JPH0895982A - キーワード抽出装置 - Google Patents
キーワード抽出装置Info
- Publication number
- JPH0895982A JPH0895982A JP6234575A JP23457594A JPH0895982A JP H0895982 A JPH0895982 A JP H0895982A JP 6234575 A JP6234575 A JP 6234575A JP 23457594 A JP23457594 A JP 23457594A JP H0895982 A JPH0895982 A JP H0895982A
- Authority
- JP
- Japan
- Prior art keywords
- keyword
- candidate
- candidates
- degree
- word
- 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
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
(57)【要約】
【目的】 辞書にキーワードのための情報をもつのを回
避しつつ、より的確なキーワード性の評価を行うキーワ
ード抽出装置を提供することを目的とする。 【構成】 本キーワード抽出装置は、電子化された文書
に対し、キーワード候補を抽出するキーワード候補抽出
手段と、少なくとも単語の複合度に応じてその抽出され
たキーワード候補を評価するキーワード候補評価手段と
を備え、単語の複合度による専門性・特殊性を加えるこ
とで、辞書にキーワードのための情報をもつのを回避し
つつ、より的確なキーワード性の評価を行うことができ
る。
避しつつ、より的確なキーワード性の評価を行うキーワ
ード抽出装置を提供することを目的とする。 【構成】 本キーワード抽出装置は、電子化された文書
に対し、キーワード候補を抽出するキーワード候補抽出
手段と、少なくとも単語の複合度に応じてその抽出され
たキーワード候補を評価するキーワード候補評価手段と
を備え、単語の複合度による専門性・特殊性を加えるこ
とで、辞書にキーワードのための情報をもつのを回避し
つつ、より的確なキーワード性の評価を行うことができ
る。
Description
【０００１】
【産業上の利用分野】本発明は、文書からキーワードを
抽出するキーワード抽出装置に関し、文書登録装置、文
書検索装置等に応用できる。
抽出するキーワード抽出装置に関し、文書登録装置、文
書検索装置等に応用できる。
【０００２】
【従来の技術】文書中からキーワードを抽出すること
は、文書の検索や分類のために重要な技術である。通
常、文書中からキーワードを抽出するためには、形態素
解析技術により、単語分割し、品詞付けを行い、そのう
ちの特定の品詞（特に名詞）の単語についてそのキーワ
ードとするか否かを評価する。これは、対象分野での専
門用語であることからその単語のキーワード性に着目し
て抽出する方法（特開昭６２−２８７３３７号）、ある
いは複合語のキーワードを抽出する場合には、その複合
語を構成する単語のキーワード性や複合語構成上の役割
に基づき判定する方法（「短単位キーワードに基づくテ
キストデータベースシステム」；小川 他；情報処理学
会 データベース研究会90-6, 1992.9.11、46〜47ペー
ジ）がある。しかしながら、こうした判定に用いる情報
は、基本的にはそれらの情報を辞書に格納することを前
提とするが、こうした情報を容易に設定・保守すること
はできない。そこで、こうしたキーワードのための情報
を必要とせずに、キーワード候補を文字種により判別す
る方法（特開昭６４−２８７７０号）や、単語の長さと
その使用頻度に基づいてキーワード性を計算する抽出装
置（特開昭６３−２４４２５９号）が提案されている。
は、文書の検索や分類のために重要な技術である。通
常、文書中からキーワードを抽出するためには、形態素
解析技術により、単語分割し、品詞付けを行い、そのう
ちの特定の品詞（特に名詞）の単語についてそのキーワ
ードとするか否かを評価する。これは、対象分野での専
門用語であることからその単語のキーワード性に着目し
て抽出する方法（特開昭６２−２８７３３７号）、ある
いは複合語のキーワードを抽出する場合には、その複合
語を構成する単語のキーワード性や複合語構成上の役割
に基づき判定する方法（「短単位キーワードに基づくテ
キストデータベースシステム」；小川 他；情報処理学
会 データベース研究会90-6, 1992.9.11、46〜47ペー
ジ）がある。しかしながら、こうした判定に用いる情報
は、基本的にはそれらの情報を辞書に格納することを前
提とするが、こうした情報を容易に設定・保守すること
はできない。そこで、こうしたキーワードのための情報
を必要とせずに、キーワード候補を文字種により判別す
る方法（特開昭６４−２８７７０号）や、単語の長さと
その使用頻度に基づいてキーワード性を計算する抽出装
置（特開昭６３−２４４２５９号）が提案されている。
【０００３】
【発明が解決しようとする課題】キーワードがその文書
の重要な部分を特徴付けるものであると考えると、その
ような特徴を現すものとして専門性・特殊性が高い単語
程その特徴を現し易いといえる。また、複数の単語が複
合した複合語は、こうした専門性・特殊性を現し易いと
いえる。このような観点から、本発明の目的は、従来の
課題を解決するためキーワード候補の単語の複合度を用
いることにより、辞書にキーワードのための情報をもつ
のを回避しつつ、より的確なキーワード性の評価を行う
キーワード抽出装置を提供することを目的とする。さら
にまた、形態素解析系を用いず、簡易にキーワード候補
を抽出する場合、キーワード候補の長さから単語の複合
度を簡易に得て、全体として、キーワードの評価を簡易
に行うキーワード抽出装置を提供することを目的とす
る。さらにまた、従来単語の出現頻度を考慮したキーワ
ード候補の評価には、同一の単語候補については、それ
ぞれ計数されるが、類似の単語が出現する場合は、それ
ぞれ別個に計数されるため、各々の出現頻度は小さくな
ってしまうという欠点があった。このように本発明で
は、キーワード候補間に類似性がある場合に、その類似
度により双方のキーワード候補の頻度を仮に高めること
で、キーワード性の評価を改善するキーワード抽出装置
を提供することを目的とする。さらにまた、キーワード
間の類似性は、通常類義語辞書等が必要になり、その開
発・保守が容易ではないため、キーワード候補間の類似
性を文字列の重複度で代替することで、キーワード間の
類似性を簡易に判断するキーワード抽出装置を提供する
ことを目的とする。さらにまた、本発明で得られたキー
ワード性の評価の高い順にキーワード（候補）を並べて
表示することにより、文書の特徴を的確に表示するキー
ワード抽出装置を提供することを目的とする。
の重要な部分を特徴付けるものであると考えると、その
ような特徴を現すものとして専門性・特殊性が高い単語
程その特徴を現し易いといえる。また、複数の単語が複
合した複合語は、こうした専門性・特殊性を現し易いと
いえる。このような観点から、本発明の目的は、従来の
課題を解決するためキーワード候補の単語の複合度を用
いることにより、辞書にキーワードのための情報をもつ
のを回避しつつ、より的確なキーワード性の評価を行う
キーワード抽出装置を提供することを目的とする。さら
にまた、形態素解析系を用いず、簡易にキーワード候補
を抽出する場合、キーワード候補の長さから単語の複合
度を簡易に得て、全体として、キーワードの評価を簡易
に行うキーワード抽出装置を提供することを目的とす
る。さらにまた、従来単語の出現頻度を考慮したキーワ
ード候補の評価には、同一の単語候補については、それ
ぞれ計数されるが、類似の単語が出現する場合は、それ
ぞれ別個に計数されるため、各々の出現頻度は小さくな
ってしまうという欠点があった。このように本発明で
は、キーワード候補間に類似性がある場合に、その類似
度により双方のキーワード候補の頻度を仮に高めること
で、キーワード性の評価を改善するキーワード抽出装置
を提供することを目的とする。さらにまた、キーワード
間の類似性は、通常類義語辞書等が必要になり、その開
発・保守が容易ではないため、キーワード候補間の類似
性を文字列の重複度で代替することで、キーワード間の
類似性を簡易に判断するキーワード抽出装置を提供する
ことを目的とする。さらにまた、本発明で得られたキー
ワード性の評価の高い順にキーワード（候補）を並べて
表示することにより、文書の特徴を的確に表示するキー
ワード抽出装置を提供することを目的とする。
【０００４】
【課題を解決するための手段】請求項１の発明では、キ
ーワード候補抽出手段と、抽出されたキーワード候補を
評価するキーワード候補評価手段とを有するキーワード
抽出装置において、このキーワード候補評価手段は少な
くとも単語の複合度に応じてキーワード候補を評価する
ことを特徴とする。
ーワード候補抽出手段と、抽出されたキーワード候補を
評価するキーワード候補評価手段とを有するキーワード
抽出装置において、このキーワード候補評価手段は少な
くとも単語の複合度に応じてキーワード候補を評価する
ことを特徴とする。
【０００５】請求項２の発明では、請求項１のキーワー
ド抽出装置において、キーワード候補抽出手段は電子化
文書の文字種の並びにより抽出し、キーワード候補評価
手段は、前記キーワード候補の単語の複合度をキーワー
ド候補の文字列の種類と長さに応じて評価することを特
徴とする。
ド抽出装置において、キーワード候補抽出手段は電子化
文書の文字種の並びにより抽出し、キーワード候補評価
手段は、前記キーワード候補の単語の複合度をキーワー
ド候補の文字列の種類と長さに応じて評価することを特
徴とする。
【０００６】請求項３の発明は、請求項１あるいは請求
項２のキーワード抽出装置において、キーワード候補抽
出手段は、各キーワード候補ごとの出現頻度を計数し、
キーワード候補評価手段は、当該電子化文書中での出現
頻度にも応じてキーワード候補を評価し、キーワード候
補の出現頻度を他のキーワード候補との類似度とその頻
度により調整するようにしたことを特徴とする。
項２のキーワード抽出装置において、キーワード候補抽
出手段は、各キーワード候補ごとの出現頻度を計数し、
キーワード候補評価手段は、当該電子化文書中での出現
頻度にも応じてキーワード候補を評価し、キーワード候
補の出現頻度を他のキーワード候補との類似度とその頻
度により調整するようにしたことを特徴とする。
【０００７】請求項４の発明は、請求項３のキーワード
抽出装置において、キーワード候補評価手段は、キーワ
ード候補間の類似度の代わりにキーワード候補の文字列
の文字の重複度を用いることを特徴とする。
抽出装置において、キーワード候補評価手段は、キーワ
ード候補間の類似度の代わりにキーワード候補の文字列
の文字の重複度を用いることを特徴とする。
【０００８】請求項５の発明は、請求項１乃至請求項４
のキーワード抽出装置において、抽出されたキーワード
をキーワード候補評価手段による評価が高い順に並べて
表示する手段を付加したことを特徴とする。
のキーワード抽出装置において、抽出されたキーワード
をキーワード候補評価手段による評価が高い順に並べて
表示する手段を付加したことを特徴とする。
【０００９】
【作用】本発明は、入力またはすでにファイルとして存
在する電子化された文書に対し、キーワード候補抽出手
段によって、この電子化文書の文字種の並びによりキー
ワード候補を抽出するとともに、各キーワード候補ごと
の出現頻度をも計数する。次に、キーワード候補評価手
段によって、そのキーワード候補の単語の文字列の種類
と長さに応じて複合度を求めるとともに、他のキーワー
ド候補との類似度とその頻度により調整した当該キーワ
ード候補の出現頻度を求めてキーワード候補を評価す
る。または、キーワード候補間の類似度の代わりにキー
ワード候補の文字列の文字の重複度を用いて評価する。
このようにして抽出されたキーワード候補をキーワード
候補評価手段による評価が高い順に並べて表示すること
により、文書内容の特性を容易に認識できる。
在する電子化された文書に対し、キーワード候補抽出手
段によって、この電子化文書の文字種の並びによりキー
ワード候補を抽出するとともに、各キーワード候補ごと
の出現頻度をも計数する。次に、キーワード候補評価手
段によって、そのキーワード候補の単語の文字列の種類
と長さに応じて複合度を求めるとともに、他のキーワー
ド候補との類似度とその頻度により調整した当該キーワ
ード候補の出現頻度を求めてキーワード候補を評価す
る。または、キーワード候補間の類似度の代わりにキー
ワード候補の文字列の文字の重複度を用いて評価する。
このようにして抽出されたキーワード候補をキーワード
候補評価手段による評価が高い順に並べて表示すること
により、文書内容の特性を容易に認識できる。
【００１０】本発明は、単語の複合度による専門性・特
殊性を加えることで、辞書にキーワードのための情報を
もつのを回避しつつ、より的確なキーワード性の評価を
行うことができる。また、形態素解析系を用いないの
で、キーワードの抽出が簡易且つスピードが速く行え
る。また、類似したキーワード候補の出現頻度を共に高
めることによって、単独では出現頻度が小さくとも類似
性のあるキーワード候補のキーワード性を高めることが
でき、その評価を改善することができる。
殊性を加えることで、辞書にキーワードのための情報を
もつのを回避しつつ、より的確なキーワード性の評価を
行うことができる。また、形態素解析系を用いないの
で、キーワードの抽出が簡易且つスピードが速く行え
る。また、類似したキーワード候補の出現頻度を共に高
めることによって、単独では出現頻度が小さくとも類似
性のあるキーワード候補のキーワード性を高めることが
でき、その評価を改善することができる。
【００１１】
【実施例】本発明の一実施例を図１乃至図８に基づいて
詳細に説明する。図１は本発明のキーワード抽出装置を
説明するための構成図である。図１において、電子化文
書１は、外部から入力されたファイルまたはすでにファ
イルとして存在している電子化された文書である。キー
ワード候補抽出手段２は、この電子化文書の文字種の並
びによりキーワード候補を抽出する。出現頻度計数手段
５は、その抽出された各キーワード候補ごとの出現頻度
を計数する。単語複合度評価手段６は、そのキーワード
候補の単語の文字列の種類と長さに応じて複合度を求め
る。出現頻度評価手段７は、他のキーワード候補との類
似度とその頻度により調整した当該キーワード候補の出
現頻度を求めるか、または、キーワード候補間の類似度
の代わりにキーワード候補の文字列の文字の重複度を用
いて求める場合もある。キーワード候補評価手段３は、
単語複合度評価手段６及び出現頻度評価手段７よって求
められた複合度及び出現頻度に応じてキーワード候補を
評価する。キーワード候補表示手段４は、このようにし
て抽出されたキーワード候補をキーワード候補評価手段
３による評価が高い順に並べて表示する。
詳細に説明する。図１は本発明のキーワード抽出装置を
説明するための構成図である。図１において、電子化文
書１は、外部から入力されたファイルまたはすでにファ
イルとして存在している電子化された文書である。キー
ワード候補抽出手段２は、この電子化文書の文字種の並
びによりキーワード候補を抽出する。出現頻度計数手段
５は、その抽出された各キーワード候補ごとの出現頻度
を計数する。単語複合度評価手段６は、そのキーワード
候補の単語の文字列の種類と長さに応じて複合度を求め
る。出現頻度評価手段７は、他のキーワード候補との類
似度とその頻度により調整した当該キーワード候補の出
現頻度を求めるか、または、キーワード候補間の類似度
の代わりにキーワード候補の文字列の文字の重複度を用
いて求める場合もある。キーワード候補評価手段３は、
単語複合度評価手段６及び出現頻度評価手段７よって求
められた複合度及び出現頻度に応じてキーワード候補を
評価する。キーワード候補表示手段４は、このようにし
て抽出されたキーワード候補をキーワード候補評価手段
３による評価が高い順に並べて表示する。
【００１２】本実施例では、図２で示すような内容を持
った電子化文書を例にとって説明することにする。この
電子化文書をキーワード候補抽出手段２によりキーワー
ド候補を抽出し、出現頻度計数手段５により出現頻度を
カウントし、それらを出現頻度別に示したものを図３に
示す。出現頻度は各リスト頭の'[ ]'内に示してある。
尚、キーワード候補は、漢字やカタカナ、英数字の同一
文字種の文字の並びで検出したり、単語分割及び品詞付
与を行う形態素解析系を使ったり、既存の方法を使って
抽出すれば良い。
った電子化文書を例にとって説明することにする。この
電子化文書をキーワード候補抽出手段２によりキーワー
ド候補を抽出し、出現頻度計数手段５により出現頻度を
カウントし、それらを出現頻度別に示したものを図３に
示す。出現頻度は各リスト頭の'[ ]'内に示してある。
尚、キーワード候補は、漢字やカタカナ、英数字の同一
文字種の文字の並びで検出したり、単語分割及び品詞付
与を行う形態素解析系を使ったり、既存の方法を使って
抽出すれば良い。
【００１３】（１)請求項１の発明 一般に、漢字複合語は、複数の単語に分割することがで
きる。例えば、「輸出貿易管理令」なる複合語は、「輸
出」、「貿易」、「管理令」の各単語に分割できる。
尚、単語によっては、接頭辞（語）、接尾辞（語）を分
割することができる。上記の「管理令」は単語基「管
理」と接尾語「令」に分割できる。ここで分割点を表す
記号を次ぎのように定める。 「|」により単語の分割点、 「.」により接頭辞（語）、接尾辞（語）と単語基の分
割点 「輸出貿易管理令」は「輸出|貿易|管理.令」 と表される。こうした分割は、形態素解析系の結果とし
て得られる。キーワード候補抽出を文字種により抽出し
た場合は、各キーワード候補に対して、接頭辞（語）、
接尾辞（語）を含む単語辞書により容易に分割すること
ができる。このように抽出されたキーワード候補に、本
発明では、単語複合度評価手段６により単語の複合度を
キーワード性の評価を加える。即ち、「輸出貿易管理
令」の複合度は３、「輸出規制」の複合度は２とする。
図４に、このように単語の複合度別に抽出された各キー
ワード候補を接頭辞（語）、接尾辞（語）及び単語へ分
割したものを示す。各リスト頭の'[ ]'内の数字は単語
の複合度を表している。
きる。例えば、「輸出貿易管理令」なる複合語は、「輸
出」、「貿易」、「管理令」の各単語に分割できる。
尚、単語によっては、接頭辞（語）、接尾辞（語）を分
割することができる。上記の「管理令」は単語基「管
理」と接尾語「令」に分割できる。ここで分割点を表す
記号を次ぎのように定める。 「|」により単語の分割点、 「.」により接頭辞（語）、接尾辞（語）と単語基の分
割点 「輸出貿易管理令」は「輸出|貿易|管理.令」 と表される。こうした分割は、形態素解析系の結果とし
て得られる。キーワード候補抽出を文字種により抽出し
た場合は、各キーワード候補に対して、接頭辞（語）、
接尾辞（語）を含む単語辞書により容易に分割すること
ができる。このように抽出されたキーワード候補に、本
発明では、単語複合度評価手段６により単語の複合度を
キーワード性の評価を加える。即ち、「輸出貿易管理
令」の複合度は３、「輸出規制」の複合度は２とする。
図４に、このように単語の複合度別に抽出された各キー
ワード候補を接頭辞（語）、接尾辞（語）及び単語へ分
割したものを示す。各リスト頭の'[ ]'内の数字は単語
の複合度を表している。
【００１４】単語の複合度をキーワード性の評価に加え
る方法はいろいろあるが、ここでは文書での出現頻度と
合わせて評価するとして、例えば、両者の積をもってキ
ーワード性を表わす指標値とし、図５に示す表を得る。
ここで各リスト頭の'[ ]'内の数字はキーワード性の指
標値を表している。'{ }'内の各数字は、出現頻度と単
語の複合度をそれぞれ示している。尚、出現頻度は、キ
ーワード候補の抽出時に行えばよい。例えば、閾値を最
大の指標値の１／２以上とすれば、次の１０語がキーワ
ードとして採用される。 [6]:{3,2}:輸出規制 [4]:{2,2}:工業製品 {2,2}:特定地域 {1,4}:対共産圏輸出統制委員会 [3]:{3,1}:イラク {3,1}:輸出 {1,3}:朝鮮民主主義共和国 {1,3}:主要先進七カ国 {1,3}:輸出貿易管理令 {1,3}:通常兵器関連
る方法はいろいろあるが、ここでは文書での出現頻度と
合わせて評価するとして、例えば、両者の積をもってキ
ーワード性を表わす指標値とし、図５に示す表を得る。
ここで各リスト頭の'[ ]'内の数字はキーワード性の指
標値を表している。'{ }'内の各数字は、出現頻度と単
語の複合度をそれぞれ示している。尚、出現頻度は、キ
ーワード候補の抽出時に行えばよい。例えば、閾値を最
大の指標値の１／２以上とすれば、次の１０語がキーワ
ードとして採用される。 [6]:{3,2}:輸出規制 [4]:{2,2}:工業製品 {2,2}:特定地域 {1,4}:対共産圏輸出統制委員会 [3]:{3,1}:イラク {3,1}:輸出 {1,3}:朝鮮民主主義共和国 {1,3}:主要先進七カ国 {1,3}:輸出貿易管理令 {1,3}:通常兵器関連
【００１５】（２)請求項２の発明 本請求項２の発明は、単語複合度評価手段６における単
語の複合度を形態素解析系あるいは単語辞書を用いずに
簡易的に求めるようにしたものである。一般の漢字複合
語は、２文字の単語と１文字の接頭辞、接尾辞の組の連
接から構成されることが知られている（「国語漢字の記
憶と日本語文の自動分割」；長尾 他；情報処理 Vol.19
No.6, 1978、518〜520ページ）。そこで、キーワード
候補の漢字文字列の長さと単語の複合度を例えば次のよ
うに近似することができる。 --------------------------------------------------------------- 漢字文字数： １〜３ ４〜５ ６〜８ ９〜11 12〜14 ・・・ 単語複合度： １ ２ ３ ４ ５ ・・・ --------------------------------------------------------------- カタカナ、英数字の文字列については、「コンピュータ
・グラフィックス」のように単語の切れ目（中点、斜線
や空白等の区切り）が入っているものとして、この切れ
目によって複合度を測るものとする。ただし、このよう
な切れ目を挿入しない場合もあるので、７、８文字を単
位に１単語に対応させるようなことも必要になる場合も
ある。いずれにしても、文字列の文字種に応じて、その
長さに単語の複合度の近似値とを対応させる。尚、近似
値は、上のように整数でなくとも、長さＬに対してＬ／
３にように実数としてもよい。図６に、上に示した基準
による近似複合度別のキーワード候補を示す。図４と比
較してわかるように、「朝鮮民主主義共和国」の複合度
が１つ大きくなった以外に相違はない。従って、出現頻
度と単語の近似複合度との積をキーワード性の評価値と
した場合でも、ほとんど変わらない結果を得ることがで
きる。
語の複合度を形態素解析系あるいは単語辞書を用いずに
簡易的に求めるようにしたものである。一般の漢字複合
語は、２文字の単語と１文字の接頭辞、接尾辞の組の連
接から構成されることが知られている（「国語漢字の記
憶と日本語文の自動分割」；長尾 他；情報処理 Vol.19
No.6, 1978、518〜520ページ）。そこで、キーワード
候補の漢字文字列の長さと単語の複合度を例えば次のよ
うに近似することができる。 --------------------------------------------------------------- 漢字文字数： １〜３ ４〜５ ６〜８ ９〜11 12〜14 ・・・ 単語複合度： １ ２ ３ ４ ５ ・・・ --------------------------------------------------------------- カタカナ、英数字の文字列については、「コンピュータ
・グラフィックス」のように単語の切れ目（中点、斜線
や空白等の区切り）が入っているものとして、この切れ
目によって複合度を測るものとする。ただし、このよう
な切れ目を挿入しない場合もあるので、７、８文字を単
位に１単語に対応させるようなことも必要になる場合も
ある。いずれにしても、文字列の文字種に応じて、その
長さに単語の複合度の近似値とを対応させる。尚、近似
値は、上のように整数でなくとも、長さＬに対してＬ／
３にように実数としてもよい。図６に、上に示した基準
による近似複合度別のキーワード候補を示す。図４と比
較してわかるように、「朝鮮民主主義共和国」の複合度
が１つ大きくなった以外に相違はない。従って、出現頻
度と単語の近似複合度との積をキーワード性の評価値と
した場合でも、ほとんど変わらない結果を得ることがで
きる。
【００１６】（３)請求項３及び請求項４の発明 これまでの説明の出現頻度計数手段５では、「加工機
械」と「工作機械」や「輸出規制」と「輸出管理令」の
ように類似したキーワード候補であっても、独立に出現
頻度を計数する。しかし、このように類似の用語が出現
するということは、お互いに表現上で強め合っており、
キーワード性も高まっていると考えることができる。そ
こで、出現頻度評価手段７では、２つのキーワード候補
間に類似度を定め、出現したキーワード候補の値に応じ
て、他の類似キーワード候補の出現頻度をも増加させ、
そのキーワード性を高めるようにする。例えば、２つの
キーワード候補Ａ、Ｂに対し、類似度をα（Ａ，Ｂ）と
定めるとする。ここでα（Ａ，Ｂ）の値は、０〜１の間
の値をとるものとする。また、キーワード候補Ａ、Ｂの
出現頻度をそれぞれＦ（Ａ）、Ｆ（Ｂ）とする。出現頻
度を増加させる方法は、例えば、相手の出現頻度と類似
度の積をとり、 Ａに対しては Ｆ（Ｂ）×α（Ａ，Ｂ） Ｂに対しては Ｆ（Ａ）×α（Ａ，Ｂ） を増加させる。この増加は、自身を除く全てのキーワー
ド候補との間で行うので、キーワード候補の集合をＫと
すれば、Ａの増加分は、 ΣＦ（Ｘ）×α（Ａ，Ｘ）（ここで、Ｘ∈Ｋ、Ｘ≠Ａ） となる。これに自身の出現頻度を加えて、変更された出
現頻度（以下、「疑似出現頻度」と呼ぶ）する。α
（Ａ，Ａ）＝１であるので、疑似出現頻度は、次のよう
になる。 ΣＦ（Ｘ）×α（Ａ，Ｘ） Ｘ∈Ｋ
械」と「工作機械」や「輸出規制」と「輸出管理令」の
ように類似したキーワード候補であっても、独立に出現
頻度を計数する。しかし、このように類似の用語が出現
するということは、お互いに表現上で強め合っており、
キーワード性も高まっていると考えることができる。そ
こで、出現頻度評価手段７では、２つのキーワード候補
間に類似度を定め、出現したキーワード候補の値に応じ
て、他の類似キーワード候補の出現頻度をも増加させ、
そのキーワード性を高めるようにする。例えば、２つの
キーワード候補Ａ、Ｂに対し、類似度をα（Ａ，Ｂ）と
定めるとする。ここでα（Ａ，Ｂ）の値は、０〜１の間
の値をとるものとする。また、キーワード候補Ａ、Ｂの
出現頻度をそれぞれＦ（Ａ）、Ｆ（Ｂ）とする。出現頻
度を増加させる方法は、例えば、相手の出現頻度と類似
度の積をとり、 Ａに対しては Ｆ（Ｂ）×α（Ａ，Ｂ） Ｂに対しては Ｆ（Ａ）×α（Ａ，Ｂ） を増加させる。この増加は、自身を除く全てのキーワー
ド候補との間で行うので、キーワード候補の集合をＫと
すれば、Ａの増加分は、 ΣＦ（Ｘ）×α（Ａ，Ｘ）（ここで、Ｘ∈Ｋ、Ｘ≠Ａ） となる。これに自身の出現頻度を加えて、変更された出
現頻度（以下、「疑似出現頻度」と呼ぶ）する。α
（Ａ，Ａ）＝１であるので、疑似出現頻度は、次のよう
になる。 ΣＦ（Ｘ）×α（Ａ，Ｘ） Ｘ∈Ｋ
【００１７】類似度の定め方としては様々あり、例えば
分類語彙表で与えられたコードの差による方法等が考え
られる。ただし、この方法は、分類語彙表コードを単語
辞書に設定すること等が必要になる。本発明ではこのよ
うな特別な情報を持たないで簡易的に類似度を計算する
ために、類似度を単語の文字列間で文字列の重複度で代
えて利用する。重複度としては、例えば、双方のキーワ
ード候補の文字列に共通する部分文字列の割合で代え
る。即ち、２つのキーワード候補Ａ、Ｂに対し、各々の
文字列長をｌｅｎ（Ａ）、ｌｅｎ（Ｂ）とし、共通文字
列長をＬｅｎ（Ａ，Ｂ）とすれば、次のような共通文字
列部分の割合を重複度とすることができる。 ２×Ｌｅｎ（Ａ，Ｂ）/（ｌｅｎ（Ａ）＋ｌｅｎ
（Ｂ）） 例えば、「輸出規制」（４文字列）と「輸出貿易管理
令」（７文字列）では、２文字列「輸出」が共通してい
るので、重複度は、２×２/（４＋７）となる。出現頻
度の増加分（相手側の出現頻度との積）は、次のように
なる。 「輸出規制」[3]への「輸出貿易管理令」[1]による増加
寄与分：+1×4/11=0.36 「輸出貿易管理令」[1]への「輸出規制」[3]による増加
寄与分：+3×4/11=1.09 「輸出規制」に関する、類似度が０を超える他のキーワ
ード候補としては、「輸出」、「規制対象」、「規制品
目」、「規制品」があり、「輸出貿易管理令」を含めた
各々の出現頻度の増加寄与分は、次のようになる。 「輸出規制」[3]への 「対共産圏輸出統制委員会」[1] による寄与増加分：+1×6/15=0.40 「輸出」[3] による増加寄与分：+3×4/6 =2.00 「輸出貿易管理令」[1] による増加寄与分：+1×4/11=0.36 「規制対象」[1] による増加寄与分：+1×4/8 =0.50 「規制品目」[1] による増加寄与分：+1×4/8 =0.50 「規制品」[1] による増加寄与分：+1×4/7 =0.57 これらの増加寄与分の合計は 4.33 であり、「輸出規
制」のもともとの出現頻度３を加えて、疑似出現頻度は
7.33 になる。対象文書に適用した結果として、各キー
ワード候補の疑似出現頻度を図７に示した。重複して出
現しなかった国名等の候補が相対的に順位を落とし、
「輸出」を含む候補が順位を上げている。尚、ここで
は、「輸出規制」に対して、「禁輸措置」や「経済制
裁」のように１文字だけの重複（「輸」、「制」）につ
いては除外した。これは、２文字以上の重複の場合は、
類似性のある可能性が高いが、１文字の場合は、類似性
が必ずしもあるとは限らないことが多いからである。こ
のようにして求めた指標値をキーワード候補評価手段３
は、この疑似出現頻度と（２）で求めた近似複合度との
積によってキーワード性の指標値を計算（図８のように
なる）し、上記の（１）で説明したような適切な閾値を
設定してキーワード候補の中から選択し、キーワードと
して採用する。
分類語彙表で与えられたコードの差による方法等が考え
られる。ただし、この方法は、分類語彙表コードを単語
辞書に設定すること等が必要になる。本発明ではこのよ
うな特別な情報を持たないで簡易的に類似度を計算する
ために、類似度を単語の文字列間で文字列の重複度で代
えて利用する。重複度としては、例えば、双方のキーワ
ード候補の文字列に共通する部分文字列の割合で代え
る。即ち、２つのキーワード候補Ａ、Ｂに対し、各々の
文字列長をｌｅｎ（Ａ）、ｌｅｎ（Ｂ）とし、共通文字
列長をＬｅｎ（Ａ，Ｂ）とすれば、次のような共通文字
列部分の割合を重複度とすることができる。 ２×Ｌｅｎ（Ａ，Ｂ）/（ｌｅｎ（Ａ）＋ｌｅｎ
（Ｂ）） 例えば、「輸出規制」（４文字列）と「輸出貿易管理
令」（７文字列）では、２文字列「輸出」が共通してい
るので、重複度は、２×２/（４＋７）となる。出現頻
度の増加分（相手側の出現頻度との積）は、次のように
なる。 「輸出規制」[3]への「輸出貿易管理令」[1]による増加
寄与分：+1×4/11=0.36 「輸出貿易管理令」[1]への「輸出規制」[3]による増加
寄与分：+3×4/11=1.09 「輸出規制」に関する、類似度が０を超える他のキーワ
ード候補としては、「輸出」、「規制対象」、「規制品
目」、「規制品」があり、「輸出貿易管理令」を含めた
各々の出現頻度の増加寄与分は、次のようになる。 「輸出規制」[3]への 「対共産圏輸出統制委員会」[1] による寄与増加分：+1×6/15=0.40 「輸出」[3] による増加寄与分：+3×4/6 =2.00 「輸出貿易管理令」[1] による増加寄与分：+1×4/11=0.36 「規制対象」[1] による増加寄与分：+1×4/8 =0.50 「規制品目」[1] による増加寄与分：+1×4/8 =0.50 「規制品」[1] による増加寄与分：+1×4/7 =0.57 これらの増加寄与分の合計は 4.33 であり、「輸出規
制」のもともとの出現頻度３を加えて、疑似出現頻度は
7.33 になる。対象文書に適用した結果として、各キー
ワード候補の疑似出現頻度を図７に示した。重複して出
現しなかった国名等の候補が相対的に順位を落とし、
「輸出」を含む候補が順位を上げている。尚、ここで
は、「輸出規制」に対して、「禁輸措置」や「経済制
裁」のように１文字だけの重複（「輸」、「制」）につ
いては除外した。これは、２文字以上の重複の場合は、
類似性のある可能性が高いが、１文字の場合は、類似性
が必ずしもあるとは限らないことが多いからである。こ
のようにして求めた指標値をキーワード候補評価手段３
は、この疑似出現頻度と（２）で求めた近似複合度との
積によってキーワード性の指標値を計算（図８のように
なる）し、上記の（１）で説明したような適切な閾値を
設定してキーワード候補の中から選択し、キーワードと
して採用する。
【００１８】（４)請求項５の発明 キーワード候補表示手段４は、上述のようにして得たキ
ーワード候補の評価結果をキーワード性指標値の大きい
順に表示する。（例えば、図６、図８のように表示す
る。）このように表示することによって、文書内容の特
性を示し、その特徴を的確に表示することができる。
ーワード候補の評価結果をキーワード性指標値の大きい
順に表示する。（例えば、図６、図８のように表示す
る。）このように表示することによって、文書内容の特
性を示し、その特徴を的確に表示することができる。
【００１９】
【発明の効果】以上の説明から明らかなように、請求項
１に記載された発明によると、単語の複合度による専門
性・特殊性を加えることで、辞書にキーワードのための
情報をもつのを回避しつつ、より的確なキーワード性の
評価を行うことができる。
１に記載された発明によると、単語の複合度による専門
性・特殊性を加えることで、辞書にキーワードのための
情報をもつのを回避しつつ、より的確なキーワード性の
評価を行うことができる。
【００２０】請求項２に記載された発明によると、形態
素解析系を用いずに文字種により単語の抽出を行い、そ
の単語の複合度を単語の文字種と長さにより簡易的に求
めるので、キーワードの抽出が簡易且つスピードが速く
行える。
素解析系を用いずに文字種により単語の抽出を行い、そ
の単語の複合度を単語の文字種と長さにより簡易的に求
めるので、キーワードの抽出が簡易且つスピードが速く
行える。
【００２１】請求項３に記載された発明によると、類似
したキーワード候補の出現頻度を共に高めることによっ
て、単独では出現頻度が小さくとも類似性のあるキーワ
ード候補のキーワード性を高めることができ、
したキーワード候補の出現頻度を共に高めることによっ
て、単独では出現頻度が小さくとも類似性のあるキーワ
ード候補のキーワード性を高めることができ、
【００２２】請求項４に記載された発明によると、類義
語辞書等を必要とせず、キーワード候補間の類似性を文
字列の重複によって簡易に求めることができる。
語辞書等を必要とせず、キーワード候補間の類似性を文
字列の重複によって簡易に求めることができる。
【００２３】請求項５に記載された発明によると、キー
ワード性の順にキーワードを表示することにより、文書
内容の特性を容易に認識できる。
ワード性の順にキーワードを表示することにより、文書
内容の特性を容易に認識できる。
【図１】 本発明の１実施例におけるキーワード抽出装
置の構成図である。
置の構成図である。
【図２】 本発明の実施例を説明するための電子化文書
の内容である。
の内容である。
【図３】 実施例の電子化文書における出現頻度別のキ
ーワード候補を示す図である。
ーワード候補を示す図である。
【図４】 実施例の電子化文書における複合度別のキー
ワード候補（分割マーク付き）を示す図である。
ワード候補（分割マーク付き）を示す図である。
【図５】 実施例の電子化文書における出現頻度と単語
複合語の積によるキーワード候補の評価例を示すための
図である。
複合語の積によるキーワード候補の評価例を示すための
図である。
【図６】 実施例の電子化文書における近似複合度別の
キーワード候補を示すための図である。
キーワード候補を示すための図である。
【図７】 実施例の電子化文書における文字列重複度に
よる疑似出現頻度を示す図である。
よる疑似出現頻度を示す図である。
【図８】 実施例の電子化文書における疑似出現頻度と
近似複合語の積によるキーワード候補の評価例を示す図
である。
近似複合語の積によるキーワード候補の評価例を示す図
である。
１ …… 電子化文書、 ２ …… キーワード候補抽出手段、 ３ …… キーワード抽出評価手段、 ４ …… キーワード候補表示手段、 ５ …… 出現頻度計数手段、 ６ …… 単語複合度評価手段、 ７ …… 出現頻度評価手段。
Claims (5)
- 【請求項１】 電子化された文書に対し、キーワード候
補を抽出するキーワード候補抽出手段と、該抽出された
キーワード候補を評価するキーワード候補評価手段とを
有するキーワード抽出装置において、前記キーワード候
補評価手段は少なくとも単語の複合度に応じてキーワー
ド候補を評価することを特徴とするキーワード抽出装
置。 - 【請求項２】 前記キーワード候補抽出手段は、当該電
子化文書の文字種の並びにより抽出し、前記キーワード
候補評価手段は、前記キーワード候補の単語の複合度を
キーワード候補の文字列の種類と長さに応じて評価する
ことを特徴とする請求項１記載のキーワード抽出装置。 - 【請求項３】 前記キーワード候補抽出手段は、各キー
ワード候補ごとの出現頻度を計数し、前記キーワード候
補評価手段は、当該電子化文書中での出現頻度にも応じ
てキーワード候補を評価し、キーワード候補の出現頻度
を他のキーワード候補との類似度とその頻度により調整
するようにしたことを特徴とする請求項１あるいは請求
項２記載のキーワード抽出装置。 - 【請求項４】 前記キーワード候補評価手段は、キーワ
ード候補間の類似度の代わりにキーワード候補の文字列
の文字の重複度を用いることを特徴とする請求項３記載
のキーワード抽出装置。 - 【請求項５】 キーワード抽出装置により抽出されたキ
ーワードを前記キーワード候補評価手段による評価が高
い順に並べて表示する手段を付加したことを特徴とする
請求項１乃至請求項４記載のキーワード抽出装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP23457594A JP3464055B2 (ja) | 1994-09-29 | 1994-09-29 | キーワード抽出装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP23457594A JP3464055B2 (ja) | 1994-09-29 | 1994-09-29 | キーワード抽出装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0895982A true JPH0895982A (ja) | 1996-04-12 |
| JP3464055B2 JP3464055B2 (ja) | 2003-11-05 |
Family
ID=16973168
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP23457594A Expired - Fee Related JP3464055B2 (ja) | 1994-09-29 | 1994-09-29 | キーワード抽出装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3464055B2 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10134077A (ja) * | 1996-11-05 | 1998-05-22 | Tokkyo Joho Shuppan:Kk | ワード処理システムおよび記憶媒体 |
| US6473754B1 (en) | 1998-05-29 | 2002-10-29 | Hitachi, Ltd. | Method and system for extracting characteristic string, method and system for searching for relevant document using the same, storage medium for storing characteristic string extraction program, and storage medium for storing relevant document searching program |
| US20100169930A1 (en) * | 2008-12-25 | 2010-07-01 | Samsung Electronics Co., Ltd. | Broadcasting receiver and method of searching for keyword of broadcasting receiver |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5930228B2 (ja) | 2014-02-25 | 2016-06-08 | インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ | 情報処理装置、方法及びプログラム |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6033665A (ja) * | 1983-08-03 | 1985-02-21 | Hitachi Ltd | キ−ワ−ド自動抽出方式 |
| JPS63201824A (ja) * | 1987-02-18 | 1988-08-19 | Hitachi Ltd | 検索キ−ワ−ド選択方式 |
| JPS63244259A (ja) * | 1987-03-31 | 1988-10-11 | Matsushita Electric Ind Co Ltd | キ−ワ−ド抽出装置 |
| JPS63254522A (ja) * | 1987-04-10 | 1988-10-21 | Matsushita Electric Ind Co Ltd | キ−ワ−ド抽出装置 |
| JPS6428770A (en) * | 1987-07-24 | 1989-01-31 | Nippon Atomic Ind Group Co | Key word selector |
| JPH01217623A (ja) * | 1988-02-26 | 1989-08-31 | Nippon Telegr & Teleph Corp <Ntt> | キーワード自動生成装置 |
| JPH03116377A (ja) * | 1989-09-29 | 1991-05-17 | Ricoh Co Ltd | 情報検索装置 |
| JPH03116375A (ja) * | 1989-09-29 | 1991-05-17 | Ricoh Co Ltd | 情報検索装置 |
| JPH03125264A (ja) * | 1989-10-09 | 1991-05-28 | Ricoh Co Ltd | キーワード抽出装置 |
| JPH03127176A (ja) * | 1989-10-12 | 1991-05-30 | Ricoh Co Ltd | キーワード抽出装置 |
| JPH03286372A (ja) * | 1990-04-02 | 1991-12-17 | Ricoh Co Ltd | キーワード抽出装置 |
| JPH05257982A (ja) * | 1992-02-14 | 1993-10-08 | Nippon Telegr & Teleph Corp <Ntt> | 文字列認識方法 |
-
1994
- 1994-09-29 JP JP23457594A patent/JP3464055B2/ja not_active Expired - Fee Related
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6033665A (ja) * | 1983-08-03 | 1985-02-21 | Hitachi Ltd | キ−ワ−ド自動抽出方式 |
| JPS63201824A (ja) * | 1987-02-18 | 1988-08-19 | Hitachi Ltd | 検索キ−ワ−ド選択方式 |
| JPS63244259A (ja) * | 1987-03-31 | 1988-10-11 | Matsushita Electric Ind Co Ltd | キ−ワ−ド抽出装置 |
| JPS63254522A (ja) * | 1987-04-10 | 1988-10-21 | Matsushita Electric Ind Co Ltd | キ−ワ−ド抽出装置 |
| JPS6428770A (en) * | 1987-07-24 | 1989-01-31 | Nippon Atomic Ind Group Co | Key word selector |
| JPH01217623A (ja) * | 1988-02-26 | 1989-08-31 | Nippon Telegr & Teleph Corp <Ntt> | キーワード自動生成装置 |
| JPH03116377A (ja) * | 1989-09-29 | 1991-05-17 | Ricoh Co Ltd | 情報検索装置 |
| JPH03116375A (ja) * | 1989-09-29 | 1991-05-17 | Ricoh Co Ltd | 情報検索装置 |
| JPH03125264A (ja) * | 1989-10-09 | 1991-05-28 | Ricoh Co Ltd | キーワード抽出装置 |
| JPH03127176A (ja) * | 1989-10-12 | 1991-05-30 | Ricoh Co Ltd | キーワード抽出装置 |
| JPH03286372A (ja) * | 1990-04-02 | 1991-12-17 | Ricoh Co Ltd | キーワード抽出装置 |
| JPH05257982A (ja) * | 1992-02-14 | 1993-10-08 | Nippon Telegr & Teleph Corp <Ntt> | 文字列認識方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10134077A (ja) * | 1996-11-05 | 1998-05-22 | Tokkyo Joho Shuppan:Kk | ワード処理システムおよび記憶媒体 |
| US6473754B1 (en) | 1998-05-29 | 2002-10-29 | Hitachi, Ltd. | Method and system for extracting characteristic string, method and system for searching for relevant document using the same, storage medium for storing characteristic string extraction program, and storage medium for storing relevant document searching program |
| US20100169930A1 (en) * | 2008-12-25 | 2010-07-01 | Samsung Electronics Co., Ltd. | Broadcasting receiver and method of searching for keyword of broadcasting receiver |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3464055B2 (ja) | 2003-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3160201B2 (ja) | 情報検索方法、情報検索装置 | |
| AU2005203239B2 (en) | Phrase-based indexing in an information retrieval system | |
| JP3759242B2 (ja) | 特徴確率自動生成方法及びシステム | |
| US8346548B2 (en) | Aural similarity measuring system for text | |
| JP2832988B2 (ja) | データ検索システム | |
| JP5647916B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
| US8355902B1 (en) | Semantic unit recognition | |
| CN105653562B (zh) | 一种文本内容与查询请求之间相关性的计算方法及装置 | |
| EP0802492A1 (en) | Document search system | |
| KR20010015368A (ko) | 정보 검색 방법과 정보 검색 장치 | |
| JPH096799A (ja) | 文書分類装置及び文書検索装置 | |
| CN111506727B (zh) | 文本内容类别获取方法、装置、计算机设备和存储介质 | |
| JP2009193219A (ja) | インデックス作成装置、その方法、プログラム及び記録媒体 | |
| JPH08147320A (ja) | 情報検索方法及びシステム | |
| Xu et al. | Using SVM to extract acronyms from text | |
| JP3464055B2 (ja) | キーワード抽出装置 | |
| JP2000163437A (ja) | 文書分類方法および文書分類装置ならびに文書分類処理プログラムを記録した記録媒体 | |
| JP4009937B2 (ja) | 文書検索装置、文書検索プログラム及び文書検索プログラムを記録した媒体 | |
| US20180005300A1 (en) | Information presentation device, information presentation method, and computer program product | |
| JP4281899B2 (ja) | 質問文書要約装置、質問応答検索装置、質問文書要約プログラム | |
| JPH06208588A (ja) | 文書検索方式 | |
| JP2732661B2 (ja) | テキスト型データベース装置 | |
| JPH09325962A (ja) | 文書校正装置およびプログラム記憶媒体 | |
| JP4047895B2 (ja) | 文書校正装置およびプログラム記憶媒体 | |
| Zahoranský et al. | Rule based phonetic search approaches for central Europe |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080822 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080822 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090822 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090822 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100822 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100822 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110822 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110822 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120822 Year of fee payment: 9 |
|
| LAPS | Cancellation because of no payment of annual fees |