JPH08147320A - Information retrieving method and system - Google Patents

Information retrieving method and system

Info

Publication number
JPH08147320A
JPH08147320A JP6287642A JP28764294A JPH08147320A JP H08147320 A JPH08147320 A JP H08147320A JP 6287642 A JP6287642 A JP 6287642A JP 28764294 A JP28764294 A JP 28764294A JP H08147320 A JPH08147320 A JP H08147320A
Authority
JP
Japan
Prior art keywords
character string
document
search
valid matching
valid
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP6287642A
Other languages
Japanese (ja)
Other versions
JP2669601B2 (en
Inventor
Rie Kubota
理恵 久保田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by International Business Machines Corp filed Critical International Business Machines Corp
Priority to JP6287642A priority Critical patent/JP2669601B2/en
Priority to CN 95118142 priority patent/CN1151558A/en
Priority to KR1019950044494A priority patent/KR960018993A/en
Publication of JPH08147320A publication Critical patent/JPH08147320A/en
Application granted granted Critical
Publication of JP2669601B2 publication Critical patent/JP2669601B2/en
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Abstract

PURPOSE: To provide a character string retrieval method which can retrieve a document resembled to the sense of a man with fuzzy retrieval. CONSTITUTION: A system for retrieving the document containing a character string whose arrangement of characters is similar to that of a designated character string at high speed by using an index file 204 containing intra-document position information on a character string pattern is provided. In the system, the character string to be retrieved and retrieval precision (more than zero and not exceeding one) are designated and the document containing the 'resemble character string' whose 'resemble degree' with the character string to be retrieved is more than designated retrieval precision and the intra-document position of the 'resemble character string' can be specified. To put it concretely, the character string to be retrieved and the 'resemble character string' are selected. Then, the 'resemble degree' is digitized from two viewpoints that how many characters are continuously matched or how many unnecessary words are held inbetween.

Description

【発明の詳細な説明】Detailed Description of the Invention

【0001】[0001]

【産業上の利用分野】この発明は、例えばテキスト・フ
ァイル形式でディスクに格納された大量の文書を、高速
且つ所望の曖昧度を許容しつつ検索するシステム及び方
法に関するものである。
BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a system and method for searching a large number of documents stored in a disk, for example, in a text file format, at high speed and with a desired ambiguity.

【0002】[0002]

【従来の技術】従来より、新聞記事、特許公報、科学技
術文献などの、自然言語で書かれ、ディスクに格納され
た大量の文書を高速で検索したいという要望があり、さ
まざまな検索方式が提案されている。そのような検索方
式を大別すると、次のとおりである。
2. Description of the Related Art There has been a demand for a high-speed search for a large number of documents written in a natural language and stored on a disk, such as newspaper articles, patent gazettes, and scientific and technical literature, and various search methods have been proposed. Have been. Such search methods are roughly classified as follows.

【0003】(a) キーワード検索方式 この方式では、個々の文書とその文書の内容をあらわす
キーワードとの索引づけが予め行われる。このとき、キ
ーワードを決める方法としては、形態素解析などによる
自動キーワード抽出、人手によるキーワード付加、およ
びそれらを組み合わせた方法がある。しかし、この方式
は、キーワードとして索引付けされた文字列でしか検索
できず、また、形態素解析による自動キーワード抽出の
精度は、単語・文法辞書の精度に左右されるため、辞書
の保守に多くの人的作業を要するという欠点がある。
(A) Keyword search method In this method, indexing of individual documents and keywords representing the contents of the documents is performed in advance. At this time, as a method of determining a keyword, there are automatic keyword extraction by morphological analysis, manual keyword addition, and a method combining them. However, this method can only search for character strings indexed as keywords, and the accuracy of automatic keyword extraction by morphological analysis depends on the accuracy of word / grammar dictionaries. It has the drawback of requiring human work.

【0004】(b) 索引なしの全文検索方式 これは、索引を使用することなく、検索したい文字列が
指定されるたびに、検索対象となる文書をすべてスキャ
ンする方式である。特別なハードウェアを使用して検索
速度をあげている方式もある。しかし、特別なハードウ
ェアを使用したシステムは、コストが嵩み、また、クラ
イアント・サーバ環境では、使用できるマシンの種別に
制約が生じる場合がある。
(B) Full-text search method without index This is a method of scanning all documents to be searched each time a character string to be searched is specified without using an index. Some systems use special hardware to speed up the search. However, a system using special hardware is costly and, in a client-server environment, there may be restrictions on the types of machines that can be used.

【0005】(c) 索引による全文検索方式 本発明は、索引による全文検索方式に属するものであ
る。索引を使用することにより、全文検索を高速化する
ことを意図するものとしては、以下に示すような技法が
知られている。
(C) Full-text search method using an index The present invention belongs to a full-text search method using an index. The following techniques are known for the purpose of speeding up full-text search by using an index.

【0006】特開平4−205560号公報には、検索
対象となる文字列を検索を行う単位である検索単位に分
け、この検索単位毎に昇順の符号を付与し、この分けら
れた検索単位に対してその論理的な区分を示す属性符号
を付与し、検索対象となる文字列を各文字毎に検索単位
中での位置を示す文字位置順序符号を付与し、検索単位
識別符号と、文字位置順序符号と、属性符号とからなる
文字位置情報を作成して、この文字位置情報を文字種ご
との領域に格納して検索ファイルを作成することが開示
されている。
In Japanese Patent Laid-Open No. 4-205560, a character string to be searched is divided into search units, which are units for searching, and an ascending code is assigned to each search unit. On the other hand, an attribute code indicating its logical division is given, a character position order code indicating the position in the search unit of the character string to be searched is given for each character, the search unit identification code and the character position It is disclosed that character position information including an order code and an attribute code is created, and the character position information is stored in an area for each character type to create a search file.

【0007】特開平4−215181号公報には、検索
処理のための文字列照合回数を低減し,汎用の情報処理
装置で高速照合を可能にするために、検索対象となる文
字列を構成する各文字セツトが文字列中のどの位置にあ
るかを示す文字セツト位置情報を文字セツト種ごとにグ
ル−プ化した検索フアイルを作成することが開示されて
いる。
In Japanese Patent Laid-Open No. 4-215181, a character string to be searched is constructed in order to reduce the number of times the character string is matched for search processing and to enable high-speed matching in a general-purpose information processing device. It is disclosed to create a search file in which character set position information indicating the position of each character set in a character string is grouped for each character set type.

【0008】ところで、検索文字列と完全に一致する文
字列を含むを検索するのみならず、部分的に一致する文
字列を含む文書も検索したいという必要性が生じること
も少なくない。例えば、ユーザーの、検索文字列に対す
る記憶が曖昧であったり、検索文字列がさまざまな変形
をともなって出現し得るものであって、そのような変形
すべてを列挙することが困難であったりする場合があ
る。
By the way, it is often necessary to search not only for a character string that completely matches the search character string, but also for a document that partially matches the character string. For example, if the user's memory of the search string is ambiguous, or the search string may appear with various variations, and it is difficult to list all such variations. There is.

【0009】従来技術における典型的な部分文字列指定
方法は、正規表現を使用するものである。これによれ
ば、任意の文字の0回以上の繰り返し、任意の文字の1
回以上の繰り返し、行末位置、行頭位置、特定の文字コ
ードの範囲内の任意の文字、などの指定が可能である。
A typical method of specifying a partial character string in the prior art is to use a regular expression. According to this, 0 or more repetitions of any character, 1 of any character
It is possible to specify more than once, a line end position, a line start position, an arbitrary character within a specific character code range, and the like.

【0010】さらに、特開昭63−99830号公報
は、検索文字列データと、被検索文字列データとの部分
一致の機能を有するシステムにおいて、検索文字列デー
タの同類語関係に関するデータと、当該検索文字列デー
タが被検索文字列データのいずれかに出現するか否かを
表すデータとを蓄積するテーブルを設けることを開示す
る。
Further, Japanese Patent Application Laid-Open No. 63-99830 discloses a system having a function of partially matching search character string data with search target character string data. Disclosed is to provide a table for accumulating data indicating whether the search character string data appears in any of the searched character string data.

【0011】また、特開昭62−221027号公報
は、部分対象文字列の先頭から切出した文字列が辞書か
ら検索されなかった場合、その長さを1だけ増加した次
の切出し文字列については前方検索を行うことにより、
無効な検索回数を減らし、比較的高速で且つ効率的な単
語切出しを行えるようにすることを開示する。
Further, Japanese Patent Laid-Open No. 62-221027 discloses that when a character string cut out from the beginning of a partial object character string is not retrieved from the dictionary, the length of the next cut out character string is increased by one. By performing a forward search,
It is disclosed that the number of invalid searches is reduced to enable relatively fast and efficient word segmentation.

【0012】また、特開平4−326164号公報及び
特開平5−174067号公報は、デ−タベ−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、検索キ−の自己相関情報と検索対象10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を設けることを開示す
る。
Further, Japanese Patent Laid-Open No. 4-326164 and Japanese Patent Laid-Open No. 5-174067 disclose self-correlation information for each property to be searched in a database search system, and the self-correlation information of the search key is stored. Disclosed is the provision of a search means for obtaining the degree of matching between the correlation information and the autocorrelation information of the search target 10 for each property, and outputting the property numbers in descending order of the degree of matching.

【0013】しかし、これら従来技術の文字列検索技法
では、検索すべき文字列の曖昧性の度合といったものを
指定することが困難であり、検索結果は、ユーザーにと
って所望でなく、あるいは不自然な多くの文字列を含む
ことになる。
However, with these conventional character string search techniques, it is difficult to specify the degree of ambiguity of the character string to be searched, and the search result is undesired or unnatural for the user. It will contain many strings.

【0014】[0014]

【発明が解決しようとする課題】この発明の目的は、検
索すべき文字列の曖昧性の度合を任意に指定できるよう
な文字列検索技法を提供することにある。
SUMMARY OF THE INVENTION An object of the present invention is to provide a character string search technique capable of arbitrarily specifying the degree of ambiguity of a character string to be searched.

【0015】この発明の他の目的は、検索すべき文字列
の曖昧性の度合を任意に指定できるような文字列検索技
法を実現するための索引構造を提供することにある。
Another object of the present invention is to provide an index structure for realizing a character string search technique capable of arbitrarily specifying the degree of ambiguity of a character string to be searched.

【0016】この発明のさらに他の目的は、曖昧検索に
よって、人間の感覚に近いものを検索し得る文字列検索
技法を提供することにある。
Still another object of the present invention is to provide a character string search technique capable of searching for something close to human senses by fuzzy search.

【0017】[0017]

【課題を解決するための手段】本発明によれば、複数の
文書からなるデータベースを全文検索するために、個々
の文書には、一意的な番号(または記号)が付与され、
検索ファイルには、各々の文書中の個々の連続するN個
の文字と、そのN個の文字があらわれる文書の番号及び
その文書中の位置情報が格納される。好適には、索引フ
ァイルは、文字パターン・ファイルと、位置情報ファイ
ルの2つのファイルで構成される。文字パターン・ファ
イルには、文字パターン・区切りパターンとそれに対応
する文書番号・文書内位置番号が位置情報ファイルのど
こに位置するかが格納される。位置情報ファイルには、
文書番号・文書内位置番号が格納される。
According to the present invention, a unique number (or symbol) is assigned to each document in order to perform a full-text search on a database composed of a plurality of documents.
The search file stores N consecutive characters in each document, the document number in which the N characters appear, and position information in the document. Preferably, the index file is composed of two files, a character pattern file and a position information file. The character pattern file stores where the character pattern / separation pattern and the corresponding document number / in-document position number are located in the position information file. The location information file contains
The document number and the position number in the document are stored.

【0018】本発明によれば、このような索引ファイル
を使用して、指定された文字列と文字の並びが似ている
文字列を含む文書を高速に検索する方式が提案される。
この方式では、検索したい文字列と検索精度(0より大
きく1以下)とを指定し、検索したい文字列との"似て
いる度合"が指定の検索精度以上である"似ている文字
列"を含む文書および"似ている文字列"の文書内位置を
特定することができる。
According to the present invention, there is proposed a method for quickly searching for a document including a character string whose character sequence is similar to a designated character string using such an index file.
In this method, a character string to be searched and a search precision (greater than 0 and less than or equal to 1) are specified, and a "similar character string" in which the "similarity degree" of the character string to be searched is equal to or greater than the specified search precision. It is possible to specify the position in the document of the document including "and similar character string".

【0019】これは、具体的には、文書中から、検索し
たい文字列と"似ている文字列"を選びだして、何文字連
続して一致しているか途中にどのくらい余分な文字がは
さまっているかの2つの観点から"似ている度合い"を数
値化する処理である。
Specifically, this is done by selecting a "character string" similar to the character string to be searched from the document, and checking how many characters are consecutively matched and how many extra characters are inserted in the middle. This is a process of digitizing the "similarity" from two perspectives.

【0020】このとき、"似ている度合い"が最高値1に
なるとき、文字列は完全に一致しており、また、文字列
が完全に一致していれば必ず"似ている度合い"は1にな
る。似ている文字列に、検索したい文字列にない余分な
文字がはさまっていたり、検索したい文字列の一部しか
似ている文字列にあらわれない場合、"似ている度合い"
は、1よりも小さい値になるが、本発明に従えば、この
ような"似ている度合い"の数値が、人間の通常の感覚に
かなりよく合致する、妥当なものとなる。
At this time, when the "similarity degree" reaches the maximum value of 1, the character strings are completely matched, and if the character strings are completely matched, the "similarity degree" is always the same. Becomes 1. "Similarity" when a similar character string has extra characters that are not in the character string you want to search for, or when only part of the character string you want to search appears in a similar character string
Is less than 1, but according to the invention such a "similarity" number is reasonably well matched to the normal human sense.

【0021】上記索引ファイルは、文書中の任意の連続
するN文字を高速で検索することを可能にするので、上
記索引ファイルを使用して検索すべき文字列とのN文字
の比較を順次行うことにより、何文字連続して一致して
いるか、及び途中にどのくらい余分な文字がはさまって
いるかを高速で検出することができる。
Since the index file makes it possible to search any consecutive N characters in the document at high speed, the N characters are sequentially compared with the character string to be searched using the index file. This makes it possible to detect at high speed how many characters are consecutively matched and how many extra characters are inserted in the middle.

【0022】[0022]

【実施例】以下、図面を参照して本発明の実施例を説明
する。
Embodiments of the present invention will be described below with reference to the drawings.

【0023】A.ハードウェア構成 図1を参照すると、本発明を実施するためのシステム構
成の概観図が示されている。この構成は、バス101
に、演算及び入出力制御機能をもつ中央処理装置(CP
U)102、プログラムをロードし、また、CPU10
2のための作業領域を与える主記憶(RAM)104、
コマンドや文字列などをキー入力するためのキーボード
106と、中央処理装置を制御するためのオペレーティ
ング・システム、データベース・ファイル、検索エンジ
ン、索引ファイルなどを格納したハードディスク108
と、データベースの検索結果を表示するためのディスプ
レイ装置110と、ディスプレイ装置110の画面上の
任意の位置をポイントしてその位置情報を中央処理装置
に伝えるためのマウス112を接続した通常の構成であ
る。
A. Hardware Configuration Referring to FIG. 1, there is shown a schematic view of a system configuration for implementing the present invention. This configuration corresponds to the bus 101
In addition, the central processing unit (CP
U) 102, loads the program, and CPU 10
Main memory (RAM) 104, which provides a work area for
A keyboard 106 for inputting commands, character strings, and the like, and a hard disk 108 storing an operating system for controlling the central processing unit, a database file, a search engine, an index file, and the like.
With a normal configuration, a display device 110 for displaying a search result of a database and a mouse 112 for pointing an arbitrary position on the screen of the display device 110 and transmitting the position information to a central processing unit are connected. is there.

【0024】オペレーティング・システムとしては、W
indows(マイクロソフトの商標)、OS/2(I
BMの商標)、AIX(IBMの商標)上のX−WIN
DOWシステム(MITの商標)などの、標準でGUI
マルチウインドウ環境をサポートするものが望ましい
が、本発明は、PC−DOS(IBMの商標)、MS−
DOS(マイクロソフトの登録商標)などのキャラクタ
・ベース環境でも実現可能であり、特定のオペレーティ
ング・システム環境に限定されるものではない。
As an operating system, W
Windows (trademark of Microsoft), OS / 2 (I
BM's trademark, X-WIN on AIX (IBM's trademark)
GUI as standard such as DOW system (trademark of MIT)
Although it is desirable to support a multi-window environment, the present invention is not limited to PC-DOS (trademark of IBM) and MS-.
It can be realized in a character-based environment such as DOS (registered trademark of Microsoft), and is not limited to a specific operating system environment.

【0025】また、図1は、スタンド・アロン環境のシ
ステムを示しているが、一般的に、データベース・ファ
イルは大容量のディスク装置を要するものであるので、
クライアント/サーバ・システムとして本発明を実現
し、サーバ・マシンにデータベース・ファイルと検索エ
ンジンを配置し、クライアント・マシンは、サーバ・マ
シンに対して、イーサネット、トークン・リングなどで
LAN接続し、クライアント・マシン側には、検索結果
を見るための表示制御部のみを配置するようにしてもよ
い。
Although FIG. 1 shows a system in a stand-alone environment, since a database file generally requires a large-capacity disk device,
The present invention is realized as a client / server system, a database file and a search engine are arranged on a server machine, and the client machine is connected to the server machine via LAN by Ethernet, token ring, etc. -On the machine side, only the display control unit for viewing the search result may be arranged.

【0026】B.システム構成 次に、図2のブロック図を参照して、本発明のシステム
構成について説明する。尚、図2で個別のブロックで示
されている要素は、図1のハードディスク108に、個
別にまたは集合的に、データ・ファイルまたはプログラ
ム・ファイルとして格納されているものであることに留
意されたい。
B. System Configuration Next, the system configuration of the present invention will be described with reference to the block diagram of FIG. It should be noted that the elements shown as individual blocks in FIG. 2 are individually or collectively stored in the hard disk 108 in FIG. 1 as a data file or a program file. .

【0027】データベース202として本発明が主に想
定するものは、新聞記事のデータベース、特許公報デー
タベースなどの、複数の文書が格納されたものである。
しかし、本発明の適用範囲は、複数の文書からなるデー
タベースの検索に限定されず、単一の文書内の検索にも
適用できることに留意されたい。このとき、個別の文書
のコンテンツは、例えばテキスト・ファイル形式で、検
索可能に格納されているものである。さらに、個々の文
書には、一意的な文書番号が付与されている。好適な文
書番号は、1から始まる昇順の順次番号であるが、特許
公報データベースの場合、出願番号あるいは公開番号を
一意的な文書番号として使用することもできる。また、
個々の文書を識別するために順次番号ではなく、"AB
C"、"&XYZ"などの記号を使用してもよい。但し、一般的
に、そのような識別記号を表現するためには、数字より
も多くのバイト数を要するので、実際上、順次番号で文
書を識別する方が好ましい。
The database 202 mainly stores a plurality of documents such as a newspaper article database and a patent publication database.
However, it should be noted that the scope of the present invention is not limited to searching a database composed of a plurality of documents, but can be applied to searching within a single document. At this time, the content of each individual document is stored in a searchable manner, for example, in a text file format. Further, a unique document number is given to each document. The preferred document number is a sequential number in ascending order starting from 1, but in the case of a patent publication database, the application number or publication number can be used as the unique document number. Also,
Rather than a sequential number to identify individual documents, use "AB
Symbols such as "C", "&XYZ", etc. may be used, however, in general, representing such an identification symbol requires more bytes than numbers, so in practice a sequential number It is preferable to identify the document with.

【0028】一般的に、データベース202に格納され
ている新聞記事あるいは特許公報のような膨大なコンテ
ンツを直接検索するのは長い処理時間を要するので、デ
ータベース202に格納されている全ての新聞記事のコ
ンテンツを対象として予め、索引ファイル204が、索
引作成・更新モジュール206によって作成される。本
発明の後述する実施例では、このようにして作成された
索引ファイル204は、文字パターン・ファイルと、位
置情報ファイルの2つのファイルで構成される。文字パ
ターン・ファイルには、文字パターン・区切りパターン
とそれに対応する文書番号・文書内位置番号が位置情報
ファイルのどこに位置するかが格納される。位置情報フ
ァイルには、文書番号・文書内位置番号が格納される。
Generally, it takes a long processing time to directly search a huge amount of contents such as newspaper articles or patent publications stored in the database 202, and therefore, it is necessary to search all newspaper articles stored in the database 202. The index file 204 is created in advance by the index creation / update module 206 for the content. In an embodiment to be described later of the present invention, the index file 204 thus created is composed of two files, a character pattern file and a position information file. The character pattern file stores where the character pattern / separation pattern and the corresponding document number / in-document position number are located in the position information file. The position information file stores the document number and the position number within the document.

【0029】また、データベース202は、個々の文書
を、個別のファイルとして管理するものでもよく、ある
いは、連続する単一のファイルに、全ての文書を順次配
列したものでもよく、要するに、本質的なのは、個々の
文書に、一意的な番号が付与され、その一意的な番号で
もって、個々の文書の内容にアクセスできることであ
る。前者の場合、データベース202は、個々の文書の
一意的な番号と、文書を格納する実際のファイル名とを
対応付けるテーブルを管理し、後者の場合、データベー
ス202は、個々の文書の一意的な番号と、単一のデー
タベース・ファイル中のオフセット及び文書のサイズと
を対応付けるテーブルを管理することになる。
The database 202 may manage individual documents as individual files, or may arrange all documents in a continuous single file in order. In short, the essential point is that A unique number is assigned to each document, and the contents of each document can be accessed with the unique number. In the former case, the database 202 manages a table that associates the unique number of each document with the actual file name that stores the document. In the latter case, the database 202 stores the unique number of each document. Will manage a table that correlates with the offset and document size in a single database file.

【0030】検索エンジン208は、検索文字入力モジ
ュール210によって与えられた検索文字列を入力とし
て索引ファイル204を検索し、入力された検索文字列
を含む文書の文書番号(複数あり得る)と、その入力さ
れた検索文字列が文書中にあらわれる位置(やはり複数
あり得る)とを返す機能をもつ。検索文字入力モジュー
ル210は、好適には、マルチウインドウ環境における
ダイアログ・ボックスで構成され、その入力ボックス
に、キーボード106で所望の検索すべき文字を入力す
るようにした形式のものである。
The search engine 208 searches the index file 204 by using the search character string provided by the search character input module 210 as an input, and the document number (there may be a plurality) of the document including the input search character string and its It has a function of returning a position (also a plurality of positions) where an input search character string appears in a document. The search character input module 210 is preferably composed of a dialog box in a multi-window environment, and is of a form in which a desired character to be searched is input by the keyboard 106 in the input box.

【0031】さらに本発明の特徴によれば、検索文字入
力モジュール210は、曖昧検索の類似度を、0〜1の
数値(百分率を基準として、0〜100の数字でもよ
い)で入力することを可能とする。このため、検索文字
入力モジュール210は、0〜1間の任意の位置を指し
示すハンドルをもつスライダまたはスクロール・バーを
表示する。そのスライダのハンドルは、例えばデフォー
ルトでは1を指し示し、さらに、ハンドルをマウス11
2でドラッグして移動することにより、別の値を指し示
すように操作可能である。
Further, according to a feature of the present invention, the search character input module 210 inputs the degree of similarity of the fuzzy search as a numerical value of 0 to 1 (a numerical value of 0 to 100 may be used on the basis of percentage). Make it possible. Therefore, the search character input module 210 displays a slider or a scroll bar having a handle indicating an arbitrary position between 0 and 1. The handle of the slider indicates, for example, 1 by default, and further, the handle is moved to the mouse 11
By dragging and moving in 2, it can be operated to point to another value.

【0032】結果表示モジュール212は、検索エンジ
ン208から与えられた検索結果である文書番号と、検
索文字が当該文書中にあらわれる位置の値に基づき、デ
ータベース202にアクセスし、その文書のその位置に
対応する行を、好ましくは個別の検索結果表示ウインド
ウに表示する。検索結果がそのウインドウの1画面に収
まらない場合、スクロール・バーがあらわれ、ユーザー
が、それをクリックすることによって、順次検索結果を
眺めることができるようにする。
The result display module 212 accesses the database 202 based on the document number which is the search result provided from the search engine 208 and the value of the position where the search character appears in the document, and the result is displayed in that position of the document. Corresponding rows are preferably displayed in a separate search result display window. If the search results do not fit on one screen of the window, a scroll bar will appear to allow the user to click through it to sequentially view the search results.

【0033】C.索引ファイルの構造及び作成方法 本発明においては、すべての連続するN文字とその文書
内位置、及び文書内分割情報を文書と索引づけしたファ
イルが作成される。ここで、文書内分割情報とは、典型
的には、「。」、「、」などの文章の区切りや、「第1
章」、「要約」などの、広い意味で文書の区切りであ
る。
C. Structure and Method of Creating Index File In the present invention, a file is created in which all the consecutive N characters, their positions in the document, and document division information are indexed with the document. Here, the in-document division information is typically a sentence break such as “.”, “,” Or “first
It is a document break in a broad sense such as "chapter" or "summary".

【0034】C1.文字列の正規化 索引ファイルを作成するために必要な最初の処理は、文
字列の正規化であって、それは次のような処理である。
すなわち、検索すべき文書が特に日本語テキスト・ファ
イルである場合、半角と全角が混在することがあり得
る。そこで、例えば、半角文字を対応する全角文字に置
換する、という処理を行う。
C1. String Normalization The first process required to create an index file is string normalization, which is as follows.
That is, when the document to be searched is a Japanese text file, half-width characters and full-width characters may be mixed. Therefore, for example, a process of replacing a half-width character with a corresponding full-width character is performed.

【0035】C2.文字パターン情報の取り出し 索引ファイルを作成するための次のステップは、正規化
された文字列のすべての文字について、その文字から始
まる連続するN個の文字(以下,文字パターンと呼ぶ)
を取り出して、文書番号、文書内位置番号とともに索引
ファイルに格納する。ただし、N≧1であって、日本語
の場合、N=2が適当である。
C2. Extraction of character pattern information The next step to create an index file is N consecutive characters starting from that character for all characters in the normalized character string (hereinafter referred to as character pattern).
Is extracted and stored in the index file together with the document number and the position number within the document. However, N ≧ 1 and in the case of Japanese, N = 2 is appropriate.

【0036】文書内位置番号は、文書内の検索対象とな
るすべての文字に文書内で一意的な番号を順につけたも
のである。そして、文字パターンの最初の文字の文書内
位置番号を、その文字パターンの文書内位置番号とす
る。文書の終わりで後続の文字とあわせてN個に満たな
い場合には、X'00'など定められた詰め文字を詰めて
あわせてN個になるようにする。
The in-document position number is a sequential number unique to each character to be searched for in the document. Then, the in-document position number of the first character of the character pattern is set as the in-document position number of the character pattern. If there are less than N characters at the end of the document together with the subsequent characters, the specified padding characters such as X'00 'are padded to make N characters.

【0037】また、この実施例では、個々の単独の文書
を、検索時に意味を持つような分け方でブロックに分割
し、分割情報を索引ファイルに格納する。分割情報の格
納は前述の文字パターンと同等の形式で行う。すなわ
ち、正規化された文字列からとりだした文字パターンの
かわりに、特別に定めた区切りパターンを、文書の文書
番号とブロックの境界の文字の文書内位置情報とともに
格納する。
Further, in this embodiment, each individual document is divided into blocks in a way that makes sense at the time of retrieval, and the division information is stored in the index file. The division information is stored in the same format as the above-mentioned character pattern. That is, instead of the character pattern extracted from the normalized character string, a specially defined delimiter pattern is stored together with the document number of the document and the in-document position information of the character at the boundary of the block.

【0038】区切りパターンを数種類定めることによ
り、数種類の異なる分割方法を持つことができるように
なる。ただし、区切りパターンは、正規化された文字列
から取り出される文字パターンと重複しないように定め
なくてはならない。この実施例では、正規化処理によっ
て、1バイトのコードも、2バイト・コードに変換され
るので、2バイトを1ワードと見たときに、その1ワー
ドの値が255以下である場合は、通常の文字コードに
は該当しない。そこで、0〜255の任意のワード値
を、複数種類の区切りパターンに個別に割り当てること
ができる。
By defining several types of division patterns, it becomes possible to have several types of different division methods. However, the delimiter pattern must be defined so as not to overlap with the character pattern extracted from the normalized character string. In this embodiment, the 1-byte code is also converted into the 2-byte code by the normalization process. Therefore, when 2 bytes are regarded as 1 word, if the value of 1 word is 255 or less, It does not correspond to a normal character code. Therefore, an arbitrary word value of 0 to 255 can be individually assigned to a plurality of types of delimiter patterns.

【0039】分割情報を文字パターンと同様なこのよう
な形式で格納することの利点は、以下のとおりである。 - 索引の作成・更新が簡単。分割情報のために特別な処
理をする必要がない。 - 索引の容量をいちじるしく増加させることがない。 例えば、文書内位置番号ごとにそれが属するブロック番
号を付加するような形式に比べて容量の増加ははるかに
小さい。
The advantages of storing the division information in such a format similar to the character pattern are as follows. -Easy to create and update indexes. No special processing is required for the division information. -Does not significantly increase index capacity. For example, the increase in capacity is much smaller than the format in which the block number to which each position number in the document belongs is added.

【0040】C3.文書内位置番号の具体例 例えば、「本日は晴天なり。ただいま、マイクのテスト
中。」という文章を先頭に含む文書がデータベース20
2(図2)に含まれていたとする。この文章の各文字に
文書内位置番号を付与すると、次のとおりである。
C3. Specific example of the position number in the document For example, a document including the sentence "Today is fine weather. The microphone is currently being tested."
2 (FIG. 2). The position number in the document is given to each character of this sentence as follows.

【表1】 文字の文書内位置番号 1 2 3 4 5 6 7 8 9 10111213141516171819202122 正規化された文字列 本日は晴天なり。ただいま、マイクのテスト中。 区切り方その1 | | 区切り方その2 | | |[Table 1] Character position number in the document 1 2 3 4 5 6 7 8 9 10111213141516171819202122 Normalized character string It is sunny today. I'm testing the microphone right now. Separation method 1 | | Separation method 2 |

【0041】そして、その文書の文書番号が1番である
とし、上記文字パターンの文字数Nを2であるとする。
すると、個々の文字パターン(長さ2)に関連付けられ
る文書番号、及び文書内位置番号は、次のとおりであ
る。
It is assumed that the document number of the document is No. 1 and the number N of characters of the character pattern is 2.
Then, the document number and the in-document position number associated with each character pattern (length 2) are as follows.

【表2】 文字パターン 文書番号 文書内位置番号 ------------------------------------------ 本日 1 1 日は 1 2 は晴 1 3 晴天 1 4 天な 1 5 なり 1 6 り。 1 7 。た 1 8 区切りパターン1 1 8 区切りパターン2 1 8 ただ 1 9 だい 1 10 いま 1 11 ま、 1 12 、マ 1 13 区切りパターン2 1 13 マイ 1 14 イク 1 15 クの 1 16 のテ 1 17 テス 1 18 スト 1 19 ト中 1 20 中。 1 21 。 1 22 区切りパターン1 1 22 区切りパターン2 1 22[Table 2] Character pattern Document number Document position number -------------------------------------- ---- Today 1 1 is fine 1 2 fine 1 3 fine 1 4 heaven 1 5 1 7. 1 8 Separation pattern 1 1 8 Separation pattern 2 1 8 Only 1 9 1 1 10 Now 1 1 1, 1 1 2 and 1 1 3 Separation pattern 2 1 13 My 1 1 4 1 18 strikes 1 19 strikes 1 20 strikes. 1 21. 1 22 Separation pattern 1 1 2 2 Separation pattern 2 1 2 2

【0042】C4.文書内分割情報の役割 次に、検索における、文書内の分割情報(区切り)の利
用価値について説明する。
C4. Role of document division information Next, the utility value of document division information (delimiters) in a search will be described.

【0043】・特定ブロックだけを対象にした検索 例えば、文書がタイトル・ 要約・本文という構成にな
っている場合に、タイトルだけ、要約だけなど特定部分
だけを対象にして検索することは 一般的な要望である
といえる。タイトルの終わり、要約の終わりについて、
区切りパターンとその位置情報を格納することにより、
そのような検索が実現できる。
Retrieval Targeting Only Specific Blocks For example, when a document is composed of a title, an abstract, and a body, it is common to search for only a specific part such as only a title or only an abstract. It can be said that it is a request. About the end of the title, the end of the summary,
By storing the delimiter pattern and its position information,
Such a search can be realized.

【0044】・複数の文字列どうしの関連が強い文書の
検索 複数の文字列どうしの文脈中での関連の強さを意識した
検索をすることは一般的な要望であるといえる。たとえ
ば、文字列どうしが単に同一文書内にあるだけよりは、
同一段落中にあったほうが関係が強い可能性が高く、同
一文中にあればさらに関係が強いことが予測される。段
落や文の終わりについて、区切りパターンとその位置情
報を格納しておくことにより、複数の文字列どうしが同
一ブロック内にある文書を検索することが可能になり、
関係の強さを意識した検索ができるようになる。
Retrieval of documents having a strong relationship between a plurality of character strings It can be said that it is a general request to conduct a search in consideration of the strength of a relationship between a plurality of character strings. For example, rather than just strings being in the same document,
It is highly likely that the relationship is stronger in the same paragraph, and it is predicted that the relationship is stronger in the same sentence. By storing the delimiter pattern and its position information at the end of a paragraph or sentence, it becomes possible to search for documents in which multiple character strings are in the same block,
You will be able to search with awareness of the strength of the relationship.

【0045】C5.索引ファイルの構造 文字パターン・区切りパターンとその文書番号・文書内
位置番号は、検索時に効率よくとりだせる形で格納する
必要がある。そのために、この実施例では、索引ファイ
ルを文字パターン・ファイル(主に文字パターン・区切
りパターンを格納するファイル)、位置情報ファイル
(主に文書番号・文書内位置番号を格納するファイル)
の2つのファイルで構成する。文字パターン・ファイル
には、文字パターン・区切りパターンとそれに対応する
文書番号・文書内位置番号が位置情報ファイルのどこに
位置するかを格納する。位置情報ファイルには、文書番
号・文書内位置番号を格納する。
C5. Index file structure Character patterns / delimiter patterns and their document numbers / position numbers within documents must be stored in a form that can be efficiently retrieved during retrieval. Therefore, in this embodiment, the index file is a character pattern file (a file that mainly stores character patterns and delimiter patterns), and a position information file (a file that mainly stores document numbers and in-document position numbers).
It consists of two files. The character pattern file stores where the character pattern / delimiter pattern and the corresponding document number / in-document position number are located in the position information file. The position information file stores the document number and the position number in the document.

【0046】このような文字パターン・ファイルと、そ
れに対応する位置情報ファイルの例を図3に示す。
FIG. 3 shows an example of such a character pattern file and the corresponding position information file.

【0047】図3において、文字パターン・ファイル3
02のエントリは、データベース202の全ての文書に
おける連続するN文字(ここでは、N=2である)の文
字パターンである。文字パターン・ファイル302のエ
ントリは、好適には、2分探索を可能ならしめるよう
に、正規化された文字パターンの先頭の文字のコード値
で昇順にソートされている。「区切りパターン1」、
「区切りパターン2」、「なり」、「は晴」などが、文
字パターン・ファイル302の個別のエントリである。
尚、例えば、「区切りパターン1」は、「,」、「、」
または「。」などの文・句の区切りを包括的に示すもの
であって、特殊な2バイト値が割り当てられる。
In FIG. 3, character pattern file 3
The 02 entry is a character pattern of consecutive N characters (here, N = 2) in all documents in the database 202. The entries in the character pattern file 302 are preferably sorted in ascending order by the code value of the first character of the normalized character pattern to allow a binary search. "Separation pattern 1",
“Separation pattern 2”, “Nari”, “Haharu”, and the like are individual entries in the character pattern file 302.
Note that, for example, "separation pattern 1" is ",", ","
Or it is a comprehensive delimiter of sentences and phrases such as ".", And a special 2-byte value is assigned.

【0048】図3の位置情報ファイル304は、文字パ
ターン・ファイル302の個々のエントリに対応する少
なくとも1つの文書番号及び、その個々の文書番号毎に
関連付けられた少なくとも1つの文書内位置番号を格納
している。
The position information file 304 in FIG. 3 stores at least one document number corresponding to each entry of the character pattern file 302 and at least one in-document position number associated with each document number. doing.

【0049】文字パターン・ファイル302のエントリ
と、位置情報ファイル304のエントリとを対応付ける
ために、図示しないが、文字パターン・ファイル302
の個々のエントリは、対応する位置情報ファイル304
のエントリの、位置情報ファイル304の先頭からのオ
フセット、及び、対応する位置情報ファイル304のエ
ントリのサイズの情報をもつ。すなわち、図3で例え
ば、文字パターン・ファイル302は、「区切りパター
ン2」に関連してそこに格納されているオフセットの情
報から、位置情報ファイル304を先頭からシークし、
サイズの情報に指定されたバイト数だけシークした位置
から読取り、これによって、「区切りパターン2」に関
連して、文書番号1における8,13,22・・・とい
う文書内位置番号値と、文書番号2に関連する文書内位
置番号値、・・・(もしあるなら)文書番号nに関連す
る文書内位置番号値を一括して読み取ることが可能とな
る。
Although not shown, the character pattern file 302 is associated with the entry of the character pattern file 302 and the entry of the position information file 304.
Of each location information file 304
Of the entry of the position information file 304, and the size of the corresponding entry of the position information file 304. That is, in FIG. 3, for example, the character pattern file 302 seeks the position information file 304 from the beginning from the offset information stored therein in relation to the “delimiter pattern 2”,
The data is read from the position where the number of bytes specified in the size information is sought, and the document position number value of 8, 13, 22, ... It is possible to collectively read the in-document position number value associated with the number 2, ... (If any), the in-document position number value associated with the document number n.

【0050】一般に、文書番号iに関連する文書内位置
番号値は、例えば、(文書番号i:4バイト)(文書内
位置番号の数k:4バイト)(1番目の文書内位置番
号:4バイト)・・・(k番目の文書内位置番号:4バ
イト)のような形式で格納されている。この例では、文
書内位置番号を格納するフィールドとして、文書の絶対
位置を格納するために4バイトをとるようにしている
が、実際上、1つ前の文書内位置番号からのオフセット
を格納するようにして、これを1〜3バイトに節約する
ようにした方がよい。文書番号及び文書内位置番号の数
を格納するフィールドについても同様である。
Generally, the value of the position number in the document associated with the document number i is, for example, (document number i: 4 bytes) (the number of position numbers in the document k: 4 bytes) (first position number in the document: 4). (Byte) ... (k-th document position number: 4 bytes). In this example, the field for storing the in-document position number takes 4 bytes to store the absolute position of the document, but actually stores the offset from the previous in-document position number. Thus it is better to save this to 1-3 bytes. The same applies to the fields that store the numbers of document numbers and in-document position numbers.

【0051】C6.索引ファイルの作成処理 次に、図4を参照して、索引ファイルの作成処理につい
て説明する。この処理は、最初のデータベース202の
構築時または、データベース202に文書を追加あるい
はデータベース202から文書を削除したときに、図2
の索引作成・更新モジュール206によって行われる処
理である。
C6. Index File Creation Process Next, the index file creation process will be described with reference to FIG. This processing is performed when the first database 202 is constructed or when a document is added to or deleted from the database 202 as shown in FIG.
This is a process performed by the index creation / update module 206.

【0052】図4で、先ずステップ402では、メモリ
領域を確保する処理が行われる。これは、例えば、オペ
レーティング・システムの機能を呼び出すことによっ
て、RAM104上で、所定のサイズの作業領域を獲得
する処理である。
In FIG. 4, first, at step 402, a process of securing a memory area is performed. This is a process of acquiring a work area of a predetermined size on the RAM 104 by calling a function of the operating system, for example.

【0053】ステップ404では、データベース202
から1つの文書が、好適には上記ステップ402で獲得
されたメモリ領域に読み込まれる。
In step 404, the database 202
From the document is preferably loaded into the memory area obtained in step 402 above.

【0054】ステップ406では、ステップ404で読
み込まれた文書につき、前述の正規化処理が行われる。
In step 406, the above-described normalization processing is performed on the document read in step 404.

【0055】ステップ408では、正規化された文書を
走査することによって、文字パターン・区切りパターン
が作成され、文字パターン・区切りパターンと、当該文
書の文書番号と、文字パターン・区切りパターンの文書
内位置番号が、上記ステップ402で獲得されたメモリ
領域に格納される。
In step 408, a character pattern / delimiter pattern is created by scanning the normalized document, and the character pattern / delimiter pattern, the document number of the document, and the position of the character pattern / delimiter pattern in the document. The number is stored in the memory area obtained in step 402 above.

【0056】ステップ408の処理において、文字パタ
ーン、文書番号及び文書内位置番号をステップ402で
予め獲得されたメモリ領域に格納していくにつれて、そ
の獲得されたメモリ領域の空き領域が不足してくること
があり得る。そこで、ステップ410では、獲得された
メモリ領域が満杯かどうかを調べる処理が行われ、もし
そうなら、ステップ412で、メモリ領域に格納されて
いる文字パターン・区切りパターンと、文書の文書番号
と、文字パターン・区切りパターンの文書内位置情報と
が、例えば、文字パターン・区切りパターンの文字コー
ド値・文書番号・文書内位置番号に基づきソートされ
て、中間ファイルとしてディスク108(図1)に書き
出され、これによって、中間ファイルに書き出されたデ
ータが格納されていたメモリ領域は、以下の処理で使用
可能に開放される。そして、この後処理は、ステップ4
14に進む。
In the process of step 408, as the character pattern, the document number, and the position number in the document are stored in the memory area obtained in advance in step 402, the obtained memory area becomes insufficient in free space. It is possible. Therefore, in step 410, a process is performed to check whether the obtained memory area is full. If so, in step 412, the character pattern / separation pattern stored in the memory area, the document number of the document, The position information in the document of the character pattern / delimiter pattern is sorted based on, for example, the character code value of the character pattern / delimiter pattern / the document number / the position number in the document, and is written to the disk 108 (FIG. 1) as an intermediate file. As a result, the memory area in which the data written in the intermediate file was stored is released for use in the following process. Then, this post-processing is step 4
Proceed to 14.

【0057】ステップ410で、メモリ領域にまだ余裕
があると判断されたなら、処理は直ちにステップ414
に進む。
If it is determined in step 410 that the memory area still has room, the process immediately proceeds to step 414.
Proceed to.

【0058】ステップ414では、ステップ404でま
だ読み込んでいない文書がデータベース202に残って
いるかどうかが判断される。もしそうなら、処理は、ス
テップ404に戻る。
In step 414, it is judged whether or not the document not read in step 404 remains in the database 202. If so, the process returns to step 404.

【0059】ステップ414で、データベース202の
全ての文書の読み込み処理が完了したと判断されると、
ステップ402で獲得されたメモリ領域に書き出されな
いで残っている文字パターン・区切りパターンと、文書
の文書番号と、文字パターン・区切りパターンの文書内
位置番号とが、やはり文字パターン・区切りパターンの
文字コード値・文書番号・文書内位置番号に基づきソー
トされて、中間ファイルとしてディスク108(図1)
に書き出される。
When it is determined in step 414 that the reading process of all the documents in the database 202 is completed,
The character pattern / delimiter pattern remaining in the memory area acquired in step 402, which is not written out, the document number of the document, and the document position number of the character pattern / delimiter pattern are the characters of the character pattern / delimiter pattern. The files are sorted based on the code value, the document number, and the position number in the document, and the disk 108 (FIG. 1) as an intermediate file
Is written out.

【0060】ステップ412とステップ416での中間
ファイルの書き出しによって、ディスク108には、複
数の中間ファイルが存在し、また、その各々の中間ファ
イルは予めソートされているので、ステップ418で
は、周知のマージ・ソートの技法で、それらの複数の中
間ファイルから、図3に示す文字パターン・ファイル3
02と、位置情報ファイル304とを作成しディスク1
08に格納する処理が行われる。尚、もとの複数の中間
ファイルには、文字パターンは重複して何度もあらわれ
得るので、ここでは、重複する同一の文字パターンのエ
ントリを1つにまとめて、それに関連する文書番号及び
文書内位置番号を関連付ける処理が行われる。その後、
中間ファイルは最早不要なので削除される。
By writing the intermediate files in steps 412 and 416, there are a plurality of intermediate files on the disk 108, and each of the intermediate files has been sorted in advance. The character pattern file 3 shown in FIG. 3 is extracted from the plurality of intermediate files by the technique of merge sort.
02 and the location information file 304, and disk 1
The processing of storing in 08 is performed. It should be noted that, since the character patterns can appear repeatedly in the original plurality of intermediate files many times, here, the entries of the same overlapping character pattern are combined into one, and the document number and document A process of associating the internal position number is performed. afterwards,
The intermediate files are no longer needed and are deleted.

【0061】D.索引ファイルを使用した検索処理 次に、上述のようにして作成された索引ファイルを使用
して、文字列検索を行う処理の例について、図5のフロ
ーチャートを参照して説明する。ステップ502では、
先ず、例えば、入力ボックスをもつダイアログ・ボック
スを表示し、ユーザーに、その入力ボックスに検索文字
列を入力するようにプロンプトする処理が行われる。
D. Search Process Using Index File Next, an example of a process of performing a character string search using the index file created as described above will be described with reference to the flowchart of FIG. In step 502,
First, for example, a process of displaying a dialog box having an input box and prompting the user to input a search character string in the input box is performed.

【0062】ユーザーが入力ボックスに検索文字列を入
力し、OKボタンをクリックすると、必要に応じて検索
文字列の正規化処理が行われた後で、その検索文字列の
最初のN文字パターンで以って上記索引ファイルを使用
した検索処理が行われる。尚、ここでいうN文字パター
ンの長さは、上記索引ファイルの文字列パターンの長さ
Nと同一であり、従って、検索文字列の部分文字列であ
るこのN文字パターンをキーとして、上記索引ファイル
を高速に2分探索することができる。日本語の文書に適
切なNの値の1つの例は、2である。
When the user inputs a search character string in the input box and clicks the OK button, the search character string is normalized as necessary, and then the first N character pattern of the search character string is used. Thus, the search process using the index file is performed. The length of the N character pattern here is the same as the length N of the character string pattern of the index file. Therefore, the N character pattern, which is a partial character string of the search character string, is used as a key for the index. Files can be searched for two minutes at high speed. One example of a suitable value for N for Japanese documents is 2.

【0063】ステップ506で、検索文字列の最初のN
文字パターンが見つからなかったと判断されると、好適
には、検索文字列が見つからなかったことを示すメッセ
ージ・ボックスがステップ508で表示され、処理は終
了する。
In step 506, the first N of the search character string
If it is determined that the character pattern was not found, then preferably a message box indicating that the search string was not found is displayed at step 508 and the process ends.

【0064】ステップ506で、検索文字列の最初のN
文字パターンが見つかったと判断されると、索引ファイ
ルからは、1つ以上の文書番号とその文書番号における
少なくとも1つの文書内位置番号が返されるので、この
情報は、ステップ510で後の処理のため主記憶または
ディスク上の所定のバッファ領域に一旦格納される。
At step 506, the first N characters of the search character string are searched.
If it is determined that the character pattern is found, then the index file returns one or more document numbers and at least one in-document position number for that document number, so that this information is available for further processing at step 510. The data is temporarily stored in a main storage or a predetermined buffer area on a disk.

【0065】ステップ512では、検索文字列全てをN
文字パターンの部分文字列として検索してしまったかど
うかが判断され、もしそうなら、処理はステップ520
に進む。もしそうでないなら、ステップ518で、検索
文字列の次のN文字パターンで以って上記索引ファイル
を使用した検索処理が行われる。尚、検索文字列の長さ
は、一般的にNの倍数とは限らず、従って、N文字パタ
ーンずつ検索していって検索文字列の末端付近まで部分
文字列をとる処理が進んだ時、索引ファイルのキーとな
る文字列がN文字よりも短いという場合もある。この場
合は、検索文字列の最後のN文字を部分文字列としてと
る。すると、直前にとったN文字と重複する文字がある
ことになる。検索文字列がN文字未満である場合には、
2分探索の結果は複数の候補を有し、その後の処理は、
順次探索によって複数の候補を見出すことになる。
In step 512, all the search character strings are set to N
It is determined whether or not the character string has been searched as a partial character string, and if so, the process proceeds to step 520.
Proceed to. If not, at step 518, a search process is performed using the index file with the next N character patterns of the search string. Note that the length of the search character string is generally not limited to a multiple of N, and therefore, when the process of searching for N character patterns and taking a partial character string to near the end of the search character string proceeds, In some cases, the key character string of the index file is shorter than N characters. In this case, the last N characters of the search character string are taken as the partial character string. Then, there is a character that overlaps with the N characters taken immediately before. If the search string is less than N characters,
The result of the binary search has multiple candidates, and the subsequent processing is
A sequential search will find multiple candidates.

【0066】ステップ516では、ステップ506と同
様に、検索文字列の当該N文字パターンが索引ファイル
で見つかったかどうかが判断される。但し、ステップ5
16がステップ506と本質的に異なるのは、ステップ
516では、検索文字列の直前のN文字パターンに関す
るどれかの文書番号における、どれかの文書内位置番号
をNだけ増分した文書内位置番号をもつ文字パターンに
ヒットしなければ、見つかったと見なされない、という
ことである。
In step 516, it is determined whether or not the N character pattern of the search character string is found in the index file, as in step 506. However, step 5
16 is essentially different from step 506 in that in step 516, the in-document position number obtained by incrementing any in-document position number by N in any document number related to the N character pattern immediately before the search character string. If it does not hit the character pattern that it has, it is not considered to have been found.

【0067】ステップ516で、検索文字列の当該N文
字パターンが見つからなかったと判断されると、好適に
は、検索文字列が見つからなかったことを示すメッセー
ジ・ボックスがステップ508で表示され、処理は終了
する。
If it is determined in step 516 that the N character pattern of the search string was not found, then preferably a message box indicating that the search string was not found is displayed in step 508 and the process is terminated. finish.

【0068】ステップ516で、検索文字列の当該N文
字パターンが見つかったと判断されると、索引ファイル
の検索の結果返される文書番号とその文書番号における
少なくとも1つの文書内位置番号のうち1つ前のN文字
パターンの情報と同一文書内で位置番号が順次的にリン
クされるもののみ、ステップ518で、後の処理のため
主記憶またはディスク上の所定のバッファ領域に一旦格
納される。
If it is determined in step 516 that the N character pattern of the search character string is found, the document number returned as a result of the index file search and the previous one of at least one document position number in the document number are returned. Only information whose position numbers are sequentially linked in the same document as the information of the N character pattern is temporarily stored in the main memory or a predetermined buffer area on the disk for subsequent processing in step 518.

【0069】ステップ512で、検索文字列が全て検索
されたと判断されると、ステップ520に進んで、バッ
ファに格納されている文書番号及び文書内位置番号か
ら、検索文字列が存在する文書番号とその位置が決定さ
れ、ステップ522では、その文書番号と文書内位置番
号から、データベース202の文書のコンテンツがアク
セスされ、文書検索文字列が存在する文書の該当行が、
好適には個別のウインドウ内に表示される。
If it is determined in step 512 that all the search character strings have been searched, the flow advances to step 520 to determine the document number in which the search character string exists from the document number and the document position number stored in the buffer. The position is determined. In step 522, the contents of the document in the database 202 are accessed from the document number and the position number in the document, and the corresponding line of the document in which the document search character string exists is
It is preferably displayed in a separate window.

【0070】尚、検索文字列が文書内の特定ブロック
(例:3番目のブロック)にあらわれることを調べるた
めには、上記検索文字列が文書中にあらわれる位置まで
にあらわれる上記文書内の区切り位置を数えて、上記検
索文字列が上記文書内でどのブロック(何番目のブロッ
ク)に位置するかを調べて、指定のブロック番号と比較
すればよい。
In order to check that the search character string appears in a specific block (eg, the third block) in the document, the delimiter position in the document appearing up to the position where the search character string appears in the document. By counting which block (numbered block) the search character string is located in the document, and comparing it with the designated block number.

【0071】E.曖昧検索処理 図5で示す処理は、索引ファイルを使用して、いわば厳
密検索を行う処理であったが、本発明に従えば、索引フ
ァイルを使用して、指定された文字列と文字の並びが似
ている文字列を含む、いわゆる曖昧検索処理をも、デー
タベースの個々の文書に関して高速に実行することが可
能である。特に、この方式では、検索したい文字列と、
検索精度(0より大きく1以下)とを指定し、検索した
い文字列との"似ている度合"が指定の検索精度以上であ
る"似ている文字列"を含む文書および"似ている文字列"
の文書内位置を特定するものである。
E. Ambiguous search process The process shown in FIG. 5 was a process of performing an exact search using an index file, but according to the present invention, a specified character string and character sequence are used using the index file. A so-called ambiguous search process including a character string similar to can be executed at high speed for each document in the database. Especially, in this method, the character string you want to search,
Documents containing "similar character strings" and "similar characters" in which the search accuracy (greater than 0 and less than 1) is specified, and the "degree of similarity" with the character string to be searched is greater than or equal to the specified search accuracy. Row "
To identify the position within the document.

【0072】E1.文字列を似ていると感じる人間の感
覚 日本語のわかる人間が見て、文字の並びが似ていてしか
も意味が近いと感じる日本語の文字列には,次のような
ものがある。
E1. Human sense of feeling that character strings are similar There are the following Japanese character strings that humans who understand Japanese feel that the arrangement of characters is similar and the meaning is similar.

【表3】(1)カタカナ語の異表記 小さい字と大きい字 「ソフトウェア」「ソフトウエ
ア」 長音「ー」の有無 「コンパイラー」「コンパイラ」 中黒「・」の有無 「アイビーエム」「アイ・ビー・
エム」 その他 「ビルディング」「ビルヂング」 (2)漢字熟語と漢字熟語の間に助詞等が入ったもの 「在宅起訴」「在宅のまま起訴」 「政界再編」「政界の再編」 (3)漢字熟語の複合語と一部が欠けた組み合わせの複
合語 「国立民族博物館」「国立博物館」「民族博物館」 (4)省略語などにより一部がかけたもの 「ソフトウェア開発」「ソフト開発」 (5)入力まちがい 「カリフォルニア」「カリフォリニア」
[Table 3] (1) Different notation of katakana small and large letters "Software""Software" Presence of long sound "-""Compiler""Compiler" Presence of Nakaguro "・""IBM""I-B"・
"M" and others "Building""Building" (2) Particles inserted between Kanji compound words and Kanji compound words "In-house prosecution""In-homeprosecution""Political world reorganization""Political world reorganization" (3) Kanji compound words The compound word of the compound and the compound word with a missing part “National Museum of Ethnology”, “National Museum”, “Ethnic Museum” (4) Partially applied by abbreviations, etc. “Software Development” “Software Development” (5) Wrong input "California""California"

【0073】これらに共通しているのは、ほとんどの文
字は連続して一致しているが不足文字や余分な文字があ
る、ということである。
What is common to these is that most characters match continuously but there are missing or extra characters.

【0074】次に、どちらが似ているかという観点から
いくつかの言葉を考えてみると、「ソフトメーカー」に
似ているのは、「ソフトのメーカー」、「ソフト開発メ
ーカー」、「ソフトの開発メーカー」の順であるし、
「政治資金規正法案」と比べるならば、「政治資金規正
法」、「政治資金規正」、「政治資金」の順に似ている
と感じる。
Next, considering some words from the viewpoint of which one is similar, what is similar to “software maker” is “software maker”, “software development maker”, “software development”. In order of "maker",
Compared to the "Political Funds Control Bill," I feel that the order is similar to "Political Funds Control Act", "Political Funds Control", and "Political Funds".

【0075】また、文字が一致するとはいっても、「ソ
フトクリーム製造機械の製造を主業務とする機械メーカ
ー」を「ソフトメーカー」を似ている文字列と言うには
無理があると感じられる。
Even though the characters match, it seems unreasonable to say that "machine maker whose main business is the manufacture of soft ice cream manufacturing machines" is a character string similar to "soft maker".

【0076】これらのことから、文字列を似ていると感
じるかどうかの人間の感覚をまとめると、
From these facts, the human sense of whether or not character strings are similar can be summarized as follows.

【0077】(A) 連続して一致する文字が多いほど似て
いると感じ、(B) 途中にはさまる不一致文字が多いほど
似ていないと感じ、(C) 途中にはさまる不一致文字が多
すぎると一つの文字列とは感じられないということがい
える。
(A) It is felt that the more consecutive characters match, the more similar it is, (B) The more mismatched characters that get stuck in the middle, the less similar, and (C) If there are too many mismatched characters that get stuck in the middle, It can be said that it does not feel like a single character string.

【0078】このとき、入力文字列のある部分が文書中
の近い位置で重複して出現する特殊な場合を考慮しなく
てはならない。例をあげると、入力文字列が「理学部長
に就任」、文書中に「理学部部長に就任」とあった場合
である。重複して出現している「部」という文字の一方
は余分な文字であるが、「理学部の長に就任」の「の」
のようにまったく無関係な文字よりは、一致文字に近い
文字と考えるのが妥当である。
At this time, it is necessary to consider a special case where a part of the input character string appears repeatedly at a close position in the document. For example, a case where the input character string is "Included as Dean of Science" and the document indicates "Inducted as Dean of Science" is described in the document. One of the characters "Dub" appearing redundantly is an extra character, but "No"
It is more reasonable to think that it is a character closer to the matching character than a completely unrelated character such as.

【0079】E2.索引ファイルの構造との整合性 図3で示す索引ファイルの構造は、N文字の文字パター
ンを文書番号・文書内位置番号と索引づけしたものであ
り、検索処理の最小単位は、ひとつの文字パターンを探
して、その文書番号・文書内位置番号を得る処理であ
る。N文字未満の文字列を検索する場合には、検索した
い文字列で始まる文字パターンのすべてについて、その
個数分、最小単位の検索処理を繰り返す必要があり、そ
の個数はかなり多い場合がある。入力文字列がN文字以
上の検索は高々入力文字列の文字数の回数の最小単位検
索を実行すればよいのに比べて、N文字未満の入力文字
列の検索は負荷が大きいといえる。
E2. Consistency with the structure of the index file The structure of the index file shown in FIG. 3 is an N-character character pattern indexed with the document number / position number in the document, and the minimum unit of search processing is one character pattern. To obtain the document number and the position number in the document. When searching for a character string of less than N characters, it is necessary to repeat the minimum unit search process for all the character patterns starting with the character string to be searched, and the number may be quite large. It can be said that a search for an input character string of less than N characters has a heavy load, whereas a search for an input character string of N characters or more may be performed by performing a minimum unit search of the number of characters of the input character string at most.

【0080】したがって、N文字未満の部分一致は切り
捨てて、N文字以上連続して一致する部分を元に似てい
る文字列を決めることが、高速性を保つために適当と言
える。
Therefore, it can be said that, in order to maintain high speed, it is appropriate to cut off the partial match of less than N characters and determine a similar character string based on the part of continuous match of N characters or more.

【0081】E3.似ている文字列と似ている度合いの
決定ルール 入力文字列とM文字以上連続で一致する文字列の中か
ら、互いに入力文字列中と同じ順序関係である程度近く
にあるものを集めて似ている文字列とし、一致する文字
数、一致しない文字数から、似ている度合いを決めるの
がルールの概要である。
E3. Rules for determining similar character strings and degree of similarity Among character strings that continuously match the input character string with M characters or more, those that are close to each other in the same order as in the input character string are collected and made similar. The outline of the rule is to determine the degree of similarity based on the number of characters that match and the number of characters that do not match.

【0082】まず、説明で使う言葉を定義する。First, the terms used in the description will be defined.

【0083】一致文字列:検索したい文字列と文書テキ
ストとがM文字以上連続して一致する部分。同じ文字か
ら始めた中では長さが最大になるものを選ぶ。
Matching character string: A part where the character string to be searched and the document text continuously match for M characters or more. Choose the one with the largest length starting with the same letter.

【0084】 (例)検索したい文字列 : 政治資金規正法案 文書テキスト : ...資金規正のために法の力で...(Example) Character string to be searched: Political Fund Regulation Bill Document Text: ... For the purpose of fund regulation, the power of law ...

【0085】M=2とする。すると、「資金規正」 が
一致文字列。このとき、最長選択のため「資金」や「資
金規」は一致文字列とは呼ばない。また、「法」は2文
字未満なので一致文字列にはならない。
Let M = 2. Then, "Fund control" is a matching character string. At this time, the “fund” and the “fund rule” are not called the matching character strings because they are the longest selection. In addition, since "mod" is less than two characters, it does not become a matching character string.

【0086】有効一致文字列:似ている文字列を構成す
る一致文字列。
Valid match character string: A match character string that constitutes a similar character string.

【0087】最大不一致文字列長L:似ている文字列中
に含める不一致文字は連続L文字までとする。Lは1以
上の定数とする。
Maximum non-matching character string length L: The number of non-matching characters included in a similar character string is limited to consecutive L characters. L is a constant of 1 or more.

【0088】"似ている文字列"の選びだし方と、"似て
いる度合い"の数値化の方法について説明する。
A method of selecting "similar character strings" and a method of digitizing "similarity" will be described.

【0089】(1) 1番目の有効一致文字列の決定 文書中での順序で、1番目の一致文字列を、1番目の有
効一致文字列とする。ここで、
(1) Determination of the first valid matching character string The first matching character string is set as the first valid matching character string in the order in the document. here,

【0090】i番目の有効一致文字列の文書中での開始
位置を s(D, i) i番目の有効一致文字列の文書中での終了位置を e(D,
i) i番目の有効一致文字列の検索したい文字列中での開始
位置を s(C, i) i番目の有効一致文字列の検索したい文字列中での終了
位置を e(C, i) と表記することにする。
The start position of the i-th effective matching character string in the document is s (D, i). The ending position of the i-th effective matching character string in the document is e (D, i).
i) The start position of the i-th valid matching character string in the character string to be searched is s (C, i) The end position of the i-th valid matching character string in the character string to be searched is e (C, i) Will be written as.

【0091】(2) 次の有効一致文字列の決定 i番目の有効一致文字列が決定しているとき、i+1番
目の有効一致文字列を次のようにして決定する。
(2) Determination of the Next Valid Matching Character String When the i-th valid matching character string has been determined, the (i + 1) th valid matching character string is determined as follows.

【0092】次の2つの条件a),b)を満たす最初の一致
文字列を、i+1番目の有効一致文字列とする。
The first matching character string that satisfies the following two conditions a) and b) is defined as the (i + 1) th valid matching character string.

【0093】[0093]

【数1】 a) e(D, i) + 1 ≦ s(D, i+1) ≦ e(D, i) + L + 1[Equation 1] a) e (D, i) + 1 ≤ s (D, i + 1) ≤ e (D, i) + L + 1

【0094】これはi番目の有効一致文字列とi+1番
目の有効一致文字列の間に入る余分な文字はL文字まで
許すことを意味する。(後述する例3参照)
This means that an extra character between the i-th valid matching character string and the (i + 1) -th valid matching character string is allowed up to L characters. (See Example 3 below)

【数2】b) s(C, i+1) > e(C, i) - (M-1)B) s (C, i + 1)> e (C, i)-(M-1)

【0095】そのような有効一致文字列が選べなくなる
まで繰り返す。
Repeat until such a valid matching character string cannot be selected.

【0096】(3) "似ている文字列"とその"似ている度
合い"(類似度)の決定 それ以上有効一致文字列が選べなくなったら1番目の有
効一致文字列の最初の文字から最後の有効一致文字列の
最後の文字までを"似ている文字列"とし、次の式で"似
ている度合い"を計算する。
(3) Determination of "similar character string" and its "similarity" (similarity) If no more valid matching character string can be selected, the first character to the last character of the first valid matching character string The "similar character string" is used up to the last character of the effective matching character string of "," and the "similarity degree" is calculated by the following expression.

【数3】類似度 =minimum ( 検索したい文字列中で有効
一致文字列に属している文字数/ 検索したい文字列の文
字数,"似ている文字列"中で有効一致文字列に属してい
る文字数/ "似ている文字列"の文字数)
[Equation 3] Similarity = minimum (Number of characters belonging to valid matching character string in character string to be searched / number of characters in character string to be searched, number of characters belonging to valid matching character string in "similar character string" / Number of characters in "similar character string")

【0097】E4. ."似ている文字列"中で有効一致文字列に属している文
字数の数え方 2つの文字が、検索したい文字列の同一文字と対応して
いる場合には1つ目は1と数え、2つ目は0.5と数え
る。その他の場合には1文字を1と数える。(後述する
例4を参照)
E4. . How to count the number of characters that belong to a valid matching character string in "similar character strings" If the two characters correspond to the same character in the character string you want to search, count the first as 1 and 2 The second counts as 0.5. In other cases, 1 character is counted as 1. (See Example 4 below)

【0098】E5."似ている文字列"の決定順序 1番目の"似ている文字列"は文書の先頭から比較を始め
て決定する。i番目の"似ている文字列"が決定している
時、i+1番目の"似ている文字列"は、i番目の"似て
いる文字列"の先頭の文字より後ろで、i番目の"似てい
る文字列"を構成する有効一致文字列に属さない最初の
文字から比較を始めて決定する。
E5. Order of determination of "similar character string" The first "similar character string" is determined by starting the comparison from the beginning of the document. When the i-th "similar character string" is determined, the (i + 1) th "similar character string" is after the first character of the i-th "similar character string" and the i-th "similar character string" Determine by starting the comparison with the first character that does not belong to a valid match string that constitutes a "similar string".

【0099】定数L,Mを適当な値に設定することによ
り、文字の並びが似ているかどうかについて、人間の一
般的な判断とかなり一致した"似ている度合い"を算出す
ることができる。
By setting the constants L and M to appropriate values, it is possible to calculate the "similarity" which is in good agreement with general human judgment as to whether the character sequences are similar.

【0100】なお、"似ている度合い"が最高値1になる
とき、文字列は完全に一致しており、また、文字列が完
全に一致していれば必ず"似ている度合い"は1になる。 E6.曖昧検索の処理フローチャート 以上の処理をフローチャートであらわすと、図6のよう
になる。図6では先ず、ステップ602で、検索文字列
の入力がプロンプトされる。また、ステップ604で
は、0〜1の類似度の入力がプロンプトされる。通常、
ステップ602とステップ604における文字列及び値
の入力は、単一のダイアログ・ボックスで、入力ボック
スとスクロール・バーを使用して行われる。
When the “similarity” reaches the maximum value of 1, the character strings are completely matched, and if the character strings are completely matched, the “similarity” is always 1 become. E6. Ambiguous search processing flowchart The above processing is shown in a flowchart of FIG. In FIG. 6, first, in step 602, a search character string is prompted. Also, in step 604, the user is prompted to enter a degree of similarity of 0-1. Normal,
Input of character strings and values in steps 602 and 604 is performed using a single dialog box using an input box and a scroll bar.

【0101】ステップ606では、有効一致文字列の番
号iが1にセットされ、ステップ608では、有効一致
文字列の検索が行われる。今、有効一致文字列の長さが
M以上であるという条件があったとすると、図4の処理
で、M文字パターンの索引ファイルを作成しておけば有
利である。というのは、そのような索引ファイルが予め
存在すると、任意のM文字パターンの検索が、索引ファ
イルの2分探索によって高速に実行されるからである。
続いて、検索文字列での、M文字パターンをとる開始位
置を1つずらしM文字パターンの検索を索引ファイルで
行い、その結果得られた文書番号が一回前のM文字パタ
ーンの検索と同一であり、且つ、文書内位置番号が順次
的であれば、M+1の長さの有効一致文字列が得られた
ことになる。そのようにして、文書番号が一回前のM文
字パターンの検索と同一であり、且つ、文書内位置番号
が順次的である、という条件が満たされる毎に、有効一
致文字列の長さも1つ増分される。しかし、索引ファイ
ルを使用したM文字パターンの探索で何も見つからない
か、返される文書番号が不一致か、文書内位置番号が順
次的でなくなれば、有効一致文字列の終了位置が見出さ
れたことになる。
At step 606, the number i of the valid matching character string is set to 1, and at step 608, the valid matching character string is searched. Assuming now that there is a condition that the length of the valid matching character string is M or more, it is advantageous if an index file of M character patterns is created in the processing of FIG. This is because, if such an index file exists in advance, a search for an arbitrary M character pattern is executed at high speed by a binary search of the index file.
Subsequently, the start position for taking the M character pattern in the search character string is shifted by one, and the search for the M character pattern is performed in the index file. And the position numbers in the document are sequential, it means that a valid matching character string of length M + 1 has been obtained. Thus, each time the condition that the document number is the same as the search for the M character pattern one time before and the position numbers in the document are sequential is satisfied, the length of the valid matching character string is also 1 Is incremented by one. However, if nothing is found in the search for the M character pattern using the index file, the returned document numbers do not match, or the position numbers in the document are not sequential, the end position of the valid matching character string is found. It will be.

【0102】場合によっては、全く有効一致文字列が見
出されないこともあり、そのような場合、ステップ61
0での判断で、ステップ626に進み、そこで、見つか
らなかったことを表示して処理を終了する。
In some cases, no valid matching character string can be found. In such a case, step 61
If the result is 0, the process proceeds to step 626, where the message "not found" is displayed and the process ends.

【0103】ステップ610で、有効一致文字列が見つ
かったと判断されると処理は、ステップ612に進み、
文書中ではs(D,i)からe(D,i)、検索文字列中ではs(C,i)
からe(C,i)までが、有効文字列であるとしてマークされ
る。
If it is determined in step 610 that a valid matching character string has been found, the process proceeds to step 612.
S (D, i) to e (D, i) in the document, s (C, i) in the search string
From to e (C, i) are marked as valid strings.

【0104】ステップ614では、At step 614,

【数4】 a) e(D, i) + 1 ≦ s(D, i+1) ≦ e(D, i) + L + 1 且つ、 b) s(C, i) > e(C, i) - (M-1)A) e (D, i) + 1 ≦ s (D, i + 1) ≦ e (D, i) + L + 1 and b) s (C, i)> e (C, i) )-(M-1)

【0105】という条件をみたす、i+1番目の有効一致
文字列がやはり索引ファイルを使用して検索され、もし
見つかると、ステップ612に戻って、そのi+1番目の
有効一致文字列に関して、文書中ではs(D,i+1)からe(D,
i+1)、検索文字列中ではs(C,i+1)からe(C,i+1)までが、
有効文字列であるとしてマークされる(ステップ618
でのiの増分は、次の有効一致文字列に注目することを
示す)。
The i + 1th valid matching character string satisfying the condition is searched again by using the index file, and if found, the process returns to step 612 and, regarding the i + 1th valid matching character string, In the document, s (D, i + 1) to e (D,
i + 1), s (C, i + 1) to e (C, i + 1) in the search string,
Marked as a valid string (step 618)
The increment of i in indicates that we are looking at the next valid match string).

【0106】一方、ステップ616で、最早有効一致文
字列が見つからなくなると、ステップ620で、類似度
の計算が行われる。これは、上述のように例えば、
On the other hand, if the valid matching character string is no longer found in step 616, the similarity is calculated in step 620. This is, for example,

【0107】[0107]

【数5】類似度 =minimum ( 検索したい文字列中で有効
一致文字列に属している文字数/ 検索したい文字列の文
字数,"似ている文字列"中で有効一致文字列に属してい
る文字数/ "似ている文字列"の文字数)
[Equation 5] Similarity = minimum (number of characters belonging to the valid matching character string in the character string to be searched / number of characters in the character string to be searched, number of characters belonging to the valid matching character string in the "similar character string" / Number of characters in "similar character string")

【0108】で与えられる。このとき、"似ている文字
列"とは、文書中の、最初の有効一致文字列の開始位置
から、最後の有効一致文字列の最後の位置までの間の文
字列である。
Is given by At this time, the “similar character string” is a character string in the document from the start position of the first valid matching character string to the last position of the last valid matching character string.

【0109】ステップ622では、ステップ620で計
算された類似度と、ステップ604で入力された類似度
とから、結果の選別が行われ、結果がステップ604で
入力された類似度以上であるもののみ、ステップ624
で結果表示を行う。
At step 622, a result is selected from the similarity calculated at step 620 and the similarity input at step 604, and only those whose results are equal to or higher than the similarity input at step 604 are selected. , Step 624
Display the result with.

【0110】ステップ624では、ステップ608、ス
テップ614での索引ファイルの検索の結果返された文
書番号と、文書内位置番号に基づいて、データベースに
格納されている文書コンテンツにアクセスし、該当箇所
を含む行を表示する処理が行われる。
In step 624, the document content stored in the database is accessed based on the document number returned as a result of the index file search in steps 608 and 614 and the document position number, and the corresponding portion is searched. The process of displaying the containing line is performed.

【0111】尚、1つの検索文字列に対する"似ている
文字列"は、複数の文書で同時に見つかることがあり得
るが、単一の文書内でも、複数の箇所で見つかることが
ある。従って、ステップ606〜622は、そのような
複数の"似ている文字列"の個々に対して適用され、ステ
ップ624では、複数の"似ている文字列"のうち、類似
度の条件を満たすもののみが選別して表示される、とい
うことに留意されたい。
The "similar character string" for one search character string may be found in a plurality of documents at the same time, but may be found in a plurality of places even in a single document. Therefore, steps 606 to 622 are applied to each of the plurality of “similar character strings”, and in step 624, the similarity condition is satisfied among the plurality of “similar character strings”. Note that only the items are sorted and displayed.

【0112】E7."似ている文字列"と類似度の決定例 M = 2, L = 3として例を示す。E7. Example of determining “similar character string” and similarity M = 2, L = 3.

【0113】(例1) (*アイビーエムは、IBM社の商標である)(Example 1) (* IBM is a trademark of IBM Corporation)

【0114】 [0114]

【0115】最初に一致する最長文字列は"アイ" だか
Since the longest character string that matches first is "eye"

【0116】 1番目の有効一致文字列は"アイ" s(C,1) = 1 e(C,1) = 2 s(D,1) = 1 e(D,1) = 2The first valid matching character string is “eye” s (C, 1) = 1 e (C, 1) = 2 s (D, 1) = 1 e (D, 1) = 2

【0117】e(C,1)-(M-1) = 1 なので、検索したい文
字列の2文字目以降から始まる文字列を、文書の3,
4,5または6文字目から始まる文字列と比較して2番
目の有効一致文字列を探す( e(D,1)+1 = 3, e(D,1)+L+1
= 6 なので )。
Since e (C, 1)-(M-1) = 1, the character string starting from the second character onward of the character string to be searched is changed to 3 in the document.
Find the second valid matching character string by comparing it with the character string starting from the 4th, 5th or 6th character (e (D, 1) +1 = 3, e (D, 1) + L + 1
= 6).

【0118】 2番目の有効一致文字列 "ビー" s(C,2) = 3 e(C,2) = 4 s(D,2) = 4 e(D,2) = 5Second valid matching character string “B” s (C, 2) = 3 e (C, 2) = 4 s (D, 2) = 4 e (D, 2) = 5

【0119】e(C,1)-(M-1) = 3 なので、検索したい文
字列の4文字目以降から始まる文字列を文書の5,6,
7または8文字目から始まる文字列と比較して3番目の
有効一致文字列を探す( e(D,2)+1 = 5, e(D,2)+L+1 = 8
なので )。 3番目の有効一致文字列 "エム" s(C,3) = 5 e(C,3) = 6 s(D,3) = 7 e(D,3) = 8
Since e (C, 1)-(M-1) = 3, character strings starting from the fourth character onward of the character string to be searched will be 5, 6, and 6 in the document.
Search for the third valid matching character string by comparing the character string starting from the 7th or 8th character (e (D, 2) +1 = 5, e (D, 2) + L + 1 = 8
So). Third valid match string "M" s (C, 3) = 5 e (C, 3) = 6 s (D, 3) = 7 e (D, 3) = 8

【0120】検索したい文字列の最後に到達したので有
効一致文字列は3番目が最後となる。
Since the end of the character string to be searched has been reached, the third effective match character string is the last.

【0121】[0121]

【表4】 [Table 4]

【0122】番号は有効一致文字列の番号。The number is the number of a valid matching character string.

【0123】したがって"似ている文字列"は s(D, 1)
から e(D, 3) までの"アイ・ビー・エム"。 "類似度" = minimum( 6 / 6 , 6 / 8 ) = 6 / 8 = 0.75
Therefore, "similar character string" is s (D, 1)
"IBM" from to e (D, 3). "Similarity" = minimum (6/6, 6/8) = 6/8 = 0.75

【0124】(例2)(Example 2)

【表5】 [Table 5]

【0125】[0125]

【表6】 [Table 6]

【0126】似ている文字列 = "ソフト開発メーカー" 類似度 = minimum( 7 / 10 , 7 / 9 ) = 0.7Similar character string = "software developer" Similarity = minimum (7/10, 7/9) = 0.7

【0127】(例3)(Example 3)

【表7】 [Table 7]

【表8】 1 2 3 4 5 6 7 8 9 101112131415 文書 D : 在宅のままで起訴にふみきった。[Table 8] 1 2 3 4 5 6 7 8 9 101112131415 Document D: I came to prosecution while staying at home.

【0128】最初に一致する最長文字列は"在宅" だか
Since the longest character string that matches first is "at home"

【数6】 1番目の有効一致文字列は在宅 s(C, 1) = 1 e(C, 1) = 2 s(D, 1) = 1 e(D, 1) = 2[Equation 6] The first valid matching character string is at home s (C, 1) = 1 e (C, 1) = 2 s (D, 1) = 1 e (D, 1) = 2

【0129】文書の3,4,5または6文字目から始ま
る文字列と( e(D,1)+1 = 3, e(D,1)+L+1 = 6 なので )
検索したい文字列の2文字目以降から始まる文字列を(
e(C,1)-(M-1) = 1なので )比較して2番目の有効一致文
字列を探す。
A character string starting from the third, fourth, fifth or sixth character of the document and (e (D, 1) + 1 = 3, e (D, 1) + L + 1 = 6)
Replace the character string starting from the second character of the character string you want to search with (
e (C, 1)-(M-1) = 1), and find the second valid matching string.

【0130】2番目の有効一致文字列は見つからないの
で、検索したい文字列の最後に到達したので有効一致文
字列は1番目のみとなる。
Since the second valid matching character string is not found, the end of the character string to be searched has been reached, so that only the first valid matching character string is found.

【表9】 在 宅 起 訴 1 在 宅 の ま ま で 起 訴 に ふ み き っ た 。 1 [Table 9] was Tsu Ki tried fu between or in prosecutions of standing home prosecuted 1 standing home. 1

【0131】したがって1番目の"似ている文字列"は s
(D, 1) から e(D, 1) までの"在宅"。 "類似度" = minimum( 2 / 4 , 2 / 2 ) = 2 / 4 = 0.5
Thus, the first “similar character string” is s
"At home" from (D, 1) to e (D, 1). "Similarity" = minimum (2/4, 2/2) = 2/4 = 0.5

【0132】"在"より後ろで最初の非有効一致文字は"
の"。"の"から後ろで2番目の"似ている文字列"を探す
と、
The first non-valid matching character after "present" is "
If you search for the second "similar string" after "." Of ",

【表10】 在 宅 起 訴 1 在 宅 の ま ま で 起 訴 に ふ み き っ た 。 1 [Table 10] were Tsu Ki tried fu between or in prosecutions of standing home prosecuted 1 standing home. 1

【0133】但し、文書で、「在 宅」と「起 訴」と
は、4文字離れており、この例では、L=3なので、上
記の「起 訴」は、有効一致文字列とは見なさない。
However, in the document, “at home” and “prosecution” are separated by 4 characters, and in this example, L = 3, so the above “promotion” is regarded as a valid matching character string. Absent.

【0134】(例4)(Example 4)

【表11】 [Table 11]

【0135】最初に一致する最長文字列は"銀行" だか
[0135] The longest matching first character string is "bank".

【0136】[0136]

【数7】 1番目の有効一致文字列は"銀行" s(C,1) = 1 e(C,1) = 2 s(D,1) = 2 e(D,1) = 3The first valid matching character string is “bank” s (C, 1) = 1 e (C, 1) = 2 s (D, 1) = 2 e (D, 1) = 3

【0137】検索したい文字列の2文字目以降から始ま
る文字列を( e(C,1)-(M-1)=1なので)文書の4,5,6
または7文字目から始まる文字列と( e(D,1)+1 = 4, e
(D,1)+L+1 = 7 なので )比較して2番目の有効一致文字
列を探す。
A character string starting from the second character onward of the character string to be searched (because e (C, 1)-(M-1) = 1) is 4, 5, 6 of the document.
Or the character string starting from the 7th character and (e (D, 1) +1 = 4, e
(D, 1) + L + 1 = 7 (because this is the case) and find the second valid matching character string.

【0138】 2番目の有効一致文字列は"行員" s(C,2) = 2 e(C,2) = 3 s(D,2) = 4 e(D,2) = 5The second valid matching character string is “line member” s (C, 2) = 2 e (C, 2) = 3 s (D, 2) = 4 e (D, 2) = 5

【0139】検索したい文字列の最後に到達したので有
効一致文字列は2つ。
Since the end of the character string to be searched has been reached, there are two valid matching character strings.

【表12】 1, 1, 0.5, 1 -> 3.5[Table 12] 1, 1, 0.5, 1-> 3.5

【0140】"似ている文字列"は s(D, 1) から e(D,
2) までの"銀行行員"。"類似度" = minimum( 3 / 3 ,
3.5 / 4 ) = 3.5 / 4 = 0.875
"Similar character string" is from s (D, 1) to e (D,
2) up to "bank clerk". "Similarity" = minimum (3/3,
3.5 / 4) = 3.5 / 4 = 0.875

【0141】E8.人間の感覚に近い曖昧の例E8. Examples of vagueness close to human sense

【表13】 ソフトウェアメーカー ソフトウェアメーカー 0.909 ソフトウェア開発メーカー 0.833 ソフトウェアの開発メーカー 0.769[Table 13] Software Maker Software Maker 0.909 Software Development Maker 0.833 Software Development Maker 0.769

【0142】この例は、余分な文字が入るにつれて"類
似度"が低下することを示す。
This example shows that the "similarity" decreases as extra characters are entered.

【表14】 ニットウェアメーカー 0.800 ソフトメーカー 0.700 ソフトウェア 0.600[Table 14] Knitting Towea Studio 0.800 software maker 0.700 software 0.600

【0143】この例は、一致する文字が減るにつれて"
類似度"が低下することを示す。
In this example, as the number of matching characters decreases, ""
"Similarity" decreases.

【表15】 理学部長選挙 理学部長選挙 1.000 理学部部長選挙 0.929 理学部長選挙 0.857[Table 15] Science elections Faculty of Science elections 1.000 Faculty of Science, director election 0.929 Science director election 0.857

【0144】E9.索引の構造と"似ている文字列"の検
索の関係 Mの値を適当に定めることにより、"似ている文字列"を
探すあいまい検索は、本発明の索引の構造でかなり高速
に実現できる。
E9. Relationship between Index Structure and Search for "Similar String" By appropriately determining the value of M, the fuzzy search for "similar string" can be realized at a considerably high speed by the index structure of the present invention. .

【0145】定数N,Mの定め方 How to determine constants N and M

【表16】N: 索引に格納する文字パターンの文字数 M: あいまい検索における有効一致文字列の最低長 L: あいまい検索において、"似ている文字列"中の非有
効一致文字列の最大長
[Table 16] N: Number of characters of character pattern stored in index M: Minimum length of valid matching character string in fuzzy search L: Maximum length of non-valid matching character string in "similar character string" in fuzzy search

【0146】Nを大きくすると、文字パターンの種類数
が増加し、文字パターン1つあたりのデータ量は減少す
るので、検索はより速くなるが、索引ファイルの容量は
増加する。平均的な日本語の文書では、N = 2 で充分
な検索速度が得られる。
When N is increased, the number of types of character patterns increases and the amount of data per character pattern decreases, so the search becomes faster, but the capacity of the index file increases. For an average Japanese document, N = 2 gives a sufficient search speed.

【0147】また、M≧NとなるようにMを定めれば、
あいまい検索において充分な検索速度が得られる。Mは
小さいほど、きめ細かなあいまい検索ができることから
考えると、M=Nとなるように決めることがよいと思わ
れる。
If M is set so that M ≧ N,
Sufficient search speed can be obtained in fuzzy search. Considering that the smaller M is, the more detailed and ambiguous search can be performed, it may be better to determine M = N.

【0148】E10.類似度決定の第2の実施例E10. Second Embodiment of Determining Similarity

【0149】第2の実施例の曖昧検索処理では特に、
「途中にはさまる不一致文字が多いほど似ていないと感
じる」ということと、「途中にはさまる不一致文字が多
すぎると一つの文字列とは感じられない」ということの
かねあいについて考慮される。文書中に入力文字列と一
致する文字列、不一致な文字列、一致する文字列の順に
並んでいた場合に、後者の一致文字列までを似ている文
字列として取りこむことによって、似ている度合いが下
がるのは不自然である。たとえば、入力文字列が「在宅
起訴」、文書1には「在宅のまま起訴」、文書2には
「在宅」とあった場合、 ”文書1は「在宅のまま起
訴」、文書2は「在宅」が似ている文字列であり、似て
いる度合いは「在宅」の方が高い”とするようなルール
は人間の感覚に反している。文書1が「起訴」というさ
らなる一致文字列があるがために、逆に低い評価を受け
るのは不自然である。「在宅のまま起訴」の似ている度
合いが「在宅」より高くなるか、あるいは、文書1の似
ている文字列は「在宅」と「起訴」の2つであると判断
されるかのどちらかが、自然である。
In the fuzzy search process of the second embodiment, in particular,
A consideration is given to the fact that "the more mismatched characters that are trapped in the middle, the more dissimilar it feels" and "There are too many unmatched characters that are trapped in the middle to make us feel that it is not a single character string". If a document matches a character string that matches the input character string, a non-matching character string, and a matching character string in that order, the similarity is obtained by capturing the latter matching character string as a similar character string. It is unnatural for the to drop. For example, if the input character strings are “charged at home,” document 1 is “charged at home,” and document 2 is “charged at home,” document 1 is “charged at home,” and document 2 is “charged at home. Is a similar character string, and the degree of similarity is higher for "at home". This rule is contrary to human perception. On the contrary, it is unnatural to receive a low rating. Either the degree of similarity of "in-home prosecution" is higher than that of "at-home", or it is determined that the similar character strings in document 1 are "at-home" and "indictment". But it is natural.

【0150】次に、第2の実施例の処理について説明す
る。図6のフローチャートを参照すると、この実施例で
は、ステップ602〜612までは同一であり、i+1番
目の有効一致文字列を検索するための条件を示すステッ
プ614の処理が次のように変更される。
Next, the processing of the second embodiment will be described. Referring to the flowchart of FIG. 6, in this embodiment, steps 602 to 612 are the same, and the process of step 614 indicating the condition for searching for the (i + 1) th valid matching character string is changed as follows. To be done.

【0151】[0151]

【数8】s(C, i+1) > e(C, i) - (M - 1) ... (式1) s(D, i+1) > e(D, i) ... (式2) 且つ s(D, i+1) - e(D, i) - 1 + max(e(C, i) - s(C, i+1) + 1, 0) ≦ L ・・・ (式3)S (C, i + 1)> e (C, i)-(M-1) ... (Equation 1) s (D, i + 1)> e (D, i) ... (Equation 2) and s (D, i + 1)-e (D, i)-1 + max (e (C, i)-s (C, i + 1) + 1, 0) ≤ L (Formula 3)

【0152】尚、s(C, i)、e(C, i)、s(D, i)、s(D, i)
などの定義は、前述のとおりである。
S (C, i), e (C, i), s (D, i), s (D, i)
The definitions such as are as described above.

【0153】式1は、前述の「理学部部長」の「部」の
ような重複出現文字をM−1文字(まで許容し、それ以
外は入力文字列中での文字の順序と同じ順序で出現する
文字列を有効とすることを意味する。
Formula 1 shows that M-1 characters (up to M-1 characters), such as "part" of the "Department of Science", are allowed, and other characters appear in the same order as the character order in the input character string. Means that the character string to be valid is valid.

【0154】式2は、文書中で有効一致文字列どうしが
重ならないことを意味する。
Expression 2 means that valid matching character strings do not overlap each other in the document.

【0155】式3は、間にはさまる不一致文字と「理学
部部長」の「部」のような重複出現文字を、あわせてL
文字まで許容することを意味する。
In the expression 3, the non-matching characters sandwiched between them and the duplicate occurrence character such as "section" of "Department of Science" are combined into L
It means that even letters are allowed.

【0156】この実施例では、前の実施例のように、検
索文字列と、文書中の似ている文字列の各々で、有効一
致文字列が占める割合を計算し、そのうちの小さい方を
類似度として選ぶのではなく、似ている文字列に点数を
つけて、満点(完全に一致している場合の点数)で割っ
て割合を出すことによって算出する。似ている文字列の
点数は、各文字に次の規則で点数をつけてそれを加算す
ることで算出する。従って、図6のステップ620での
処理は次のようになる。
In this embodiment, as in the previous embodiment, the ratio of the effective matching character string to each of the similar character strings in the search character string and the document is calculated, and the smaller one of the two is calculated. Rather than selecting as a degree, calculate by scoring similar character strings and dividing by a perfect score (score in the case of perfect match) to obtain a ratio. The score of a similar character string is calculated by adding a score to each character according to the following rules and adding them. Therefore, the processing in step 620 of FIG. 6 is as follows.

【0157】 1番目の有効一致文字列に属する文字 ・・・ 1 点 i番目(i > 1)の有効一致文字列に属していて 検索文字列における位置≧e(C,i-1)+1 (式4) ・・・ 1 点 検索文字列における位置≦e(C,i-1) (式5) ・・・ -1/(2*L) 点 有効一致文字列に属していない文字 ・・・ -1 / L 点Character belonging to the first valid matching character string: 1 point belongs to the i-th (i> 1) valid matching character string, and position in the search character string ≧ e (C, i−1) +1 (Equation 4) ・ ・ ・ 1 point Position in search character string ≤ e (C, i-1) (Equation 5) ・ ・ ・ -1 / (2 * L) points Characters that do not belong to valid matching character string ・ ・・ -1 / L point

【0158】この実施例でも、i番目の似ている文字列
が決定している時、i+1番目の似ている文字列は、i
番目の似ている文字列の先頭の文字より後ろで、i番目
の似ている文字列を構成する有効一致文字列に属さない
最初の文字から比較を始めて決定する。
Also in this embodiment, when the i-th similar character string is determined, the i + 1-th similar character string is i
The comparison is determined starting from the first character after the first character of the second similar character string and not belonging to the valid matching character string forming the i-th similar character string.

【0159】有効一致文字列に属していない文字のマイ
ナス点は、「途中にはさまる不一致文字が多いほど似て
いないと感じる」ということと、「途中にはさまる不一
致文字が多すぎると一つの文字列とは感じられない」と
いうことのかねあいを考慮して設定している。一つの非
一致文字列のマイナス点の合計の最大は1 / L * L =1,
次の一致文字列を取り入れることによるプラス点の最小
はN ≧ 1 (特に日本語の場合は2が推奨されている)
でマイナス点がプラス点を上回ることがない。また、式
5は前述の「理学部部長」の「部」のような重複出現文
字を示し、式4は重複出現文字でない単純な一致文字を
示している。式5で表される文字には単純な非一致文字
より小さなマイナス点をつけることで、重複して文字が
あらわれる場合に対処している。
The minus point of the characters that do not belong to the valid matching character string is that "the more the number of non-matching characters that are trapped in the middle, the more dissimilar it feels", and the "there are too many non-matching characters that are trapped in the middle of one character string. It is set in consideration of the fact that "I can not feel it." The maximum of the sum of the negative points of one non-matching string is 1 / L * L = 1,
The minimum positive point by incorporating the following matching character string is N ≧ 1 (2 is recommended especially for Japanese)
Therefore, the negative point does not exceed the positive point. In addition, Expression 5 indicates a duplicate occurrence character such as “part” of the above-mentioned “Department of Science”, and Expression 4 indicates a simple matching character that is not a duplicate occurrence character. By adding a minus point smaller than that of a simple non-matching character to the character represented by Expression 5, it is possible to deal with the case where the character appears in duplicate.

【0160】E11.第2の実施例での似ている文字列
と似ている度合いの決定例 やはり、N = 2, L = 3 として例を示す。
E11. Example of Determining Similarity of Character String and Similarity in Second Embodiment An example will be shown again with N = 2 and L = 3.

【表17】 [Table 17]

【0161】最初の一致文字列は「アイ」だから1番目
の有効一致文字列は「アイ」
Since the first matching character string is "eye", the first valid matching character string is "eye".

【数9】s(C,1) = 1 e(C,1) = 2 s(D,1) = 1 e(D,1) = 2S (C, 1) = 1 e (C, 1) = 2 s (D, 1) = 1 e (D, 1) = 2

【0162】式1、式2、式3により2番目の有効一致
文字列は「ビー」
The second valid matching character string is "Bee" according to Expression 1, Expression 2 and Expression 3.

【数10】s(C,2) = 3 e(C,2) = 4 s(D,2) = 4 e(D,2) = 5S (C, 2) = 3 e (C, 2) = 4 s (D, 2) = 4 e (D, 2) = 5

【0163】式1、式2、式3により3番目の有効一致
文字列「エム」
The third valid matching character string "M" according to Expression 1, Expression 2 and Expression 3

【数11】s(C,3) = 5 e(C,3) = 6 s(D,3) = 7 e(D,3) = 8S (C, 3) = 5 e (C, 3) = 6 s (D, 3) = 7 e (D, 3) = 8

【0164】入力文字列の最後に到達したので有効一致
文字列は3つとなる。
Since the end of the input character string is reached, there are three valid matching character strings.

【表18】 [Table 18]

【0165】似ている文字列は s(D, 1) から e(D, 3)
までの「アイ・ビー・エム」。似ている度合い = (( 1
* 6 + (-1/3) * 2 ) / 6 ) = 0.88
Similar strings are from s (D, 1) to e (D, 3)
Up to "IBM". Degree of similarity = ((1
* 6 + (-1/3) * 2) / 6) = 0.88

【0166】[0166]

【表19】 (例6) 1 2 3 4 5 6 7 8 9 10 入力文字列 C : ソフトウェアメーカー 1 2 3 4 5 6 7 8 9 文書の一部 D : ・・・ ソフト開発メーカー ・・・[Table 19] (Example 6) 1 2 3 4 5 6 7 8 9 10 Input character string C: Software maker 1 2 3 4 5 6 7 8 9 Part of document D:… Software development maker

【0167】 似ている文字列 = "ソフト開発メーカー" 似ている度合い = ( ( 1 * 7 + (-1/3) * 2 ) / 10 ) =
0.63
[0167] Similar string = "Software developer" Similarity = ((1 * 7 + (-1/3) * 2) / 10) =
0.63

【0168】[0168]

【表20】 (例7) 1 2 3 4 入力文字列 C : 在宅起訴 1 2 3 4 5 6 7 8 91011121314 文書の一部 D : ・・・ 在宅のままで起訴にふみきった。 ・・・[Table 20] (Example 7) 1 2 3 4 Input character string C: Prosecution at home 1 2 3 4 5 6 7 8 91011121314 Part of document D: ... Prosecution was completed while staying at home. ...

【0169】最初の一致文字列は「在宅」だから1番目
の有効一致文字列は「在宅」 次の一致文字列「起訴」は式3を満たさないので、有効
一致文字列は1番目のみとなる。
Since the first matching character string is "at home", the first valid matching character string is "at home". Since the next matching character string "prosecution" does not satisfy Expression 3, the only valid matching character string is the first. .

【表21】 C: 在 宅 起 訴 1 D: 在 宅 の ま ま で 起 訴 に ふ み き っ た 。 1[Table 21] C: was Tsu Ki tried fu between or in prosecutions of standing home: standing home prosecuted 1 D. 1

【0170】似ている文字列は「在宅」。似ている度合
い = 2 / 4 = 0.5
A similar character string is “at home”. Similarity = 2/4 = 0.5

【0171】「在」より後ろで最初の非有効一致文字は
「の」。2番目の似ている文字列は、「の」から後ろで
探す。
The first non-valid matching character after "present" is "no". The second similar string is searched after "no".

【0172】 C: 在 宅 起 訴 1 D: 在 宅 の ま ま で 起 訴 に ふ み き っ た 。 1[0172] C: was Tsu Ki tried fu between or in prosecutions of standing home: standing home prosecuted 1 D. 1

【0173】従って、2番目の似ている文字列は、「起
訴」。
Therefore, the second similar character string is "prosecution".

【0174】[0174]

【表22】 [Table 22]

【0175】有効一致文字列は「理学部」、「部長に就
任」の2つ。
There are two valid matching character strings: "Science Department" and "Appointed Director".

【0176】[0176]

【表23】 [Table 23]

【0177】似ている文字列は「理学部部長に就任」。
2つ目の「部」は式5を満たしている。そこで、似てい
る度合い = (( 1 * 7 + (-1/6) * 1 ) / 7 ) = 0.97
となる。
A character string that resembles is "appointed as dean of science department".
The second “part” satisfies Expression 5. So the degree of similarity = ((1 * 7 + (-1/6) * 1) / 7) = 0.97
Becomes

【0178】E12.第2の実施例の結果のまとめE12. Summary of the results of the second example

【表24】 入力文字列 文書中 類似度 ===================================================== ソフトメーカー ソフトのメーカー 0.95 ソフトの開発メーカー 0.85 政治資金規正法案 政治資金規正法 0.87 政治資金 0.50 理学部長に就任 理学部部長に就任 0.97 理学部の長に就任 0.95[Table 24] Input character string Document similarity ======================================== the length of ============== software development of the manufacturer software manufacturers 0.95 software maker 0.85 political funds Control bill political funds Control Law 0.87 political funds 0.50 Faculty of Science 0.97 Faculty of Science, became the appointed Science Director in length Inauguration 0.95

【0179】[0179]

【発明の効果】以上説明したように、この発明によれ
ば、文書ファイルまたはデータベースにおいて、人間の
感覚に自然な曖昧検索を、固有のインデックス構造を用
いて高速に実現できるという効果が得られる。
As described above, according to the present invention, an effect is obtained that a fuzzy search natural to human sense can be realized at high speed in a document file or a database using a unique index structure.

【図面の簡単な説明】[Brief description of drawings]

【図1】 ハードウェア構成を示すブロック図である。FIG. 1 is a block diagram showing a hardware configuration.

【図2】 処理要素のブロック図である。FIG. 2 is a block diagram of processing elements.

【図3】 索引ファイルの構造を示す図である。FIG. 3 is a diagram showing a structure of an index file.

【図4】 索引ファイル作成処理を示すフローチャート
である。
FIG. 4 is a flowchart showing an index file creation process.

【図5】 索引ファイルを使用した文字列検索処理のフ
ローチャートである。
FIG. 5 is a flowchart of a character string search process using an index file.

【図6】 索引ファイルを使用した曖昧検索処理のフロ
ーチャートである。
FIG. 6 is a flowchart of a fuzzy search process using an index file.

Claims (56)

【特許請求の範囲】[Claims] 【請求項1】コンピュータ処理によって検索可能に記憶
された文書中で、検索文字列と、文書中の文字列の類似
度を見出すための方法であって、(a) 検索文字列を入力
する段階と、(b) 上記検索文字列の先頭から、長さM文
字以上の(Mは、2以上の予定の整数)の部分文字列に
つき、上記文書中で一致する開始位置及び終了位置を見
出す(以下、その開始位置及び終了位置によって決定さ
れるM文字以上の長さの部分文字列を有効一致文字列と
称する)段階と、(c) 上記段階(b)で有効一致文字列が
見出されなかったことに応答して、上記検索文字列の部
分文字列の開始位置を1つずらした長さM文字以上の
(Mは、2以上の予定の整数)の部分文字列につき、上
記有効一致文字列を見出す段階と、(d) 上記有効一致文
字列が見出されたことに応答して、上記検索文字列にお
ける部分文字列の開始位置と、上記文書中での検索の開
始位置とをそれぞれ直前の有効一致文字列の長さだけず
らして、その開始位置の、該直前の有効一致文字列の終
了位置からの距離がL文字以内(Lは、1以上の予定の
整数)である有効一致文字列を見出す段階と、(e) 上記
有効一致文字列が見つかる限り、上記段階(d)を継続す
る段階と、(f) 少なくとも、上記文書における最初の有
効一致文字列の開始位置から、上記文書における最後の
有効一致文字列の終了位置までの間の文字列における、
有効一致文字列の存在情報に基づき、上記検索文字列
と、上記文書における最初の有効一致文字列の開始位置
から、上記文書における最後の有効一致文字列の終了位
置までの間の文字列との間の類似度を計算する段階を有
する、 情報検索方法。
1. A method for finding the similarity between a search character string and a character string in the document in a document that is stored so as to be searchable by computer processing, the method comprising: (a) inputting the search character string. And (b) find a matching start position and end position in the above document for a partial character string having a length of M characters or more (M is an integer of 2 or more) from the beginning of the search character string ( Hereinafter, a partial character string having a length of M characters or more determined by the start position and the end position is referred to as a valid matching character string) step, and (c) the valid matching character string is found in the above step (b). In response to the absence, a valid match is made for a partial character string having a length of M characters or more (M is an expected integer of 2 or more) obtained by shifting the start position of the partial character string of the search character string by one. Responding to the step of finding the character string and (d) finding the valid matching character string above. Then, the start position of the partial character string in the search character string and the start position of the search in the document are respectively shifted by the length of the valid matching character string immediately before, and the valid position immediately before the start position is shifted. The step of finding a valid matching character string whose distance from the end position of the matching character string is within L characters (L is an integer of 1 or more), and (e) the above step (as long as the valid matching character string is found). in the step of continuing d), and (f) at least in the character string from the start position of the first valid match string in the document to the end position of the last valid match string in the document,
Based on the existence information of the valid matching character string, the search character string and the character string from the start position of the first valid matching character string in the document to the end position of the last valid matching character string in the document. An information retrieval method comprising the step of calculating the similarity between two.
【請求項2】上記Mが2であり、上記Lが3以上であ
る、請求項1に記載の情報検索方法。
2. The information search method according to claim 1, wherein the M is 2 and the L is 3 or more.
【請求項3】上記類似度の計算は、検索文字列における
有効一致文字列が占める割合と、上記文書における最初
の有効一致文字列の開始位置から、上記文書における最
後の有効一致文字列の終了位置までの間の文字列におけ
る有効一致文字列が占める割合のうちの小さい方の値を
利用して行われる、請求項1に記載の情報検索方法。
3. The calculation of the similarity is based on the ratio of the valid matching character string in the search character string and the start position of the first valid matching character string in the document, to the end of the last valid matching character string in the document. The information search method according to claim 1, wherein the method is performed using a smaller value of the ratios of the valid matching character strings in the character strings up to the position.
【請求項4】上記類似度の計算は、上記文書における最
初の有効一致文字列の開始位置から、上記文書における
最後の有効一致文字列の終了位置までの間の文字列の個
々の文字において、それが有効一致文字列に属するとき
は加点し、そうでないときは減点し、結果の得点値を、
完全一致の得点値で割った値を利用して行われる、請求
項1に記載の情報検索方法。
4. The calculation of the similarity is performed for each character of the character string from the start position of the first valid matching character string in the document to the end position of the last valid matching character string in the document, If it belongs to a valid match string, the score is added, otherwise it is deducted and the resulting score value is
The information search method according to claim 1, wherein the information search method is performed using a value divided by a score value of perfect match.
【請求項5】コンピュータ処理によって検索可能に記憶
された文書中で、検索文字列があらわれる位置を見出す
ための情報検索方法であって、(a) 検索文字列を入力す
る段階と、(b) 類似度を入力する段階と、(c) 上記検索
文字列の先頭から、長さM文字以上の(Mは、2以上の
予定の整数)の部分文字列につき、上記文書中で一致す
る開始位置及び終了位置を見出す(以下、その開始位置
及び終了位置によって決定されるM文字以上の長さの部
分文字列を有効一致文字列と称する)段階と、(d) 上記
段階(c)で有効一致文字列が見出されなかったことに応
答して、上記検索文字列の部分文字列の開始位置を1つ
ずらした長さM文字以上の(Mは、2以上の予定の整
数)の部分文字列につき、上記有効一致文字列を見出す
段階と、(e) 上記有効一致文字列が見出されたことに応
答して、上記検索文字列における部分文字列の開始位置
と、上記文書中での検索の開始位置とをそれぞれ直前の
有効一致文字列だけずらして、その開始位置の、該直前
の有効一致文字列の終了位置からの距離がL文字以内
(Lは、1以上の予定の整数)である有効一致文字列を
見出す段階と、(f) 上記有効一致文字列が見つかる限
り、上記段階(e)を継続する段階と、(g) 少なくとも、
上記文書における最初の有効一致文字列の開始位置か
ら、上記文書における最後の有効一致文字列の終了位置
までの間の文字列における、有効一致文字列の存在情報
に基づき、上記検索文字列と、上記文書における最初の
有効一致文字列の開始位置から、上記文書における最後
の有効一致文字列の終了位置までの間の文字列との間の
類似度を計算する段階と、(h) 上記計算された類似度
が、上記段階(b)で入力された類似度以上であることに
応答して、上記文書の上記有効一致文字列を含む内容を
表示する段階を有する、 情報検索方法。
5. An information search method for finding a position where a search character string appears in a document that is searchably stored by computer processing, comprising: (a) inputting a search character string; and (b) The step of inputting the degree of similarity, and (c) the starting position that matches in the document for a partial character string having a length of M characters or more (M is an integer of 2 or more) from the beginning of the search character string. And finding the end position (hereinafter, a partial character string having a length of M characters or more determined by the start position and the end position is referred to as a valid matching character string), and (d) valid matching in the above step (c). In response to the character string not being found, a partial character having a length of M characters or more (M is an integer of 2 or more) shifted by one from the start position of the partial character string of the search character string. For each column, the step of finding the valid match character string, and (e) the valid match statement In response to the column being found, the start position of the partial character string in the search character string and the start position of the search in the document are each shifted by the immediately preceding valid matching character string, and the start position The step of finding a valid matching character string whose distance from the end position of the immediately preceding valid matching character string is within L characters (L is an integer of 1 or more), and (f) the valid matching character string is As long as it is found, continuing with step (e) above, and (g) at least
Based on the existence information of the valid match character string in the character string from the start position of the first valid match character string in the document to the end position of the last valid match character string in the document, the search character string, Calculating a similarity between the start position of the first valid matching character string in the document and the end position of the last valid matching character string in the document, and (h) calculating the similarity. An information retrieval method comprising: displaying the content including the valid matching character string of the document in response to the similarity being equal to or higher than the similarity input in step (b).
【請求項6】上記Mが2であり、上記Lが3以上であ
る、請求項5に記載の情報検索方法。
6. The information retrieval method according to claim 5, wherein the M is 2 and the L is 3 or more.
【請求項7】上記類似度の計算は、検索文字列における
有効一致文字列が占める割合と、上記文書における最初
の有効一致文字列の開始位置から、上記文書における最
後の有効一致文字列の終了位置までの間の文字列におけ
る有効一致文字列が占める割合のうちの小さい方の値を
利用して行われる、請求項5に記載の情報検索方法。
7. The calculation of the similarity is based on the ratio of the valid matching character string in the search character string and the start position of the first valid matching character string in the document, and the end of the last valid matching character string in the document. The information search method according to claim 5, wherein the method is performed by using a smaller value of the ratios of the valid matching character strings in the character strings up to the position.
【請求項8】上記類似度の計算は、上記文書における最
初の有効一致文字列の開始位置から、上記文書における
最後の有効一致文字列の終了位置までの間の文字列の個
々の文字において、それが有効一致文字列に属するとき
は加点し、そうでないときは減点し、結果の得点値を、
完全一致の得点値で割った値を利用して行われる、請求
項5に記載の情報検索方法。
8. The similarity calculation is performed for each character of a character string from the start position of the first valid matching character string in the document to the end position of the last valid matching character string in the document. If it belongs to a valid match string, the score is added, otherwise it is deducted and the resulting score value is
The information search method according to claim 5, wherein the information search method is performed by using a value divided by a score value of perfect match.
【請求項9】上記加点が、1つの文字について1であ
り、上記減点が、1つの文字について1/Lである、請
求項8に記載の情報検索方法。
9. The information search method according to claim 8, wherein the added point is 1 for one character, and the deducted point is 1 / L for one character.
【請求項10】コンピュータ処理によって検索可能に記
憶された複数の文書を含むデータベースで、検索文字列
と、文書中の文字列の類似度を見出すための方法であっ
て、(a) 検索文字列を入力する段階と、(b) 上記検索文
字列の先頭から、長さM文字以上の(Mは、2以上の予
定の整数)の部分文字列につき、上記データベースの同
一文書中で一致する開始位置及び終了位置を見出す(以
下、その開始位置及び終了位置によって決定されるM文
字以上の長さの部分文字列を有効一致文字列と称する)
段階と、(c) 上記段階(b)で有効一致文字列が見出され
なかったことに応答して、上記検索文字列の部分文字列
の開始位置を1つずらした長さM文字以上の(Mは、2
以上の予定の整数)の部分文字列につき、上記有効一致
文字列を見出す段階と、(d) 上記有効一致文字列が見出
されたことに応答して、上記検索文字列における部分文
字列の開始位置と、上記同一文書中での検索の開始位置
とをそれぞれ直前の有効一致文字列の長さだけずらし
て、その開始位置の、該直前の有効一致文字列の終了位
置からの距離がL文字以内(Lは、1以上の予定の整
数)である有効一致文字列を見出す段階と、(e) 上記有
効一致文字列が見つかる限り、上記段階(d)を継続する
段階と、(f) 少なくとも、上記文書における最初の有効
一致文字列の開始位置から、上記同一文書における最後
の有効一致文字列の終了位置までの間の文字列におけ
る、有効一致文字列の存在情報に基づき、上記検索文字
列と、上記同一文書における最初の有効一致文字列の開
始位置から、上記文書における最後の有効一致文字列の
終了位置までの間の文字列との間の類似度を計算する段
階を有する、 情報検索方法。
10. A method for finding the similarity between a search character string and a character string in a document in a database including a plurality of documents stored so as to be searchable by computer processing, comprising: (a) a search character string And (b) start matching in the same document of the above database for a partial character string with a length of M characters or more (M is an integer of 2 or more) from the beginning of the search character string. Find a position and an end position (hereinafter, a partial character string having a length of M characters or more determined by the start position and the end position is referred to as a valid matching character string)
And (c) in response to the fact that no valid matching character string was found in the above step (b), the start position of the partial character string of the search character string is shifted by one and the length is M characters or more. (M is 2
For the substrings of the above expected integer), in response to the step of finding the valid matching character string, and (d) the finding of the valid matching character string, The start position and the start position of the search in the same document are respectively shifted by the length of the immediately preceding effective matching character string, and the distance of the starting position from the ending position of the immediately preceding effective matching character string is L. Finding a valid match string that is within characters (L is an expected integer of 1 or more); (e) continuing the step (d) as long as the valid match string is found; and (f) At least, based on the existence information of the valid matching character string in the character string from the start position of the first valid matching character string in the document to the end position of the last valid matching character string in the same document, the search character Column and the same document above Valid matches from the start position of the string, including the step of calculating the degree of similarity between the character strings between the end position of the last valid matched character string in the document, information retrieval method.
【請求項11】上記Mが2であり、上記Lが3である、
請求項10に記載の情報検索方法。
11. The above M is 2, and the above L is 3,
The information search method according to claim 10.
【請求項12】上記類似度の計算は、検索文字列におけ
る有効一致文字列が占める割合と、上記文書における最
初の有効一致文字列の開始位置から、上記文書における
最後の有効一致文字列の終了位置までの間の文字列にお
ける有効一致文字列が占める割合のうちの小さい方の値
を利用して行われる、請求項10に記載の情報検索方
法。
12. The calculation of the degree of similarity is based on the ratio of the valid matching character string in the search character string and the start position of the first valid matching character string in the document to the end of the last valid matching character string in the document. The information search method according to claim 10, which is performed using a smaller value of the ratios of the valid matching character strings in the character strings up to the position.
【請求項13】上記類似度の計算は、上記文書における
最初の有効一致文字列の開始位置から、上記文書におけ
る最後の有効一致文字列の終了位置までの間の文字列の
個々の文字において、それが有効一致文字列に属すると
きは加点し、そうでないときは減点し、結果の得点値
を、完全一致の得点値で割った値を利用して行われる、
請求項10に記載の情報検索方法。
13. The calculation of the similarity is performed for each character of the character string from the start position of the first valid matching character string in the document to the end position of the last valid matching character string in the document. If it belongs to a valid matching character string, the score is added, otherwise it is deducted, and the score value of the result is divided by the score value of the perfect match.
The information search method according to claim 10.
【請求項14】コンピュータ処理によって検索可能に記
憶された複数の文書を含むデータベースにおいて、検索
文字列があらわれる箇所を見出すための情報検索方法で
あって、(a) 検索文字列を入力する段階と、(b) 類似度
を入力する段階と、(c) 上記検索文字列の先頭から、長
さM文字以上の(Mは、2以上の予定の整数)の部分文
字列につき、上記データベースの同一文書中で一致する
開始位置及び終了位置を見出す(以下、その開始位置及
び終了位置によって決定されるM文字以上の長さの部分
文字列を有効一致文字列と称する)段階と、(d) 上記段
階(c)で有効一致文字列が見出されなかったことに応答
して、上記検索文字列の部分文字列の開始位置を1つず
らした長さM文字以上の(Mは、2以上の予定の整数)
の部分文字列につき、上記有効一致文字列を見出す段階
と、(e) 上記有効一致文字列が見出されたことに応答し
て、上記検索文字列における部分文字列の開始位置と、
上記同一文書中での検索の開始位置とをそれぞれ直前の
有効一致文字列だけずらして、その開始位置の、該直前
の有効一致文字列の終了位置からの距離がL文字以内
(Lは、1以上の予定の整数)である有効一致文字列を
見出す段階と、(f) 上記有効一致文字列が見つかる限
り、上記段階(e)を継続する段階と、(g) 少なくとも、
上記同一文書における最初の有効一致文字列の開始位置
から、上記同一文書における最後の有効一致文字列の終
了位置までの間の文字列における、有効一致文字列の存
在情報に基づき、上記検索文字列と、上記同一文書にお
ける最初の有効一致文字列の開始位置から、上記同一文
書における最後の有効一致文字列の終了位置までの間の
文字列との間の類似度を計算する段階と、(h) 上記計算
された類似度が、上記段階(b)で入力された類似度以上
であることに応答して、上記文書の上記有効一致文字列
を含む内容を表示する段階を有する、 情報検索方法。
14. An information search method for finding a portion where a search character string appears in a database including a plurality of documents stored so as to be searchable by computer processing, the method comprising: (a) inputting a search character string; , (B) the step of inputting the degree of similarity, and (c) the same character string in the above database for the partial character string of length M or more (M is an integer of 2 or more) from the beginning of the search character string. Finding a matching start position and end position in the document (hereinafter, a partial character string having a length of M characters or more determined by the start position and end position is referred to as a valid matching character string); and (d) above. In response to the fact that no valid matching character string is found in step (c), the start position of the partial character string of the search character string is shifted by one and the length is M characters or more (M is 2 or more). Scheduled integer)
For the substring of, the step of finding the valid match string, and (e) in response to the valid match string being found, the start position of the substring in the search string,
The search start position in the same document is shifted by the immediately preceding valid matching character string, and the distance of the starting position from the end position of the immediately preceding valid matching character string is within L characters (L is 1 The step of finding a valid match string that is the above integer), (f) continuing the step (e) as long as the valid match string is found, and (g) at least
The search character string based on the existence information of the valid matching character string in the character string from the start position of the first valid matching character string in the same document to the end position of the last valid matching character string in the same document. And a step of calculating the similarity between the start position of the first valid matching character string in the same document and the end position of the last valid matching character string in the same document, and (h ) An information retrieval method, including a step of displaying the content including the valid matching character string of the document in response to the calculated similarity being equal to or higher than the similarity input in step (b). .
【請求項15】上記複数の文書に、固有の番号または記
号を予め付与する段階を有する、請求項14に記載の情
報検索方法。
15. The information retrieval method according to claim 14, further comprising the step of previously assigning a unique number or symbol to the plurality of documents.
【請求項16】上記固有の番号または記号は、順次的な
番号である、請求項15に記載の情報検索方法。
16. The information retrieval method according to claim 15, wherein the unique number or symbol is a sequential number.
【請求項17】上記Mが2であり、上記Lが3である、
請求項14に記載の情報検索方法。
17. The above M is 2 and the above L is 3.
The information search method according to claim 14.
【請求項18】上記類似度の計算は、検索文字列におけ
る有効一致文字列が占める割合と、上記文書における最
初の有効一致文字列の開始位置から、上記文書における
最後の有効一致文字列の終了位置までの間の文字列にお
ける有効一致文字列が占める割合のうちの小さい方の値
を利用して行われる、請求項14に記載の情報検索方
法。
18. The calculation of the degree of similarity is based on the ratio of the valid matching character string in the search character string and the start position of the first valid matching character string in the document, to the end of the last valid matching character string in the document. The information search method according to claim 14, which is performed by using a smaller value of the ratios of the valid matching character strings in the character strings up to the position.
【請求項19】上記類似度の計算は、上記文書における
最初の有効一致文字列の開始位置から、上記文書におけ
る最後の有効一致文字列の終了位置までの間の文字列の
個々の文字において、それが有効一致文字列に属すると
きは加点し、そうでないときは減点し、結果の得点値
を、完全一致の得点値で割った値を利用して行われる、
請求項14に記載の情報検索方法。
19. The calculation of the similarity is performed for each character of the character string from the start position of the first valid matching character string in the document to the end position of the last valid matching character string in the document. If it belongs to a valid matching character string, the score is added, otherwise it is deducted, and the score value of the result is divided by the score value of the perfect match.
The information search method according to claim 14.
【請求項20】上記加点が、1つの文字について1であ
り、上記減点が、1つの文字について1/Lである、請
求項19に記載の情報検索方法。
20. The information retrieval method according to claim 19, wherein the added point is 1 for one character, and the deducted point is 1 / L for one character.
【請求項21】コンピュータ処理によって検索可能に記
憶された文書中で、検索文字列があらわれる位置を見出
すための情報検索システムであって、(a) 検索文字列を
入力する手段と、(b) 上記検索文字列の、長さM文字以
上の(Mは、2以上の予定の整数)の部分文字列につ
き、上記文書中で一致する開始位置及び終了位置を見出
す(以下、その開始位置及び終了位置によって決定され
るM文字以上の部分文字列を有効一致文字列と称する)
手段と、(c) 上記検索文字列の先頭から、上記手段(b)
を適用し、有効一致文字列が見出されたことに応答し
て、上記検索文字列における部分文字列の開始位置と、
上記文書中での検索の開始位置とをそれぞれ直前の有効
一致文字列だけずらして、その開始位置の、該直前の有
効一致文字列の終了位置からの距離がL文字以内(L
は、1以上の予定の整数)である有効一致文字列を見出
し、有効一致文字列が見出されなかったことに応答し
て、上記検索文字列の部分文字列の開始位置を1つずら
した長さM文字以上の(Mは、2以上の予定の整数)の
部分文字列につき、上記有効一致文字列を見出す手段
と、(d) 上記有効一致文字列が見つかる限り、上記手段
(c)を順次適用する手段と、(e) 少なくとも、上記文書
における最初の有効一致文字列の開始位置から、上記文
書における最後の有効一致文字列の終了位置までの間の
文字列における、有効一致文字列の存在情報に基づき、
上記検索文字列と、上記文書における最初の有効一致文
字列の開始位置から、上記文書における最後の有効一致
文字列の終了位置までの間の文字列との間の類似度を計
算する手段を有する、 情報検索システム。
21. An information search system for finding a position where a search character string appears in a document stored so as to be searchable by computer processing, comprising: (a) means for inputting the search character string; and (b). For a partial character string of length M or more (M is an integer of 2 or more) of the search character string, find a matching start position and end position in the document (hereinafter, the start position and end position). (A partial character string of M characters or more determined by the position is called a valid matching character string.)
Means, and (c) the above means (b) from the beginning of the search string
And in response to finding a valid match string, the start position of the substring in the search string, and
The search start position in the above document is shifted by the immediately preceding valid matching character string, and the distance of the starting position from the end position of the immediately preceding valid matching character string is within L characters (L
Is a scheduled integer greater than or equal to 1) and found a valid matching character string, and in response to the fact that no valid matching character string was found, the start position of the partial character string of the search character string was shifted by one. For a partial character string having a length of M characters or more (M is an integer expected to be 2 or more), means for finding the valid matching character string, and (d) the above means as long as the valid matching character string is found.
means for sequentially applying (c), and (e) at least a valid character string from the start position of the first valid matching character string in the document to the end position of the last valid matching character string in the document. Based on the presence information of the matching character string,
A means for calculating the similarity between the search character string and the character string between the start position of the first valid matching character string in the document and the end position of the last valid matching character string in the document is provided. , Information retrieval system.
【請求項22】コンピュータ処理によって検索可能に記
憶された文書中で、検索文字列があらわれる位置を見出
すための情報検索システムであって、(a) 検索文字列を
入力する手段と、(b) 類似度を入力する手段と、(c) 上
記検索文字列の、長さM文字以上の(Mは、2以上の予
定の整数)の部分文字列につき、上記文書中で一致する
開始位置及び終了位置を見出す(以下、その開始位置及
び終了位置によって決定されるM文字以上の部分文字列
を有効一致文字列と称する)手段と、(d) 上記検索文字
列の先頭から、上記手段(c)を適用し、有効一致文字列
が見出されたことに応答して、上記検索文字列における
部分文字列の開始位置と、上記文書中での検索の開始位
置とをそれぞれ直前の有効一致文字列だけずらして、そ
の開始位置の、該直前の有効一致文字列の終了位置から
の距離がL文字以内(Lは、1以上の予定の整数)であ
る有効一致文字列を見出し、有効一致文字列が見出され
なかったことに応答して、上記検索文字列の部分文字列
の開始位置を1つずらした長さM文字以上の(Mは、2
以上の予定の整数)の部分文字列につき、上記有効一致
文字列を見出す手段と、(e) 上記有効一致文字列が見つ
かる限り、上記手段(d)を順次適用する手段と、(f) 少
なくとも、上記文書における最初の有効一致文字列の開
始位置から、上記文書における最後の有効一致文字列の
終了位置までの間の文字列における、有効一致文字列の
存在情報に基づき、上記検索文字列と、上記文書におけ
る最初の有効一致文字列の開始位置から、上記文書にお
ける最後の有効一致文字列の終了位置までの間の文字列
との間の類似度を計算する手段と、(g) 上記計算された
類似度が、上記段階(b)で入力された類似度以上である
ことに応答して、上記文書の上記有効一致文字列を含む
内容を表示する手段を具備する、 情報検索システム。
22. An information search system for finding a position where a search character string appears in a document that is searchably stored by computer processing, comprising: (a) means for inputting the search character string; and (b) A means for inputting the degree of similarity, and (c) a start position and an end that match in the above document for a partial character string having a length of M characters or more (M is a planned integer of 2 or more) of the search character string. Means for finding a position (hereinafter, a partial character string of M characters or more determined by the start position and the end position is referred to as a valid matching character string); and (d) the means (c) from the beginning of the search character string. In response to finding a valid matching character string, the start position of the partial character string in the search character string and the starting position of the search in the document are immediately preceding the valid matching character string. Shift the start position of the In response to the fact that a valid match character string whose distance from the end position of the effect match character string is within L characters (L is an integer of 1 or more) is found, and no valid match character string is found, The start position of the partial character string of the search character string is shifted by one and the length is M characters or more (M is 2
For the above (integer integer) substring, means for finding the valid matching character string, (e) means for sequentially applying the means (d) as long as the valid matching character string is found, and (f) at least , The search string based on the existence information of the valid matching character string in the character string from the start position of the first valid matching character string in the document to the end position of the last valid matching character string in the document. Means for calculating the similarity between the start position of the first valid matching character string in the document and the end position of the last valid matching character string in the document, and (g) the calculation An information retrieval system, comprising means for displaying the content of the document including the valid matching character string in response to the determined similarity being equal to or higher than the similarity input in the step (b).
【請求項23】上記Mが2であり、上記Lが3である、
請求項22に記載の情報検索システム。
23. The above M is 2, and the above L is 3,
An information retrieval system according to claim 22.
【請求項24】上記類似度の計算は、検索文字列におけ
る有効一致文字列が占める割合と、上記文書における最
初の有効一致文字列の開始位置から、上記文書における
最後の有効一致文字列の終了位置までの間の文字列にお
ける有効一致文字列が占める割合のうちの小さい方の値
を利用して行われる、請求項22に記載の情報検索シス
テム。
24. The calculation of the similarity is based on the ratio of the valid matching character string in the search character string and the start position of the first valid matching character string in the document, and the end of the last valid matching character string in the document. The information search system according to claim 22, wherein the information retrieval system is performed by using a smaller value of the ratios of the valid matching character strings in the character strings up to the position.
【請求項25】上記類似度の計算は、上記文書における
最初の有効一致文字列の開始位置から、上記文書におけ
る最後の有効一致文字列の終了位置までの間の文字列の
個々の文字において、それが有効一致文字列に属すると
きは加点し、そうでないときは減点し、結果の得点値
を、完全一致の得点値で割った値を利用して行われる、
請求項22に記載の情報検索システム。
25. The calculation of the similarity is performed for each character of the character string from the start position of the first valid matching character string in the document to the end position of the last valid matching character string in the document. If it belongs to a valid matching character string, the score is added, otherwise it is deducted, and the score value of the result is divided by the score value of the perfect match.
An information retrieval system according to claim 22.
【請求項26】上記加点が、1つの文字について1であ
り、上記減点が、1つの文字について1/Lである、請
求項25に記載の情報検索システム。
26. The information retrieval system according to claim 25, wherein the added point is 1 for one character, and the deduction point is 1 / L for one character.
【請求項27】コンピュータ処理によって検索可能に記
憶された複数の文書を含むデータベースで、検索文字列
があらわれる位置を見出すための情報検索システムであ
って、(a) 検索文字列を入力する手段と、(b) 類似度を
入力する手段と、(c) 上記検索文字列の、長さM文字以
上の(Mは、2以上の予定の整数)の部分文字列につ
き、上記文書中で一致する開始位置及び終了位置を見出
す(以下、その開始位置及び終了位置によって決定され
るM文字以上の部分文字列を有効一致文字列と称する)
手段と、(d) 上記検索文字列の先頭から、上記手段(c)
を適用し、有効一致文字列が見出されたことに応答し
て、上記検索文字列における部分文字列の開始位置と、
上記同一の文書中での検索の開始位置とをそれぞれ直前
の有効一致文字列だけずらして、その開始位置の、該直
前の有効一致文字列の終了位置からの距離がL文字以内
(Lは、1以上の予定の整数)である有効一致文字列を
見出し、有効一致文字列が見出されなかったことに応答
して、上記検索文字列の部分文字列の開始位置を1つず
らした長さM文字以上の(Mは、2以上の予定の整数)
の部分文字列につき、上記有効一致文字列を見出す手段
と、(e) 上記有効一致文字列が見つかる限り、上記手段
(d)を順次適用する手段と、(f) 少なくとも、上記同一
の文書における最初の有効一致文字列の開始位置から、
上記同一の文書における最後の有効一致文字列の終了位
置までの間の文字列における、有効一致文字列の存在情
報に基づき、上記検索文字列と、上記同一の文書におけ
る最初の有効一致文字列の開始位置から、上記同一の文
書における最後の有効一致文字列の終了位置までの間の
文字列との間の類似度を計算する手段と、(g) 上記計算
された類似度が、上記段階(b)で入力された類似度以上
であることに応答して、上記文書の上記有効一致文字列
を含む内容を表示する手段を具備する、 情報検索システム。
27. An information retrieval system for finding a position where a search character string appears in a database including a plurality of documents stored so as to be searchable by computer processing, comprising: (a) means for inputting the search character string. , (B) the means for inputting the degree of similarity, and (c) the substring of the search character string having a length of M characters or more (M is an integer of 2 or more) is matched in the document. Find the start position and end position (hereinafter, a partial character string of M characters or more determined by the start position and end position is referred to as a valid matching character string)
Means, and (d) the above means (c) from the beginning of the search string
And in response to finding a valid match string, the start position of the substring in the search string, and
The search start position in the same document is shifted by the immediately preceding valid matching character string, and the distance of the starting position from the end position of the immediately preceding valid matching character string is within L characters (L is A valid match character string that is a scheduled integer of 1 or more) is found, and in response to the fact that no valid match character string is found, the start position of the partial character string of the search character string is shifted by one. M characters or more (M is an integer of 2 or more)
For the partial character string of, the means for finding the valid matching character string, and (e) As long as the valid matching character string is found, the means
means for sequentially applying (d), and (f) at least from the start position of the first valid matching character string in the same document,
Based on the existence information of the valid matching character string in the character string up to the end position of the last valid matching character string in the same document, the search character string and the first valid matching character string in the same document are Means for calculating the similarity between the start position and the character string between the end position of the last valid matching character string in the same document, and (g) the calculated similarity is equal to the above step ( An information retrieval system, comprising means for displaying the content of the document including the valid matching character string in response to the similarity being equal to or higher than that input in b).
【請求項28】上記Mが2であり、上記Lが3である、
請求項27に記載の情報検索システム。
28. The above M is 2, and the above L is 3.
An information retrieval system according to claim 27.
【請求項29】上記類似度の計算は、検索文字列におけ
る有効一致文字列が占める割合と、上記文書における最
初の有効一致文字列の開始位置から、上記文書における
最後の有効一致文字列の終了位置までの間の文字列にお
ける有効一致文字列が占める割合のうちの小さい方の値
を利用して行われる、請求項27に記載の情報検索シス
テム。
29. The calculation of the similarity is based on the ratio of the valid matching character string in the search character string and the start position of the first valid matching character string in the document, and the end of the last valid matching character string in the document. The information search system according to claim 27, which is performed using a smaller value of the ratios of the valid matching character strings in the character strings up to the position.
【請求項30】上記類似度の計算は、上記文書における
最初の有効一致文字列の開始位置から、上記文書におけ
る最後の有効一致文字列の終了位置までの間の文字列の
個々の文字において、それが有効一致文字列に属すると
きは加点し、そうでないときは減点し、結果の得点値
を、完全一致の得点値で割った値を利用して行われる、
請求項27に記載の情報検索システム。
30. The calculation of the similarity is performed for each character of the character string from the start position of the first valid matching character string in the document to the end position of the last valid matching character string in the document. If it belongs to a valid matching character string, the score is added, otherwise it is deducted, and the score value of the result is divided by the score value of the perfect match.
An information retrieval system according to claim 27.
【請求項31】上記加点が、1つの文字について1であ
り、上記減点が、1つの文字について1/Lである、請
求項30に記載の情報検索システム。
31. The information retrieval system according to claim 30, wherein the added point is 1 for one character, and the deduction point is 1 / L for one character.
【請求項32】コンピュータ処理によって検索可能に記
憶された文書において、長さN文字のパターンを高速に
検索することを可能ならしめる索引ファイルの作成方法
であって、(a) 上記文書を順次走査し、上記文書中に連
続してあらわれる任意のN文字パターン、及びそのN文
字パターンが上記文書中にあらわれる位置の情報を、記
憶領域に書き出す段階と、(b) 上記段階(a)が、上記文
書全体の走査を完了したことに応答して、上記記憶領域
に書き出された情報を上記文字パターンにつきソート
し、互いに異なる上記文字パターン毎に、上記位置の情
報をまとめて関連付ける段階と、(c) 文字パターンをキ
ーとして、該文字パターンに関連付けられた上記位置の
情報を探索できるように、ファイルを作成し出力する段
階を有する、 索引ファイルの作成方法。
32. A method of creating an index file that enables a pattern of length N characters to be searched at high speed in a document that is stored so as to be searchable by computer processing. Then, a step of writing, in a storage area, information on an arbitrary N character pattern continuously appearing in the document and the position where the N character pattern appears in the document, and (b) the step (a) above In response to completing the scanning of the entire document, sorting the information written in the storage area for each of the character patterns, and associating the information of the positions collectively for each of the different character patterns, ( c) Index file having a step of creating and outputting a file so that information on the above-mentioned position associated with the character pattern can be searched using the character pattern as a key How to create.
【請求項33】上記段階(c)での探索が2分探索であ
る、請求項32に記載の索引ファイルの作成方法。
33. The method of creating an index file according to claim 32, wherein the search in step (c) is a binary search.
【請求項34】上記文書におけるM文字以上の文字パタ
ーンの検索は、請求項33の方法で作成された索引ファ
イルを使用し、それによって得られる位置情報を利用す
ることにより行う、請求項1または請求項5に記載の情
報検索方法。
34. The search for a character pattern of M characters or more in the document is performed by using the index file created by the method of claim 33 and utilizing the position information obtained thereby. The information search method according to claim 5.
【請求項35】コンピュータ処理によって検索可能に記
憶された複数の文書を含むデータベースにおいて、長さ
N文字のパターンを高速に検索することを可能ならしめ
る索引ファイルの作成方法であって、(a) 上記複数の文
書の各々に、それぞれを個別に識別するための符号また
は番号を付与する段階と、(b) 上記データベースを順次
走査し、上記データベースの個々の文書中に連続してあ
らわれる任意のN文字パターン、及びそのN文字パター
ンが該文書中にあらわれる位置の情報を、該文書の識別
符号または番号に関連付けて記憶領域に書き出す段階
と、(c) 上記段階(b)が、上記データベースの文書全体
の走査を完了したことに応答して、上記記憶領域に書き
出された情報を上記文字パターンにつきソートし、互い
に異なる上記文字パターン毎に、上記文書の識別符号ま
たは番号と、該文書内の位置の情報をまとめて関連付け
る段階と、(d) 文字パターンをキーとして、該文字パタ
ーンに関連付けられた文書の識別符号または番号と、上
記位置の情報を探索できるように、ファイルを作成し出
力する段階を有する、 索引ファイルの作成方法。
35. A method of creating an index file for enabling a high-speed search for a pattern having a length of N characters in a database including a plurality of documents stored by computer processing so as to be searchable, the method comprising: (a) Giving each of the plurality of documents a code or number for uniquely identifying each, and (b) scanning the database sequentially, and selecting any N consecutively appearing in each document of the database. Writing the character pattern and the information of the position where the N character pattern appears in the document in the storage area in association with the identification code or number of the document; and (c) the step (b) is the document of the database. In response to completing the entire scan, the information written in the storage area is sorted by the character pattern, and the character patterns different from each other are sorted. The step of associating the identification code or number of the document with the information on the position in the document, and (d) using the character pattern as a key, the identification code or number of the document associated with the character pattern, A method of creating an indexed file that includes the steps of creating and outputting a file so that location information can be searched.
【請求項36】上記段階(d)での探索が2分探索であ
る、請求項35に記載の索引ファイルの作成方法。
36. The method of creating an index file according to claim 35, wherein the search in step (d) is a binary search.
【請求項37】上記文書におけるM文字以上の文字パタ
ーンの検索は、請求項36の方法で作成された索引ファ
イルを使用し、それによって得られる位置情報を利用す
ることにより行う、請求項10または請求項14に記載
の情報検索方法。
37. A search for a character pattern of M characters or more in the document is performed by using an index file created by the method of claim 36 and utilizing position information obtained thereby. The information search method according to claim 14.
【請求項38】上記M及びNはともに2であり、上記L
は3以上である、請求項37に記載の索引ファイルの作
成方法。
38. The above M and N are both 2, and the above L
38. The method of creating an index file according to claim 37, wherein is 3 or more.
【請求項39】コンピュータ処理によって検索可能に記
憶された文書において、長さN文字のパターンを高速に
検索することを可能ならしめる索引ファイルの作成方法
であって、(a) 上記文書を順次走査し、上記文書中にあ
らわれる、予め指定された文書区切り文字パターン、及
びその区切り文字パターンが上記文書中にあらわれる位
置の情報を、記憶領域に書き出すとともに、上記文書中
に連続してあらわれる任意のN文字パターン、及びその
N文字パターンが上記文書中にあらわれる位置の情報
を、記憶領域に書き出す段階と、(b) 上記段階(a)が、
上記文書全体の走査を完了したことに応答して、上記記
憶領域に書き出された情報を上記文字パターンにつきソ
ートし、互いに異なる上記文字パターン毎に、上記位置
の情報をまとめて関連付ける段階と、(c) 文字パターン
をキーとして、該文字パターンに関連付けられた上記位
置の情報を探索できるように、ファイルを作成し出力す
る段階を有する、 索引ファイルの作成方法。
39. A method of creating an index file that enables a pattern having a length of N characters to be searched at high speed in a document that is stored so as to be searchable by computer processing. Then, the previously designated document delimiter pattern appearing in the document and the information on the position where the delimiter pattern appears in the document are written in the storage area, and any N consecutively appearing in the document is written. A step of writing a character pattern and information on the position where the N character pattern appears in the document in a storage area; and (b) the step (a),
In response to completing the scanning of the entire document, sorting the information written in the storage area by the character pattern, and associating the information of the position collectively for each of the different character patterns, (c) A method of creating an index file, which has a step of creating and outputting a file so that information on the above-mentioned position associated with the character pattern can be searched using the character pattern as a key.
【請求項40】上記文書におけるM文字以上の文字パタ
ーンの検索は、請求項39の方法で作成された索引ファ
イルを使用し、それによって得られる位置情報を利用す
ることにより行う、請求項1または請求項5に記載の情
報検索方法。
40. A search for a character pattern of M characters or more in the document is performed by using an index file created by the method of claim 39 and utilizing position information obtained thereby. The information search method according to claim 5.
【請求項41】上記文書中の区切り文字パターンを検索
してそれによって得られる位置情報を、上記文書におけ
るM文字以上の文字パターンの検索によって得られる位
置情報とを関連付ける段階をさらに有する、請求項40
に記載の情報検索方法。
41. The method further comprising the step of retrieving delimiter character patterns in the document and associating position information obtained thereby with position information obtained by retrieving a character pattern of M or more characters in the document. 40
Information retrieval method described in.
【請求項42】コンピュータ処理によって検索可能に記
憶された文書において、長さN文字のパターンを高速に
検索することを可能ならしめる索引ファイルの作成シス
テムであって、(a) 上記文書を順次走査し、上記文書中
に連続してあらわれる任意のN文字パターン、及びその
N文字パターンが上記文書中にあらわれる位置の情報
を、記憶領域に書き出す手段と、(b) 上記手段(a)が、
上記文書全体の走査を完了したことに応答して、上記記
憶領域に書き出された情報を上記文字パターンにつきソ
ートし、互いに異なる上記文字パターン毎に、上記位置
の情報をまとめて関連付ける手段と、(c) 文字パターン
をキーとして、該文字パターンに関連付けられた上記位
置の情報を探索できるように、ファイルを作成し出力す
る手段を有する、 索引ファイルの作成システム。
42. A system for creating an index file that enables a pattern of length N characters to be searched at high speed in a document stored by computer processing so that the document can be sequentially scanned. Then, a means for writing to the storage area information about an arbitrary N character pattern continuously appearing in the document and the position where the N character pattern appears in the document, and (b) the means (a),
In response to completing the scanning of the entire document, the information written in the storage area is sorted by the character pattern, and the information of the position is collectively associated with each of the different character patterns. (c) An index file creation system having means for creating and outputting a file so that information on the position associated with the character pattern can be searched using the character pattern as a key.
【請求項43】コンピュータ処理によって検索可能に記
憶された複数の文書を含むデータベースにおいて、長さ
N文字のパターンを高速に検索することを可能ならしめ
る索引ファイルの作成システムであって、(a) 上記複数
の文書の各々に、それぞれを個別に識別するための符号
または番号を付与する手段と、(b) 上記データベースを
順次走査し、上記データベースの個々の文書中に連続し
てあらわれる任意のN文字パターン、及びそのN文字パ
ターンが該文書中にあらわれる位置の情報を、該文書の
識別符号または番号に関連付けて記憶領域に書き出す手
段と、(c) 上記手段(b)が、上記データベースの文書全
体の走査を完了したことに応答して、上記記憶領域に書
き出された情報を上記文字パターンにつきソートし、互
いに異なる上記文字パターン毎に、上記文書の識別符号
または番号と、該文書内の位置の情報をまとめて関連付
ける手段と、(d) 文字パターンをキーとして、該文字パ
ターンに関連付けられた文書の識別符号または番号と、
上記位置の情報を探索できるように、ファイルを作成し
出力する手段を有する、 索引ファイルの作成システム。
43. A system for creating an index file for enabling a high-speed search for a pattern having a length of N characters in a database including a plurality of documents that are stored so as to be searchable by computer processing. Means for giving a code or number for individually identifying each of the plurality of documents, and (b) scanning the database sequentially, and arbitrary N appearing consecutively in each document of the database. A means for writing information on the character pattern and the position where the N character pattern appears in the document in a storage area in association with the identification code or number of the document; and (c) the means (b) for writing the document in the database. In response to completing the entire scan, the information written in the storage area is sorted according to the character patterns, and the character patterns different from each other are sorted. For each document, the identification code or number of the document and a means for collectively associating the position information in the document, and (d) the character pattern as a key, and the identification code or number of the document associated with the character pattern. ,
An index file creation system having means for creating and outputting a file so that information on the above position can be searched.
【請求項44】上記Nは2である、請求項43に記載の
索引ファイルの作成システム。
44. The index file creation system according to claim 43, wherein said N is 2.
【請求項45】コンピュータ処理によって検索可能に記
憶された文書において、長さN文字のパターンを高速に
検索することを可能ならしめる索引ファイルの作成シス
テムであって、(a) 上記文書を順次走査し、上記文書中
にあらわれる、予め指定された文書区切り文字パター
ン、及びその区切り文字パターンが上記文書中にあらわ
れる位置の情報を、記憶領域に書き出すとともに、上記
文書中に連続してあらわれる任意のN文字パターン、及
びそのN文字パターンが上記文書中にあらわれる位置の
情報を、記憶領域に書き出す手段と、(b) 上記手段(a)
が、上記文書全体の走査を完了したことに応答して、上
記記憶領域に書き出された情報を上記文字パターンにつ
きソートし、互いに異なる上記文字パターン毎に、上記
位置の情報をまとめて関連付ける手段と、(c) 文字パタ
ーンをキーとして、該文字パターンに関連付けられた上
記位置の情報を探索できるように、ファイルを作成し出
力する手段を有する、 索引ファイルの作成システム。
45. A system for creating an index file that enables a pattern of length N characters to be searched at high speed in a document that is stored so as to be searchable by computer processing. (A) The document is sequentially scanned. Then, the previously designated document delimiter pattern that appears in the document and information on the position where the delimiter pattern appears in the document are written to the storage area, and any N that appears consecutively in the document is written. A means for writing a character pattern and information on the position where the N character pattern appears in the document in a storage area; and (b) the means (a)
Means for sorting the information written in the storage area according to the character patterns in response to the completion of scanning of the entire document, and associating the information of the positions collectively for the different character patterns. And (c) an index file creation system having means for creating and outputting a file so that information on the position associated with the character pattern can be searched using the character pattern as a key.
【請求項46】コンピュータ処理によって検索可能に記
憶された複数の文書を含むデータベースにおいて、長さ
N文字のパターンを高速に検索することを可能ならしめ
る索引ファイルの作成システムであって、(a) 上記複数
の文書の各々に、それぞれを個別に識別するための符号
または番号を付与する手段と、(b) 上記データベースを
順次走査し、上記データベースの個々の文書中にあらわ
れる、予め指定された文書区切り文字パターン、及びそ
の区切り文字パターンが上記文書中にあらわれる位置の
情報を、該文書の識別符号または番号に関連付けて記憶
領域に書き出すとともに、上記データベースの個々の文
書中に連続してあらわれる任意のN文字パターン、及び
そのN文字パターンが該文書中にあらわれる位置の情報
を、該文書の識別符号または番号に関連付けて記憶領域
に書き出す手段と、(c) 上記手段(b)が、上記データベ
ースの文書全体の走査を完了したことに応答して、上記
記憶領域に書き出された情報を上記文字パターンにつき
ソートし、互いに異なる上記文字パターン毎に、上記文
書の識別符号または番号と、該文書内の位置の情報をま
とめて関連付ける手段と、(d) 文字パターンをキーとし
て、該文字パターンに関連付けられた文書の識別符号ま
たは番号と、上記位置の情報を探索できるように、ファ
イルを作成し出力する手段を有する、 索引ファイルの作成システム。
46. A system for creating an index file, which enables a pattern having a length of N characters to be searched at high speed in a database including a plurality of documents which are stored so as to be searchable by computer processing. A means for giving a code or number for individually identifying each of the plurality of documents, and (b) a document designated in advance that appears in each document of the database by sequentially scanning the database. The delimiter pattern and the information of the position where the delimiter pattern appears in the document are written in the storage area in association with the identification code or number of the document, and any information continuously appearing in each document in the database is written. The N-character pattern and information on the position where the N-character pattern appears in the document are used as identification codes of the document. Or a means for writing in the storage area in association with a number, and (c) in response to the means (b) completing the scanning of the entire document in the database, the information written in the storage area is written in the character. The patterns are sorted, and for each of the different character patterns, a means for collectively associating the identification code or number of the document with information on the position in the document, and (d) associating with the character pattern using the character pattern as a key An index file creation system having a means for creating and outputting a file so that the identification code or number of the obtained document and the information on the above position can be searched.
【請求項47】コンピュータ処理によって検索可能に記
憶された複数の文書を含むデータベースにおいて、検索
文字列があらわれる箇所を見出すための情報検索方法で
あって、(a) 検索文字列を入力する段階と、(b) 類似度
を入力する段階と、(c) 上記検索文字列の先頭から、長
さM文字以上の(Mは、2以上の予定の整数)の部分文
字列につき、上記データベースの同一文書中で一致する
開始位置及び終了位置を見出す(以下、その開始位置及
び終了位置によって決定されるM文字以上の長さの部分
文字列を有効一致文字列と称する)段階と、(d)i番目
の有効一致文字列の文書中での開始位置を s(D, i) i番目の有効一致文字列の文書中での終了位置を e(D,
i) i番目の有効一致文字列の検索したい文字列中での開始
位置を s(C, i) i番目の有効一致文字列の検索したい文字列中での終了
位置を e(C, i) として、 e(D, i) + 1 ≦ s(D, i+1) ≦ e(D, i) + L + 1 且つ s(C, i+1) > e(C,i) - (M-1) (この式で、Lは、1以上の予定の整数) という条件を満たすi+i番目の有効一致文字列を見出す
段階と、(e) 上記有効一致文字列が見つかる限り、上記
段階(d)を継続する段階と、(f) 少なくとも、上記同一
文書における最初の有効一致文字列の開始位置から、上
記同一文書における最後の有効一致文字列の終了位置ま
での間の文字列における、有効一致文字列の存在情報に
基づき、上記検索文字列と、上記同一文書における最初
の有効一致文字列の開始位置から、上記同一文書におけ
る最後の有効一致文字列の終了位置までの間の文字列と
の間の類似度を計算する段階と、(g) 上記計算された類
似度が、上記段階(b)で入力された類似度以上であるこ
とに応答して、上記文書の上記有効一致文字列を含む内
容を表示する段階を有する、 情報検索方法。
47. An information search method for finding a portion where a search character string appears in a database including a plurality of documents that are stored so as to be searchable by computer processing, the method comprising: (a) inputting a search character string; , (B) the step of inputting the degree of similarity, and (c) the same character string in the above database for the partial character string of length M or more (M is an integer of 2 or more) from the beginning of the search character string. Finding a matching start position and end position in the document (hereinafter, a partial character string having a length of M characters or more determined by the start position and the end position is referred to as a valid matching character string); and (d) i S (D, i) is the starting position of the i-th valid matching character string in the document, and e (D, i) is the ending position of the i-th valid matching character string in the document.
i) The start position of the i-th valid matching character string in the character string to be searched is s (C, i) The end position of the i-th valid matching character string in the character string to be searched is e (C, i) , E (D, i) + 1 ≤ s (D, i + 1) ≤ e (D, i) + L + 1 and s (C, i + 1)> e (C, i)-(M- 1) (In this formula, L is an integer that is expected to be 1 or more) The step of finding the i + ith valid matching character string, and (e) The above step (as long as the valid matching character string is found). d) continuing, and (f) valid at least in the character string from the start position of the first valid matching character string in the same document to the end position of the last valid matching character string in the same document. Characters from the start position of the first valid matching character string in the same document to the end position of the last valid matching character string in the same document, based on the existence information of the matching character string And (g) in response to the calculated similarity being equal to or greater than the similarity input in step (b), the valid matching character of the document. A method for retrieving information, comprising displaying content including columns.
【請求項48】上記Mが2であり、上記Lが3以上であ
る、請求項47に記載の情報検索方法。
48. The information search method according to claim 47, wherein the M is 2 and the L is 3 or more.
【請求項49】上記類似度の計算は、検索文字列におけ
る有効一致文字列が占める割合と、上記文書における最
初の有効一致文字列の開始位置から、上記文書における
最後の有効一致文字列の終了位置までの間の文字列にお
ける有効一致文字列が占める割合のうちの小さい方の値
を利用して行われる、請求項47に記載の情報検索方
法。
49. The calculation of the similarity is based on the ratio of the valid matching character string in the search character string and the starting position of the first valid matching character string in the document to the end of the last valid matching character string in the document. The information search method according to claim 47, which is performed using a smaller value of the ratios of the valid matching character strings in the character strings up to the position.
【請求項50】上記文書における最初の有効一致文字列
の開始位置から上記文書における最後の有効一致文字列
の終了位置までの間における有効一致文字列が占める割
合を算出するために、上記検索文字列中で複数の有効一
致文字列に属する文字をそれ以外の文字より低い重み付
けをする、請求項47に記載の情報検索方法。
50. The search character is calculated in order to calculate a ratio occupied by a valid matching character string from the start position of the first valid matching character string in the document to the end position of the last valid matching character string in the document. The information retrieval method according to claim 47, wherein the characters belonging to the plurality of valid matching character strings in the string are weighted lower than the other characters.
【請求項51】コンピュータ処理によって検索可能に記
憶された複数の文書を含むデータベースにおいて、検索
文字列があらわれる箇所を見出すための情報検索方法で
あって、(a) 検索文字列を入力する段階と、(b) 類似度
を入力する段階と、(c) 上記検索文字列の先頭から、長
さM文字以上の(Mは、2以上の予定の整数)の部分文
字列につき、上記データベースの同一文書中で一致する
開始位置及び終了位置を見出す(以下、その開始位置及
び終了位置によって決定されるM文字以上の長さの部分
文字列を有効一致文字列と称する)段階と、(d)i番目
の有効一致文字列の文書中での開始位置を s(D, i) i番目の有効一致文字列の文書中での終了位置を e(D,
i) i番目の有効一致文字列の検索したい文字列中での開始
位置を s(C, i) i番目の有効一致文字列の検索したい文字列中での終了
位置を e(C, i) として、 s(C, i+1) > e(C, i) - (M - 1)、 s(D, i+1) > e(D, i) 且つ s(D, i+1) - e(D, i) - 1 + max(e(C, i) - s(C, i+1)
+ 1, 0) ≦ L (この式で、Lは、1以上の予定の整数)という条件を
満たすi+i番目の有効一致文字列を見出す段階と、(e)
上記有効一致文字列が見つかる限り、上記段階(d)を継
続する段階と、(f) 少なくとも、上記同一文書における
最初の有効一致文字列の開始位置から、上記同一文書に
おける最後の有効一致文字列の終了位置までの間の文字
列における、有効一致文字列の存在情報に基づき、上記
検索文字列と、上記同一文書における最初の有効一致文
字列の開始位置から、上記同一文書における最後の有効
一致文字列の終了位置までの間の文字列との間の類似度
を計算する段階と、(g) 上記計算された類似度が、上記
段階(b)で入力された類似度以上であることに応答し
て、上記文書の上記有効一致文字列を含む内容を表示す
る段階を有する、 情報検索方法。
51. An information search method for finding a portion where a search character string appears in a database including a plurality of documents that are stored so as to be searchable by computer processing, the method comprising: (a) inputting a search character string; , (B) the step of inputting the degree of similarity, and (c) the same character string in the above database for the partial character string of length M or more (M is an integer of 2 or more) from the beginning of the search character string. Finding a matching start position and end position in the document (hereinafter, a partial character string having a length of M characters or more determined by the start position and the end position is referred to as a valid matching character string); and (d) i S (D, i) is the starting position of the i-th valid matching character string in the document, and e (D, i) is the ending position of the i-th valid matching character string in the document.
i) The start position of the i-th valid matching character string in the character string to be searched is s (C, i) The end position of the i-th valid matching character string in the character string to be searched is e (C, i) , S (C, i + 1)> e (C, i)-(M-1), s (D, i + 1)> e (D, i) and s (D, i + 1)-e (D, i)-1 + max (e (C, i)-s (C, i + 1)
+ 1, 0) ≤ L (where L is a scheduled integer greater than or equal to 1 in this formula), the step of finding the i + ith valid matching character string, and (e)
As long as the above valid matching character string is found, the step (d) is continued, and (f) At least from the starting position of the first valid matching character string in the same document, the last valid matching character string in the same document. Based on the existence information of the valid matching character string in the character string up to the end position of, the search character string and the last valid matching in the same document from the start position of the first valid matching character string in the same document. The step of calculating the similarity between the character string and the end position of the character string, and (g) the calculated similarity is equal to or greater than the similarity input in step (b) above. An information retrieval method comprising: in response, displaying the content of the document including the valid match string.
【請求項52】上記Mが2であり、上記Lが3以上であ
る、請求項51に記載の情報検索方法。
52. The information search method according to claim 51, wherein the M is 2 and the L is 3 or more.
【請求項53】上記類似度の計算は、検索文字列におけ
る有効一致文字列が占める割合と、上記文書における最
初の有効一致文字列の開始位置から、上記文書における
最後の有効一致文字列の終了位置までの間の文字列にお
ける有効一致文字列が占める割合のうちの小さい方の値
を利用して行われる、請求項51に記載の情報検索方
法。
53. The calculation of the similarity is based on the ratio of the valid matching character string in the search character string and the start position of the first valid matching character string in the document, and the end of the last valid matching character string in the document. 52. The information search method according to claim 51, which is performed using a smaller value of the ratios of the valid matching character strings in the character strings up to the position.
【請求項54】上記類似度の計算は、上記文書における
最初の有効一致文字列の開始位置から、上記文書におけ
る最後の有効一致文字列の終了位置までの間の文字列の
個々の文字において、それが有効一致文字列に属すると
きは加点し、そうでないときは減点し、結果の得点値
を、完全一致の得点値で割った値を利用して行われる、
請求項51に記載の情報検索方法。
54. The calculation of the similarity is performed for each character of the character string from the start position of the first valid matching character string in the document to the end position of the last valid matching character string in the document. If it belongs to a valid matching character string, the score is added, otherwise it is deducted, and the score value of the result is divided by the score value of the perfect match.
The information search method according to claim 51.
【請求項55】上記加点が、1つの文字について1であ
り、上記減点が、1つの文字について1/Lである、請
求項54に記載の情報検索方法。
55. The information search method according to claim 54, wherein the added point is 1 for one character, and the deducted point is 1 / L for one character.
【請求項56】i番目の有効一致文字列に属していて、
且つ対応する検索文字列中の文字がi−1番目の有効一
致列に属している文字について1/(2L)の減点をす
る、請求項55に記載の情報検索方法。
56. It belongs to the i-th valid matching character string,
56. The information search method according to claim 55, wherein the character in the corresponding search character string deducts 1 / (2L) from the character belonging to the i-1th valid matching string.
JP6287642A 1994-11-22 1994-11-22 Information retrieval method and system Expired - Fee Related JP2669601B2 (en)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP6287642A JP2669601B2 (en) 1994-11-22 1994-11-22 Information retrieval method and system
CN 95118142 CN1151558A (en) 1994-11-22 1995-11-01 Information searching method and system
KR1019950044494A KR960018993A (en) 1994-11-22 1995-11-22 Information retrieval method and system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP6287642A JP2669601B2 (en) 1994-11-22 1994-11-22 Information retrieval method and system

Publications (2)

Publication Number Publication Date
JPH08147320A true JPH08147320A (en) 1996-06-07
JP2669601B2 JP2669601B2 (en) 1997-10-29

Family

ID=17719873

Family Applications (1)

Application Number Title Priority Date Filing Date
JP6287642A Expired - Fee Related JP2669601B2 (en) 1994-11-22 1994-11-22 Information retrieval method and system

Country Status (3)

Country Link
JP (1) JP2669601B2 (en)
KR (1) KR960018993A (en)
CN (1) CN1151558A (en)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11203315A (en) * 1998-01-14 1999-07-30 Nec Corp Method for retrieving symbol column and device therefor and recording medium for recording symbol column retrieval program
WO2006074586A1 (en) * 2005-01-17 2006-07-20 Wenxin Xu Retrieval technology of character string marked with bit
US7827179B2 (en) 2005-09-02 2010-11-02 Nec Corporation Data clustering system, data clustering method, and data clustering program
JP2014146301A (en) * 2013-01-30 2014-08-14 Casio Comput Co Ltd Searching device, searching method and program
CN105550175A (en) * 2014-10-28 2016-05-04 阿里巴巴集团控股有限公司 Malicious account identification method and apparatus
CN108133016A (en) * 2017-12-22 2018-06-08 大连景竣科技有限公司 One kind does public document alignment system and method
CN112733524A (en) * 2020-12-31 2021-04-30 浙江省方大标准信息有限公司 Method, system and device for automatically correcting standard serial numbers and batch checking standard states

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3709305B2 (en) * 1999-07-01 2005-10-26 日立オムロンターミナルソリューションズ株式会社 Place name character string collation method, place name character string collation device, place name character string recognition device, and mail classification system
JP4042580B2 (en) * 2003-01-28 2008-02-06 ヤマハ株式会社 Terminal device for speech synthesis using pronunciation description language
CN100357946C (en) * 2004-06-09 2007-12-26 金宝电子(上海)有限公司 Electronic device and method for fast comparision searching word string
US7620387B2 (en) 2004-12-22 2009-11-17 Research In Motion Limited Entering contacts in a communication message on a mobile device
US7571048B2 (en) * 2006-08-18 2009-08-04 Google Inc. Providing routing information based on ambiguous locations
CN100485691C (en) * 2007-02-14 2009-05-06 白杰 Method and device for determining destination file
US8943164B2 (en) * 2007-12-24 2015-01-27 Qualcomm Incorporated Apparatus and methods for retrieving/ downloading content on a communication device
JP6028392B2 (en) * 2012-05-24 2016-11-16 富士通株式会社 Generation program, generation method, generation device, search program, search method, and search device
CN104090875A (en) * 2013-04-01 2014-10-08 鸿富锦精密工业(深圳)有限公司 Information retrieval system and information retrieval method

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04215181A (en) * 1990-12-12 1992-08-05 Teremateiiku Kokusai Kenkyusho:Kk Information retrieval processing system
JPH04293161A (en) * 1991-03-20 1992-10-16 Hitachi Ltd Method and device for retrieving document

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04215181A (en) * 1990-12-12 1992-08-05 Teremateiiku Kokusai Kenkyusho:Kk Information retrieval processing system
JPH04293161A (en) * 1991-03-20 1992-10-16 Hitachi Ltd Method and device for retrieving document

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11203315A (en) * 1998-01-14 1999-07-30 Nec Corp Method for retrieving symbol column and device therefor and recording medium for recording symbol column retrieval program
US6338061B1 (en) 1998-01-14 2002-01-08 Nec Corporation Search method search apparatus, and recording medium recording program
WO2006074586A1 (en) * 2005-01-17 2006-07-20 Wenxin Xu Retrieval technology of character string marked with bit
US7827179B2 (en) 2005-09-02 2010-11-02 Nec Corporation Data clustering system, data clustering method, and data clustering program
JP2014146301A (en) * 2013-01-30 2014-08-14 Casio Comput Co Ltd Searching device, searching method and program
CN105550175A (en) * 2014-10-28 2016-05-04 阿里巴巴集团控股有限公司 Malicious account identification method and apparatus
CN108133016A (en) * 2017-12-22 2018-06-08 大连景竣科技有限公司 One kind does public document alignment system and method
CN112733524A (en) * 2020-12-31 2021-04-30 浙江省方大标准信息有限公司 Method, system and device for automatically correcting standard serial numbers and batch checking standard states

Also Published As

Publication number Publication date
KR960018993A (en) 1996-06-17
JP2669601B2 (en) 1997-10-29
CN1151558A (en) 1997-06-11

Similar Documents

Publication Publication Date Title
JP3160201B2 (en) Information retrieval method and information retrieval device
JP3113814B2 (en) Information search method and information search device
JP3691844B2 (en) Document processing method
US5745745A (en) Text search method and apparatus for structured documents
US4775956A (en) Method and system for information storing and retrieval using word stems and derivative pattern codes representing familes of affixes
US7054860B2 (en) Method and system for retrieving a document and computer readable storage medium
JP2832988B2 (en) Data retrieval system
JP2669601B2 (en) Information retrieval method and system
US6496820B1 (en) Method and search method for structured documents
US6523030B1 (en) Sort system for merging database entries
JP2003281186A (en) Example base retrieval method and retrieval system for determining similarity
JPH0484271A (en) Intra-information retrieval device
JPH0782504B2 (en) Information retrieval processing method and retrieval file creation device
JP2693914B2 (en) Search system
WO1998049632A1 (en) System and method for entity-based data retrieval
JPH06282587A (en) Automatic classifying method and device for document and dictionary preparing method and device for classification
JPH0934911A (en) Information retrieval device
JPH06348757A (en) Device and method for retrieving document
JP2519129B2 (en) Multi-word information retrieval processing method and retrieval file creation device
JP2519130B2 (en) Multi-word information retrieval processing method and retrieval file creation device
JPH07105237A (en) Method and device for index generation, and document retrieval device
JP3649472B2 (en) Information retrieval device
JPH02287876A (en) Text type data base device
JPH09293078A (en) Information retrieving method, information retrieving device and storage medium for storing information retrieving program
WO1992009960A1 (en) Data retrieving device

Legal Events

Date Code Title Description
LAPS Cancellation because of no payment of annual fees