し、左から右へ向かって読むので、横スクロールで読むように左から右に向かって一列に文章を配列した再構成文書を生成する。モンゴル語であることから、文章の読む順位は、文章２（１）、文章１（２）、文章４（３）、文章３（４）となる。

図２１は、例９の元文書を再構成した再構成文書を示す。同図（ｂ）は、再構成文書を携帯端末５で閲覧する際のスクロール状況を示している。この文書の先頭は左端側である。閲覧時のスクロール方向は左から右方向になる。

このように、言語によっては、日本語と同じ縦書きであっても、行単位での読み進む方向が相違するので、その言語に適した方向に文章を配列することで、よりユーザにとって閲覧し易い文書に再構成することができる。

＜例１０＞
図２２は、例１０の元文書を示している。例１０の元文書は、英語の文書であり、上段に２つ、下段に２つの合計４つの領域に分けて文章が配置されている。各行は左から右に読み、行単位には上から下に読み進める文書である。図２２（ｂ）は、例１０の元文書を領域に分割してラべリングした状態を示す。図中の破線は領域を示す。

図３の処理により、文章のレイアウトを保持したまま文字サイズを調整し、英語を日本語に翻訳し、左から右に向かって読むことから、縦スクロールで読むように再構成した再構成文書を図２３に示す。

＜例１１＞
例１１は、図４の例１と同じレイアウトになるＸＭＬデータの文書が元文書の場合である。ＸＭＬのパーサを使い、レイアウトのタグ、テキストのタグを取得することで処理を行う。

例えば、段組みの線が引かれているタグを抽出し、文書の各領域に分割し、各領域に含まれる文章はテキストのタグを抽出することで取得する。

＜その他＞
文章連続度と比較して、文書が独立した文書であるか、連続した文書であるかを判別する際に使用する閾値は、ユーザが任意に設定してもよいし、装置が予め定めた値としてもよい。また、文書を読む際のスクロール方向は、言語、行単位の読む方向に基づいて装置で自動的に定める例を示したが、ユーザがスクロール方向を指定可能とし、指定されたスクロール方向と同一方向に文章を配列して再構成文書を生成するようにしてもよい。

文書を再構成する際に、レイアウトを保持したまま文字サイズを調整するか、リフロー表示に対応させるかの選択を、ユーザから受け付け可能とし、ユーザの選択したレイアウト方法で文書を再構成するようにしてもよい。

このように、本発明によれば、段組みされた文書において本来１つの文章が飛び飛びの場所に分断されて配置されている場合にも、それらを繋いで文書の段組みを適切に解除し、小形の端末でも閲覧しやすい文書を生成することができる。

以上、本発明の実施の形態を図面によって説明してきたが、具体的な構成は実施の形態に示したものに限られるものではなく、本発明の要旨を逸脱しない範囲における変更や追加があっても本発明に含まれる。

文書を複数の領域に分割する際の領域判別条件は、境界線、空白に限定されない。たとえば、文字サイズの相違（見出しは大きい文字が使用される）、背景色の違いなどでもよい。また、分割後の各領域から抽出した文章が、他の領域から抽出した文章と繋がった文章か、独立した文章かを判別する際の判別方法は、実施の形態に例示したものに限定されない。たとえば、意味解析などを併用してもよい。

実施の形態では、元文書として上下に段組みされた文書を例示したが、左右方向に段組みされた文書であっても、本発明は適用される。

２…文書閲覧システム
１０…文書再構成装置
１１…ＣＰＵ
１２…ＲＡＭ
１３…記憶部
１４…ネットワーク通信部
１５…入力装置
１６…出力装置
２１…分割部
２２…文章抽出部
２３…判別部
２４…文章結合部
２５…再構成部

Claims (14)

1. 段組みされた元文書を、所定の領域判別条件に基づいて複数の領域に分割する分割部と、
   分割後の各領域に含まれる文章を抽出する文章抽出部と、
   分割後の各領域から抽出した文章が、他の領域から抽出した文章と繋がった文章か、独立した文章かを判別する判別部と、
   他の領域から抽出した文章と繋がっていると判別された文章同士を１つの文章に繋げる文章結合部と、
   前記独立した文章および前記文章結合部によって１つに繋げられた文章を一列に配列して、前記元文書を、段組みの解除された文書に再構成する再構成部と、
   を有し、
   前記再構成部は、各領域内での文章のレイアウトを保持したまま文字サイズを調整して前記再構成するか、リフローで前記再構成するかを選択可能である
   ことを特徴とする文書再構成装置。
2. 前記判別部は、文章同士の繋がりの適正度を数値化し、所定の閾値と比較して、前記判別する
   ことを特徴とする請求項１に記載の文書再構成装置。
3. 前記閾値をユーザが設定し得る
   ことを特徴とする請求項２に記載の文書再構成装置。
4. 前記判別部は、文章の内容の類似度、およびまたは、一の文章の末尾と他の一の文章の先頭との連続性、に基づいて、前記判別する
   ことを特徴とする請求項１に記載の文書再構成装置。
5. 前記判別部は、一の領域に含まれる文章と、前記一の領域に含まれる文章と連続する可能性のない位置にある領域に含まれる文章との繋がりは判別しない
   ことを特徴とする請求項１に記載の文書再構成装置。
6. 前記再構成部は、前記文章を読み進める方向に従って、前記文章を一列に配列する
   ことを特徴とする請求項１に記載の文書再構成装置。
7. 前記再構成部は、ユーザの指定する方向に従って、前記文章を一列に配列する
   ことを特徴とする請求項１に記載の文書再構成装置。
8. 文字サイズをユーザが指定し得る
   ことを特徴とする請求項１に記載の文書再構成装置。
9. 一の領域の中に文章のほかに画像や図形のオブジェクトが存在する場合に、前記再構成部は、一の領域に含まれるオブジェクトと文章とを一体に扱って、前記配列する
   ことを特徴とする請求項１に記載の文書再構成装置。
10. 前記元文書がイメージデータの場合に、前記分割部は、前記元文書を画像処理によって領域判別することで、前記分割する
    ことを特徴とする請求項１に記載の文書再構成装置。
11. 前記元文書がマークアップ言語で記述された文書の場合に、前記分割部は、段組みを示すタグ情報に基づいて、前記分割する
    ことを特徴とする請求項１に記載の文書再構成装置。
12. 前記元文書がイメージデータの場合に、前記文章抽出部は、文字認識によって文章を抽出する
    ことを特徴とする請求項１に記載の文書再構成装置。
13. 前記元文書がマークアップ言語で記述された文書の場合に、前記文章抽出部は、テキスト領域を示すタグ情報に基づいて文章を抽出する
    ことを特徴とする請求項１に記載の文書再構成装置。
14. 情報処理装置を、請求項１乃至１３のいずれか１つの文書再構成装置として機能させるプログラム。

Images