JPH09245057A

JPH09245057A - 構造化文書処理方法及び装置

Info

Publication number: JPH09245057A
Application number: JP8052133A
Authority: JP
Inventors: Tsutomu Horioka; 力堀岡; Koji Tsurumaki; 宏治鶴巻; Hiroshi Hamada; 洋浜田
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 1996-03-08
Filing date: 1996-03-08
Publication date: 1997-09-19

Abstract

(57)【要約】【課題】構造化文書の話題構造を容易に抽出すること
が可能な構造化文書処理方法及び装置を提供する。【解決手段】本発明は、入力された構造化文書から、
該文書を構成している文書要素を検出する要素検出処理
を行い、要素検出処理において検出された文書要素を構
造化文書中における話題の変化点とするための規則条件
を予め用意し、規則条件に基づいて各文書要素が話題の
変化点であるかどうかを判定する照合判定処理を行い、
照合判定処理の結果に基づいて、階層化された話題構造
の抽出を行う。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、構造化文書処理方
法及び装置に係り、特に、文書の内容を概観する上で必
要な要約文書を生成するための構造化文書処理方法及び
装置に関する。

【０００２】

【従来の技術】電気通信網の高度化によって、電子化文
書の流通量が飛躍的に拡大しており、それらの大量の電
子化文書の中から目的の文書を検索するために、文書の
内容を短時間に概観する上で必要な要約文書を自動生成
する技術が必須であるが、これを実現するためには、文
書の作成者が文書中で表現したい話題構造を抽出する必
要がある。

【０００３】従来、電子化文書からの要約文書作成に
は、形態素解析等の自然言語処理に基づいた解析処理を
行い、解析された単語に意味付けを行い、要約文を生成
する方法がある。更に、近年、文書の流通を目的とした
文書整形のための構造記述言語が開発され、この構造記
述言語により作成された文書が通信網等を媒介にして大
量に流通するようになっている。

【０００４】

【発明が解決しようとする課題】しかしながら、上記の
自然言語処理による解析処理を行って要約文書を作成す
る方法は、大量の辞書データと複雑な文章解析処理を行
う手段が必要とされ、実施には多くのコストが要求され
る上に、階層的に構成された話題構造を抽出するには不
十分である。

【０００５】また、構造記述言語を用いて文書整形を行
う方法は、構造記述言語が平板な構造を記述する機能の
みを備えているため、一般的な用法としては、専ら、文
書の表示形態を指定するために用いられており、その結
果、従来のように構造記述言語の規定に沿って文書を処
理するだけでは、必ずしも、文書作成者が表現したい話
題構造を伝達するには、不十分である。

【０００６】本発明は、上記の点に鑑みなされたもの
で、従来の問題点を解決し、構造化文書の話題構造を容
易に抽出することが可能な構造化文書処理方法及び装置
を提供することを目的とする。

【０００７】

【課題を解決するための手段】図１は、本発明の第１の
原理を説明するための図である。本発明は、構造記述言
語を用いて作成された構造化文書の中から階層化された
話題構造を抽出する構造化文書処理方法において、入力
された構造化文書から、該文書を構成している文書要素
を検出する要素検出処理を行い（ステップ１）、要素検
出処理において検出された文書要素を構造化文書中にお
ける話題の変化点とするための規則条件を予め用意し、
規則条件に基づいて各文書要素が話題の変化点であるか
どうかを判定する照合判定処理を行い（ステップ２）、
照合判定処理の結果に基づいて、階層化された話題構造
の抽出を行う（ステップ３）。

【０００８】図２は、本発明の第２の原理を説明するた
めの図である。本発明は、入力された構造化文書から、
該文書を構成している文書要素を検出する要素検出処理
を行い（ステップ１０）、要素検出処理で検出された文
書要素が、参照しているファイルの属性値を取得し（ス
テップ１１）、規則条件に基づいて、文書要素及び取得
されたファイルの属性値が、該規則条件を満足している
かどうかを判定する照合判定処理を行い（ステップ１
２）、照合判定処理の結果に基づいて、階層化された話
題構造の抽出を行う（ステップ１３）。

【０００９】また、本発明は、照合判定処理において
（ステップ２、ステップ１２）、構造記述言語の構造記
述子が、話題の変化点となるための規則条件と優先順位
を規定する規則条件を満足しているか否かを判定する。
また、本発明は、照合判定処理において（ステップ２、
ステップ１２）、検出された文書要素に付随する属性値
が、話題の変化点となるための規則条件と優先順位を規
定する規則条件を満足しているか否かを判定する。

【００１０】また、本発明は、照合判定処理において
（ステップ２、ステップ１２）、検出された文書要素の
前後に出現する文書要素の並びが、話題の変化点となる
ための規則条件と優先順位を規定する規則条件を満足し
ているか否かを判定する。また、本発明は、照合判定処
理において（ステップ２、ステップ１２）、文書要素に
付随する属性値、及び文書要素の前後に出現する文書要
素の並びが、予め用意された話題の変化点となるための
規則条件を満足しているか否かを判定する。

【００１１】図３は、本発明の第１の原理構成図であ
る。本発明は、構造記述用語を用いて作成された構造化
文書の中から、話題構造を抽出する構造化文書処理装置
であって、構造化文書から文書を構成している文書要素
を検出する文書要素検出手段１と、文書要素検出手段１
により検出された文書要素が文書中における話題の変化
点となるための規則条件を保持する規則データ蓄積手段
２と、検出された文書要素が話題の変化点となるための
規則データ蓄積手段２の規則条件を満足しているかどう
かを照合・判定する文書要素照合判定手段３と、文書要
素照合判定手段３により得られた結果に基づいて、階層
化された話題構造を抽出する話題構造抽出手段４とを有
する。

【００１２】図４は、本発明の第２の原理構成図であ
る。本発明は、文書要素検出手段１により検出された文
書要素が参照しているファイルの属性を取得するファイ
ル属性取得手段５を更に有する。また、上記の規則デー
タ蓄積手段２は、優先順位を規定する規則条件も保持す
る。

【００１３】また、上記の文書要素照合判定手段１は、
構造記述言語の構造記述子が、前記規則データ蓄積手段
２の話題の変化点となるための規則条件と優先順位を規
定する規則条件を満足しているか否かを判定する手段を
含む。また、上記の文書要素照合判定手段１は、検出さ
れた文書要素に付随する属性値が、規則データ蓄積手段
２の話題の変化点となるための規則条件と優先順位を規
定する規則条件を満足ているか否かを判定する手段を含
む。

【００１４】また、上記の文書要素照合判定手段１は、
検出された文書要素の前後に出現する文書要素の並び
が、規則データ蓄積手段２の話題の変化点となるための
規則条件と優先順位を規定する規則条件を満足している
か否かを判定する手段を含む。また、上記の文書要素照
合判定手段１は、文書要素に付随する属性値、及び文書
要素の前後に出現する文書要素の並びが、規則データ蓄
積手段２の話題の変化点となるための規則条件を満足し
ているか否かを判定する手段を含む。

【００１５】上記のように本発明は、文書要素検出処理
により検出された文書要素は、構造化文書中に存在する
文書要素の羅列であり、話題構造についての作成者の意
図を反映しない。そこで、規則データ蓄積手段に各々の
文書要素がどのような条件で文書中に出現した時に話題
の変化点となるかという規則や優先度条件等を蓄積して
おき、文書要素照合処理において、これらの規則条件と
文書要素の列を比較照合することにより、当該文書中の
個々の文書要素が変化点であると判断すべきかどうかを
決定し、話題変化点情報を作成する。

【００１６】さらに、話題構造抽出処理においては、こ
の話題変化点情報に基づいて文書の話題構造を階層的に
再構成する。これにより、文書作成者が文書中で表現し
たい話題構造を抽出することが可能となる。

【００１７】

【発明の実施の形態】本発明の構造化文書処理の概要を
説明する。最初に本発明の第１の構造化文書処理装置の
構成及び動作を説明する。図５は、本発明の構造化文書
処理装置の第１の構成を示す。同図に示す構造化文書処
理装置は、文書要素検出部１１、文書要素照合・判定部
３０、規則データ蓄積部２０、及び話題構造抽出部４０
より構成される。

【００１８】文書要素検出部１１は、構造化文書１０を
解析し、文書要素系列１２を出力する。構造化文書１０
としては、ＳＧＭＬやＨＴＭＬ等、一般に構造記述言語
と呼ばれている言語で作成されている文書である。な
お、アプリケーションに応じて適当なものを用いてよ
い。構造化文書は、インタネットやパーソナルコンピュ
ータ通信等の通信媒体により流通しているものや、ＣＤ
−ＲＯＭやフロッピーディスク等の２次記憶媒体に格納
されて流通しているもの等がある。

【００１９】規則データ蓄積部２０は、それぞれの構造
記述言語において定義されている文書要素各々につい
て、どのような条件において出現した時に話題の変化点
と成り得るかについて規則条件を蓄積しているデータベ
ースであり、コンピュータメモリやハードディスク等の
蓄積装置に実装されている場合や、電気通信回線やＬＡ
Ｎ等により接続された外部のデータベース上に実装され
ている場合が考えられる。

【００２０】文書要素照合判定部３０は、文書要素検出
部１１から文書要素系列１２を受け取り、規則データ蓄
積部２０より受け取った規則データ２１とを照合し、文
書要素系列１２に含まれる個々の文書要素が話題の変化
点であるかどうかを判定し、話題変化点情報３１を出力
する。

【００２１】話題構造抽出部４０は、文書要素照合判定
部３０から話題変化点情報３１を受け取り、話題の構造
を階層構造として出力する。出力する先は、ハードディ
スク等の記憶装置や、ＣＲＴや液晶ディスプレイ等の表
示装置であってもよい。図６は、本発明の第１の構造化
文書処理の概要動作のフローチャートである。

【００２２】ステップ１０１）文書要素検出部１１に
おいて、入力された構造記述言語で記述された構造化文
書の文書要素を検出し、文書要素系列１２として文書要
素照合・判定部３０に出力する。ステップ１０２）ここで、全ての文書要素を照合した
場合には、ステップ１０５に移行する。

【００２３】ステップ１０３）文書要素照合・判定部
３０において、文書要素検出部１１より入力された文書
要素系列１２を、予め用意されている規則データ蓄積部
２０の規則データ２１と照合する。これにより、文書要
素照合・判定部３０において話題の変化点になるかどう
かを判定し、話題の変化点であると判定された場合に
は、ステップ１０４に移行し、変化点でないと判定され
た場合には、ステップ１０２に移行して次の文書要素の
照合を行う。

【００２４】ステップ１０４）話題の変化点であると
判定された文書要素は、変化点であるという情報が付加
される。ステップ１０２に移行して、次の文書要素の照
合を行う。ステップ１０５）全ての文書要素についての話題の変
化点かどうかの判定を行うと、話題構造抽出部４０は、
変化点に基づいて階層化構造化を抽出し、階層構造化文
書を出力する。

【００２５】次に、本発明の第２の構造化文書処理装置
の構成及び動作を説明する。図７は、本発明の構造化文
書処理装置の第２の構成を示す。同図において図５と同
一構成部分には同一符号（番号）を付す。図７に示す構
造化文書処理装置は、文書要素検出部１１Ｃ、ファイル
属性検出部５０、文書要素照合・判定部３０Ｃ、規則デ
ータ蓄積部２０Ｃ、話題構造抽出部４０Ｃより構成され
る。

【００２６】文書要素検出部１１Ｃは、構造化文書１０
Ｃを解析し、文書要素系列１２Ｃをファイル属性検出部
５０に出力する。ファイル属性検出部５０は、文書要素
系列１２Ｃの個々の文書要素が参照しているファイルに
アクセスし、そのファイルの属性値を取得し、文書要素
系列１２Ｃに、取得した属性値を付加したデータを出力
する。

【００２７】規則データ蓄積部２０Ｃは、文書要素各々
について、参照しているファイルの属性がどのような条
件を満たしているときに話題の変化点となり得るかにつ
いての規則条件を蓄積する。文書要素照合判定部３０Ｃ
は、ファイル属性検出部５０から属性値が付加された文
書要素系列を受け取り、規則データ蓄積部２０Ｃより受
け取った規則データ２１Ｃとを照合し、文書要素系列１
２Ｃに含まれる個々の文書要素が話題の変化点であるか
どうかを判定し、話題変化点情報３１Ｃを出力する。

【００２８】話題構造抽出部４０Ｃは、文書要素照合判
定部３０Ｃから話題変化点情報３１Ｃを受け取り、話題
の構成を階層構造として出力する。図８は、本発明の第
２の構造化文書処理の概要動作のフローチャートであ
る。ステップ２０１）文書要素検出部１１において、入力
された構造記述言語で記述された構造化文書の文書要素
を検出し、文書要素系列１２Ｃとしてファイル属性検出
部５０に出力する。

【００２９】ステップ２０２）ファイル属性検出部５
０において、文書要素中に属性として当該文書以外のフ
ァイルや文書等を指定しているかどうかを検出する。ステップ２０３）すべての文書要素を照合した場合に
は、ステップ２０６に移行する。

【００３０】ステップ２０４）ファイル属性検出部５
０において検出された属性を伴う文書要素は、規則デー
タ蓄積部２０Ｃの文書要素規則に基づいて文書要素が話
題の変化点となり得るかを文書要素照合・判定部３０Ｃ
において判定する。ここで、話題の変化点となる場合に
は、ステップ２０５に移行し、ならない場合には、ステ
ップ２０３に移行する。

【００３１】ステップ２０５）文書要求照合・判定部
３０Ｃは、話題の変化点となる文書要素には変化点情報
が付加される。ステップ２０３に移行して、次の文書要
素の照合を行う。ステップ２０６）話題構造抽出部４０Ｃは、全ての文
書要素についての話題の変化点かどうかの判定を行う
と、話題構造抽出部４０は、変化点に基づいて階層化構
造化を抽出し、階層構造化文書を出力する。

【００３２】

【実施例】以下、図面と共に、本発明の実施例を説明す
る。以下の実施例では、属性値を含まない文書要素の階
層化文書を抽出するための処理を第１、第２の実施例で
説明し、属性値が含まれる文書要素の階層化文書を抽出
するための処理を第３、第４の実施例で説明する。

【００３３】［第１の実施例］まず、第１の実施例とし
て、前述の図５、図６に沿って具体的に説明する。本実
施例における文書要素照合・判定部３０においては、構
造記述言語の構造記述子が、話題の変化点となるための
規則と優先順位を規定する規則条件を満足しているか否
かにより照合判定処理を行う。

【００３４】以下、構造記述言語としてＨＴＭＬが適用
された場合における図５、図６の構成及び方法による例
を示す。但し、ＨＴＭＬ文書における文書要素とは、
「〈」「〉」で囲まれるタグとタグで指定される文書の
ことである。図９は、本発明の第１の実施例の文書要素
規則の例を示す。同図は、図５の規則データ蓄積部２０
に蓄積されている話題の変化点となり得る文書要素と優
先順位を示した文書要素規則（規則データ２１）の例を
示す。同図の例では、『文書要素がＨＲであるとき、話
題の変化点』とし、その優先順位は『１』であることを
示す。また、『文書要素がＨ１であるとき、話題の変化
点』とし、その優先順位は『２』であることを示す。

【００３５】図１０は、本発明の第１の実施例のＨＴＭ
Ｌの構造記述子“ＨＲ”で話題を抽出する例を示す。同
図において、オリジナルのＨＴＭＬ文書"hello.html"
は、図５に示す文書要素検出部１１及び、図６のステッ
プ１０１において、ＨＴＭＬのタグに基づいて文書要素
に分解され、各文書要素の系列として抽出される。抽出
結果を図１１に示す。

【００３６】図１１に示すように、抽出された文書要素
は、図９に示される予め与えられた文書要素の話題の変
化点となるための条件である文書要素規則に基づいて、
話題の変化点であるかどうかを文書要素照合・判定部３
０により判定される。話題の変化点であると判定された
文書要素に対しては、変化点であるという情報を文書要
素系列に付加して次の文書要素の判定を行う。例えば、
図１０の例のＨＴＭＬ文書の"hello.html"では、タグＨ
Ｒが優先順位『１』の変化点であるという情報が付加さ
れ、最終的に、図１２に示す文書要素系列が次の話題構
造抽出部４０に出力される。

【００３７】これにより、話題構造抽出部４０は、変化
点の情報に基づいて話題の抽出を行う。ＨＴＭＬ文書の
場合、文書要素〈ＢＯＤＹ〉の次の文書要素が話題の開
始点となる。変化点情報として付加される優先順位に基
づいて優先順位の高い変化点から順に話題の抽出を行
う。図１０に示すＨＴＭＬ文書の"hello.html"の場合、
変化点は、文書要素〈ＨＲ〉が一つのみであるため、文
書要素「北信越ハローダイアル一覧表」から文書要素
〈ＨＲ〉の直前の文書要素〈ＢＲ〉までの文書要素系列
が一つの話題となり、文書要素「東海ハローダイヤル」
から文書要素〈／ＢＯＤＹ〉の直前の文書要素〈ＢＲ〉
までの文書要素系列が別の話題となる。

【００３８】このようにして抽出された文書要素系列
は、図１０に示すように、それぞれ別々の文書（hello-
child1.html ，hello-child2.html ）として新たなＨＴ
ＭＬ文書が作成される。話題構造抽出部４０において、
抽出された文書の階層構造を表現するためにどの文書か
ら抽出されたかという情報を記述する必要があるが、図
１０の例では、別の文書『relation.dat』に抽出元の文
書名とそこから抽出された文書名を記述する例を示して
いる。これは、各抽出された文書、或いは、抽出元の文
書に記述してもよい。

【００３９】図１３は、本発明の第１の実施例のタグＨ
ｎ（ｎ＝１−６）とＰを基に話題を抽出する例を示す。
オリジナルのＨＴＭＬ文書"original.html" は、文書要
素検出部１１で、文書要素系列に分解され、まず、図９
に示された文書要素規則により、優先順位の高いタグ
『Ｈ１』が話題の変化点として判定される。話題の変化
点として判定された『Ｈ１』には、変化点の情報として
優先順位“２”の情報が文書要素系列に付加される。更
に、文書中には、タグ『Ｐ』が含まれるため、優先順位
“５”という情報が文書要素系列に付加され、話題構造
抽出部４０に出力される。

【００４０】話題構造抽出部４０では、優先順位の高い
『Ｈ１』のタグを基に話題を２つの文書“child-1.htm
l”と“child-2.html”に分割する。さらに、“child-
2.html”の文書は、優先順位“５”のタグ『Ｐ』を含む
ため、図１３に示すように、“grandchild-1.html ”
と、“grandchild-2.html ”の２つの文書が抽出され
る。抽出された文書名は、階層構造を表すために別の文
書に保存される。

【００４１】図１４は、本発明の第１の実施例のＨＴＭ
Ｌの番号付き箇条書きを表す〈ＯＬ〉と箇条書きの項目
を示すタグ〈ＬＩ〉を用いた例を示す。オリジナルのＨ
ＴＭＬ文書“ryokin.html ”から話題要素系列が作ら
れ、図９の条件規則に基づいて〈ＯＬ〉と〈ＬＩ〉のタ
グにより、話題要素系列に話題変化点情報が付加され
る。話題構造抽出部４０では、ＨＴＭＬ文書“ryokin.h
tml ”から“child-1.html”と“child-2.html”が抽出
され、更に、“child-1.html”からタグ〈ＬＩ〉により
“grand-child1.html ”と“grand-child2.html ”と
“grand-child3.html”が抽出される。抽出された文書
は階層構造を表すために、別の文書に文書名が保存され
る。

【００４２】このように、本実施例では、構造化文書の
構造記述子であるタグが規則条件を満足しているかを照
合することにより、階層的な話題構造を抽出することが
できる。なお、本実施例は、請求項３及び請求項１０の
処理に該当する。［第２の実施例］次に、第２の実施例として、前述の図
５、図６に沿って具体的に説明する。

【００４３】本実施例における文書要素照合・判定部３
０においては、文書要素検出部１１において検出された
文書要素の前後に出現する文書要素の並びが、話題の変
化点となるための規則と優先順位を規定する規則条件を
満足しているか否により照合判定処理を行う。

【００４４】以下、構造記述言語としてＨＴＭＬが適用
された場合における図５、図６の構成及び方法による例
を示す。図１５は、本発明の第２の実施例のフローチャ
ートである。同図に示すフローチャートのステップ１０
３１とステップ１０３２は、図６に示すＡとＢの間のス
テップ１０３に相当する。

【００４５】この例においては、文書要素検出部１１で
抽出された文書要素系列中のｎ番目の文書要素に対し
て、予め（ｎ−１）番目までの文書要素が満たすべき条
件と、（ｎ＋１）番目からの文書要素が満たすべき条件
が規則データ蓄積部２０に格納されている。

【００４６】ステップ１０３１）文書要素照合・判定
部３０は、文書要素検出部１１で抽出された文書要素系
列中のｎ番目の文書要素に対して、（ｎ−１）番目まで
の文書要素が満たすべき条件を満足するかを判定し、満
足する場合にはステップ１０３２に移行し、満足しない
場合には、次の文書要素の照合を行う。

【００４７】ステップ１０３２）ステップ１０３１に
おいて、条件を満足した場合には、文書要素系列中のｎ
番目の文書要素に対して、（ｎ＋１）番目からの文書要
素の条件を満足するか判定し、満足する場合には、当該
文書要素が変化点であると判定し、図６のステップ１０
４に移行して、変化点情報を文書要素系列に付加して、
話題構造抽出部４０が図６のステップ１０５の話題構造
抽出処理を行う。

【００４８】図１６は、本発明の第２の実施例の構造記
述言語ＨＴＭＬを用いて話題の変化点を抽出する例を示
す。文書要素検出部１１で検出されたＨＴＭＬ文書“me
mber.html ”から箇条書きの部分が抽出される。抽出さ
れた文書“list.html ”から項目に相当する部分がさら
に３つの文書“suzuki.html ”、“sato.html ”、“ta
naka.html ”として抽出される。

【００４９】このように、本実施例は、構造化文書から
検出された文書要素の前後に位置する文書要素の並び
が、規則条件を満たしているか否かにより話題構造の抽
出を行うことができる。なお、本実施例は、請求項５及
び請求項１２の処理に該当する。

【００５０】［第３の実施例］次に、文書構成要素に属
性が付加されている場合の例を、図７、図８に従って説
明する。本実施例には、検出された文書要素検出部１１
Ｃにより検出された文書要素系列１２の文書要素に属性
が付加されている場合、ファイル属性検出部５０が文書
要素の属性を検出し、文書要素照合・判定部３０Ｃに出
力する。規則データ蓄積部２０Ｃには、予め、どの属性
にどのような属性値が与えられている時に、変化点とな
り得るかについての規則条件が蓄積されている。これに
より、文書要素照合判定部３０Ｃは、規則データ蓄積部
２０Ｃを参照して、ファイル属性検出部５０により検出
された属性と当該規則条件を照合する。文書要素の属性
が規則条件を満足した場合、変化点であるという情報が
文書要素系列に付加され、話題構造抽出部４０Ｃに出力
される。

【００５１】ここで、ＨＴＭＬ文書要素の一例としてタ
グ名ＩＭＧを持った文書要素が検出された場合の動作を
説明する。タグ“ＩＭＧ”の例を示す。タグ“ＩＭＧ”
は、〈IMG SRC=“bar.gif ” WIDTH= “W ” HEIGHT=“h
”〉である。

【００５２】図１７は、本発明の第３の実施例の規則デ
ータ蓄積部の規則条件の例を示す。同図における属性が
満たすべきＨＴＭＬタグ規則データは、文書要素が変化
点となるための規則データ２１Ｃであり、同図のＨＴＭ
Ｌタグ規則データには、文書要素が変化点となるための
規則と、優先順位が含まれている。

【００５３】文書要素照合・判定部３０Ｃにおける、図
８のステップ２０４の話題の変化点となり得るかという
判定は、属性条件を満足するかという判定は、タグ“Ｉ
ＭＧ”の属性である“HEIGHT”及び“WIDTH ”にそれぞ
れ与えられた属性値ｈとｗが、図１７に示すＨＴＭＬタ
グ規則データに記述された条件式を満たしているとき、
つまり、ｈがｈ₀より小さく、ｗがｗ₀より大きいと
き、この文書要素が話題の変化点であると判定する。こ
のＨＴＭＬタグ規則データの条件式を満たした場合の優
先順位は、“１”である。

【００５４】文書要素照合・判定部３０Ｃは、話題の変
化点であると判定された文書要素について、図１０の例
と同様に話題変化点情報を文書要素系列に付加して話題
構造抽出部４０Ｃに文書要素系列を出力する。図１８
は、本発明の第３の実施例のタグＩＭＧを用いたＨＴＭ
Ｌ文書の具体例を示す。文書要素検出部１１Ｃから出力
される文書要素系列１２Ｃに対して、文書要素属性検出
部５０は、タグＩＭＧの属性値を検出する。検出された
属性値ｗ ₁とｈ₁は、文書要素照合・判定部３０Ｃで、
図１７に示される予め規則データ蓄積部２０Ｃに蓄積さ
れているＨＴＭＬタグ規則データに従って、『ＷＩＤＴ
Ｈ』と『ＨＥＩＧＨＴ』の属性値が比較される。図１８
の例では、ＨＴＭＬ文書“dining.html ”中のタグＩＭ
Ｇの属性値ｗ₁とｈ₁が、それぞれ、ｗ₁＞ｗ₀かつｈ
₁＜ｈ₀であるとき、タグＩＭＧは話題の変化点である
と判定され、変化点情報が文書要素系列５１に付加され
文書要素系列３１Ｃが話題構造抽出部４０Ｃに出力され
る。

【００５５】この文書要素系列３１Ｃにより話題構造抽
出部４０Ｃにおいて話題の抽出が行われる。出力として
２つの文書“child-c.html”と“child-d.html”が抽出
され、階層関係を表す文書が生成される。また、第３の
実施例として他の例を示す。

【００５６】この例において、タグＩＭＧは、〈ＩＭＧＳＲＣ＝“ｂａｒ．ｇｉｆ”〉とする。ファイル属性検出部５０において、タグＩＭＧ
は図１７に示す規則に基づいて、指定されているファイ
ル“bar.gif ”のファイル属性である縦と横の画数を検
出する。

【００５７】次に、文書要素照合・判定部３０Ｃは、フ
ァイル属性検出部５０で検出された属性値は、文書要素
照合・判定部３０Ｃにおいて、横の画素数が基準値ｘ₀
より大きく、縦の画素数がｙ₀より小さい場合、話題の
変化点であると判定する。さらに、この規則条件を満た
す時、優先順位は“１”である。

【００５８】これにより、文書要素照合・判定部３０Ｃ
は、話題変化点であるという付加情報を文書画素系列に
付加して、話題構造抽出部４０Ｃに出力する。話題構造
抽出部４０Ｃは、付加情報に基づいて話題構造を抽出す
る。図１９は、本発明の第３の実施例の他の具体例を示
す。同図の例では、ファイル属性検出部５０は、記述子
ＩＭＧが指定するファイル“line.gif”は、属性ＷＩＤ
ＴＨ，ＨＥＩＧＨＴの情報を持たず、記述子ＩＭＧが指
定するファイルの属性を検出する必要がある。指定され
たファイルはｇｉｆ形式で圧縮された画像ファイルであ
り、ファイルのヘッダ部分を読み込み、画像の縦と横の
画素数を検出する。文書要素照合・判定部３０Ｃは、検
出された縦、及び横の画素数を予め規則データ蓄積部２
０Ｃに蓄積された規則データ２１Ｃに基づいて話題の変
化点となるかを判定する。図８のフローチャートのステ
ップ２０４において、タグＩＭＧが変化点であると判定
された場合、“child-x.html”と“child-y.html”の２
つのＨＴＭＬ文書が抽出される。

【００５９】このように、本実施例は、検出された文書
要素にファイル属性が含まれている場合には、当該ファ
イル属性値が話題の変化点となる規則条件と優先順位を
規定する規則条件とを満たす場合には、階層化された話
題構造として抽出される。本実施例は、請求項４及び請
求項１１に相当する処理である。

【００６０】なお、上記の実施例において、図１７に示
す話題の変化点となる規則条件と優先順位を含む規則条
件を用いて説明しているが、優先順位の規則を規則デー
タ蓄積部２０Ｃ内に規定せず、話題の変化点となるため
の規則のみを照合対象としてもよい。このように、文書
要素にファイル属性値が含まれている場合に、話題の変
化点となる規則条件との照合を行う処理は、請求項２及
び請求項８の処理に相当する。

【００６１】［第４の実施例］次に、文書構成要素に属
性が付加されている場合の例を、上記の第３の実施例と
同様に、図７、図８に従って説明する。第４の実施例で
は、文書要素照合・判定部３０Ｃにおいて、ファイル属
性検出部５０で検出された文書要素に付随する属性値
と、文書要素検出部１１Ｃで検出された文書要素系列１
２Ｃの並びが、話題の変化点となるための規則（規則デ
ータ２１Ｃ）を満足するかを判定する例を示す。

【００６２】図２０は、本発明の第４の実施例のフロー
チャートである。同図に示すフローチャートのステップ
１０３１ａからステップ１０３３ａは、図８のステップ
１０３の話題の変化点であるか否かの判定に相当し、話
題の変化点であるかを判定する具体的な処理として、以
下の処理を行う。

【００６３】ステップ１０３１ａ）文書要素照合・判
定部３０Ｃは、文書要素検出部１１Ｃで抽出された文書
要素系列１２Ｃ中のｎ番目の文書要素のファイル属性値
検出部５０で検出された属性値が予め蓄積された話題の
変化点として満たすべき規則データ蓄積部２０Ｃの規則
データ２１Ｃを満たすかを判定し、満たす場合には、ス
テップ１０３２ａに移行し、満たさない場合には、ステ
ップ１０２の処理に移行する。

【００６４】ステップ１０３２ａ）文書要素照合・判
定部３０Ｃは、属性値が規則データ２１Ｃを満たす場合
に、文書要素系列１２Ｃ中のｎ番目の文書要素が、（ｎ
−１）番目までの文書要素が満たすべき条件を満たすか
を判定し、満たす場合にはステップ１０３３ａに移行
し、満たさない場合には、ステップ１０２に移行する。

【００６５】ステップ１０３３ａ）ステップ１０３２
ａにおいて、（ｎ−１）までの文書要素が満たすべき条
件を文書要素系列１２Ｃ中のｎ番目の文書要素が満たし
ている場合には、文書要素照合・判定部３０Ｃは、（ｎ
＋１）番目からの文書要素が満たすべき条件を満たして
いる場合には、変化点であると判定し、変化点情報を文
書要素系列に付加して話題構造抽出部４０Ｃに出力す
る。

【００６６】ＨＴＭＬ文書の記述子“ＦＯＮＴ”を用い
た例を示す。ＨＴＭＬ文書の記述子“ＦＯＮＴ”は、〈ＦＯＮＴＳＩＺＥ＝＋３＞ＴＸＴ＜／ＦＯＮＴ＞である。文書要素照合・判定部３０Ｃは、記述子“ＦＯ
ＮＴ”の属性である“ＳＩＺＥ”の属性値が満たすべき
条件と、前後の文書要素が満たすべき規則条件を満たし
ているとき、話題の変化点であると判断する。

【００６７】タグＦＯＮＴの属性値が満たすべき条件
は、“ＳＩＺＥ”が“＋”の値を持つことと、前後の文
書要素の満たすべき条件としてタグ〈ＦＯＮＴ〉の前と
タグ〈／ＦＯＮＴ〉の後に〈ＢＲ〉が伴うことがあげら
れる。図２１は、本発明の第４の実施例の具体的な例を
示す。同図に示すＨＴＭＬ文書“org.html”は、話題の
変化点となるための条件として、文書要素〈ＦＯＮＴ〉
の後に文書要素〈ＢＲ〉が伴わなければならないが、図
２１の例では、タグＦＯＮＴは、この条件を満足してい
るので、文書要素照合・判定部３０Ｃは、話題の変化点
と判定し、話題構造抽出部４０に出力する。

【００６８】ＨＴＭＬ文書“org.html”から、文書要素
系列に付加された変化点情報に基づいて２つの話題に分
割され、最終的にＨＴＭＬ文書“child-a.html”と“ch
ild-b.html”が抽出される。このように、本実施例は、
文書要素検出部１１Ｃで抽出された文書要素系列１２Ｃ
の文書要素の前後の文書要素の並びが規則条件を満たし
ている場合には、話題構造として抽出できる。本実施例
は、請求項６及び請求項１０に相当する処理である。

【００６９】なお、本発明は、上記の実施例に限定され
ることなく、特許請求の範囲内で種々変更・応用が可能
である。

【００７０】

【発明の効果】上述のように、本発明によれば、構造記
述言語を用いて作成した構造化文書から話題構造を抽出
する際に、構造化文書から文書の要素を検出し、話題の
変化点となる規則条件または／及び文書要素の優先順位
に関する規則条件との照合を行い、照合結果に基づいて
階層化された話題構造を抽出することができる。

【００７１】また、構造記述言語を用いて作成した構造
化文書から話題構造を抽出する際に、構造化文書からフ
ァイル属性を含む文書の要素を検出し、話題の変化点と
なる規則条件または／及び文書要素の優先順位に関する
規則条件との照合を行い、照合結果に基づいて階層化さ
れた話題構造を抽出することができる。

【００７２】このように、本発明によれば、規則条件を
生成しておき、文書作成者が意図した話題構造を容易に
抽出することが可能である。

【図面の簡単な説明】

【図１】本発明の第１の原理を説明するための図であ
る。

【図２】本発明の第２の原理を説明するための図であ
る。

【図３】本発明の第１の原理構成図である。

【図４】本発明の第２の原理構成図である。

【図５】本発明の構造化文書処理装置の第１の構成図で
ある。

【図６】本発明の第１の構造化文書処理の概要動作のフ
ローチャートである。

【図７】本発明の構造化文書処理装置の第２の構成図で
ある。

【図８】本発明の第２の構造化文書処理の概要動作のフ
ローチャートである。

【図９】本発明の第１の実施例の文書要素規則の例であ
る。

【図１０】本発明の第１の実施例のＨＴＭＬの構造記述
子“ＨＲ”で話題を抽出する例である。

【図１１】本発明の第１の実施例のＨＴＭＬ文書の“he
llo1.html ”の文書要素系列の例である。

【図１２】本発明の第１の実施例の変化点情報が付加さ
れた文書要素系列の例である。

【図１３】本発明の第１の実施例のタグＨn （ｎ＝１−
６）とＰを基に話題を抽出する例である。

【図１４】本発明の第１の実施例のＨＴＭＬの番号付き
箇条書きを表す〈ＯＬ〉と箇条書き項目を示すタグ〈Ｌ
Ｉ〉を用いた例である。

【図１５】本発明の第２の実施例のフローチャートであ
る。

【図１６】本発明の第２の実施例の構造記述言語ＨＴＭ
Ｌを用いて話題の変化点を抽出する例である。

【図１７】本発明の第３の実施例の規則データ蓄積部の
規則条件の例である。

【図１８】本発明の第３の実施例のタグＩＭＧを用いた
ＨＴＭＬ文書の具体例である。

【図１９】本発明の第３の実施例の他の具体例である。

【図２０】本発明の第４の実施例のフローチャートであ
る。

【図２１】本発明の第４の実施例の具体的な例である。

【符号の説明】

１文書要素検出手段２規則データ蓄積手段３文書要素照合判定手段４話題階層抽出手段５ファイル属性検出手段１０構造化文書１１文書要素検出部１２文書要素系列２０規則データ蓄積部２１規則データ３０文書要素照合・判定部３１変化点情報４０話題構造抽出部４１階層構造化文書５０ファイル属性検出部５１ファイル属性情報付加文書要素系列

Claims

【特許請求の範囲】

【請求項１】構造記述言語を用いて作成された構造化
文書の中から階層化された話題構造を抽出する構造化文
書処理方法において、入力された構造化文書から、該文書を構成している文書
要素を検出する要素検出処理を行い、前記要素検出処理において検出された文書要素を構造化
文書中における話題の変化点とするための規則条件を予
め用意し、前記規則条件に基づいて各文書要素が話題の変化点であ
るかどうかを判定する照合判定処理を行い、前記照合判定処理の結果に基づいて、階層化された話題
構造の抽出を行うことを特徴とする構造化文書処理方
法。
【請求項２】前記要素検出処理で検出された文書要素
が、参照しているファイルの属性値を取得し、前記規則条件に基づいて、前記文書要素及び前記取得さ
れたファイルの属性値が、該規則条件を満足しているか
どうかを判定する照合判定処理を行う請求項１記載の構
造化文書処理方法。
【請求項３】前記照合判定処理において、構造記述言語の構造記述子が、話題の変化点となるため
の規則条件と優先順位を規定する規則条件を満足してい
るか否かを判定する請求項１記載の構造化文書処理方
法。
【請求項４】前記照合判定処理において、検出された文書要素に付随する属性値が、話題の変化点
となるための規則条件と優先順位を規定する規則条件を
満足しているか否かを判定する請求項１記載の構造化文
書処理方法。
【請求項５】前記照合判定処理において、検出された前記文書要素の前後に出現する文書要素の並
びが、話題の変化点となるための規則条件と優先順位を
規定する規則条件を満足しているか否かを判定する請求
項１記載の構造化文書処理方法。
【請求項６】前記照合判定処理において、前記文書要素に付随する属性値、及び前記文書要素の前
後に出現する文書要素の並びが、予め用意された話題の
変化点となるための規則条件を満足しているか否かを判
定する請求項１記載の構造化文書処理方法。
【請求項７】構造記述用語を用いて作成された構造化
文書の中から、話題構造を抽出する構造化文書処理装置
であって、前記構造化文書から文書を構成している文書要素を検出
する文書要素検出手段と、前記文書要素検出手段により検出された文書要素が文書
中における話題の変化点となるための規則条件を保持す
る規則データ蓄積手段と、前記検出された文書要素が前記話題の変化点となるため
の前記規則データ蓄積手段の規則条件を満足しているか
どうかを照合・判定する文書要素照合判定手段と、前記文書要素照合判定手段により得られた結果に基づい
て、階層化された話題構造を抽出する話題構造抽出手段
とを有することを特徴とする構造化文書処理装置。
【請求項８】前記文書要素検出手段により検出された
文書要素が参照しているファイルの属性を取得するファ
イル属性取得手段を更に有する請求項７記載の構造化文
書処理装置。
【請求項９】前記規則データ蓄積手段は、優先順位を規定する規則条件も保持する請求項７記載の
構造化文書処理装置。
【請求項１０】前記文書要素照合判定手段は、構造記述言語の構造記述子が、前記規則データ蓄積手段
の話題の変化点となるための規則条件と優先順位を規定
する規則条件を満足しているか否かを判定する請求項７
及び９記載の構造化文書処理装置。
【請求項１１】前記文書要素照合判定手段は、検出された文書要素に付随する属性値が、前記規則デー
タ蓄積手段の話題の変化点となるための規則条件と優先
順位を規定する規則条件を満足しているか否かを判定す
る請求項７及び９記載の構造化文書処理装置。
【請求項１２】前記文書要素照合判定手段は、検出された前記文書要素の前後に出現する文書要素の並
びが、前記規則データ蓄積手段の話題の変化点となるた
めの規則条件と優先順位を規定する規則条件を満足して
いるか否かを判定する請求項７及び９記載の構造化文書
処理装置。
【請求項１３】前記文書要素照合判定手段は、前記文書要素に付随する属性値、及び前記文書要素の前
後に出現する文書要素の並びが、前記規則データ蓄積手
段の話題の変化点となるための規則条件を満足している
か否かを判定する請求項７記載の構造化文書処理装置。