JPH09198405A

JPH09198405A - 情報処理装置と該情報処理装置の文書検索方法

Info

Publication number: JPH09198405A
Application number: JP8021673A
Authority: JP
Inventors: Takao Akatsu; 隆夫赤津
Original assignee: Canon Inc
Current assignee: Canon Inc
Priority date: 1996-01-16
Filing date: 1996-01-16
Publication date: 1997-07-31

Abstract

(57)【要約】【課題】短時間で迅速且つ容易に文書検索を行うこと
ができるようにした。【解決手段】第１の記憶手段２に記憶された複数の文
書ファイルの中の特定文字列について該特定文字列内の
各単一文字の文字位置を検出し、次いで、これら各単一
文字と該単一文字に続く所定文字数の文字とに基づいて
文字コード列を作成した後、該文字コード列を前記特定
文字列を構成する夫々の文字毎に区分してインデックス
情報を作成する。そして、検索キーワードが入力された
ときは、前記インデックス情報と検索キーワードの先頭
文字とに基づいて検索対象となる文書ファイルを絞り込
み、しかる後絞り込まれた文書ファイルについて前記検
索キーワードと前記インデックス情報とを比較し、両者
が一致したときは文書ファイルの文書情報を表示する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は文書作成装置等の情
報処理装置と該情報処理装置の文書検索方法に関する。

【０００２】

【発明が解決しようとする課題】一般に、複数の文書か
ら特定のキーワードを含む文書を選択する場合は、イン
デックスを作成して該インデックスを検索するのが有効
であると考えられるが、言葉の数は莫大な数に達するた
め、全ての言葉を含むインデックスを作成することは時
間的にも記録媒体の容量等から考えても事実上不可能に
近く、したがって、適当なルールに基づき選択された有
限個の言葉についてインデックスを作成することとな
る。

【０００３】しかしながら、複数の文書から特定のキー
ワードを含む文書を選択する場合、上記インデックスの
作成時において選択された特定キーワードに基づいて検
索を行うことができ、その限りにおいて所望の文書を選
択することができるが、任意の自由なキーワードについ
ては検索することができない。すなわち、キーワードが
限定され、使用者は任意の自由なキーワードでもって文
書を検索し特定することができないという問題点があ
る。

【０００４】また、キーワードのみに基づいて文書を検
索する場合は、全ての文書を開いてキーワードと文書内
容とを比較し一致するか否かをチェックする必要があ
る。すなわち、この場合は全ての文書を開いて前記キー
ワードと文書内の特定文字列とを比較しなければなら
ず、かかるキーワードと前記特定文字列との比較に長時
間を要するため実用的ではないという問題点がある。

【０００５】本発明はこのような事情に鑑みなされたも
のであって、短時間で迅速且つ容易に文書検索を行うこ
とができる情報処理装置と該情報処理装置の文書検索方
法を提供することを目的とする。

【０００６】

【課題を解決するための手段】上記目的を達成するため
に本発明のうち、請求項１記載の情報処理装置は、複数
の文書ファイルを格納する文書ファイル格納手段と、該
文書ファイル格納手段に格納された文書ファイルの特定
文字列に関し該特定文字列内の各単一文字の文字位置を
検出する文字位置検出手段と、該文字位置検出手段によ
り検出された文字位置の夫々の単一文字に続く所定文字
数の文字とに基づいて文字コード列を作成する文字コー
ド列作成手段と、該文字コード列作成手段により作成さ
れた文字コード列を前記特定文字列を構成する夫々の文
字毎に区分し索引情報を作成して記憶する索引情報記憶
手段と、該索引情報記憶手段に記憶された索引情報に基
づいて文書ファイルの検索を行う文書検索手段とを有し
ていることを特徴としている。

【０００７】さらに、請求項２記載の発明は、請求項１
記載の発明において、前記文書検索手段が、検索文字列
を入力する検索文字列入力手段と、前記索引情報記憶手
段に記憶された索引情報と前記検索文字列の先頭文字と
に基づいて検索対象となる文書ファイルを絞り込む絞り
込み手段と、該絞り込み手段により絞り込まれた前記文
書ファイルについて前記検索文字列と前記索引情報とを
比較する比較手段と、該比較手段により前記検索文字列
と前記索引情報とが一致したときは文書ファイルの文書
情報を表示する表示手段とを有していることを特徴とし
ている。

【０００８】尚、発明の実施の形態では、前記文書ファ
イル格納手段は第１の記憶手段に対応し、前記索引情報
記憶手段は第２の記憶手段に対応している。

【０００９】また、請求項３記載の情報処理装置の文書
検索方法は、文書ファイル内の特定文字列に関して該特
定文字列を構成する各単一文字の前記特定文字列内にお
ける文字位置を検出し、次いで、文字位置が検出された
単一文字と該単一文字に続く所定文字数の文字とに基づ
いて文字コード列を作成し、作成された文字コード列を
前記特定文字列の前記各単一文字毎に区分して索引情報
を作成し、該作成された索引情報に基づいて文書ファイ
ルの検索を行うことを特徴としている。

【００１０】さらに、請求項４記載の発明は、請求項３
記載の発明の内、文書ファイルの検索は、具体的には、
検索文字列を入力した後、前記索引情報と前記検索文字
列の先頭文字とに基づいて検索対象となる文書ファイル
を絞り込み、しかる後、絞り込まれた文書ファイルにつ
いて前記検索文字列と前記索引情報とを比較し、両者が
一致したときは文書ファイルの文書情報を表示すること
を特徴としている。

【００１１】

【発明の実施の形態】以下、本発明の実施の形態を図面
に基づき説明する。

【００１２】図１は本発明に係る情報処理装置の一実施
の形態としての文書作成装置のブロック構成図であっ
て、該文書作成装置は、所望の検索キーワード等の情報
が入力されるキーボードやマウス等の入力装置１と、検
索対象の文書ファイルが格納されるハードディスクやＣ
Ｄ−ＲＯＭ等の第１の記憶手段２と、該第１の記憶手段
２に格納された文書ファイルに基づいて作成されたイン
デックス（索引）を格納するハードディスク等の第２の
記憶手段３と、検索された文書ファイルの文書情報を表
示するＣＲＴディスプレイ等の表示装置４と、文書検索
処理を行う文書検索プログラム等が格納されたＲＯＭ５
と、前記第１の記憶手段２に格納された文書ファイルの
インデックス情報の作成や前記ＲＯＭ５に格納された文
書検索プログラムの実行等、装置全体の制御を司るＣＰ
Ｕ６と、該ＣＰＵ６のワークエリアとして使用されるＲ
ＡＭ７とを有し、前記第１の記憶手段２及び第２の記憶
手段３は入出力ポート８を介して前記ＣＰＵ６に接続さ
れている。

【００１３】上記文書作成装置においては、複数の文書
ファイルが第１の記憶手段２に格納されると、ＣＰＵ６
が第１の記憶手段２に格納された複数の文書ファイルに
ついてインデックス情報を作成し、斯かる作成されたイ
ンデックス情報が第２の記憶手段３に格納される。

【００１４】以下、図２及び図３を参照しながらインデ
ックス情報の作成手順について説明する。

【００１５】すなわち、第１の記憶手段２に２個の文書
ファイル（第１の文書、及び第２の文書）が格納されて
おり、第１の文書に「こんにちは、いいお天気です
ね。」という文字列が含まれ、第２の文書に「こんばん
は。今夜は冷えますね。」という文字列が含まれ、第１
の文書に係る第１の特定文字列が「こんにちは」とさ
れ、第２の文書に係る第２の特定文字列が「こんば」と
された場合のインデックス情報作成手順について説明す
る。

【００１６】図２は第１及び第２の特定文字列について
の文字位置の文字とこれら夫々の文字に続く補助文字
（所定文字）とに基づいて作成される文字コード列を示
している。

【００１７】第（１）欄には第１及び第２の特定文字列
が書き込まれ、第（２）欄には第１の文書又は第２の文
書の夫々の文書コード（本実施の形態では第１の文書が
「１」、第２の文書が「２」）が書き込まれ、次いで、
前記第１及び第２の特定文字列内における個々の文字位
置が検出され、第（３）欄にこれら文字位置の文字位置
コードが書き込まれる。ここで、第１の文書において、
先頭文字である「こ」の文字位置の文字位置コードは
「０」とされ、該「こ」の次に位置する「ん」について
は文字位置コードは「１」とされ、同様に、「に」、
「ち」、「は」の文字位置コードは夫々「２」、
「３」、「４」とされている。さらに、第２の文書に関
しても「こ」、「ん」、「ば」についてその文字列内の
文字位置コードが検出され、これら文字位置コードが第
（３）欄に書き込まれる。次いで、これら個々の文字に
続く補助文字のコードを補助コードとして第（４）欄に
書き込む。すなわち、特定文字列の個々の１字のみの文
字、例えば「こ」のみでは他の文書との分別ができない
ため、「こ」、「ん」、「に」、……の文字に続く所定
文字、例えば２字を補助文字として選択し、これらの下
位４ビットを補助コードとして第（４）欄に書き込む。
すなわち、「こ」に続く「んに」、「ん」に続く「に
ち」、「に」に続く「は、」に関しＥＵＣ文字コードに
よる下位４ビットを補助コードとして第（４）欄に書き
込む。

【００１８】次いで、図３に示すように、図２の文字コ
ード列を第１及び第２の特定文字列を構成する夫々の単
一の文字毎に区分してインデックス情報を作成し、該イ
ンデックス情報を第２の記憶手段３に記憶する。例え
ば、第１及び第２の文書について、「こ」の文字ブロッ
ク、「ん」の文字ブロック等各文字毎にブロック化され
てインデックス情報が作成され、該インデックス情報が
第２の記憶手段３に記憶される。すなわち、「こ」につ
いては第１の文書から〔１、０、３、１１〕、第２の文
書から〔２、０、３、０〕等の文字コード列が１個の文
字ブロックとして纏められ、該文字コード列からなるイ
ンデックス情報が作成される。尚、通常は１個の文書に
対して複数の文字ブロックが存在することが多く、例え
ば、第１の文書について「こ」の文字ブロックを並べ、
第２の文書について「こ」の文字ブロックを並べる等文
書種（文書コード）毎に文字ブロックを並べることによ
り、後述する文書検索の効率を向上させることができ
る。

【００１９】図４は上記インデックス情報に基づいて文
書検索を行う文書検索ルーチンのフローチャートであ
る。

【００２０】まず、本装置を検索モードに設定し、入力
装置１により検索キーワードを入力する（ステップＳ
１）。検索キーワードが例えば、「こんぶ」の場合、該
「こんぶ」を入力装置１を介して入力する。次いで、キ
ーワードの先頭文字、すなわち「こ」の文字から「こ」
の属する文字ブロックを取得する（ステップＳ２）。そ
して、続くステップＳ３では該当文字ブロック、すなわ
ち「こ」の文字ブロックに該当する文書ファイルのリス
トを取得し、オープンする文書ファイルを絞り込む。そ
して、ステップＳ４では絞り込まれた文書ファイルの中
から最初の文書ファイルを検索しに行き、続くステップ
Ｓ５では未だ文書ファイルがあるか否かを判断する。こ
の場合、最初の文書ファイルを検索するのであるからス
テップＳ５の答は肯定（Ｙｅｓ）となってステップＳ６
に進み、同一文書コード内で未アクセスの補助コードが
有るか否かを判断する。この場合は最初の検索であるた
めステップＳ６の答は肯定（Ｙｅｓ）となり、当該補助
コードとキーワードとを比較し（ステップＳ７）、キー
ワードと文書内の文字列とが一致する可能性があるか否
かを判断する（ステップＳ８）。この場合、第１の文書
の補助文字は「ん」、「に」であり、補助コードは図３
から明らかなように、「３」、「１１」であるのに対
し、検索キーワードの第２文字は「ん」、第３文字は
「ぶ」であり、その下位４ビットはＥＵＣ文字コードか
ら「３」、「６」であり、したがってキーワードと文書
内の文字列とが一致する可能性はなく、このためステッ
プＳ８の答は否定（Ｎｏ）となってステップＳ６に戻
り、他の文書（本実施の形態では第２の文書）に未アク
セスの補助コードがあるか否かを判断し、この場合は図
３に示すように、第２の文書についても「こ」の文字ブ
ロックがあるため、ステップＳ６の答は肯定（Ｙｅｓ）
となり、ステップＳ７で補助コードとキーワードとを比
較し（ステップＳ７）、キーワードと文書内の文字列と
が一致する可能性があるか否かを判断する（ステップＳ
８）。この場合、第２の文書の補助文字は「ん」、
「ば」であり、補助コードは図３から明らかなように、
「３」、「０」であり、検索キーワードの第２文字及び
第３文字の下位４ビット「３」、「６」とは異なるた
め、キーワードと文書内の文字列とが一致する可能性は
なくステップＳ８の答は否定（Ｎｏ）となってステップ
Ｓ６に戻る。そして、第２の文書の「こ」の文字ブロッ
クに未アクセスの補助コードがなくなったときはステッ
プＳ６の答は否定（Ｎｏ）となり、ステップＳ５に戻
り、ステップＳ３で絞り込まれた文書ファイルが未だ有
るか否か判断し、その答が否定（Ｎｏ）のときは、その
まま検索処理を終了する。これにより、文書ファイルを
参照することなく一致する文字列がないことが判り、検
索時間を無駄に費やすことがなくなる。

【００２１】次に、検索キーワードが「こんにちわ」の
場合は、ステップＳ１で「こんにちわ」の検索キーワー
ドを入力し、上述と同様、キーワードの先頭文字である
「こ」の文字から「こ」の属する文字ブロックを取得す
る（ステップＳ２）。そして、続くステップＳ３では
「こ」の文字ブロックに該当する文書ファイルのリスト
を取得し、オープンする文書ファイルを絞り込む。そし
て、上述と同様、ステップＳ４〜ステップＳ６を経てス
テップＳ７で補助コードとキーワードとを比較する（ス
テップＳ７）。すなわち、補助文字「ん」、「に」の補
助コードと検索キーワード「こんにちわ」の第２文字及
び第３文字の下位４ビットとを比較し、この場合は双方
とも「３」、「１１」であるので、検索キーワードと文
書内の文字列とが一致する可能性があるため、ステップ
Ｓ８の答は肯定（Ｙｅｓ）となり、ステップＳ９に進ん
で当該文書ファイルを開き（ステップＳ１０）、オープ
ンした文書ファイル中に該当文字、すなわち「こ」から
始まる文字列を検索キーワード「こんにちわ」と比較す
る。そして、前記文字列と検索キーワードとが一致する
か否かを判断し（ステップＳ１１）一致する場合は該当
文書が検索されたと判断して文献名を表示し（ステップ
Ｓ１２）、ステップＳ５に戻ってステップＳ４で絞り込
まれた文書が未だ有るか否かを判断し、有る場合は上述
の処理を繰返し、無い場合は検索処理を終了する。これ
により、一回の文字列比較により所望文書の検索が終了
することとなり、検索に要する時間が大幅に短縮され
る。

【００２２】尚、上記実施の形態では補助文字数を
「２」としたが、言語種とその言語が有する単語或いは
該言語から生じうる文節に応じ、複数の文字列が分別可
能となるような最適値に適宜設定してインデックス情報
を作成するのが望ましい。

【００２３】次に、補助文字数Ｋ−１の最適設定手法に
ついて述べる。

【００２４】或る特定言語（英語、日本語等）で２個の
異なる文字列を比較する場合について、該特定言語の有
する文字の種類（例えば、英語においては、アルファベ
ット文字の大文字、小文字、数字、ピリオド等の記号、
日本語においては、ひらがな、カタカナ、使用頻度の多
いＪＩＳ第１及び第２水準漢字）の個数をＬ、該言語の
有する単語或いは文節等それ自体で意味を有する文字列
の個数をＭとし、文字列を構成する文字数をＮとする
と、文字列の個数Ｍは数式（１）で表される。

【００２５】Ｍ＝Ｌ^N……（１）また、文字列の先頭文字が等しい確率Ｐは数式（２）で
表される。

【００２６】Ｐ＝１／Ｌ ……（２）したがって、単一の文字同士を比較することにより、同
一となる可能性のある文字列の数は全体のＰ倍となる。

【００２７】また、或る２つの文字について、同一の補
助コードのビット数Ｂを有する場合に、文字列が同一と
なる確率Ｊは、数式（３）で表される。

【００２８】Ｊ＝２^B／Ｌ（但し、Ｊ＜１） ……（３）したがって、単一文字のうち補助コードのビット数Ｂを
比較することにより、同一となる可能性のある文字列の
数はＰ／Ｊ倍となる。

【００２９】よって、補助文字数をＫ−１とし、先頭文
字以外は補助コードのビット数Ｂとキーワードのビット
数とを比較することにより、検索キーワードと同一の可
能性がある文字列の数の期待値Ｘは数式（４）で表され
る。

【００３０】Ｘ＝Ｍ×Ｐ×（Ｐ／Ｊ）^K-1……（４）数式（３）により、補助コードのビット数Ｂを増加させ
ることにより確率Ｊは増加し、しかも数式（４）により
補助文字数Ｋ−１を増加させることによって期待値Ｘは
減少する。すなわち、補助コードのビット数Ｂ及び補助
文字数Ｋ−１を増加させることにより、同一キーワード
を有する可能性のある文字列を指数関数的に減少させる
ことができる。

【００３１】例えば、文字の種類の個数Ｌを「１０
０」、文字列の個数Ｍを「１０，０００，０００，００
０」、文字列の文字数Ｎを「５」とし、補助文字数Ｋ−
１を「３」、補助コードのビット数Ｂを「４」とすると
数式（４）より期待値Ｘは「２４，４１４」となる。し
かも、実用的には日本語の場合、文字列の個数Ｍは「１
０，０００，０００」程度であるため、期待値Ｘは「２
４」程度となる。したがって、実際的には２４程度の文
字列について文書ファイルの検索が行われることとな
り、検索対象の文書ファイルを十分に絞り込むことがで
きる。

【００３２】また、上述したように期待値Ｘを減少させ
るパラメータとしては、補助文字数Ｋ−１及び補助コー
ドのビット数Ｂへの依存度が大きいが、実際の言語では
全ての文字の組み合わせが意味のある言葉となっている
訳ではないので、１語の厳密なマッチングよりも単一文
字の組み合わせをチェックした方が検索効率がよく、し
たがって、補助文字数Ｋ−１は大きくした方がよいが、
例えば日本語においては文字コードが１６ビットで表さ
れていることから、補助コードのビット数Ｂは４程度が
最適であり、補助文字数Ｋ−１は３程度が良い。

【００３３】例えば、検索キーワードが「ビデオカメ
ラ」の場合、Ｋ＝１のときは「ビ」の付く文字列全てを
検索する必要があり、検索対象となる文書ファイルの個
数が極めて多くなる。Ｋ＝２のときは「ビデ」の付く文
字列を検索することとなり、検索対象となる文書ファイ
ルの個数は未だ非常に多い。Ｋ＝３のときは「ビデオ」
の付く文字列を検索することとなり、検索対象となる文
書ファイルは「ビデオカメラ」や「ビデオ装置」などの
「ビデオ云々」という文字列にかなり絞られてくる。Ｋ
＝４のときは「ビデオカ」の付く文字列を検索すること
となり、インデックス情報としては「ビデオカメラ」以
外は容易には思いつかず、Ｋ＞４のときは「ビデオカッ
ター」等存在しないような言葉を除外する程度の効果し
かなく、検索対象となる文書ファイルは非常に絞られて
くる。

【００３４】また「ビデオカメラ」以外の他の文字列に
ついても大概のところ補助文字数Ｋ−１を「３」に設定
することにより、検索対象の文書ファイルを少数に絞り
込むことができる。

【００３５】因みに、１０００語程度の日本語の文書フ
ァイル、約１０００個について所定の検索キーワードを
含む文献が数件しか存在しない場合について、３６Mips
(Million instruction per second) のワークステーシ
ョンで検索処理を行ったとき、上記実施の形態に依るイ
ンデックス情報を使用しなかった場合は検索処理に数分
を要するのに対し、補助文字数Ｋ−１を「３」、補助コ
ードのビット数Ｂを「４」として上記インデックス情報
を使用し検索をした場合は１秒以下で検索することがで
きることが確認された。

【００３６】

【発明の効果】以上詳述したように本発明によれば、大
量の文書ファイルの中から検索文字列を含む文書ファイ
ルを容易且つ短時間で検索することができ、検索時間の
大幅な短縮を図ることができる。

【図面の簡単な説明】

【図１】本発明に係る情報処理装置としての文書作成装
置の一実施例を示すブロック構成図である。

【図２】第１の記憶手段に記憶された文書ファイルの文
書コードに基づいて作成されるコード表のテーブル図で
ある。

【図３】図２のテーブル図を文字ブロック毎に纏めてテ
ーブル化された状態を示す図である。

【図４】本発明に係る文書検索方法の制御手順を示すフ
ローチャートである。

【符号の説明】

１検索文字列入力手段（入力装置）２第１の記憶手段（文書ファイル格納手段）３第２の記憶手段（索引情報記憶手段）４表示装置（表示手段）６ＣＰＵ（文字位置検出手段、文書検索手段、絞り込
み手段、比較手段）

Claims

【特許請求の範囲】

【請求項１】複数の文書ファイルを格納する文書ファ
イル格納手段と、該文書ファイル格納手段に格納された
文書ファイルの特定文字列に関し該特定文字列内の各単
一文字の文字位置を検出する文字位置検出手段と、該文
字位置検出手段により検出された文字位置の夫々の単一
文字に続く所定文字数の文字とに基づいて文字コード列
を作成する文字コード列作成手段と、該文字コード列作
成手段により作成された文字コード列を前記特定文字列
を構成する夫々の文字毎に区分し索引情報を作成して記
憶する索引情報記憶手段と、該索引情報記憶手段に記憶
された索引情報に基づいて文書ファイルの検索を行う文
書検索手段とを有していることを特徴とする情報処理装
置。
【請求項２】前記文書検索手段は、検索文字列を入力
する検索文字列入力手段と、前記索引情報記憶手段に記
憶された索引情報と前記検索文字列の先頭文字とに基づ
いて検索対象となる文書ファイルを絞り込む絞り込み手
段と、該絞り込み手段により絞り込まれた前記文書ファ
イルについて前記検索文字列と前記索引情報とを比較す
る比較手段と、該比較手段により前記検索文字列と前記
索引情報とが一致したときは文書ファイルの文書情報を
表示する表示手段とを有していることを特徴とする請求
項１記載の情報処理装置。
【請求項３】文書ファイル内の特定文字列に関して該
特定文字列を構成する各単一文字の前記特定文字列内に
おける文字位置を検出し、次いで、文字位置が検出され
た単一文字と該単一文字に続く所定文字数の文字とに基
づいて文字コード列を作成し、作成された文字コード列
を前記特定文字列の前記各単一文字毎に区分して索引情
報を作成し、該作成された索引情報に基づいて文書ファ
イルの検索を行うことを特徴とする情報処理装置の文書
検索方法。
【請求項４】検索文字列を入力した後、前記索引情報
と前記検索文字列の先頭文字とに基づいて検索対象とな
る文書ファイルを絞り込み、しかる後、絞り込まれた文
書ファイルについて前記検索文字列と前記索引情報とを
比較し、両者が一致したときは文書ファイルの文書情報
を表示することを特徴とする請求項３記載の情報処理装
置の文書検索方法。