JPH05174067A - データベース検索システム - Google Patents

Abstract

(57)【要約】 【目的】 検索時間がデータ量に依存しない高速な検索
を可能とし、またあいまい検索を可能とする。 【構成】 データベース検索システムにおいて、検索対
象の物件毎にその自己相関情報を記憶した記憶手段４０
と、検索キーの自己相関情報と検索対象の上記自己相関
情報との合致度を物件毎に求め、物件番号を合致度の降
順に出力する検索手段Ｓ４とを設ける。全物件直接検索
を行なう際に検索時間を増大させる要因であるデータの
位相情報（検索キーが物件中のどこに存在するかと言う
場所情報）を自己相関演算により捨象してあるから、検
索時間は検索キー情報の長さのみに依存し、検索時間が
データ量に依存しない高速な検索が可能となる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、データベースから必要
な情報を取り出すためのデータベース検索システムに関
する。

【０００２】

【従来の技術】現状のデータベース検索における検索空
間圧縮の手法としては、キーワード付加方式によるもの
が一般的である。また対象物件数が比較的少数のケース
では、全物件検索方式が実用化されている。例えば効率
的な全物件検索手法として、ボイヤ―モア法が考案され
ている。さらに、検索対象からキーワードを自動抽出
し、索引を生成するインデックス方式もある。

【０００３】

【発明が解決しようとする課題】上記のキーワード検索
方式は、以下のような欠点を有する。 （１）、物件一つ一つにキーワードを付加しなくてはな
らない。 （２）、任意のキーワードを付加して行くと、その個数
は膨大になるため、例えばシソーラスによる管理などを
必要とし、その維持に多大なコストがかかる。 （３）、付加されるキーワードが必ずしも適切なものと
は限らないため、検索もれが発生する。すなわち現状の
データベース検索方式では、特に物件数が膨大になった
時に必要なコストに比してパーフォーマンスが伸びない
傾向が現れる。

【０００４】一方、全物件検索方式では、上記のような
問題は発生しない。しかし直接検索方式では、物件数が
膨大になったとき、検索時間は対話的な時間の域を大幅
に超過し、実用にならないのが現状である。また全物件
検索方式では、完全一致が条件であり、あいまい一致検
索ができない欠点も有る。また上述のボイヤ―モア法に
よる全物件検索では、文書以外のデータ、例えば物理的
な時系列データを扱うことができない問題がある。

【０００５】さらに、インデックス方式では、扱う情報
単位が単語であるため、英語文書のように単語が分割さ
れているものには適しているが、何らかの文法解析を要
する。また、日本語文書などのように単語が分割されて
書かれていないものには不向きである。さらに、単語の
表記上のバリエーションに対しては、考えられるすべて
の組を辞書化せざるを得ないため、システムの負荷が大
きい。

【０００６】本発明は、上記のような問題に鑑み、全物
件検索でありながら検索時間を飛躍的に短縮することが
でき、またあいまい一致検索ができるデータベース検索
方式を提供することを目的とする。

【０００７】

【課題を解決するための手段】本発明のデータベース検
索システムは、検索対象の物件毎にその近傍特徴量を記
憶した記憶手段と、検索キーの近傍特徴量と検索対象の
上記近傍特徴量との合致度を物件毎に求め、物件番号を
合致度の降順に出力する検索手段とを具備する。

【０００８】

【作用】全物件直接検索を行なう際に検索時間を増大さ
せる要因であるデータの位相情報（検索キーが物件中の
どこに存在するかと言う場所情報）を近傍特徴量の抽出
により捨象してある。検索時間は検索キー情報の長さの
みに依存する。従って、検索時間がデータ量に依存しな
い高速な検索が可能となる。また物件毎の検索キーの合
致度（含有確率）として検索結果が求まるので、文法な
どに依存しない汎用な検索システムが実現可能である。
また、合致度の降順参照により、あいまい検索が可能と
なる。検索対象としては、文書データ、物理計測デー
タ、信号波形データ、画像データ、音響データなどを扱
うことができる。

【０００９】

【実施例】図１は、本発明の一実施例を示す近傍特徴量
によるパターン検索システムのデータフロー図である。
この検索システムでは、予め全対象物件から事象（情
報）の位相情報を全て捨象した自己相関データを作成
し、そのデータ群に対して全物件検索を行なう。検索の
アルゴリズムは、学習ステップと検索ステップとからな
る。学習ステップでは、物件毎に近傍特徴量行列が位相
情報として作成される。検索ステップでは、検索キーと
近傍特徴量行列とのマッチング演算が行なわれ、物件ご
とにマッチング度（類似度）を示す評価結果を得る。以
下、各ステップについて説明する。

【００１０】（１）、学習ステップ 図１に於いて、検索対象１０は、例えば日本語、英語、
ドイツ語、フランス語、ヘブライ語、ロシア語などの文
書データ、或いは量子化された波形数値データ、化学構
造式、遺伝子情報などである。このような検索対象に対
して、まず正規化手段Ｓ１により正規化の処理を行な
う。一般に検索対象は、情報の最小単位（文書であれば
アルファベットなどの文字、数値チャートであれば、あ
る時刻における実数値など）の列で表現されている。そ
れをなんらかの方法でｎ階調の整数列に変換する。これ
をデータの正規化と呼ぶ。

【００１１】例えば、英文書データの場合、ＡＳＣＩＩ
コード表をそのまま用いることにより、次のような２５
６階調の数値表現として実現される。 …… This is a pen. …… 84｜104 ｜105 ｜115 ｜32｜105 ｜115 ｜32｜97｜32｜112 ｜101 ｜110 ｜46｜

【００１２】上記のコードにおいては、Ｔが84、ｈが10
4 ．．と対応している。

【００１３】正規化されたデータ２０は、次に学習手段
Ｓ２により近傍特徴量行列３０の形式に畳込まれる。こ
こで近傍特徴量を抽出する演算式は種々考えられる。こ
の演算式は検索の鋭さ（過検出の少なさ）にも影響を与
える。

【００１４】今、ｉ番目の物件（文書）のｊ番目のデー
タ（文字）をＣ_i,j とし、Ｃ_i,j に関する量子化量ｘと
Ｃ_i,j の前方ｋ近傍に関する量子化量ｙを次のようにし
て求める。ここでは、検索される対象物件（文書）がｎ
個あるとし、そのうちのｉ番目の物件の量子化について
説明する。ｉ番目の物件において、図２に示すように正
規化された数値列135,64,37,71,101,...が並んでいると
すると、Ｃ_i,j に関する量子化量ｘは、 ｘ＝f(Ｃ_i,j ） Ｃ_i,j の前方ｋ近傍に関する量子化量ｙは ｙ＝g(Ｃ_i,j , Ｃ_i,j+1,Ｃ_i,j+2,...., Ｃ_i,j+k ) で求められる。

【００１５】ここで、f(Ｃ_i,j ）はＣ_i,j に関するｎ段
階量子化関数である。すなわち、ｉ番目の物件のｊ番目
のデータＣ_i,j について所定の演算を行って得られる値
であり、１〜ｎのいずれかの整数で表される。したがっ
て、得られたｘの値によって図３に示す行列（座標）に
おいてｘ軸方向の位置が１〜ｎの範囲で定まる。

【００１６】また、g(Ｃ_i,j , Ｃ_i,j+1,Ｃ_i,j+2,....,
Ｃ_i,j+k ) は、Ｃ_i,j の前方ｋ近傍に関するｍ段階量子
化関数である。すなわち、ｉ番目の物件のｊ番目のデー
タＣ_i,j とそのデータの近傍の所定の数のデータについ
て所定の演算を行って得られる値であり、１〜ｍのいず
れかの整数で表される。たとえば図２に示すようにｊ番
目のデータＣ_i,j が１３５であり、ｋが３の場合には、
Ｃ_i,j+1,Ｃ_i,j+2,Ｃ_i,j+3 としてデータ１３５に続くデ
ータ６４、３７、７１を抽出し、これらのデータとデー
タ１３５との相関について所定の演算を行う。ｊ番目の
データＣ_i,j が次の６４の場合には、Ｃ_i,j+1,Ｃ_i,j+2,
Ｃ_i,j+3 としてデータ６４に続くデータ３７、７１、１
０１を抽出し、これらのデータとデータ６４との相関に
ついて所定の演算を行う。

【００１７】このようにして得られたｙの値によって、
図３に示す行列（座標）におけるｙ軸方向の位置が１〜
ｍの範囲で定まる。したがって、上記のようにｘ、ｙを
求めることによって図３に示す行列（座標）における位
置が定まる。

【００１８】本システムでは、各物件情報は、上記のよ
うにして求めたｘ、ｙに対して物件の通番ｉと重みｗ
（x,y,i)の組として記憶される。重みｗ（x,y,i)は、デ
ータｘ、ｙ、ｉから所定の演算によって求められるが通
常は重みｗ（x,y,i)の値として１に固定してもよい。

【００１９】上記のようにして求められたデータＣ_i,j
ごとにｘ、ｙの値に基づき図３に棒によって示されるよ
うに、データを記憶する。すなわち、データＣ_i,j の
ｘ、ｙの値によって定められる座標の位置に、その物件
の通番ｉとその重みｗ（x,y,i)を組みとしたデータを記
憶する。同図ではこのようなデータが記憶されるごとに
棒の長さが延びるように表されている。もし重みｗ（x,
y,i)を１として場合には、物件の通番ｉのデータのみが
ｘ、ｙの値によって定められる座標の位置に記憶されて
ゆく。

【００２０】この様にして作成された近傍特徴量行列に
物件の識別番号を付加して構造ファイル４０として保存
する。

【００２１】（２）、検索ステップ まず検索キー５０を入力する。例えば、"This is a pe
n."を検索キーとする。この検索キー５０に対して学習
ステップと同一の正規化方法に基づく正規化手段Ｓ３に
よりキー情報を整数列に正規化する。 84｜104 ｜105 ｜115 ｜32｜105 ｜115 ｜32｜97｜32｜112 ｜101 ｜110 ｜46｜

【００２２】次に、検索手段Ｓ４において、学習ステッ
プと同一の近傍特徴量抽出計算式f() 、g() を用いて各
物件に対応する正規化された数値列の先頭からｘ、ｙの
組の系列を作成する。次に、このｘ、ｙの組の系列に基
づいて、物件ｋに対する検索キーの含有度数ω_k とし
て、Ｖ（ｘ_j,ｙ_j,ｋ）をｊ＝１〜ｍについて合計するこ
とにより算出する。

【００２３】ただし、Ｖ（ｘ_j,ｙ_j,ｋ）は、物件情報リ
ストが物件ｉについての重みを持つ場合、はその重みに
等しく、持たない場合には０と定める。

【００２４】したがって、検索すべき数値列のｘ、ｙの
組に対応する図３のｘ、ｙの位置にデータがある場合
（棒がある場合）には、別に設けられた記憶手段のその
データに示される物件の通番ｉの格納箇所にその重みの
値を記憶させる。

【００２５】次に、評価結果出力手段Ｓ５において、物
件毎に得られた構造評価値score （合致度）を完全一致
の場合の評価値（この場合は、検索キー情報の文字数−
ｋ）で割って、検索キーの含有確率を求め、評価結果の
リスト７０を得る。更にソート手段Ｓ６において、この
リスト７０を含有確率の降順にソートしソート済みリス
ト８０を得る。

【００２６】このソート済みリスト８０が検索結果であ
り、その上位物件を参照することにより、検索キーが物
件中に含まれている確率が高い物件名を知ることができ
る。含有確率は、完全一致及び不完全一致の全てについ
て求まるから、あいまい一致検索を行なうことができ
る。

【００２７】また、検索キーの全情報についての全物件
探索であるから、検索もれが発生する確率は、本質的に
零であると言う特徴がある。

【００２８】また、１つの物件に対する検索キーの評価
時間は、キーの文字数のみに依存し、各物件の大きさに
は依存しない。従って、非常に高速に検索を行なうこと
ができる。

【００２９】また検索結果のリストどうしの論理演算を
行うことにより、検索条件に対するＡＮＤ、ＯＲなどの
検索演算処理も高速に実行できる。式（１）の近傍特徴
量抽出式は上述の例の他に種々考えることができる。例
えば、 f: x→x g: (x,y)→x-y （または｜x-y ｜） とすれば、隣接文字及び一つ置きの文字の差分（または
差分の絶対値）を相関情報として近傍特徴量行列を作る
ことができる。また幾つかの文字列の個々の文字整数値
に対し四則演算を施すことにより近傍特徴量を取り出し
てもよい。

【００３０】近傍特徴量は、各物件の全データを対象と
し取り出さなくてもよい。例えば、物件データ中の特定
の一つまたは一つ以上の整数値、特定の範囲の整数値、
或いはデータ列を構成する各バイト中の特定の１つまた
は一つ以上のビットを除外して近傍特徴量を生成しても
よい。また日本語文書のように２バイト文字で構成され
ている場合には、例えば上位バイトを除外して下位バイ
トを対象として近傍特徴量を取り出してもよい。

【００３１】上述の例では、自己相関によって生成され
る行列は、２５６次のビット行列であり、これは８K バ
イトに相当する。従って、１物件のデータが１K バイト
程度であるデータベースでは、効率のよいシステムであ
るとは言えない。そこでデータ圧縮手段Ｓ７を設けてデ
ータ圧縮を行なって構造ファイル４０の容量を減らすの
がよい。

【００３２】図４にデータ圧縮法の一例を示す。この例
では、２５６次の近傍特徴量行列の各要素毎に要素値が
１である物件名４０ａ（識別コード）を１バイト／件の
データ列として蓄積する。従って、要素値が０である物
件名は不要データとして除外する。

【００３３】物件数が２５５個以上ある場合には、物件
名４０ａは１バイトで表せないので、下位の１バイトの
みを蓄積する。例えば、物件数が１万件の場合、物件名
は２バイトで表されるが、そのうちの下位１バイトを使
用する。そして物件名コードが２５５を越える毎にデー
タ列にマーカ４０ｂを挿入する。

【００３４】検索時には、検索キーの近傍特徴量の各々
に該当する構造ファイルのデータ列を取り出し、物件名
毎の出現度数テーブルを作成する。この際、マーカ４０
ｂを越える毎に物件名コードに２５５を加える。このよ
うにして作成した出現度数テーブルに基づいて図１の評
価結果リスト７０が得られる。

【００３５】なお物件名コードのデータ列が例えば全物
件中の半分以上ある場合には、その近傍特徴量行列要素
は各物件について共通であると見なして、その要素を削
除してもよい。

【００３６】上述の実施例において，正規化手段Ｓ１、
学習手段Ｓ２、正規化手段Ｓ３、検索手段Ｓ４、評価結
果出力手段Ｓ５、ソート手段Ｓ６、データ圧縮手段Ｓ７
は、コンピュータプログラムによって構成することがで
きるが、論理回路素子を用いて専用のハードウエアを構
成してもよい。

【００３７】

【発明の効果】本発明のデータベース検索システムは、
検索対象の物件毎にその近傍特徴量を記憶し、検索キー
の近傍特徴量と検索対象の上記近傍特徴量との合致度を
物件毎に求め、物件番号を合致度の降順に出力する構成
である。

【００３８】従って、本発明によると、全物件直接検索
を行なう際に検索時間を増大させる要因であるデータの
位相情報（検索キーが物件中のどこに存在するかと言う
場所情報）を近傍特徴量の抽出により捨象してあるか
ら、検索時間は検索キー情報の長さのみに依存する。従
って、検索時間がデータ量に依存しない高速な検索が可
能となる。また物件毎の検索キーの合致度（含有確率）
として検索結果が求まるので、文法などに依存しない汎
用な検索システムが実現可能である。また、合致度の降
順参照により不完全一致検索を行えるため、あいまい検
索が可能となり、検索キー上のノイズにも強い。

【図面の簡単な説明】

【図１】本発明の一実施例のデータベース検索システム
のデータフロー図である。

【図２】近傍情報の量子化を示す図である。

【図３】記憶される情報構造を示す図である。

【図４】圧縮された近傍特徴量のデータ構成図である。

【符号の説明】 １０ 検索対象 ２０ 正規化データ ３０ 近傍特徴量行列 ４０ 構造ファイル ５０ 検索キー ６０ 正規化キー ７０ 評価結果リスト ８０ ソート済みリスト Ｓ１ 正規化手段 Ｓ２ 学習手段 Ｓ３ 正規化手段 Ｓ４ 検索手段 Ｓ５ 評価結果出力手段 Ｓ６ ソート手段 Ｓ７ データ圧縮手段

Claims (9)

【特許請求の範囲】
1. 【請求項１】 検索対象の物件毎にその近傍特徴量を記
   憶した記憶手段と、 検索キーの近傍特徴量と検索対象の上記近傍特徴量との
   合致度を物件毎に求め、物件番号を合致度の降順に出力
   する検索手段とを具備するデータベース検索システム。
2. 【請求項２】 上記物件毎の合致度数を上記検索キーの
   近傍特徴量の完全一致度数で割った値を、物件毎の検索
   キーの含有確率リストとして確率の降順に出力する上記
   検索手段を具備することを特徴とする請求項１のデータ
   ベース検索システム。
3. 【請求項３】 上記近傍特徴量が、検索対象のデータ列
   に沿った畳み込み演算によって元情報から抽出されてい
   ることを特徴とする請求項１のデータベース検索システ
   ム。
4. 【請求項４】上記検索対象の近傍特徴量と、検索キーの
   近傍特徴量との生成アルゴリズムが同一であることを特
   徴とする請求項１のデータベース検索システム。
5. 【請求項５】 検索対象のｉ番目の物件のｊ番目のデー
   タ列Ｃ_i,j に関する量子化量ｘとその近傍のｋ個のデー
   タ列Ｃ_i,j+1,Ｃ_i,j+2,...., Ｃ_i,j+k に関する量子化量
   ｙとを ｘ＝f(Ｃ_i,j ） ｙ＝g(Ｃ_i,j , Ｃ_i,j+1,Ｃ_i,j+2,...., Ｃ_i,j+k ) によって求め、得られたｘ、ｙの値に基づいて定められ
   る記憶手段の位置にその物件の通番ｉおよび重みｗ（x,
   y,i)を記憶することを特徴とする請求項１のデータベー
   ス検索システム。
6. 【請求項６】 上記重みｗ（x,y,i)が１であることを特
   徴とする請求項５のデータベース検索システム。
7. 【請求項７】 上記量子化量ｘがｎ段階であることを特
   徴とする請求項５のデータベース検索システム。
8. 【請求項８】 上記量子化量ｙがｍ段階であることを特
   徴とする請求項５のデータベース検索システム。
9. 【請求項９】 上記検索対象の近傍特徴量を圧縮するデ
   ータ圧縮手段を具備することを特徴とする請求項１のデ
   ータベース検索システム。