JP7275641B2 - 文書処理装置、文書処理方法及び文書処理プログラム - Google Patents

Description

本発明は、文書処理装置、文書処理方法及び文書処理プログラムに関する。

一般では、あるテキストに対して、そのテキストを基として別のテキストを作成し、これらのテキストを表示して比較する場合がある。また、従来では、２つのテキストデータを自動的にアライメントするグローバルアライメント技術（Needleman-Wunchアルゴリズム）が提案されている。

このアルゴリズムでは、２つのテキストデータが入力されると、一方のテキストデータと他方のテキストデータとの差異を、一方のテキストデータに対する文字列の挿入、置換、削除の何れかとして表示させる。

しかしながら、従来の技術では、２つのテキストデータの差異の要因を区別できない。このため、従来の技術では、例えば、２つのテキストデータの差異が表示されたとしても、その差異の要因が、人間による変更であるのか、又は、文字認識処理における誤認識等によるものであるのか、を見分けることは困難である。

開示の技術は、テキストの差異の要因を容易に把握させることを目的とする。

開示の技術は、第一のテキストデータと、第二のテキストデータとの入力を受け付ける入力受付部と、前記第一又は第二のテキストデータの何れか一方は、文字認識処理の結果として取得されたテキストデータであって、前記第一のテキストデータと前記第二のテキストデータとの差異を検出する差異検出部と、検出された差異の文字数に基づき、前記検出された差異の要因が、前記文字認識処理における誤認識と定められる差異と、前記検出された差異の要因が、前記第一又は第二のテキストデータに対する内容の変更によるものと定められる差異と、に分類する差異分類部と、前記検出された差異を、前記分類に応じた表示態様で表示させる表示制御部と、を有する文書処理装置である。

テキストの差異の要因を容易に把握させることができる。

文書処理装置の動作の概略を説明する図である。 文書処理装置のハードウェア構成の一例を示す図である。 文書処理部の機能を説明する図である。 文書処理装置の処理を説明する第一のフローチャートである。 テキストデータが示すテキストの一例を示す図である。 差異検出部による差異の検出結果の表示例を示す図である。 文書処理装置の動作を説明する第二のフローチャートである。 表示用データの表示例を示す第一の図である。 表示用データの表示例を示す第二の図である。 比較例を示す図である。 文書処理装置を含むシステムのシステム構成を説明する図である。

以下に図面を参照して、実施形態について説明する。図１は、文書処理装置の動作の概略を説明する図である。

本実施形態の文書処理装置１００は、文書処理部１１０、出力部１２０を有する。本実施形態の文書処理部１１０は、テキストデータ１０と、テキストデータ２０の入力を受け付けると、２つのテキストデータを比較して差異を検出し、差異の種類を分類する。そして、文書処理部１１０は、テキストデータ１０とテキストデータ２０のうち何れか一方を、他方との差異の分類に応じた表示態様とした表示用データ３０を生成し、出力部１２０へ渡す。

具体的には、本実施形態の文書処理部１１０は、テキストデータ１０とテキストデータ２０とから検出された差異の要因が、人間によるテキストデータの内容の変更であるのか、又は、文字認識処理による誤認識であるのか、の推定に基づき、差異を分類する。そして、文書処理部１１０は、分類結果に応じた表示態様で表示されるテキストデータを、表示用データ３０として出力する。

出力部１２０は、この表示用データ３０を表示装置等に表示させる。尚、出力部１２０は、表示用データを、例えば、画像形成装置等へ出力し、印刷物として出力させても良い。

このように、本実施形態では、２つのテキストデータのうちの一方のテキストデータと、他方のテキストデータとの差異の表示態様を、この差異から推定される要因に応じて異ならせる。したがって、本実施形態によれば、テキストの差異の要因の把握を容易にすることができる。

尚、本実施形態のテキストデータ１０、テキストデータ２０は、複数の単語を含む文脈（ユニット）を示すテキストデータであれば良い。具体的には、例えば、テキストデータ１０、２０のそれぞれは、例えば、１つの文であっても良いし、複数の文の集合であっても良い。

また、テキストデータ１０、２０のそれぞれは、例えば、単なる文字列群であっても良く、文を含んでいなくても良い。具体的には、例えば、特定の文書データから切り出された文字列群を、テキストデータ１０、２０としても良い。

次に、図２を参照して、本実施形態の文書処理装置１００のハードウェア構成について説明する。図２は、文書処理装置のハードウェア構成の一例を示す図である。

本実施形態の文書処理装置１００は、それぞれバスＢで相互に接続されている入力装置１１、出力装置１２、ドライブ装置１３、補助記憶装置１４、メモリ装置１５、演算処理装置１６及びインターフェース装置１７を含む情報処理装置である。

入力装置１１は、各種の情報の入力を行うための装置であり、例えばキーボードやポインティングデバイス等であっても良い。出力装置１２は、各種の情報の出力を行うためものであり、例えばディスプレイ等であっても良い。インターフェース装置１７は、ＬＡＮカード等を含み、ネットワークに接続する為に用いられる。

文書処理プログラムは、文書処理装置１００を制御する各種プログラムの少なくとも一部である。文書処理プログラムは例えば記憶媒体１８の配布やネットワークからのダウンロード等によって提供される。文書処理プログラムを記録した記憶媒体１８は、ＣＤ－ＲＯＭ、フレキシブルディスク、光磁気ディスク等の様に情報を光学的、電気的或いは磁気的に記録する記憶媒体、ＲＯＭ、フラッシュメモリ等の様に情報を電気的に記録する半導体メモリ等、様々なタイプの記憶媒体を用いることができる。

また、文書処理プログラムは、文書処理プログラムを記録した記憶媒体１８がドライブ装置１３にセットされると、記憶媒体１８からドライブ装置１３を介して補助記憶装置１４にインストールされる。ネットワークからダウンロードされた文書処理プログラムは、インターフェース装置１７を介して補助記憶装置１４にインストールされる。

補助記憶装置１４は、インストールされた文書処理プログラムを格納すると共に、必要なファイル、データ等を格納する。メモリ装置１５は、文書処理装置１００の起動時に補助記憶装置１４から文書処理プログラムを読み出して格納する。そして、演算処理装置１６はメモリ装置１５に格納された文書処理プログラムに従って、後述するような各種処理を実現している。

次に、図３を参照して、本実施形態の文書処理装置１００の文書処理部１１０の機能について説明する。図３は、文書処理部の機能を説明する図である。以下の説明する各部は、演算処理装置１６が、メモリ装置１５に格納された文書処理プログラムを読み出して実行することで実現される。

本実施形態の文書処理部１１０は、入力受付部１１１、差異検出部１１２、差異分類部１１３、表示制御部１１４を有する。

入力受付部１１１は、文書処理装置１００において、差異の検出が行われるテキストデータ１０（第一のテキストデータ）と、テキストデータ２０（第二のテキストデータ）の入力を受け付ける。

差異検出部１１２は、テキストデータ１０とテキストデータ２０との差異を検出する。尚、本実施形態の差異検出部１１２は、テキストデータ１０とテキストデータ２０との差異の検出に、グローバルアライメント技術（Needleman-Wunch法）を用いるものとした。

差異分類部１１３は、差異検出部１１２によって検出された差異毎に、差異の存在を示す情報を表示させる差異か、又は、差異の存在を示す情報を非表示とする差異か、に分類する。以下の説明では、存在を示す情報を表示させる差異を存在表示差異と呼び、存在を示す情報を表示させない差異を、存在非表示差異と呼ぶ場合がある。差異分類部１１３の処理の詳細は後述する。

表示制御部１１４は、差異分類部１１３による分類結果に応じて、表示用データ３０を生成する。表示制御部１１４は、表示判定部１１５、表示態様決定部１１６、表示用データ生成部１１７を有する。

表示判定部１１５は、差異分類部１１３による分類結果に基づき、差異毎に、差異の存在を示す情報を表示させるか否かを判定する。表示態様決定部１１６は、存在を示す情報を表示すると判定された差異について、差異の表示態様を決定する。表示用データ生成部１１７は、表示判定部１１５と表示態様決定部１１６の処理の結果に基づき、表示用データ３０を生成する。

以下に、図４を参照して、本実施形態の文書処理装置１００の処理について説明する。図４は、文書処理装置の処理を説明する第一のフローチャートである。

文書処理装置１００の文書処理部１１０は、入力受付部１１１により、テキストデータ１０とテキストデータ２０との入力を受け付ける（ステップＳ４０１）。

続いて、文書処理部１１０は、差異検出部１１２により、テキストデータ１０が示す文字列であるテキストＴ１と、テキストデータ２０が示す文字列であるテキストＴ２との差異を検出する（ステップＳ４０２）。テキストＴ１と、テキストＴ２については後述する。

次に、文書処理部１１０の差異分類部１１３は、ステップＳ４０２で、２つのテキストから検出された差異のうち、１つの差異を差異Ｘとする（ステップＳ４０３）。ここで検出される差異の種類は、削除、置換、挿入の何れかである。

続いて、差異分類部１１３は、差異Ｘを、差異の存在を示す情報を表示させる存在表示差異、又は、差異の存在を示す情報を非表示とする存在非表示差異の何れかに分類する（ステップＳ４０４）。

続いて、差異分類部１１３は、差異Ｘが検出された差異のうち、最後の差異であるか否かを判定する（ステップＳ４０５）。言い換えれば、差異分類部１１３は、検出された差異の全てについて、分類を行ったか否かを判定する。

ステップＳ４０５において、差異Ｘが最後の差異でない場合、差異分類部１１３は、ステップＳ４０３に戻る。

ステップＳ４０５において、差異Ｘが最後の差異である場合、文書処理部１１０は、表示制御部１１４により、差異の分類に応じた表示態様で表示される表示用データ３０を生成し（ステップＳ４０６）、出力部１２０へ渡す。ステップＳ４０６の処理の詳細は後述する。

出力部１２０は、表示用データを表示装置等に出力して（ステップＳ４０７）、処理を終了する。

ここで、図５及び図６を参照して、本実施形態の差異分類部１１３の処理について、具体的に説明する。

図５は、テキストデータが示すテキストの一例を示す図である。図５において、テキストデータ１０が示すテキストＴ１は「本条以外の黙示的な保証はないものとします」である。また、図５において、テキストデータ２０が示すテキストＴ２は、「本以外の燃示的な条件は一切ないものとします」である。

この２つのテキストについて、差異検出部１１２によって差異を検出した場合、以下の４つの差異が検出される。

差異１：テキストＴ１の文字「条」がテキストＴ２では削除されている。

差異２：テキストＴ１の文字「黙」がテキストＴ２では「燃」に置換されている。

差異３：テキストＴ１の文字列「保証」がテキストＴ２では「条件」に置換されている。

差異４：テキストＴ１にない文字列「一切」がテキストＴ２に挿入されている。

図６は、差異検出部による差異の検出結果の表示例を示す図である。図６では、テキストＴ１とテキストＴ２の間にマーク「：」が付されている場合は、２つのテキストに含まれる文字に差異がないことを示す。また、図６では、テキストＴ１とテキストＴ２の間にマーク「＊」が付されている場合は、２つのテキストに含まれる文字に差異があることを示す。

図６では、文字の差異を示すマーク６１～６４が付されている。マーク６１は上述した差異１と対応し、マーク６２は上述した差異２と対応し、マーク６３は上述した差異３、マーク６４は上述した差異４に対応している。

マーク６１とマーク６２が示す差異１と差異２は、１文字の差異である。マーク６３とマーク６４が示す差異は、２文字の差異である。

本実施形態の差異分類部１１３は、この差異１～差異４を順に取り出し、差異の文字数に応じて、存在表示差異又は存在非表示差異に分類する。

本実施形態では、人間が意図的にテキストデータの内容を変更した場合には、差異が１文字になる可能性は低く、テキストデータに対してＯＣＲ（Optical Character Recognition/Reader）等による文字認識において、文字が誤認識された場合には、１文字の差異となる可能性が高い点に着目し、差異の分類を行う。

言い換えれば、本実施形態の差異分類部１１３は、検出された差異から定められる、この差異の要因に応じて、差異を分類する。

具体的には、本実施形態の差異分類部１１３は、１文字の差異は、文字認識を行った結果の誤認識と推定されるため、存在非表示差異に分類し、それ以外の差異は、人間による内容の変更によるものと推定されるため、存在表示差異に分類する。

つまり、差異分類部１１３は、１文字の差異は、文字認識を行った結果の誤認識と定め、定められた要因に応じて、１文字の差異を存在非表示差異に分類する。また、差異分類部１１３は、それ以外の差異は、人間による内容の変更によるものと定め、定められた要因に応じて、１文字以外の差異を存在表示差異に分類する。

したがって、図６の例では、差異が１文字である差異１と差異２は、存在非表示差異に分類され、差異３と差異４は存在表示差異に分類される。

本実施形態では、このように分類することで、人間による意図的な内容の変更が要因と考えられる差異のみを、可視化できる。

尚、１文字の差異を存在表示差異に分類し、それ以外の差異を存在非表示差異に分類すれば、文字認識による誤認識が要因と考えられる差異のみを可視化できる。

尚、差異分類部１１３による差異の分類の方法は、上述した方法に限定されない。例えば、差異分類部１１３は、確率的言語モデルにより差異を構成する文字列の生起確率を求め、その確率が予め定めた閾値より小さい場合は、この差異を文字認識による誤認と見なして存在非表示差異に分類し、それ以外の差異は存在表示差異に分類してもよい。

次に、図７を参照して、表示制御部１１４の処理について説明する。図７は、文書処理装置の動作を説明する第二のフローチャートである。図７は、図４のステップＳ４０６の処理の詳細を示している。

本実施形態の表示制御部１１４は、テキストデータ１０を表示用データ３０の初期値に設定する（ステップＳ７０１）。尚、テキストデータ２０を表示用データ３０の初期値にしても良い。

続いて、表示制御部１１４は、テキストＴ１とテキストＴ２から検出された差異の１つを差異Ｘとする（ステップＳ７０２）。

続いて、表示制御部１１４は、表示判定部１１５により、差異Ｘが、存在表示差異に分類されているか否かを判定する（ステップＳ７０３）。ステップＳ７０３において、差異Ｘが存在表示差異に分類されていない場合、つまり、差異Ｘが存在非表示差異に分類されている場合、表示制御部１１４は、後述するステップＳ７０５へ進む。

ステップＳ７０３において、差異Ｘが、存在表示差異に分類されている場合、表示制御部１１４は、表示態様決定部１１６により、差異Ｘの種類に応じたマークを示すデータをテキストデータ１０と対応付ける（ステップＳ７０４）。

具体的には、表示態様決定部１１６は、差異Ｘの種類が「削除」である場合、表示用データ３０の差異Ｘに相当する位置にマーク「ｘ」を付与する。また、表示態様決定部１１６は、差異Ｘの種類が「挿入」である場合、表示用データ３０の差異Ｘに相当する位置にマーク「＃」を付与する。また、表示態様決定部１１６は、差異Ｘの種類が「置換」である場合、表示用データ３０の差異Ｘに相当する位置にマーク「＝」を付与する。

続いて、表示制御部１１４は、差異Ｘが、テキストＴ１とテキストＴ２とから検出された差異のうち、最後の差異であるか否かを判定する（ステップＳ７０５）。言い換えれば、表示制御部１１４は、検出された全ての差異について、ステップＳ７０５までの処理を実行したか否かを判定する。

ステップＳ７０５において、差異Ｘが最後の差異でない場合、表示制御部１１４は、ステップＳ７０２へ戻る。

ステップＳ７０５において、差異Ｘが最後の差異である場合、表示制御部１１４は、表示用データ生成部１１７により、差異毎に付与されたマークを含む表示用データ３０を生成して出力部１２０により表示させ（ステップＳ７０６）、処理を終了する。

図８は、表示用データの表示例を示す第一の図である。図８の画面８１は、例えば、文書処理装置１００の有する出力装置（ディスプレイ）１２等に表示された画面の例である。

画面８１には、テキストデータ１０が示すテキストＴ１と、テキストＴ１に対して表示態様決定部１１６によって付与されたマーク８２、８３とを含む表示用データ３０が表示されている。

表示用データ３０では、テキストＴ１において、存在表示差異に分類された差異３と差異４の位置に、差異の種類が置換であることを示すマーク８２と、差異の種類が挿入であることを示すマーク８３とが対応付けられて表示されている。

したがって、画面８１では、テキストＴ１において、人間が意図的に内容を変更した箇所が２箇所あることが容易に把握できる。

尚、表示態様決定部１１６によって決められる表示態様は、図７及び図８に示す例に限定されない。

表示態様決定部１１６は、例えば、存在表示差異に分類された差異と対応する箇所に、マーカを付与するようにしても良い。表示態様決定部１１６は、テキストＴ１において、存在表示差異に分類された差異と対応する文字列を、テキストＴ１に含まれる他の文字列と異なる態様で表示させれば良い。

また、本実施形態は、検出された差異を、差異の存在を示す情報を表示させるものと、差異の存在を示す情報を表示させないものとして分類するものとしたが、これに限定されない。

文書処理装置１００は、例えば、検出された差異について、差異の要因毎に分類し、要因に対応したマーカをテキストデータの差異と対応する箇所に付与しても良い。

具体的には、例えば、文書処理装置１００は、検出された差異のうち、１文字の差異を、文字認識における誤認識を要因とする差異に分類し、それ以外の差異を、人間による内容の変更を要因とする差異に分類しても良い。

この場合、文書処理装置１００は、テキストＴ１では、誤認識を要因とする差異に分類される差異１、差異２に対応する箇所に対し、誤認識であることを示すマークが付与される。また、テキストＴ１では、人間による内容の変更を要因とする差異に分類される差異３と差異４と対応する箇所に、人間による変更であることを示すマークが付与される。

このように、本実施形態では、検出された差異を、差異の要因毎に分類し、要因毎のマークをテキストに付与することで、このテキストを閲覧する人に、差異の要因を容易に把握させることができる。

また、上述した実施形態では、テキストを表現する言語を日本語としたが、言語は任意の言語であって良い。例えば、テキストを表現する言語が英語である場合、テキスト「ｓｔｅｐ」とテキスト「ｓｔｏｐ」との比較においては、差異が１文字であるため、この差異は、存在非表示差異に分類される。同様に、テキスト「ｓｔｅｐ」とテキスト「ｓｔｒｅｅｔ」との比較においては、差異が１文字以上となるため、この差異は存在表示差異に分類される。

また、本実施形態では、１文字の差異を文字認識における誤認識として、存在非表示差異に分類するものとしたが、これに限定されない。本実施形態では、例えば、単語に含まれる文字列に差異が生じたことによって、この単語が単語としての意味を成さなくなった場合には、この差異を、文字認識における誤認識として、存在非表示差異に分類しても良い。この場合の差異は、１文字の差異に限定されない。

図９は、表示用データの表示例を示す第二の図である。図９の画面８１Ａは、テキストＴ１において、存在表示差異に分類された差異３と差異４の位置に、差異が存在することを示すマーカ８２Ａ、８３Ａが表示されている。

尚、図９の例では、マーカ８２Ａとマーカ８３Ａは同一の種類としたが、両者を差異の種類に応じて異ならせても良い。

図１０は、比較例を示す図である。比較例として示す画面８１Ｂでは、存在表示差異と存在非表示差異との分類が行われておらず、存在非表示差異である差異１と差異２に対応する位置にも、マーカ８４とマーカ８５が付与されている。したがって、比較例では、画面８１Ｂを閲覧している人に対して、４つの差異のうち、どの差異が人間によって内容が変更された箇所であるかを容易に把握させることができない。

これに対し、図９に示す画面９１Ａでは、人間による内容の変更が要因となった差異のみにマーカを付与しているため、画面８１Ａを閲覧している人に対して、人間によって内容が変更された箇所であるかを容易に把握させることができる。つまり、本実施形態によれば、テキストの差異の要因を容易に把握させることができる。

また、本実施形態によれば、例えば、テキストデータ１０を作成した人とは別の人が、テキストデータ１０の内容を変更した後に紙に印刷し、その紙面上で押印や署名したものにＯＣＲ処理を施すことでテキストデータ２０が得られた場合等において、テキストデータ１０とテキストデータ２０との差異の内、別の人による変更によって生じた差異のみを表示させる、といったことができる。

尚、本実施形態の文書処理装置１００は、文書処理装置１００を含むシステムを構成しても良い。図１１は、文書処理装置を含むシステムのシステム構成を説明する図である。

図１１に示す文書処理システム２００は、文書処理装置１００と端末装置３００とを含み、端末装置３００は、文書処理装置１００とネットワーク等を介して接続される。

文書処理システム２００において、文書処理装置１００は、例えば、端末装置３００から、テキストデータ１０、２０を受信すると、このテキストデータ１０、２０に基づき、文書処理部１１０の処理を実行する。そして、文書処理部１１０の処理の結果として取得された表示用データ３０を、出力部１２０により、端末装置３００へ出力する。

尚、端末装置３００から受信するテキストデータ１０、２０は、予め２つのテキストファイルとして受信されても良いし、１つのテキストファイルとして受信しても良い。

以上、各実施形態に基づき本発明の説明を行ってきたが、上記実施形態に示した要件に本発明が限定されるものではない。これらの点に関しては、本発明の主旨をそこなわない範囲で変更することができ、その応用形態に応じて適切に定めることができる。

１０、２０ テキストデータ
１１、２１ テキスト
３０ 表示用データ
１００ 文書処理装置
１１０ 文書処理部
１１１ 入力受付部
１１２ 差異検出部
１１３ 差異分類部
１１４ 表示制御部
１１５ 表示判定部
１１６ 表示態様決定部
１１７ 表示用データ生成部
１２０ 出力部
２００ 文書処理システム
３００ 端末装置

特開平９－２５１５１８号公報

Claims (7)

1. 第一のテキストデータと、第二のテキストデータとの入力を受け付ける入力受付部と、
   前記第一又は第二のテキストデータの何れか一方は、文字認識処理の結果として取得されたテキストデータであって、前記第一のテキストデータと前記第二のテキストデータとの差異を検出する差異検出部と、
   検出された差異の文字数に基づき、前記検出された差異の要因が、前記文字認識処理における誤認識と定められる差異と、前記検出された差異の要因が、前記第一又は第二のテキストデータに対する内容の変更によるものと定められる差異と、に分類する差異分類部と、
   前記検出された差異を、前記分類に応じた表示態様で表示させる表示制御部と、を有する文書処理装置。
2. 前記差異分類部は、
   前記文字認識処理における誤認識と定められる差異を、前記検出された差異が１文字の差異とし、
   前記第一又は第二のテキストデータに対する内容の変更によるものと定められる差異を、前記検出された差異が１文字以外の差異とする、請求項１記載の文書処理装置。
3. 前記差異分類部は、
   前記文字認識処理における誤認識と定められる差異を、差異の存在を非表示とする差異に分類し、
   前記第一又は第二のテキストデータに対する内容の変更によるものと定められる差異を、差異の存在を表示させる差異に分類する、請求項２載の文書処理装置。
4. 前記表示制御部は、
   前記第一又は第二のテキストデータの何れか一方のテキストデータと、
   前記何れか一方のテキストデータにおける、前記存在を表示させる差異に分類された差異と対応する位置に対応付けられた、前記差異が存在することを示す情報と、を表示させる、請求項３記載の文書処理装置。
5. 前記差異検出部は、
   前記第一のテキストデータと前記第二のテキストデータとの差異を、文字の削除、挿入、置換の何れかとして検出する、請求項１乃至４の何れか一項に記載の文書処理装置。
6. 文書処理装置による文書処理方法であって、前記文書処理装置が、
   第一のテキストデータと、第二のテキストデータとの入力を受け付け、
   前記第一又は第二のテキストデータの何れか一方は、文字認識処理の結果として取得されたテキストデータであって、前記第一のテキストデータと前記第二のテキストデータとの差異を検出し、
   検出された差異の文字数に基づき、前記検出された差異の要因が、前記文字認識処理における誤認識と定められる差異と、前記検出された差異の要因が、前記第一又は第二のテキストデータに対する内容の変更によるものと定められる差異と、に分類し、
   前記検出された差異を、前記分類に応じた表示態様で表示させる、を文書処理方法。
7. 第一のテキストデータと、第二のテキストデータとの入力を受け付ける処理と、
   前記第一又は第二のテキストデータの何れか一方は、文字認識処理の結果として取得されたテキストデータであって、前記第一のテキストデータと前記第二のテキストデータとの差異を検出する処理と、
   検出された差異の文字数に基づき、前記検出された差異の要因が、前記文字認識処理における誤認識と定められる差異と、前記検出された差異の要因が、前記第一又は第二のテキストデータに対する内容の変更によるものと定められる差異と、に分類する処理と、
   前記検出された差異を、前記分類に応じた表示態様で表示させる処理と、を文書処理装置に実行させる、文書処理プログラム。

Images