JP7229887B2 - 文書情報抽出装置、および文書情報抽出方法 - Google Patents

Description

本発明は、文書情報抽出装置、および文書情報抽出方法に関する。

特許文献１には、特定の場所や物事を指す表現である固有表現のカテゴリを示すラベルが付与された固有表現を固有表現抽出装置について記載されている。固有表現抽出装置は、形態素解析済みの入力文書に基づいて、入力文書中の各単語について、単語内の情報に関する特徴、および単語の周辺の文脈に関する特徴を示す素性を算出し、素性に基づいて、単語が、固有物を表す表現である固有表現のカテゴリを示すラベルが付与された固有表現であるか否かを識別するための予め学習された識別モデルと、素性算出手段によって算出された各単語の素性とに基づいて、入力文書中の各単語が、ラベルが付与された固有表現であるか否かを識別し、入力文書からラベルが付与された固有表現を抽出する。

特開２０１３－２４６７９５号公報

近年、材料開発の分野においては、ビッグデータの解析やＡＩ（Artificial Intelligence）に関する技術を活用するＭＩ（Materials Informatics）が注目されている。ＭＩにおいては、実際に計測されたデータに限らず、特許文献等のデータから有用な情報（物質名、物性値、反応条件、生成物質等）を抽出し、より効果的に材料開発を行いたいというニーズがある。しかし形式が整っていない膨大なデータから有用な情報を効率よく抽出することは必ずしも容易ではない。

本発明は、こうした背景に鑑みてなされたものであり、膨大なデータから有用な情報を効率よく抽出することが可能な文書情報抽出装置、および文書情報抽出方法を提供することを目的とする。

上記目的を達成するための本発明の一つは、文書から情報を抽出する文書情報抽出装置であって、情報処理装置を用いて構成され、抽出元の文書から抽出された単語をカテゴリに分類した結果と、前記単語の分類先の前記カテゴリへの適合度を示す値であるカテゴリ確率とを示す情報を含む、カテゴリ確率表（調整前）、文書におけるカテゴリの出現態様である出現パターンの頻度を示す情報を含む、カテゴリ出現パターン表、および、前記カテゴリ確率について設定された条件に対応づけて、前記カテゴリ確率表（調整前）における前記単語の分類先の前記カテゴリへの分類の確からしさの指標であるカテゴリ確からしさを定義した情報を含む、カテゴリ確からしさ判定指標を記憶し、前記出現パターンは、カテゴリの出現順、カテゴリ間に記述されている単語、カテゴリの直前または直後に記述されている単語、およびカテゴリ間の係り受けの関係、のうちの少なくともいずれかにより規定され、前記カテゴリ確率表（調整前）に前記カテゴリ確からしさ判定指標を適用することにより、抽出元の前記文書から抽出された前記単語と前記単語の分類先の前記カテゴリとの間の前記カテゴリ確からしさを示す情報を含む、カテゴリ確からしさ表を生成し、 前記カテゴリ確からしさ表の前記単語のカテゴリ確からしさと、前記カテゴリ出現パターン表とに基づき、抽出元の前記文書から抽出された前記単語の前記出現パターンとの一致度を示す情報を含むカテゴリパターンマッチ表を生成し、前記カテゴリパターンマッチ表の前記一致度に基づき、対応する前記単語の前記カテゴリ確率表（調整前）の前記カテゴリ確率を更新することにより、前記カテゴリ確率表（調整前）を調整したカテゴリ確率表（調整後）を生成し、前記カテゴリ確率表（調整後）から前記カテゴリ確率が予め設定された閾値を超える単語を抽出することにより、前記文書に含まれている単語をカテゴリ別に分類してまとめたカテゴリ別単語抽出表を生成して出力する。

その他、本願が開示する課題、およびその解決方法は、発明を実施するための形態の欄、および図面により明らかにされる。

本発明によれば、膨大なデータから有用な情報を効率よく抽出することができる。

文書情報抽出装置の概略的な機能を説明する図である。 対象文書からカテゴリ別単語抽出表を生成する例を示す図である。 カテゴリ確率表（調整前）の一例である。 文書から出現パターンを抽出する方法を説明する図である。 カテゴリ確からしさ表を生成する方法を説明する図である。 カテゴリパターンマッチ表を生成する方法を説明する図である。 カテゴリ確率表（調整後）を生成する方法を説明する図である。。 カテゴリ別単語抽出表を生成する方法を説明する図である。 カテゴリ確率表（調整前）の一例である。 文書情報抽出装置の実現に用いる情報処理装置の一例を示す図である。 文書情報抽出装置が備える主な機能を説明する図である。 対象文書に基づきカテゴリ別単語抽出表を生成する際に行う処理の流れを説明する図である。 設定情報受付画面の一例である。

以下、実施形態について図面を参照しつつ説明する。以下の説明において、同一又は類似の機能を有する構成について同一の符号を付すことにより重複した説明を省略することがある。また以下の説明において、符号の前に付した「Ｓ」の文字は処理ステップを意味する。また以下の説明において、「文書」という場合、文書をテキストデータ等の所定の形式で電子化したデータを意味するものとする。また以下の説明において、「表」という場合、データベースのテーブルをいうものとする。

図１に、本発明の一実施形態として説明する文書情報抽出装置１００の概略的な機能を示している。文書情報抽出装置１００は、ＭＩ（Materials Informatics）等で用いる有
用な情報（以下、「文書情報」と称する。）の抽出元（情報源）となる文書（以下、「対象文書１１１」と称する。）から、対象文書１１１に含まれている単語をカテゴリ別に分類してまとめたカテゴリ別単語抽出表１１８（文書情報）を生成する（Ｓ１～Ｓ３）。

図２は、文書情報抽出装置１００が、対象文書１１１からカテゴリ別単語抽出表１１８を生成する例を示す図である。例示する対象文書１１１は特許文書（特許公報、出願公開公報等）である。同図に示すように、文書情報抽出装置１００は、対象文書１１１に記載されている文１１１ａ「塩化アルミニウム 15molをトルエン 40mLに添加し、次いで、エ
タノール 15mmolを攪拌下に滴下し、滴下終了後25℃で 1時間反応させた。」から、「塩
化アルミニウム」、「15mol」、「トルエン」、「40mL」、「添加」等の単語を抽出し、
抽出した単語をカテゴリ（物質、量、操作、温度、時間等）に分類したカテゴリ別単語抽出表１１８を生成する。ユーザは、生成されたカテゴリ別単語抽出表１１８を材料開発に活用する。

図１に示すように、カテゴリ別単語抽出表１１８の生成に際し、文書情報抽出装置１００は、まず対象文書１１１に基づきカテゴリ確率表（調整前）１１２を生成する（Ｓ１）。

図３にカテゴリ確率表（調整前）１１２の一例を示す。同図に示すように、例示するカテゴリ確率表（調整前）１１２は、対象文書１１１から抽出された単語（塩化アルミニウム、15mol、トルエン、40mL、添加）について、夫々のカテゴリへの適合の度合いを示す
情報（以下、「カテゴリ確率」と称する。）を含む。

文書情報抽出装置１００は、例えば、学習用の文書（例えば、対象文書１１１と同一又は類似の技術分野に属する文書）と、単語の分類先のカテゴリを示す情報とを含む学習データを用いて学習させた機械学習モデルに対象文書１１１を入力することにより、カテゴ
リ確率表（調整前）１１２を生成する。上記学習において、機械学習モデルは、例えば、学習用の文書に含まれている単語について、当該単語の周辺に現れる特徴的な表現（特徴量）と当該単語の分類先のカテゴリとの関係を学習する。カテゴリ確率は、例えば、単語の周辺に現れる特徴的な表現の出現率や単語と特徴的な表現との間の距離等に基づき算出する。尚、カテゴリ確率表（調整前）１１２の生成方法は必ずしも以上の方法に限定されない。

図１に戻り、続いて、文書情報抽出装置１００は、生成したカテゴリ確率表（調整前）１１２を以下に説明する方法により調整してカテゴリ確率表（調整後）１１７を生成する（Ｓ２）。

まず図４に示すように、文書情報抽出装置１００は、学習用の文書（例えば、対象文書１１１と同じ技術分野に属する文書）からカテゴリの出現の態様（以下、「出現パターン」と称する。）を抽出する。文書情報抽出装置１００は、例えば、学習用の文書と、単語の分類先のカテゴリを示す情報とを含む学習データを用いて学習させた機械学習モデルを用いて、カテゴリ出現パターン表１１３を生成する。上記学習において、機械学習モデルは、例えば、関係づけたい単語間をつなげる特徴的な表現（カテゴリの出現順、カテゴリ間の単語（カテゴリとカテゴリとの間に記述されている単語）、カテゴリの直前または直後の単語、カテゴリ間の係り受けの関係等）を学習する。尚、カテゴリ出現パターン表１１３の生成方法は上記したものに必ずしも限定されない。

同図に示すカテゴリ出現パターン表１１３は、パターンＩＤ１１３１、出現パターン１１３２、および頻度１１３３の各項目を有する一つ以上のレコードで構成される。パターンＩＤ１１３１には、抽出された出現パターンの識別子（以下、「パターンＩＤ」と称する。）が設定される。出現パターン１１３２には抽出された出現パターンを示す文字列（記号列）が設定される。頻度１１３３には、当該出現パターンの頻度（学習用の文書について計数された当該出現パターンの出現頻度）が設定される。

続いて、図５に示すように、文書情報抽出装置１００は、Ｓ１の処理で生成したカテゴリ確率表（調整前）１１２の各単語に夫々の分類先（カテゴリ）の確からしさ（相応しさ）を判定するための基準（以下、「カテゴリ確からしさ判定指標１１４」と称する。）を適用することにより、カテゴリ確からしさ表１１５を生成する。

同図に示すように、カテゴリ確からしさ判定指標１１４は、条件１１４１とカテゴリ確からしさ１１４２の各項目を含む一つ以上のレコードで構成される。条件１１４１には、カテゴリ確率が満たすべき条件が設定される。カテゴリ確からしさ１１４２には、条件について設定されたカテゴリの確からしさを示す指標（以下、「カテゴリ確からしさ」と称する。）が設定される。

カテゴリ確からしさ表１１５には、Ｓ１の処理で生成したカテゴリ確率表（調整前）１１２の各単語についてカテゴリ確からしさ判定指標１１４を適用して求めたカテゴリ確からしさが設定される。例えば、例示するカテゴリ確率表（調整前）１１２において「物質」のカテゴリに分類されている「塩化アルミニウム」は、カテゴリ確からしさ判定指標１１４の２行目の「0.6≦ある一つのカテゴリ確率 <0.8 かつ、それ以外のカテゴリ確率
＜0.3」という条件１１４１に合致するので、カテゴリ確からしさ表１１５の対応する欄
には、当該条件１１４１について設定されたカテゴリ確からしさ１１４２である「０．８」が設定されている。

続いて、図６に示すように、文書情報抽出装置１００は、生成したカテゴリ確からしさ表１１５にカテゴリ出現パターン表１１３を適用することにより、カテゴリ確からしさ表
１１５の各単語のカテゴリの出現パターンへの一致度（以下、「マッチ度」と称する。）を求め、その結果を出現パターン毎にまとめたカテゴリパターンマッチ表１１６を生成する。

例えば、カテゴリ確からしさ表１１５の単語「塩化アルミニウム」について、文書情報抽出装置１００は、パターンＩＤが「パターン１」の出現パターン「[物質] [量]を」と
、当該単語である「塩化アルミニウム」とのマッチ度を次式から求め、
マッチ度＝(当該単語のカテゴリが[物質]か)×(当該単語の１つ後ろの単語のカテゴリ
が[量]か)×(当該単語の２つ後ろの単語が「を」か)×頻度
・・・ 式１
求めたマッチ度（＝0.8×0.7×1.0×0.8＝0.448）をカテゴリパターンマッチ表１１６
の当該単語の欄に設定する。尚、上式は積の形であるので、要素に０となるものがあれば（カテゴリ確からしさが０の単語があれば）マッチ度は０となる。

続いて、図７に示すように、文書情報抽出装置１００は、生成したカテゴリパターンマッチ表１１６に基づきカテゴリ確率表（調整前）１１２を変更（調整）し、カテゴリ確率表（調整後）１１７を生成する。

例えば、「物質」のカテゴリに分類されている「塩化アルミニウム」という単語について、文書情報抽出装置１００は、変更差分を次式から求め、
変更差分＝α×マッチ度＝0.448α=0.224(α＝0.5の時)
但しαは変更差分の調整値
・・・ 式２
カテゴリ確率表（調整前）１１２の対応する値「0.8」に、求めた変更差分を加算した
値「0.824」を、カテゴリ確率表（調整後）１１７の対応する欄に設定する。尚、マッチ
度が０（カテゴリ確からしさが０）の単語とカテゴリの組み合わせについては、変更差分は０となるのでカテゴリ確率は変更されない（カテゴリ確率の変更外と判定される）。

図１に戻り、続いて、文書情報抽出装置１００は、生成したカテゴリ確率表（調整後）１１７に基づき、カテゴリ別単語抽出表１１８を生成する。文書情報抽出装置１００は、カテゴリ確率表（調整後）１１７からカテゴリ確率が予め設置された閾値（例えば0.8。
以下、「抽出判定閾値１９１」と称する。）以上の単語を抽出することにより、カテゴリ別単語抽出表１１８（文書情報）を生成する。

以上のように、文書情報抽出装置１００は、カテゴリ確からしさや、カテゴリの出現パターンへのマッチ度に基づきカテゴリ確率表（調整前）１１２を調整してカテゴリ確率表（調整後）１１７を生成し（Ｓ２の処理）、生成したカテゴリ確率表（調整後）１１７に基づき文書情報を抽出（カテゴリ別単語抽出表１１８を生成）するので、対象文書１１１からの文書情報の抽出精度を高めることができる。

またカテゴリ確率表（調整前）１１２の単語のうち、カテゴリ確率を変更する単語を限定する（変更しない単語についてはカテゴリ確からしさ表１５５のカテゴリ確からしさを０に設定する）ので、情報処理負荷が小さく、効率よく文書情報の抽出精度を高めることができる。またユーザは、設定情報受付画面１３００を介して少量のデータを設定するだけで本実施形態の方法を利用することができるので、対象文書１１１から効率よく短い時間で有用な文書情報を抽出することができる。

ところで、図１に示したＳ２の処理を経由せずに、即ち、Ｓ１の処理で生成したカテゴリ確率表（調整前）１１２から直接、カテゴリ別単語抽出表１１８を生成することも可能である。

しかし図９に示すように、Ｓ１の処理で生成したカテゴリ確率表（調整前）１１２のカテゴリ確率は、確信をもって単語の分類先のカテゴリを特定できるような値にならないことがある。例えば、同図において符号４１で示す値「0.6」は他のカテゴリの値「0.2」との差が小さく、確信をもって当該単語「塩化アルミニウム」が「物質」のカテゴリに分類することができない。またある単語について複数のカテゴリについてのカテゴリ確率が同程度になることがあり、この場合も当該単語の分類先を特定することができない。例えば、同図において符号４２で示す２つの値「０．８」は同値であり、当該単語「15mol」が
「量」または「操作」のいずれのカテゴリに分類されるかを判定することができない。

しかし以上に説明したように、本実施形態の文書情報抽出装置１００は、Ｓ２の処理を行って、カテゴリ確からしさやカテゴリの出現パターンへのマッチ度に基づきカテゴリ確率表（調整前）を調整してカテゴリ確率表（調整後）を生成するので、対象文書１１１から抽出される単語を精度よく適切なカテゴリに分類することができる。

続いて、文書情報抽出装置１００の具体的な構成について説明する。

図１０は、文書情報抽出装置１００の実現に用いる情報処理装置の一例を示すブロック図である。同図に示すように、例示する情報処理装置１０は、プロセッサ１１、主記憶装置１２、補助記憶装置１３、入力装置１４、出力装置１５、および通信装置１６を備える。尚、情報処理装置１０は、例えば、クラウドシステム（Cloud System）により提供されるクラウドサーバ（Cloud Server）のように仮想的な情報処理資源を用いて実現されるものであってもよい。

プロセッサ１１は、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable
Gate Array）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＡＩ（Artificial Intelligence）チップ等を用いて構成されている。

主記憶装置１２は、プログラムやデータを記憶する装置であり、例えば、ＲＯＭ（Read
Only Memory）、ＲＡＭ（Random Access Memory）、不揮発性メモリ（ＮＶＲＡＭ（Non Volatile RAM））等である。

補助記憶装置１３は、例えば、ハードディスクドライブ、ＳＳＤ（Solid State Drive
）、光学式記憶装置（ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）等）、ストレージシステム、ＩＣカード、ＳＤカードや光学式記録媒体等の記録媒体の読取／書込装置、クラウドサーバの記憶領域等である。補助記憶装置１３には、記録媒体の読取装置や通信装置１６を介してプログラムやデータを読み込むことができる。補助記憶装置１３に格納（記憶）されているプログラムやデータは主記憶装置１２に随時読み込まれる。

入力装置１４は、外部からの入力を受け付けるインタフェースであり、例えば、キーボード、マウス、タッチパネル、カードリーダ、音声入力装置等である。

出力装置１５は、処理経過や処理結果等の各種情報を出力するインタフェースである。出力装置１５は、例えば、上記の各種情報を可視化する表示装置（液晶モニタ、ＬＣＤ（Liquid Crystal Display）、グラフィックカード等）、上記の各種情報を音声化する装置（音声出力装置（スピーカ等））、上記の各種情報を文字化する装置（印字装置等）である。尚、例えば、情報処理装置１０が通信装置１６を介して他の装置との間で情報の入力や出力を行う構成としてもよい。

通信装置１６は、他の装置との間の通信を実現する装置である。通信装置１６は、通信ネットワーク５を介した他の装置との間の通信を実現する、有線方式または無線方式の通信インタフェースであり、例えば、ＮＩＣ（Network Interface Card）、無線通信モジュール、ＵＳＢモジュール、シリアル通信モジュール等である。

文書情報抽出装置１００が備える機能は、プロセッサ１１が、主記憶装置１２に格納されているプログラムを読み出して実行することにより、もしくは、これらの装置を構成するハードウェア（ＦＰＧＡ、ＡＳＩＣ、ＡＩチップ等）によって実現される。文書情報抽出装置１００には、例えば、オペレーティングシステム、デバイスドライバ、ファイルシステム、ＤＢＭＳ（DataBase Management System）等が導入されていてもよい。

図１１は、文書情報抽出装置１００が備える主な機能を説明する図である。同図に示すように、文書情報抽出装置１００は、記憶部１１０、カテゴリ確率表生成部１２０、カテゴリ確率表調整部１３０、およびカテゴリ別単語抽出表生成部１４０の各機能を備える。またカテゴリ確率表調整部１３０は、カテゴリ出現パターン抽出部１３１、カテゴリ確からしさ算出部１３２、カテゴリパターンマッチ度算出部１３３、およびカテゴリ確率表変更部１３４の各機能を含む。

記憶部１１０は、対象文書１１１、カテゴリ確率表（調整前）１１２、カテゴリ出現パターン表１１３、カテゴリ確からしさ判定指標１１４、カテゴリ確からしさ表１１５、カテゴリパターンマッチ表１１６、カテゴリ確率表（調整後）１１７、カテゴリ別単語抽出表１１８、変更差分の調整値α１１９、および抽出判定閾値１９１を記憶する。尚、記憶部１１０は、例えば、ＤＢＭＳが提供するデータベースのテーブルや、ファイルシステムが提供するファイルとして、これらの情報（データ）を記憶する。設定情報受付部１５０は、前述したカテゴリ確からしさ判定指標１１４の内容、変更差分の調整値α１１９の設定、および抽出判定閾値１９１の設定をユーザから受け付ける。

図１２は、文書情報抽出装置１００が、対象文書１１１に基づきカテゴリ別単語抽出表１１８を生成する際に行う処理の流れを説明する処理ブロック図である。以下、同図とともに説明する。

同図に示すように、カテゴリ確率表生成部１２０は、対象文書１１１に基づきカテゴリ確率表（調整前）１１２を生成する。

カテゴリ出現パターン抽出部１３１は、対象文書１１１に基づきカテゴリ出現パターン表１１３を生成する。尚、カテゴリ出現パターン表１１３の生成は事前に行っておくようにしてもよい。

カテゴリ確からしさ算出部１３２は、カテゴリ確率表（調整前）１１２とカテゴリ確からしさ判定指標１１４とに基づき、カテゴリ確からしさ表１１５を生成する。尚、カテゴリ確からしさ判定指標１１４は、例えば、ユーザが事前に作成しておく。

カテゴリパターンマッチ度算出部１３３は、カテゴリ出現パターン表１１３とカテゴリ確からしさ表１１５とに基づき、カテゴリパターンマッチ表１１６を生成する。

カテゴリ確率表変更部１３４は、カテゴリ確率表（調整前）１１２を、カテゴリパターンマッチ表１１６に基づき変更してカテゴリ確率表（調整後）１１７を生成する。

カテゴリ別単語抽出表生成部１４０は、カテゴリ確率表（調整後）１１７に基づきカテゴリ別単語抽出表１１８を生成する。

尚、カテゴリ別単語抽出表１１８を生成する処理を任意の複数回繰り返してもよい。例えば、始めに上記で述べた処理によりカテゴリ確率表（調整後）１１７を出力する。その後、カテゴリ確率表（調整前）１１２を先ほど出力したカテゴリ確率表（調整後）１１７と置き換え、カテゴリ確からしさ算出部１３２以降の処理を再度実施する。このような処理を複数回繰り返すことにより、カテゴリ確率表を複数回調整することも可能である。

図１３は、文書情報抽出装置１００の設定情報受付部１５０が、カテゴリ確からしさ判定指標１１４の内容、変更差分の調整値α１１９の設定、抽出判定閾値１９１の設定をユーザから受け付ける際に表示する画面（以下、「設定情報受付画面１３００」と称する。）の一例である。

同図に示すように、設定情報受付画面１３００は、カテゴリ確からしさ判定指標の受け付け欄１３１１、変更差分の調整値αの受付欄１３１２、および抽出判定閾値の設定欄１３１３を有する。ユーザが、これらの欄の少なくともいずれかに内容を入力して設定ボタン１３１４を操作すると、文書情報抽出装置１００の記憶部１１０は、カテゴリ確からしさ判定指標の受け付け欄１３１１に入力された内容についてはカテゴリ確からしさ判定指標１１４として、変更差分の調整値αの受付欄１３１２に入力された内容については変更差分の調整値α１１９として、抽出判定閾値の設定欄１３１３に入力された内容については抽出判定閾値１９１として、夫々記憶する。

以上に説明したように、本実施形態の文書情報抽出装置１００は、カテゴリの出現パターンへのマッチ度やカテゴリ確からしさに基づきカテゴリ確率表（調整前）１１２を調整してカテゴリ確率表（調整後）１１７を生成し、生成したカテゴリ確率表（調整後）１１７に基づき文書情報を抽出するので、対象文書１１１から、対象文書１１１からＭＩ等に用いる有用な文書情報を精度よく抽出することができる。

尚、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。また例えば、上記した実施例は本発明を分かりやすく説明するために構成を詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また各実施例の構成の一部について、他の構成に追加、削除、置換することが可能である。

また上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また本発明は、実施例の機能を実現するソフトウェアのプログラムコードによっても実現できる。この場合、プログラムコードを記録した記憶媒体を情報処理装置（コンピュータ）に提供し、その情報処理装置が備えるプロセッサが記憶媒体に格納されたプログラムコードを読み出す。この場合、記憶媒体から読み出されたプログラムコード自体が前述した実施例の機能を実現することになり、そのプログラムコード自体、およびそれを記憶した記憶媒体は本発明を構成することになる。このようなプログラムコードを供給するための記憶媒体としては、例えば、フレキシブルディスク、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、ハードディスク、ＳＳＤ（Solid State Drive）、光ディスク、光磁気ディスク、ＣＤ－Ｒ、磁気テープ、不揮発性のメ
モリカード、ＲＯＭなどが用いられる。

また以上では各種の情報を表形式で例示したが、これらの情報は表以外の形式で管理してもよい。

また本実施例に記載の機能を実現するプログラムコードは、例えば、アセンブラ、Ｃ／Ｃ＋＋、ｐｅｒｌ、Ｓｈｅｌｌ、ＰＨＰ、Ｊａｖａ（登録商標）等の広範囲のプログラム又はスクリプト言語で実装できる。

さらに、実施例の機能を実現するソフトウェアのプログラムコードを、通信ネットワークを介して配信することによって、それを情報処理装置のハードディスクやメモリ等の記憶手段又はＣＤ－ＲＷ、ＣＤ－Ｒ等の記憶媒体に格納し、コンピュータが備えるプロセッサが当該記憶手段や当該記憶媒体に格納されたプログラムコードを読み出して実行するようにしてもよい。

上述の実施例において、制御線や情報線は、説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。全ての構成が相互に接続されていてもよい。

１００ 文書情報抽出装置
１１０ 記憶部
１１１ 対象文書
１１２ カテゴリ確率表（調整前）
１１３ カテゴリ出現パターン表
１１４ カテゴリ確からしさ判定指標
１１５ カテゴリ確からしさ表
１１６ カテゴリパターンマッチ表
１１７ カテゴリ確率表（調整後）
１１８ カテゴリ別単語抽出表
１１９ 変更差分の調整池α
１９１ 抽出判定閾値
１２０ カテゴリ確率表生成部
１３０ カテゴリ確率表調整部
１３１ カテゴリ出現パターン抽出部
１３２ カテゴリ確からしさ算出部
１３３ カテゴリパターンマッチ度算出部
１３４ カテゴリ確率表変更部
１４０ カテゴリ別単語抽出表生成部
１５０ 設定情報受付部
１３００ 設定情報受付画面

Claims (8)

1. 文書から情報を抽出する文書情報抽出装置であって、
   情報処理装置を用いて構成され、
   抽出元の文書から抽出された単語をカテゴリに分類した結果と、前記単語の分類先の前記カテゴリへの適合度を示す値であるカテゴリ確率とを示す情報を含む、カテゴリ確率表（調整前）、
   文書におけるカテゴリの出現態様である出現パターンの頻度を示す情報を含む、カテゴリ出現パターン表、および、
   前記カテゴリ確率について設定された条件に対応づけて、前記カテゴリ確率表（調整前）における前記単語の分類先の前記カテゴリへの分類の確からしさの指標であるカテゴリ確からしさを定義した情報を含む、カテゴリ確からしさ判定指標
   を記憶し、
   前記出現パターンは、カテゴリの出現順、カテゴリ間に記述されている単語、カテゴリの直前または直後に記述されている単語、およびカテゴリ間の係り受けの関係、のうちの少なくともいずれかにより規定され、
   前記カテゴリ確率表（調整前）に前記カテゴリ確からしさ判定指標を適用することにより、抽出元の前記文書から抽出された前記単語と前記単語の分類先の前記カテゴリとの間の前記カテゴリ確からしさを示す情報を含む、カテゴリ確からしさ表を生成し、
   前記カテゴリ確からしさ表の前記単語のカテゴリ確からしさと、前記カテゴリ出現パターン表とに基づき、抽出元の前記文書から抽出された前記単語の前記出現パターンとの一致度を示す情報を含むカテゴリパターンマッチ表を生成し、
   前記カテゴリパターンマッチ表の前記一致度に基づき、対応する前記単語の前記カテゴリ確率表（調整前）の前記カテゴリ確率を更新することにより、前記カテゴリ確率表（調整前）を調整したカテゴリ確率表（調整後）を生成し、
   前記カテゴリ確率表（調整後）から前記カテゴリ確率が予め設定された閾値を超える単語を抽出することにより、前記文書に含まれている単語をカテゴリ別に分類してまとめたカテゴリ別単語抽出表を生成して出力する、
   文書情報抽出装置。
2. 請求項１に記載の文書情報抽出装置であって、
   前記条件は、前記単語の複数の前記カテゴリの夫々の前記カテゴリ確率の値について設定された条件を含む、
   文書情報抽出装置。
3. 請求項１に記載の文書情報抽出装置であって、
   前記カテゴリ確率表（調整前）は、学習用の文書と抽出される単語の分類先のカテゴリ
   を示す情報とを含む学習データを用いて、当該単語の周辺に現れる特徴的な表現（特徴量）と当該単語の分類先のカテゴリとの関係を学習させた機械学習モデルを用いて生成されたものである、
   文書情報抽出装置。
4. 請求項１に記載の文書情報抽出装置であって、
   前記カテゴリ出現パターン表は、学習用の文書と抽出される単語の分類先のカテゴリを示す情報とを含む学習データを用いて、関係づけたい単語間をつなげる特徴的な表現を学習させることにより生成されたものである、
   文書情報抽出装置。
5. 文書から情報を抽出する方法であって、
   情報処理装置が、
   抽出元の文書から抽出された単語をカテゴリに分類した結果と、前記単語の分類先の前記カテゴリへの適合度を示す値であるカテゴリ確率とを示す情報を含む、カテゴリ確率表（調整前）、
   文書におけるカテゴリの出現態様である出現パターンの頻度を示す情報を含む、カテゴリ出現パターン表、および、
   前記カテゴリ確率について設定された条件に対応づけて、前記カテゴリ確率表（調整前）における前記単語の分類先の前記カテゴリへの分類の確からしさの指標であるカテゴリ確からしさを定義した情報を含む、カテゴリ確からしさ判定指標
   を記憶するステップを実行し、
   前記出現パターンは、カテゴリの出現順、カテゴリ間に記述されている単語、カテゴリの直前または直後に記述されている単語、およびカテゴリ間の係り受けの関係、のうちの少なくともいずれかにより規定され、
   前記カテゴリ確率表（調整前）に前記カテゴリ確からしさ判定指標を適用することにより、抽出元の前記文書から抽出された前記単語と前記単語の分類先の前記カテゴリとの間の前記カテゴリ確からしさを示す情報を含む、カテゴリ確からしさ表を生成するステップと、
   前記カテゴリ確からしさ表の前記単語のカテゴリ確からしさと、前記カテゴリ出現パターン表とに基づき、抽出元の前記文書から抽出された前記単語の前記出現パターンとの一致度を示す情報を含むカテゴリパターンマッチ表を生成するステップと、
   前記カテゴリパターンマッチ表の前記一致度に基づき、対応する前記単語の前記カテゴリ確率表（調整前）の前記カテゴリ確率を更新することにより、前記カテゴリ確率表（調整前）を調整したカテゴリ確率表（調整後）を生成するステップと、
   前記カテゴリ確率表（調整後）から前記カテゴリ確率が予め設定された閾値を超える単語を抽出することにより、前記文書に含まれている単語をカテゴリ別に分類してまとめたカテゴリ別単語抽出表を生成して出力するステップと、
   を実行する、文書情報抽出方法。
6. 請求項５に記載の文書情報抽出方法であって、
   前記条件は、前記単語の複数の前記カテゴリの夫々の前記カテゴリ確率の値について設定された条件を含む、
   文書情報抽出方法。
7. 請求項５に記載の文書情報抽出方法であって、
   前記カテゴリ確率表（調整前）は、学習用の文書と抽出される単語の分類先のカテゴリ
   を示す情報とを含む学習データを用いて、当該単語の周辺に現れる特徴的な表現（特徴量）と当該単語の分類先のカテゴリとの関係を学習させた機械学習モデルを用いて生成されたものである、
   文書情報抽出方法。
8. 請求項５に記載の文書情報抽出方法であって、
   前記カテゴリ出現パターン表は、学習用の文書と抽出される単語の分類先のカテゴリを示す情報とを含む学習データを用いて、関係づけたい単語間をつなげる特徴的な表現を学習させることにより生成されたものである、
   文書情報抽出方法。

Images