JPH09244969A

JPH09244969A - パーソナル情報抽出方法及び装置

Info

Publication number: JPH09244969A
Application number: JP8047789A
Authority: JP
Inventors: Hisako Asano; 久子浅野; Yoshiji Oyama; 芳史大山
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 1996-03-05
Filing date: 1996-03-05
Publication date: 1997-09-19

Abstract

(57)【要約】【課題】インターネット上の電子メールを対象に、ヘ
ッダ部とシグネイチャを自動的に検出し、検出したヘッ
ダ部、シグネイチャ部からパーソナル情報の自動抽出を
行うことが可能なパーソナル情報抽出方法及び装置を提
供することである。【解決手段】本発明のパーソナル情報抽出方法は、電
子メールデータから、該電子メールデータが持つべきフ
ォーマットを用いて、ヘッダ部及びシグネチャ部を判別
し、それらが、空でない場合には、該ヘッダ部及びシグ
ネチャ部に存在する少なくとも１つのパーソナル情報、
各パーソナル情報を構成すべき文字または文字列の種
別、または、複数の文字または、文字列同士の並び方の
特徴を利用してパーソナル情報を抽出する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、パーソナル情報抽
出方法及び装置に係り、特に、電子メールからパーソナ
ル情報を抽出し、住所録等の作成支援を行うためのパー
ソナル情報抽出方法及び装置に関する。

【０００２】

【従来の技術】従来、新聞記事等のプレインテキスト等
から、製品名、発売元等の属性値を抽出する内容抽出方
法が提案されている（松尾、木本：「抽出パターンの階
層的照合に基づく日本語テキストからの内容抽出方法」
情報処理学会論文誌，Vol.36,No.8, 1995）。

【０００３】

【発明が解決しようとする課題】従来の内容抽出方法
は、抽出対象が定型的な文中に含まれている場合に、そ
の文字の助詞や述語の情報を利用して抽出を行うことが
できるが、対象テキストが新聞記事等の提携的な文章に
限定されており、外枠等の飾り用の文字が多用され、抽
出すべき内容（パーソナル情報）もデザイン的に配置さ
れる文字列となるシグネチャには適用できないという問
題がある。

【０００４】本発明は、上記の点に鑑みなされたもの
で、インターネット上の電子メールを対象に、ヘッダ部
とシグネチャを自動的に検出し、検出したヘッダ部、シ
グネチャ部からの姓名、住所、電話番号、電子メールア
ドレス等のパーソナル情報の自動抽出を行うことが可能
なパーソナル情報抽出方法及び装置を提供することを目
的とする。

【０００５】

【課題を解決するための手段】図１は、本発明の原理を
説明するための図である。本発明のパーソナル情報抽出
方法は、電子メールデータから、該電子メールデータが
持つべきフォーマットを用いて、ヘッダ部及びシグネチ
ャ部を判別し（ステップ１）、ヘッダ部及びシグネチャ
部が空でない場合には（ステップ２、Ｙｅｓ）、該ヘッ
ダ部及びシグネチャ部に存在する姓名、所属名、メール
アドレスに代表される少なくとも１つのパーソナル情報
を構成すべき文字または文字列の種別、または、複数の
文字または、文字列同士の並び方の特徴を利用してパー
ソナル情報を抽出する（ステップ３）。

【０００６】本発明は、ステップ２において、パーソナ
ル情報を抽出する際に、電子メールデータの末尾の空
行、及び行末の空き文字を排除し、内容伝達の目的以外
に用いられる特定の文字、文字列及び行、または、該デ
ータベースのデータ中の空き行、句読点、引用記号、区
切り記号の配列状態を検索する。

【０００７】また、本発明は、電子メールデータから、
該電子メールデータが持つべきフォーマットを用いて、
ヘッダ部及びシグネチャ部を判別し、ヘッダ部及びシグ
ネチャ部が空でない場合には、該ヘッダ部及びシグネチ
ャ部にある姓名、所属名、メールアドレスに代表される
少なくとも１つのパーソナル情報を、シグネチャを構成
し得る文字記号、または、該文字記号の特定の配列情報
を抽出することにより、該シグネチャの内容部分を同定
し、各パーソナル情報の属性に対応した属性値を格納し
た属性値辞書を参照して、該各パーソナル情報の属性に
対応するヘッダ部のフィールド及びシグネチャ部から、
それぞれの属性値を抽出し、抽出した属性値の存在を、
同定したシグネチャ内容部分から探すことによって取得
する。

【０００８】また、本発明は、パーソナル情報の抽出に
おける属性を抽出する際に、属性値抽出の処理単位を、
一定エリア毎に区切り、各パーソナル情報を構成し得る
それぞれの語句の辞書を参照する。図２は、本発明の原
理構成図である。

【０００９】本発明のパーソナル情報抽出装置は、電子
メールを入力する入力手段１と、入力手段から取得した
電子メールデータのうち、所定のデータフォーマットに
従って、ヘッダ及び電子メールの送信者の署名であるシ
グネチャとを抽出するヘッダ／シグネチャ検出手段２
と、ヘッダ／シグネチャ検出手段２により検出されたヘ
ッダ及びシグネチャ内に電子メールの送信者のパーソナ
ル情報の属性値が存在するかを判定し、存在する場合に
は、該パーソナル情報の属性値を抽出するパーソナル情
報抽出手段３とを有する。

【００１０】また、上記のヘッダ／シグネチャ検出手段
２は、電子メールのヘッダフォーマットに従って、入力
された電子メールのヘッダを抽出するヘッダ抽出手段
と、電子メールの末尾の空行、空文字を処理対象から排
除する空行／空文字排除手段と、飾り用に用いられる情
報を用いて、シグネチャの境界を検出し、シグネチャを
抽出するシグネチャ抽出手段とを含む。

【００１１】また、上記のパーソナル情報抽出手段３
は、ヘッダ／シグネチャ検出手段により、ヘッダ部及び
シグネチャ部が空でない場合には、該ヘッダ部及びシグ
ネチャ部にある姓名、所属名、メールアドレスに代表さ
れる少なくとも１つのパーソナル情報を、シグネチャを
構成し得る文字記号、または、該文字記号の特定の配列
情報を抽出することにより、該シグネチャの内容部分を
同定する配列情報抽出手段と、各パーソナル情報の属性
に対応した属性値を格納した属性値辞書と、属性値辞書
を参照して、該各パーソナル情報の属性に対応するヘッ
ダ部のフィールド及びシグネチャ部から、それぞれの属
性値を抽出する属性値抽出手段と、抽出した属性値の存
在を、配列情報抽出手段により同定したシグネチャ内容
部分から探すことによってパーソナル情報を取得するパ
ーソナル情報確認手段とを含む。

【００１２】また、上記の属性値抽出手段は、各パーソ
ナル情報を構成し得るそれぞれの語句の辞書と、パーソ
ナル情報の抽出における属性を抽出する際に、属性値抽
出の単位を、一定エリア毎に区切り、語句の辞書を参照
する辞書参照手段とを含む。

【００１３】また、上記のパーソナル情報確認手段は、
同定したパーソナル情報の補正を行う補正手段を含む。
また、上記のパーソナル情報確認手段は、同定したパー
ソナル情報の他の情報が存在する場合に、該他の情報を
参照して、同定したパーソナル情報を検証する検証手段
を含む。

【００１４】また、上記の属性値抽出手段は、表現の定
型度の高い順に属性値の抽出を行う手段を含む。また、
上記の属性値抽出手段は、属性の依存関係に基づいて抽
出順序を決定する手段を含む。

【００１５】これにより、入力されたインターネット上
の電子メールデータにおいて、ヘッダと電子メール送信
者の署名情報であるシグネチャを抽出し、当該ヘッダと
シグネチャから姓名、住所、電話番号、電子メールアド
レス等のパーソナル情報を抽出することができる。

【００１６】上記のヘッダやシグネチャを取得した際
に、処理対象となるのは、空行や、空文字列、飾り用の
記号、タブ及び、スペースを除外したものであるため、
これらの処理対象とならないデータを排除することによ
り、無意味な検索処理を行う必要がない。

【００１７】また、属性値を抽出する際に、表現の定型
度や属性の依存関係に基づいて抽出する順位を決定する
ことにより、例えば、会社名や姓名を取得する際に、会
社名を有しているにも関わらず、姓名が存在しないよう
な属性値の抽出を行わない。

【００１８】

【発明の実施の形態】図３は、本発明のシステム構成図
である。同図に示すシステムは、電子メールデータを入
力してヘッダ／シグネチャを出力するヘッダ／シグネチ
ャ検出部１００、ヘッダ／シグネチャを入力としてパー
ソナル情報の各属性を出力するパーソナル情報抽出部２
００より構成される。ヘッダ／シグネチャ検出部１００
は、電子メールデータからヘッダフォーマットに、基づ
いてヘッダ部を検出するヘッダ検出部１１０と、電子メ
ールデータメールの末尾の空行や行末の空文字を排除す
る空行／空文字排除部１２１と、飾り用に用いられる文
字及び行、空行、句読点、引用記号の情報を用いて、シ
グネチャの境界を検出するシグネチャ境界検出部１２２
とを有するシグネチャ検出部１２０を有する。

【００１９】パーソナル情報抽出部２００は、ヘッダ／
シグネチャ検出部１００により検出したヘッダ及びシグ
ネチャ内にパーソナル情報の姓名、会社名、所属名、メ
ールアドレス、ホームページＵＲＬ，郵便番号、住所、
電話番号、ファクシミリ（以下、ＦＡＸと記す）番号等
の各個人が有する情報の各属性値が存在するか判定し、
存在する場合には、それを抽出する。境界を検出する。

【００２０】パーソナル情報抽出部２００は、図４に示
すように、パーソナル情報の各属性に対応するヘッダフ
ィールドからそれぞれの属性値を抽出するヘッダ情報抽
出部２１０と、ヘッダ情報抽出部２１０で抽出されたヘ
ッダの属性値をシグネチャ内で検索するヘッダ情報検索
部２２０と、シグネチャの飾り記号を抽出する飾り記号
抽出部２３０と、属性値抽出の処理単位を設定するスコ
ープ設定部２４０と、デザイン的に配置された文字を統
合する孤立文字統合部２５０と、属性キーワードパター
ン辞書２７０と属性値辞書２８０を用いてパーソナル情
報の属性値を抽出する属性値抽出部２６０から構成され
る。

【００２１】属性キーワードパターン辞書２７０は、表
記や文字種からなるパターンを正規表現風に表現するキ
ーワードパターンを属性単位に持つ辞書である。また、
上記のパーソナル情報抽出部２００は、電子メールのヘ
ッダとシグネチャ相当または、シグネチャ相当のテキス
ト内にパーソナル情報の姓名、会社名、所属名、メール
アドレス、ホームページＵＲＬ、郵便番号、住所、電話
番号、ＦＡＸ番号等の各属性の属性値が存在するか判定
し、存在する場合には、それを抽出する。このための、
パーソナル情報抽出部２００の構成は、上記において説
明した図４の構成と同様である。

【００２２】また、上記のパーソナル情報抽出部２００
において、属性値抽出部２６０は、属性キーワードパタ
ーン辞書２７０より、メールアドレス、電話番号、ＦＡ
Ｘ番号、郵便番号、住所、社名、所属名の各属性の属性
キーワードを参照し、属性辞書値辞書２８０より姓名の
属性値を参照する。

【００２３】図５は、本発明のパーソナル情報抽出方法
のフローチャートである。以下に説明は、１つの電子メ
ール単位に行われる処理である。ステップ１０１）ヘッダ／シグネチャ検出部１００
が、ネットワークを介してパーソナル情報の抽出対象と
なる電子メールデータを取得する。

【００２４】ステップ１０２）ヘッダ／シグネチャ検
出部１００は、入力された電子メールデータよりヘッダ
及びシグネチャをそれぞれ抽出してパーソナル情報抽出
部２００に出力する。ここで、ヘッダは、電子メールデ
ータにおいて宛て先や送信者等の送信情報を表す。ま
た、シグネチャは、電子メール送信者の署名を表し、通
常電子メール本文末尾にある。このシグネチャは、姓名
や電話番号、所属名等のパーソナル情報に加えて、飾り
として用いる記号文字を多用するデザイン性の高い文字
列である場合が多い。

【００２５】ステップ１０３）パーソナル情報抽出部
２００は、ヘッダ／シグネチャ検出部１００により出力
されたヘッダ及びシグネチャを属性キーワードパターン
辞書２７０と属性値辞書２８０を用いて、パーソナル情
報の各属性値を出力する。上記の属性キーワードパター
ン辞書２７０は、表現の定型度が高い属性に対して、そ
の表現パターンを利用して抽出を行うための辞書であ
る。例えば、電話番号は、「ＦＡＸ：０３−２２２２−２２２２」のように、ＦＡＸ番号（電話番号などではなく）を表す
ための「ＦＡＸ」、「ファックス」等の文字と共に限ら
れた数字パターン（上記例のような一般パターン、国際
表記パターン：＋８１−３−２２２２−２２２２、０３
省略パターン（２２２２）２２２２、等）で表現されて
いる。そこで、ＦＡＸと同定するためのキーとなる「Ｆ
ＡＸ」、「ファックス」等の文字列、及び数種類のＦＡ
Ｘ番号を表す数字パターンをＦＡＸ属性用のキーワード
パターンとして属性キーワード辞書２７０に登録すれば
よい。

【００２６】属性値辞書２８０は、ある属性がもつ属性
値とその属性値に関する情報をもつ辞書である。この属
性値辞書は、表現の定型度が低い属性に対して辞書値と
のパターンマッチにより、シグネチャから属性値を抽出
するために利用する辞書である（但し、定型度が高い属
性に対しても利用可能である）。

【００２７】例えば、姓名辞書２８０は、姓名という属
性の属性値（例：山田、佐藤、田中、泉、…）と、その
属性値の情報（例：山田＝読み：ヤマダ、姓名情報＝
姓、頻度＝１００００、泉＝読み：イズミ、姓名情報＝
姓ｏｒ名、頻度５００）を持つ。

【００２８】図６は、本発明のヘッダ／シグネチャ検出
処理のフローチャートである。ステップ２０１）ヘッダ／シグネチャ検出部１００
は、電子メールの先頭から最初の空行までをヘッダとし
て検出する。これは、インターネット上の電子メールで
は、先頭から最初の空行までをヘッダとする規定がある
ためである。

【００２９】ステップ２０２）シグネチャ検出部１２
０の空行／空文字排除部１２１は、空行、空行排除する
ための処理を行う。排除処理としては、電子メール末尾
行から見て連続する空行、または、タブ、スペースのみ
からなる行を処理対象から除く。また、全行を対象とし
て、行末のタブ、スペースを処理対象から除く。

【００３０】ステップ２０３）シグネチャ検出部１２
０のシグネチャ境界検出部１２２は、ヘッダ／シグネチ
ャ検出部１００で検出されたヘッダ、及び空行／空文字
排除部１２１により処理対象から除いた文字、行以外を
処理対象として、処理対象の末尾行から順に行単位に処
理を行い、シグネチャの有無を判定する。

【００３１】シグネチャが存在すると判定した場合に
は、シグネチャの境界を検出する。シグネチャの有無と
境界の検出には、飾り用に用いられる文字及び行、空
行、句読点、引用記号の情報を用いるものとする。これ
により、ヘッダ／シグネチャ検出処理を終了する。

【００３２】次に、パーソナル情報属性値抽出処理を説
明する。図７は、本発明のパーソナル情報属性値抽出処
理のフローチャートである。ステップ３０１）ヘッダ情報抽出処理部２１０は、抽
出すべき属性に対応するヘッダフィールドからその属性
の属性値を抽出する。例えば、“From”フィールドは、
（送信者の）メールアドレスという属性を表すので、メ
ールアドレスの抽出を行う。更に、“From”フィールド
は、姓名の情報が付加されている場合がある。このよう
な場合には姓名情報も得る。

【００３３】また、一般に、電子メールのヘッダは、日
本語表記（２バイト文字表記）されている場合が少な
く、ローマ字／英語表記が用いられる場合がある。この
ような場合には、ローマ字は、カナに変換し、以下に説
明する属性値抽出処理（ステップ３０６で、その属性値
の読み情報として利用する。英単語は、英和辞書により
日本語に直し、同じく、属性値抽出処理で、その属性の
補助情報として利用する。例えば、“Organization”フ
ィールドが、「XYZ Information and Communication Systems Labora
tories」である場合には、「XYZ 」はそのまま、「Information
」は、「情報、知識」、「and 」は、「と、及び」、
「Communication 」は、「通信、伝達」、「Systems]
は、「システム」、「Laboratories」は「研究所」に変
換して、会社名、所属名属性の補助情報として保持す
る。

【００３４】ステップ３０２）以降の処理は、ヘッダ
情報検索処理（ステップ３０２）、飾り記号抽出処理
（ステップ３０３）、スコープ設定処理（ステップ３０
４）、孤立文字統合処理（ステップ３０５）、属性値抽
出処理（ステップ３０６）からなる。これらの処理にお
いて、シグネチャ検出部１２０のシグネチャ検出処理に
おいて、シグネチャが検出されなかった場合には、何も
行わないものとする。

【００３５】また、以降の処理において、全角文字、半
角文字をそれぞれ１文字として扱い、特に指定しない限
り、全角文字と半角文字を同様に扱う。つまり、例え
ば、キーワードパターンの条件があった場合は、半角の
「？」と、全角の「？」のどちらが存在しても条件にマ
ッチしたと見なす。

【００３６】ヘッダ情報検出部２２０は、ヘッダ情報抽
出部２１０において抽出した属性値の検出を行う。検出
した属性値は、以降の処理の処理対象から除き、ステッ
プ３０３に移行する。ステップ３０３）飾り記号抽出部２３０は、以下のい
ずれかの条件で文字が連続する場合、その文字を飾り記
号として特定し、以降の処理対象から除く。但し、スペ
ースは対象外とする。処理後は、ステップ３０４に移行
する。

【００３７】・同一記号（スペース以外全文字対象）が
横に３つ以上連続する。

【００３８】

【数１】

【００３９】以外に記号が横に３つ以上連続する（同一
記号でなくても可）。・同一文字（スペース以外全文字対象）が横に５つ以上
連続する。

【００４０】

【数２】

【００４１】以外に記号が縦に３つ以上連続する（同一
記号でなくても可）。なお、縦の連続を検出するための
位置情報は全角文字＝２、半角文字＝１として計算す
る。・３文字以上の文字列パターンが、２回以上、縦または
横または、シグネチャの外延に沿って連続する。

【００４２】ステップ３０４）スコープ設定部２４０
は、スペース（半角／全角）、改行、ステップ３０２、
ステップ３０３において処理対象から除いた文字、記号
（但し、「・」、「（」、「）」、「’」、

【００４３】

【数３】

【００４４】等の属性値に含まれる文字は除く）で区切
られる各文字を１スコープとして設定し、以降の処理単
位とする。処理後、ステップ３０５に移行する。ステップ３０５）孤立文字統合部２５０は、スペース
で区切られた、記号（長音は除く）以外の１文字からな
る処理スコープが同一行に２つ以上連続して存在した場
合、連続する全てのスコープを統合して１スコープとす
る。処理後、ステップ３０６に移行する。

【００４５】ステップ３０６）属性抽出部２６０は、
属性キーワードパターン辞書２７０と、属性値辞書２８
０を用いて、各属性毎の抽出ルールにより、スコープ単
位に各属性値の抽出を行う。ここで、シグネチャにどの
属性が含まれるかは、多くのバリエーションがあり、処
理対象のシグネチャに存在しない属性が抽出対象となる
場合もある。このため、抽出ルールでは、まず、属性値
の有無の判定を行う。

【００４６】処理効率を考え、表現の定型度の高い属性
から順に抽出を行う。また、属性の依存関係も考慮して
抽出順序を決定する。例えば、姓名があり、会社名がな
いシグネチャは存在するが、会社名があり姓名がないシ
グネチャは殆ど存在しない。ある属性値として抽出され
た文字列は、原則的に以降の処理では、処理対象としな
いので、異なる属性として（例えば、会社名を表してい
る文字列を姓名の属性値として抽出するなど）抽出しな
いために、会社名より先に姓名の抽出を行う方がよい。

【００４７】これにより、パーソナル情報属性抽出処理
を終了する。

【００４８】

【実施例】以下、本発明の実施例を具体的に図面と共に
説明する。図８は、本発明の一実施例の電子メールの例
を示す。同図において、左側に付与されている番号は、
説明のために電子メール先頭から付与した行番号であ
る。ここでは、メールアドレス、電話番号、ＦＡＸ番
号、郵便番号、住所、社名、所属名、姓名、その他の情
報という９種類の属性を抽出対象とすることにする。こ
のうち、メールアドレス、電話番号、ＦＡＸ番号、郵便
番号、住所、社名、所属名は、属性キーワードパターン
辞書２７０を参照し、姓名は属性値辞書２８０を参照す
る場合を考える。

【００４９】以下の説明では、図５、図６、図７の各フ
ローチャートに沿って説明する。（１）まず、図６のヘッダ検出処理において、ヘッダ
検出部１１０は、図８に示す第１行から第１０行（空
行）までをヘッダとして検出する（ステップ２０１）。

【００５０】（２）空行、空文字排除処理において、
空行／空文字排除部１２１は、空行の第２３行、２４行
を検出対象から除く（ステップ２０２）。（３）シグネチャ境界検出処理において、シグネチャ
境界検出部１２２は、第２２行から順に処理を行い、第
２２行の記号のみの行、第１６行の空行、第１５行の文
末行、第１３行の文末行の情報を利用して、第１６行か
ら第２２行までをシグネチャとして検出する（ステップ
２０３）。

【００５１】（４）次に、パーソナル情報属性抽出処
理について説明する。図７に示すヘッダ情報抽出処理に
おいて、ヘッダ情報抽出部２１０は、図８の第５行の
“From”フィールドよりメールアドレスとして、

【００５２】

【数４】

【００５３】を抽出する。また、「Taroh 」、「YAMAD
A」、「yamada」（メールアドレスの

【００５４】

【数５】

【００５５】より前の文字列）に対してローマ字カナ変
換を行い、「タロー」、「ヤマダ」を得て、これらの姓
名の読み情報として保持する。（５）シグネチャ内で

【００５６】

【数６】

【００５７】を検索し、第１９行の下線部

【００５８】

【数７】

【００５９】がマッチする。この下線部を以降の処理対
象から除く（ステップ３０２）。（６）図９は、本発明の一実施例の飾り記号抽出例を
示す。飾り記号抽出処理において、飾り記号抽出部２３
０は、下線が引かれている“＊”を飾り記号として特定
し、以降の処理対象から除く（ステップ３０３）。

【００６０】（７）スコープ処理において、スコープ
設定部２４０は、以下の文字がスコープとして設定され
る（ステップ３０４）。第１７行：「TAROH 」、「YAMADA」、「山」、「田」、
「太」、「郎」第１８行: 「ABC システムズ」、「CAI 開発グループ」第１９行: なし（処理対象外）第２０行：「TEL 」、「03-2222-4444」、「FAX 」、
「03-2222-5555」第２１行：

【００６１】

【数８】

【００６２】（８）孤立文字統合処理において、孤立
文字統合部２５０は、「山」、「田」、「太」、「郎」
を統合して、「山田太郎」と１つのスコープにする（ス
テップ３０５）。（９）属性値抽出処理において、属性値抽出部２６０
は、まず、定型度の高い電話とＦＡＸ番号の抽出を行
う。第２０行の「TEL 」スコープが電話属性のキーワー
ドパターンとマッチし、その直後、スコープ「03-2222-
4444」が電話番号の数字パターンを満たすので、これを
電話番号として抽出する。同様に、第２０行の「FAX 」
スコープがＦＡＸ属性のキーワードパターンにマッチ
し、その直後、スコープ「03-2222-5555」がＦＡＸ番号
の数字パターンを満たすので、これをＦＡＸ番号として
抽出する。

【００６３】次に、郵便番号、住所抽出処理を行う。第
２１行の

【００６４】

【数９】

【００６５】

【数１０】

【００６６】が属性キーワード辞書２７０郵便番号属性
のキーワードパターンにマッチし、その直後の数字パタ
ーンも郵便番号の数字パターンにマッチするので、

【００６７】

【数１１】

【００６８】を郵便番号として抽出する。また、第２１
行の「千代田区一ツ橋０００」の「区」が、属性キーワ
ード辞書２７０の住所属性のキーワードパターンにマッ
チし、同一スコープ内の後方に数字“０００”を含むの
で、住所として抽出する。

【００６９】ここで、残る未処理スコープは、第１７行」：「TAROH 」、「YAMADA」、「山田太郎」第１８行: 「ABC システムズ」、「CAI 開発グループ」第１９行: なし（処理対象外）第２０行：なし（処理対象外）第２１行：「ＡＢＣビル」である。

【００７０】次に、姓名の抽出を行う。未抽出スコープ
を対象として、姓名辞書とのマッチを行うと、第１７行
の「山田太郎」が姓（山田）＋名（太郎）にマッチし、
第１８行の「ＣＡＩ開発グループ」の「開」が名にマッ
チする。ここで、スコープ中の文字がすべてマッチして
残った文字がなく、『姓＋名』のペアで検出された「山
田太郎」を姓名として抽出する。ここでは、『姓＋名』
パターンにマッチしたものは、１つしかなかったが、複
数の『姓＋名』パターンがマッチした場合には、ステッ
プ４０１で得た読み情報や、姓名辞書の頻度情報を利用
して姓名を特定する。

【００７１】次に、会社名の抽出を行う。未処理スコー
プを対象に会社名のキーワードパターン（例：株式会
社、大学、（有）等）の検索を行うが、どのスコープ内
の文字列にもマッチしない。そこで、所属名のキーワー
ドパターンの検索を行うと、第１８行の「ＣＡＩ開発グ
ループ」の「グループ」がマッチする。ここで、会社名
と所属名は階層構造になっており、通常、日本語では、
所属名の前に会社名が存在する。そして、会社名は、ま
だ、抽出されていないので、その直前スコープ「ＡＢＣ
システムズ」を会社名として、「ＣＡＩ開発グループ」
を所属名として抽出する。

【００７２】最後に、未処理スコープを対象に補正処理
を行う。住所として抽出した第２１行「千代田区一ツ橋
０００」の直後に未処理スコープ「ＡＢＣビル」が存在
するので、これを住所として追加する（ビル名等（ビル
名、アパート名等）として特定する）。さらに、残る未
処理スコープ「TAROH 」、「YAMADA」をその他の情報と
して抽出する。

【００７３】その他の情報として抽出された文字列は、
既に抽出した属性値の情報を検証することも可能であ
る。例えば、姓名属性として「東( 姓、読み＝ヒガシ、
アズマ）＋花子（名、読み＝ハナコ）」が既に抽出され
ていて、その他の情報として「Hanako」、「Higashi 」
が得られた場合、これをローマ字カナ変換して、「ハナ
コ」、「ヒガシ」を得ることにより、姓である「東」の
読みが「アズマ」ではなく「ヒガシ」であると特定する
ことができる。

【００７４】上記の処理から抽出されたパーソナル情報
の例を図１０に示す。これにより、電子メールからヘッ
ダ、シグネチャを検出するヘッダ／シグネチャ検出処理
と、検出されたヘッダとシグネチャ内にパーソナル情報
の姓名、会社名、所属名、メールアドレス、ホームペー
ジＵＲＬ、郵便番号、住所、電話番号、ＦＡＸ番号等の
各属性に属性値が存在するかを判定し、存在する場合に
はそれを抽出して、パーソナル情報属性値の抽出を行う
ことが可能である。

【００７５】なお、本発明は、上記の実施例に限定され
ることなく、特許請求の範囲で種々変更・応用が可能で
ある。

【００７６】

【発明の効果】上述のように、本発明によれば、属性キ
ーワードパターン辞書と属性値辞書を持ち、ヘッダとシ
グネチャの文字情報を利用することにより、電子メール
からパーソナル情報を得ることができるので、各個人の
属性の属性値を全て埋めていくのが煩雑な住所録生成等
の自動作成支援を行うことが可能となる。

【図面の簡単な説明】

【図１】本発明の原理を説明するための図である。

【図２】本発明の原理構成図である。

【図３】本発明のシステム構成図である。

【図４】本発明のパーソナル情報抽出部の構成図であ
る。

【図５】本発明のパーソナル情報抽出方法のフローチャ
ートである。

【図６】本発明のヘッダ／シグネチャ検出処理のフロー
チャートである。

【図７】本発明のパーソナル情報属性値抽出処理のフロ
ーチャートである。

【図８】本発明の一実施例の電子メールの例を示す図で
ある。

【図９】本発明の一実施例の飾り記号抽出例を示す図で
ある。

【図１０】本発明の一実施例のパーソナル情報の例を示
す図である。

【符号の説明】

１入力手段２ヘッダ／シグネチャ検出手段３パーソナル情報抽出手段１００ヘッダ／シグネチャ検出部１１０ヘッダ検出部１２０シグネチャ検出部１２１空行／空文字排除部１２２シグネチャ境界検出部２００パーソナル情報抽出部２１０ヘッダ情報抽出部２２０ヘッダ情報検索部２３０飾り記号抽出部２４０スコープ設定部２５０孤立文字統合部２６０属性値抽出部２７０属性キーワードパターン辞書２８０属性値辞書

Claims

【特許請求の範囲】

【請求項１】電子メールデータから、該電子メールデ
ータが持つべきフォーマットを用いて、ヘッダ部及びシ
グネチャ部を判別し、前記ヘッダ部及びシグネチャ部が空でない場合には、該
ヘッダ部及びシグネチャ部に存在する姓名、所属名、メ
ールアドレスに代表される少なくとも１つのパーソナル
情報を構成すべき文字または文字列の種別、または、複
数の文字または、文字列同士の並び方の特徴を利用して
抽出することを特徴とするパーソナル情報抽出方法。
【請求項２】前記パーソナル情報を抽出する際に、前記電子メールデータの末尾の空行、及び行末の空き文
字を排除し、内容伝達の目的以外に用いられる特定の文字、文字列及
び行、または、該データベースのデータ中の空き行、句
読点、引用記号、区切り記号の配列状態を検索する請求
項１記載のパーソナル情報抽出方法。
【請求項３】電子メールデータから、該電子メールデ
ータが持つべきフォーマットを用いて、ヘッダ部及びシ
グネチャ部を判別し、前記ヘッダ部及びシグネチャ部が空でない場合には、該
ヘッダ部及びシグネチャ部にある姓名、所属名、メール
アドレスに代表される少なくとも１つのパーソナル情報
を構成し得る文字記号、または、該文字記号の特定の配
列情報を抽出することにより、該シグネチャの内容部分
を同定し、各パーソナル情報の属性に対応した属性値を格納した属
性値辞書を参照して、該各パーソナル情報の属性に対応
するヘッダ部のフィールド及びシグネチャ部から、それ
ぞれの属性値を抽出し、抽出した属性値の存在を、同定したシグネチャ内容部分
から探すことによって取得することを特徴とするパーソ
ナル情報抽出方法。
【請求項４】前記パーソナル情報の抽出における属性
を抽出する際に、属性値抽出の処理単位を、一定エリア毎に区切り、各パーソナル情報を構成し得るそれぞれの語句の辞書を
参照する請求項３記載のパーソナル情報抽出方法。
【請求項５】電子メールを入力する入力手段と、前記入力手段から取得した電子メールデータのうち、所
定のデータフォーマットに従って、ヘッダ及び前記電子
メールの送信者の署名であるシグネチャとを抽出するヘ
ッダ／シグネチャ検出手段と、前記ヘッダ／シグネチャ検出手段により検出された前記
ヘッダ及び前記シグネチャ内に前記電子メールの送信者
のパーソナル情報の属性値が存在するかを判定し、存在
する場合には、該パーソナル情報の属性値を抽出するパ
ーソナル情報抽出手段とを有することを特徴とするパー
ソナル情報抽出装置。
【請求項６】前記ヘッダ／シグネチャ検出手段は、電子メールのヘッダフォーマットに従って、入力された
電子メールのヘッダを抽出するヘッダ抽出手段と、前記電子メールの末尾の空行、空文字を処理対象から排
除する空行／空文字排除手段と、飾り用に用いられる情
報を用いて、シグネチャの境界を検出し、シグネチャを
抽出するシグネチャ抽出手段とを含む請求項５記載のパ
ーソナル情報抽出装置。
【請求項７】前記パーソナル情報抽出手段は、前記ヘッダ／シグネチャ検出手段により、前記ヘッダ部
及びシグネチャ部が空でない場合には、該ヘッダ部及び
シグネチャ部にある姓名、所属名、メールアドレスに代
表される少なくとも１つのパーソナル情報を、シグネチ
ャを構成し得る文字記号、または、該文字記号の特定の
配列情報を抽出することにより、該シグネチャの内容部
分を同定する配列情報抽出手段と、各パーソナル情報の属性に対応した属性値を格納した属
性値辞書と、前記属性値辞書を参照して、該各パーソナル情報の属性
に対応するヘッダ部のフィールド及びシグネチャ部か
ら、それぞれの属性値を抽出する属性値抽出手段と、抽出した属性値の存在を、前記配列情報抽出手段により
同定したシグネチャ内容部分から探すことによってパー
ソナル情報を取得するパーソナル情報確認手段とを含む
パーソナル情報抽出装置。
【請求項８】前記属性値抽出手段は、各パーソナル情報を構成し得るそれぞれの語句の辞書
と、前記パーソナル情報の抽出における属性を抽出する際
に、属性値抽出の単位を、一定エリア毎に区切り、前記
語句の辞書を参照する辞書参照手段とを含む請求項７記
載のパーソナル情報抽出装置。
【請求項９】前記パーソナル情報確認手段は、同定した前記パーソナル情報の補正を行う補正手段を含
む請求項７記載のパーソナル情報抽出装置。
【請求項１０】前記パーソナル情報確認手段は、同定した前記パーソナル情報の他の情報が存在する場合
に、該他の情報を参照して、同定した前記パーソナル情
報を検証する検証手段を含む請求項７記載のパーソナル
情報抽出装置。
【請求項１１】前記属性値抽出手段は、表現の定型度の高い順に前記属性値の抽出を行う手段を
含む請求項７記載のパーソナル情報抽出装置。
【請求項１２】前記属性値抽出手段は、属性の依存関係に基づいて抽出順序を決定する手段を含
む請求項７記載のパーソナル情報抽出装置。