JPH09259140A - 情報検索方法、情報検索装置及び情報検索プログラムを格納する媒体 - Google Patents

Abstract

(57)【要約】 【課題】 ディスク等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。 【解決手段】 索引ファイルにおける、文字連鎖ファイ
ルには、可変長連鎖・固定長連鎖・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。拡張
文字連鎖ファイルには、拡張文字連鎖とそれに対応する
可変長連鎖番号・可変長連鎖内位置番号が拡張位置情報
ファイルのどこに位置するかが格納される。拡張位置情
報ファイルには、可変長連鎖番号・可変長連鎖内位置番
号が格納される。この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。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。

Description

【発明の詳細な説明】

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。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。

【０００９】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。

【００１０】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。

【００１１】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。

【００１２】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。また、これら従来技術の文字列検索技法で
は、検索すべき文字列が"This is a pencil"である場
合、"This is a pemcil"(1字間違え)や"This is a red
pencil"(単語が挿入された場合)のみならず、"This is
a red pemcil"(１字間違えと単語が挿入された場合の複
合)という文字列を検索文字列に似たものとして判断す
ることは不可能であった。

【００１３】

【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。

【００１４】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。

【００１５】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。

【００１６】本発明の好適な実施例においては、文書中
の任意の連続するＮ文字または、単語(英単語等)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
文書が、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
ることを可能にする。

【００１７】本発明の好適な実施例においては、日本語
・中国語のような文字の種類が多く表記上、明示的な単
語デリミターを持たない言語(非デリミタ言語)と、英語
のような文字の種類が少なく、明示的な単語デリミター
をともなって表記される言語(デリミタ言語)のどちらで
記述された文書に対しても、高速な検索を実現すること
を可能にする。

【００１８】

【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、
索引ファイルには、各々の文書中の、適当に定めた文字
集合Ｃに属する文字の連続（以下、可変長連鎖と呼ぶ）
と、文字集合Ｃに属さない個々の連続するＮ個の文字
（以下、固定長連鎖と呼ぶ）と、その両者があらわれる
文書の番号及びその文書中の位置情報が格納される。さ
らに、可変長連鎖には、一意的な番号が付与され、可変
長連鎖の個々のＮ'個の文字（以下、拡張固定長連鎖と
呼ぶ）と、そのＮ'個の文字があらわれる可変長連鎖の
番号及びその可変長連鎖中の位置情報が格納される。好
適には、索引ファイルは、文字連鎖ファイルと、位置情
報ファイルと、拡張文字連鎖ファイルと、拡張位置情報
ファイルの４つのファイルで構成される。文字連鎖ファ
イルには、可変長連鎖・固定長連鎖・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。拡
張文字連鎖ファイルには、拡張文字連鎖とそれに対応す
る可変長連鎖番号・可変長連鎖内位置番号が拡張位置情
報ファイルのどこに位置するかが格納される。拡張位置
情報ファイルには、可変長連鎖番号・可変長連鎖内位置
番号が格納される。

【００１９】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。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。

【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。

【００２１】本発明の１の態様においては、可変長連鎖
文書文字列の存在する文書文字列を特定する文書文字列
特定情報と、可変長連鎖文書文字列の存在する文書文字
列内の位置を示す文書文字列位置情報を可変長連鎖文書
文字列に関連付ける段階と、可変長連鎖文書文字列か
ら、長さＭ文字の（Ｍは、１以上の予定の整数）の部分
文書文字列を抜き出して格納する段階と、部分文書文字
列の存在する可変長連鎖文書文字列を特定する可変長連
鎖文書文字列特定情報と、部分文書文字列の存在する可
変長連鎖文書文字列内の位置を示す可変長連鎖文書文字
列位置情報を部分文書文字列に関連付ける段階と、可変
長連鎖検索文字列から抜き出した長さＮ文字の（Ｎは、
１以上の予定の整数）部分検索文字列に一致する部分文
書文字列を探索する段階と、可変長連鎖検索文字列の部
分検索文字列の開始位置を１つずらした長さＮ文字の部
分検索文字列と一致する部分文書文字列を探索する段階
と、

【００２２】この部分文書文字列を探索する段階を繰り
返し、可変長連鎖検索文字列の部分検索文字列と一致す
る部分文書文字列の集合を特定する段階と、部分文書文
字列の集合に属する部分文字列の可変長連鎖文書文字列
特定情報及び可変長連鎖文書文字列位置情報から、可変
長連鎖検索文字列に予定の可変長連鎖一致度以上で一致
する可能性のある可変長連鎖文書文字列候補を特定する
段階と、可変長連鎖検索文字列と可変長連鎖文書文字列
候補の可変長連鎖一致度を計算する段階と、可変長連鎖
文書文字列候補の中から、可変長連鎖検索文字列と予定
の可変長連鎖一致度以上の可変長連鎖一致度を有する可
変長連鎖文書文字列を選択する段階と、選択された可変
長連鎖文書文字列の文書文字列特定情報から、選択され
た可変長連鎖文書文字列の存在する文書文字列を特定す
る段階と、選択された可変長連鎖文書文字列の存在する
文書文字列と可変長連鎖検索文字列を含む検索文字列と
の文字列類似度を計算する段階と、計算された文字列類
似度が一定の文字列類似度以上である場合、特定された
可変長連鎖文書文字列を表示する段階とを含むコンピュ
ータ処理によって検索可能に記憶された文書中で、可変
長連鎖検索文字列を含む検索文字列と一定の文字列類似
度以上で類似する可変長連鎖文書文字列を含む文書文字
列を検索する方法が提供される。

【００２３】本願の特許請求の範囲における、「文書
中」とは、単一の文書中のみならず、データベース等を
含む複数文書中をも包含する概念である。また、この
「可変長連鎖文書文字列」および「可変長検索文字列」
は、それぞれ文書内、検索文字内の可変長連鎖をいい、
好適には、前述のデリミタ言語の１つの単語に対応して
いる。しかし、必ずしもデリミタ言語の単語である必要
はなく、非デリミタ言語によって構成される場合もあ
る。かかる構成においては、たとえば、特許公報の要約
のキーワードのような可変長文字列の集合に対する検索
に応用することができる。また、「一定の文字列類似度
以上」とは、０を超える類似度をいうが、類似度１、す
なわち完全に一致する類似度を包含するものである。文
書文字列特定情報、文書文字列位置情報と可変長連鎖文
書文字列の関連付け、可変長連鎖文書文字列特定情報、
可変長連鎖文書文字列位置情報と部分文書文字列の関連
付けは本発明の好適な実施例に記載されているような別
個のファイルとして管理する必要はなく、可変長連鎖文
書文字列が対応する文書文字列特定情報、文書文字列位
置情報をポイント可能なリンクが存在していればよく、
同様に、部分文書文字列が対応する可変長連鎖文書文字
列特定情報、可変長連鎖文書文字列位置情報をポイント
可能なリンクが存在していればよい。

【００２４】本願の特許請求の範囲における、「可変長
連鎖検索文字列を含む検索文字列」には、他の可変長連
鎖検索文字列を含む検索文字列、固定長連鎖検索文字列
を含む検索文字列のみならず、可変長連鎖検索文字列自
体である検索文字列を含む概念である。この検索文字列
は、好適にはユーザがキーボードから入力するが、ネッ
トワークを介しクライアント側や、他のシステムからも
入力させることも可能であり、英単語等のスペルチェッ
クに応用される場合は、辞書にない単語を抽出すること
により、システムから自動入力される。「部分文書文字
列」および「部分検索文字列」は、実施例に於ける拡張
固定長連鎖に対応する概念であり、その長さＭまたはＮ
は、設計により、ユーザに自由に設定させることも、ユ
ーザに変更できないようにすることもできる。また、入
力された類似度、文書中の可変長連鎖文書文字列の平均
的長さのサンプル、可変長連鎖検索文字列の長さに応じ
てシステム側で変更することも可能である。さらに、
「部分文書文字列」および「部分検索文字列」の抜き出
しに際しては、「＄」等の可変長連鎖の始まりを示す記
号や、「￥」等の可変長連鎖の終了を示す符合を加える
ことも可能である。「一定の類似度」はユーザによって
入力された類似度や、デフォルトによって定められた類
似度をいい、クライアント側や、他のシステムからも入
力させることも可能である。

【００２５】本発明の他の態様によれば、可変長連鎖文
書文字列と、可変長連鎖文書文字列の存在する文書文字
列を特定する文書文字列特定情報を関連付ける段階と、
可変長連鎖文書文字列から、長さＭ文字の（Ｍは、１以
上の予定の整数）の部分文書文字列と、部分文書文字列
の存在する可変長連鎖文書文字列を特定する可変長連鎖
文書文字列特定情報を関連付ける段階と、可変長連鎖検
索文字列から抜き出した長さＮ文字の（Ｎは、１以上の
予定の整数）部分検索文字列に一致する部分文書文字列
を探索する段階と、部分検索文字列に一致する部分文書
文字列の可変長連鎖文書文字列特定情報から、部分検索
文字列に一致する部分文書文字列に関連する可変長連鎖
文書文字列を特定する段階と、特定された可変長連鎖文
書文字列の文書文字列特定情報から、特定された可変長
連鎖文書文字列の存在する文書文字列を特定する段階と
を含む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、可変長連鎖検索文字列を含む検索文字列と一
定の類似度以上で類似する可変長連鎖文書文字列を含む
文書文字列を検索する方法が提供される。

【００２６】本願の特許請求の範囲における、「文書文
字列特定情報」は、実施例に於ける文書番号に対応する
概念であるが、アドレス情報、文書名等、可変長連鎖文
書文字列の存在する文書文字列を特定する情報であれば
よく文書番号に限定される概念ではない。また、可変長
連鎖文書文字列特定情報は、実施例に於ける可変長連鎖
番号に対応する概念であるが、アドレス情報、単語名
等、部分文書文字列の存在する可変長連鎖文書文字列を
特定する情報であればよい。

【００２７】本発明の他の態様によれば、可変長連鎖文
書文字列と、可変長連鎖文書文字列の存在する文書文字
列を特定する文書文字列特定情報が関連付けられてお
り、可変長連鎖文書文字列から、長さＭ文字の（Ｍは、
１以上の予定の整数）の部分文書文字列と、部分文書文
字列の存在する可変長連鎖文書文字列を特定する可変長
連鎖文書文字列特定情報が関連付けられている索引ファ
イル中で、可変長連鎖検索文字列から抜き出した長さＮ
文字の（Ｎは、１以上の予定の整数）部分検索文字列に
一致する部分文書文字列を探索する段階と、部分検索文
字列に一致する部分文書文字列の可変長連鎖文書文字列
特定情報から、部分検索文字列に一致する部分文書文字
列に関連する可変長連鎖文書文字列を特定する段階と、
特定された可変長連鎖文書文字列の文書文字列特定情報
から、特定された可変長連鎖文書文字列の存在する文書
文字列を特定する段階とを含む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、可変長連鎖検索文字
列を含む検索文字列と一定の類似度以上で類似する可変
長連鎖文書文字列を含む文書文字列を検索する方法が提
供される。この「索引ファイル」は、本発明の方法が実
施される以前に作成されており、ＲＡＭ、ハードディス
ク等のコンピュータシステム内の各種媒体、または、フ
ロッピーディスク、ＣＤＲＯＭ等のコンピュータシステ
ム外の各種媒体に格納されている。

【００２８】本発明の他の態様によれば、可変長連鎖文
書文字列の存在する文書文字列を特定する文書文字列特
定情報と、可変長連鎖文書文字列の存在する文書文字列
内の位置を示す文書文字列位置情報を可変長連鎖文書文
字列に関連付ける段階と、可変長連鎖文書文字列から、
長さＭ文字の（Ｍは、１以上の予定の整数）の部分文書
文字列を抜き出して格納する段階と、部分文書文字列の
存在する可変長連鎖文書文字列を特定する可変長連鎖文
書文字列特定情報と、部分文書文字列の存在する可変長
連鎖文書文字列内の位置を示す可変長連鎖文書文字列位
置情報を部分文書文字列に関連付ける段階と、可変長連
鎖検索文字列から抜き出した長さＮ文字の（Ｎは、１以
上の予定の整数）部分検索文字列に一致する部分文書文
字列を探索する段階と、可変長連鎖検索文字列の部分検
索文字列の開始位置を１つずらした長さＮ文字の部分検
索文字列と一致する部分文書文字列を探索する段階と、
この一致する部分文書文字列を探索する段階を繰り返
し、可変長連鎖検索文字列の部分検索文字列と一致する
部分文書文字列の集合を特定する段階と、部分文書文字
列の集合に属する部分文字列の可変長連鎖文書文字列特
定情報及び可変長連鎖文書文字列位置情報から、可変長
連鎖検索文字列に類似する可変長連鎖文書文字列を特定
する段階と、特定された可変長連鎖文書文字列特定され
た可変長連鎖文書文字列の存在する文書文字列を特定す
る段階とを含む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、可変長連鎖検索文字列を含む検索文
字列と一定の類似度以上で類似する可変長連鎖文書文字
列を含む文書文字列を検索する方法が提供される。

【００２９】本発明の他の態様によれば、文書から、第
１の可変長連鎖を抜き出す段階と、第１の可変長連鎖が
出現する文書中の位置情報を格納する段階と、第１の可
変長連鎖から第１の拡張固定長連鎖を抜き出す段階と、
第１の拡張固定長連鎖が存在する第１の可変長連鎖を特
定する情報と、第１の拡張固定長連鎖が存在する第１の
可変長連鎖中の位置情報を格納する段階とを含む複数の
可変長連鎖を含む文書からコンピュータ検索用のファイ
ルをコンピュータによってアクセス可能な記憶装置に作
成する方法が提供される。

【００３０】本願の特許請求の範囲における、「第１の
可変長連鎖が出現する文書中の位置情報」、「第１の拡
張固定長連鎖が存在する第１の可変長連鎖を特定する情
報」、「第１の拡張固定長連鎖が存在する第１の可変長
連鎖中の位置情報」は上記コンピュータによってアクセ
ス可能であれば、夫々異なる記憶装置に格納することも
できる。

【００３１】本発明の他の態様によれば、文書から、複
数の可変長連鎖を抜き出して文字連鎖ファイルに格納す
る段階と、複数の可変長連鎖が出現する文書中の位置情
報を位置情報ファイルに格納する段階と、複数の可変長
連鎖の各々の可変長連鎖から長さＭ文字の（Ｍは、１以
上の予定の整数）拡張固定長連鎖を抜き出して拡張文字
連鎖ファイルに格納する段階と、拡張固定長連鎖が存在
する可変長連鎖を特定する情報と、拡張固定長連鎖が存
在する可変長連鎖中の位置情報を拡張位置情報ファイル
に格納する段階とを含む複数の可変長連鎖を含む文書か
らコンピュータ検索用のファイルをコンピュータによっ
てアクセス可能な記憶装置に作成する方法が提供され
る。

【００３２】本発明の他の態様によれば、第１の可変長
連鎖文字列から、長さＮ文字の（Ｎは、１以上の予定の
整数）の部分文字列について、第２の可変長連鎖中で一
致する部分文字列を探索する段階と、第１の可変長連鎖
の部分文字列の開始位置を１つずらした長さＮ文字の部
分文字列につき、第２の可変長連鎖中で一致する部分文
字列を探索する段階と、第２の可変長連鎖中で一致する
部分文字列を探索する段階を繰り返すことにより、第２
の可変長連鎖において、第１の可変長連鎖と一致する文
字を識別する可変長連鎖一致文字識別情報を導出する段
階と、可変長連鎖一致文字識別情報と第１の可変長連鎖
文字数に基づいて、第１の可変長連鎖と、第２の可変長
連鎖の可変長連鎖一致度を算出する段階と、可変長連鎖
一致度に基づいて第１の文字列の類似度を算出する段階
とを含む第１の可変長連鎖を含む第１の文字列と、第２
の可変長連鎖を含む第２の文字列の類似度をコンピュー
タを用いて計算する方法が提供される。可変長連鎖一致
文字識別情報とは、第１または第２の可変長連鎖におい
て一致文字、不一致文字を識別する情報でり、好適には
第１の可変長連鎖の有効一致文字列の文字数または、第
２の可変長連鎖の有効一致文字列の文字数であるが、一
致文字ではなく、不一致文字を特定する情報であっても
一致度を算出することが可能である。また、一致文字
数、不一致文字数を単純に計算に用いるのではなく、一
致文字、不一致文字の性質によって一致度計算に重み付
けを行ったり、ペナルティを課すこともできる。

【００３３】本発明の他の態様によれば、第２の可変長
連鎖文字列の存在する第２の文字列を特定する文字列特
定情報と、第２の可変長連鎖文字列の存在する第２の文
字列内の位置を示す文字列位置情報を第２の可変長連鎖
文字列に関連付ける段階と、第２の可変長連鎖文字列か
ら、長さＭ文字の（Ｍは、１以上の予定の整数）の第２
の部分文字列を抜き出して格納する段階と、第２の部分
文字列の存在する第２の可変長連鎖文字列を特定する可
変長連鎖文字列特定情報と、第２の部分文字列の存在す
る第２の可変長連鎖文字列内の位置を示す可変長連鎖文
字列位置情報を第２の部分文書文字列に関連付ける段階
と、第１の可変長連鎖文字列から抜き出した長さＮ文字
の（Ｎは、１以上の予定の整数）第１の部分文字列に一
致する第２の部分文字列を探索する段階と、第１の可変
長連鎖文字列の第１の部分文字列の開始位置を１つずら
した長さＮ文字の第１の部分検索文字列と一致する第２
の部分文字列を探索する段階と、この第１の部分検索文
字列と一致する第２の部分文字列を探索する段階を繰り
返し、第１の可変長連鎖文字列の第１の部分文字列と一
致する第２の部分文字列の集合を特定する段階と、第２
の部分文字列の集合に属する第２の部分文字列の可変長
連鎖文字列特定情報及び可変長連鎖文字列位置情報か
ら、第１の可変長連鎖文字列に予定の可変長連鎖一致度
以上で一致する可能性のある可変長連鎖文字列候補を特
定する段階と、第１の可変長連鎖文字列と可変長連鎖文
字列候補の可変長連鎖一致度を計算する段階と、可変長
連鎖文字列候補の中から、第１の可変長連鎖文字列と予
定の可変長連鎖一致度以上の可変長連鎖一致度を有する
第２の可変長連鎖文字列を選択する段階と、選択された
第２の可変長連鎖文字列の可変長連鎖一致度を格納する
段階と、選択された第２の可変長連鎖文字列の文字列特
定情報から、選択された第２の可変長連鎖文字列の存在
する第２の文書文字列を特定する段階と、格納された可
変長連鎖一致度に基づいて、選択された第２の可変長連
鎖文字列の存在する第２の文字列と第１の可変長連鎖検
字列を含む検索文字列との文字列類似度を計算する段階
とを含む第１の可変長連鎖を含む第１の文字列と、第２
の可変長連鎖を含む第２の文字列の類似度をコンピュー
タを用いて計算する方法が提供される。

【００３４】本発明の他の態様によれば、可変長連鎖検
索文字列の先頭から、長さＭ文字の（Ｍは、１以上の予
定の整数）の部分文字列につき、可変長連鎖文書文字列
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文字の長さ
の部分文字列を有効一致文字列と称する）段階と、 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、有効
一致文字列が見つかる限り、このi+i番目の有効一致文
字列を見出す段階を継続する段階と、少なくとも、可変
長連鎖文書文字列における最初の有効一致文字列の開始
位置から、可変長連鎖文書文字列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、可変長連鎖検索文字列
と、可変長連鎖文書文字列における最初の有効一致文字
列の開始位置から、可変長連鎖文書文字列における最後
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、計算された類似度が、予定の
類似度以上であることに応答して、可変長文書文字列を
特定する段階と、特定された可変長連鎖文書文字列を含
む文書文字列を特定する段階とを含む可変長連鎖検索文
字列を含む検索文字列に対し予定の類似度以上の類似す
る文書文字列があらわれる箇所を見出す方法が提供され
る。

【００３５】本発明の他の態様によれば、検索文字列を
入力するための入力装置と、記可変長連鎖文書文字列を
格納する文字連鎖ファイルと、可変長連鎖文書文字列の
存在する文書文字列を特定する文書文字列特定情報と、
可変長連鎖文書文字列の存在する文書文字列内の位置を
示す文書文字列位置情報を格納する位置情報ファイル
と、可変長連鎖文書文字列から、長さＭ文字の（Ｍは、
１以上の予定の整数）から抜き出された部分文書文字列
を格納する拡張文字連鎖ファイルと、部分文書文字列の
存在する可変長連鎖文書文字列を特定する可変長連鎖文
書文字列特定情報と、部分文書文字列の存在する可変長
連鎖文書文字列内の位置を示す可変長連鎖文書文字列位
置情報を格納する拡張位置情報ファイルとを記憶する記
憶装置と、

【００３６】可変長連鎖検索文字列から抜き出した長さ
Ｎ文字の（Ｎは、１以上の予定の整数）部分検索文字列
に一致する部分文書文字列の探索と、可変長連鎖検索文
字列の部分検索文字列の開始位置を１つずらした長さＮ
文字の部分検索文字列と一致する部分文書文字列の探索
と、部分検索文字列と一致する部分文書文字列の探索を
繰り返し、前記可変長連鎖検索文字列の部分検索文字列
と一致する部分文書文字列の集合を特定することと、部
分文書文字列の集合に属する部分文字列の可変長連鎖文
書文字列特定情報及び可変長連鎖文書文字列位置情報か
ら、可変長連鎖検索文字列に予定の可変長連鎖一致度以
上で一致する可能性のある可変長連鎖文書文字列候補の
特定と、可変長連鎖検索文字列と可変長連鎖文書文字列
候補の可変長連鎖一致度の計算と、可変長連鎖文書文字
列候補の中から、可変長連鎖検索文字列と予定の可変長
連鎖一致度以上の可変長連鎖一致度を有する可変長連鎖
文書文字列の選択と、選択された可変長連鎖文書文字列
の文書文字列特定情報から、選択された可変長連鎖文書
文字列の存在する文書文字列の特定と、選択された可変
長連鎖文書文字列の存在する文書文字列と可変長連鎖検
索文字列を含む検索文字列との文字列類似度の計算とを
行う制御手段と、計算された文字列類似度が一定の文字
列類似度以上である場合、特定された可変長連鎖文書文
字列を表示する表示装置とを含む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、可変長連鎖検索文
字列を含む検索文字列と一定の文字列類似度以上で類似
する可変長連鎖文書文字列を含む文書文字列を検索する
装置が提供される。

【００３７】本願の特許請求の範囲における、「入力装
置」は、好適には文字入力可能なキーボードであるが、
表示装置上に表示された文字をポイントする、マウスや
トラックボール等のポインンティングデバイスや、タッ
チパネル等も含む概念である。また、他のシステムから
検索文字列が入力される場合、当該他のシステムが、入
力装置として構成される。「記憶装置」は、好適には、
ＲＡＭを用いて実施することができるが、その他、ハー
ドディスク、キャッシュメモリ等の各種記憶装置を含
む。「制御手段」は、好適には、バスに、演算及び入出
力制御機能をもつ中央処理装置（ＣＰＵ）、プログラム
をロードし、また、ＣＰＵのための作業領域を与える主
記憶、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、検索エンジン等のプログラムの組合せによ
って構成される。「表示装置」は、好適にはディスプレ
イ装置によって構成されるが、印字することによって、
文字等を表示するプリンタ、プロッタ等の印刷装置を含
む。

【００３８】本発明の他の態様によれば、可変長連鎖文
書文字列と、可変長連鎖文書文字列の存在する文書文字
列を特定する文書文字列特定情報を関連付ける手段と、
可変長連鎖文書文字列から、長さＭ文字の（Ｍは、１以
上の予定の整数）の部分文書文字列と、部分文書文字列
の存在する可変長連鎖文書文字列を特定する可変長連鎖
文書文字列特定情報を関連付ける手段と、可変長連鎖検
索文字列から抜き出した長さＮ文字の（Ｎは、１以上の
予定の整数）部分検索文字列に一致する部分文書文字列
を探索する手段と、部分検索文字列に一致する部分文書
文字列の可変長連鎖文書文字列特定情報から、部分検索
文字列に一致する部分文書文字列に関連する可変長連鎖
文書文字列を特定する手段と、特定された可変長連鎖文
書文字列の文書文字列特定情報から、特定された可変長
連鎖文書文字列の存在する文書文字列を特定する手段と
を含む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、可変長連鎖検索文字列を含む検索文字列と一
定の類似度以上で類似する可変長連鎖文書文字列を含む
文書文字列を検索する装置が提供される。

【００３９】本発明の他の態様によれば、可変長連鎖文
書文字列と、可変長連鎖文書文字列の存在する文書文字
列を特定する文書文字列特定情報が関連付けられてお
り、可変長連鎖文書文字列から、長さＭ文字の（Ｍは、
１以上の予定の整数）の部分文書文字列と、部分文書文
字列の存在する可変長連鎖文書文字列を特定する可変長
連鎖文書文字列特定情報が関連付けられている索引ファ
イル中で、可変長連鎖検索文字列から抜き出した長さＮ
文字の（Ｎは、１以上の予定の整数）部分検索文字列に
一致する部分文書文字列を探索する手段と、部分検索文
字列に一致する部分文書文字列の可変長連鎖文書文字列
特定情報から、部分検索文字列に一致する部分文書文字
列に関連する可変長連鎖文書文字列を特定する手段と、
特定された可変長連鎖文書文字列の文書文字列特定情報
から、特定された可変長連鎖文書文字列の存在する文書
文字列を特定する手段とを含む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、可変長連鎖検索文字
列を含む検索文字列と一定の類似度以上で類似する可変
長連鎖文書文字列を含む文書文字列を検索する装置が提
供される。

【００４０】本発明の他の態様によれば、可変長連鎖文
書文字列の存在する文書文字列を特定する文書文字列特
定情報と、可変長連鎖文書文字列の存在する文書文字列
内の位置を示す文書文字列位置情報を可変長連鎖文書文
字列に関連付ける手段と、可変長連鎖文書文字列から、
長さＭ文字の（Ｍは、１以上の予定の整数）の部分文書
文字列を抜き出して格納する手段と、部分文書文字列の
存在する可変長連鎖文書文字列を特定する可変長連鎖文
書文字列特定情報と、部分文書文字列の存在する可変長
連鎖文書文字列内の位置を示す可変長連鎖文書文字列位
置情報を部分文書文字列に関連付ける手段と、可変長連
鎖検索文字列から抜き出した長さＮ文字の（Ｎは、１以
上の予定の整数）部分検索文字列に一致する部分文書文
字列を探索する手段と、可変長連鎖検索文字列の部分検
索文字列の開始位置を１つずらした長さＮ文字の部分検
索文字列と一致する部分文書文字列を探索する手段と、
この部分文書文字列を探索する手段を繰り返し、可変長
連鎖検索文字列の部分検索文字列と一致する部分文書文
字列の集合を特定する手段と、部分文書文字列の集合に
属する部分文字列の可変長連鎖文書文字列特定情報及び
可変長連鎖文書文字列位置情報から、可変長連鎖検索文
字列に類似する可変長連鎖文書文字列を特定する手段
と、特定された可変長連鎖文書文字列の文書文字列特定
情報から、特定された可変長連鎖文書文字列の存在する
文書文字列を特定する手段とを含む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、可変長連鎖検索
文字列を含む検索文字列と一定の類似度以上で類似する
可変長連鎖文書文字列を含む文書文字列を検索する装置
が提供される。

【００４１】本発明の他の態様によれば、文書から、第
１の可変長連鎖を抜き出す手段と、第１の可変長連鎖が
出現する文書中の位置情報を格納する手段と、第１の可
変長連鎖から第１の拡張固定長連鎖を抜き出す手段と、
第１の拡張固定長連鎖が存在する第１の可変長連鎖を特
定する情報と、第１の拡張固定長連鎖が存在する第１の
可変長連鎖中の位置情報を格納する手段と、を含む複数
の可変長連鎖を含む文書からコンピュータ検索用のファ
イルをコンピュータによってアクセス可能な記憶装置に
作成する装置が提供される。

【００４２】本発明の他の態様によれば、文書から、複
数の可変長連鎖を抜き出して文字連鎖ファイルに格納す
る手段と、複数の可変長連鎖が出現する文書中の位置情
報を位置情報ファイルに格納する手段と、複数の可変長
連鎖の各々の可変長連鎖から長さＭ文字の（Ｍは、１以
上の予定の整数）拡張固定長連鎖を抜き出して拡張文字
連鎖ファイルに格納する手段と、拡張固定長連鎖が存在
する可変長連鎖を特定する情報と、拡張固定長連鎖が存
在する可変長連鎖中の位置情報を拡張位置情報ファイル
に格納する手段とを含む複数の可変長連鎖を含む文書か
らコンピュータ検索用のファイルをコンピュータによっ
てアクセス可能な記憶装置に作成する装置が提供され
る。

【００４３】本発明の他の態様によれば、第１の可変長
連鎖文字列から、長さＮ文字の（Ｍは、１以上の予定の
整数）の部分文字列につき、第２の可変長連鎖中で一致
する部分文字列を探索する手段と、第１の可変長連鎖の
部分文字列の開始位置を１つずらした長さＮ文字の部分
文字列につき、第２の可変長連鎖中で一致する部分文字
列を探索する手段と、この一致する部分文字列を探索す
る手段を繰り返すことにより、第２の可変長連鎖におい
て、第１の可変長連鎖と一致する文字を識別する可変長
連鎖一致文字識別情報を導出する手段と、可変長連鎖一
致文字識別情報と第１の可変長連鎖文字数に基づいて、
第１の可変長連鎖と、第２の可変長連鎖の可変長連鎖一
致度を算出する手段と、可変長連鎖一致度に基づいて第
１の文字列の類似度を算出する手段とを含む第１の可変
長連鎖を含む第１の文字列と、第２の可変長連鎖を含む
第２の文字列の類似度をコンピュータを用いて計算する
装置が提供される。

【００４４】本発明の他の態様によれば、第２の可変長
連鎖文字列の内容を管理する文字連鎖ファイルと、第２
の可変長連鎖文字列の存在する第２の文字列を特定する
文字列特定情報と、第２の可変長連鎖文字列の存在する
第２の文字列内の位置を示す文字列位置情報を管理する
位置情報ファイルと、第２の可変長連鎖文字列から抜き
出した、長さＭ文字の（Ｍは、１以上の予定の整数）の
第２の部分文字列を管理する拡張文字連鎖ファイルと、
第２の部分文字列の存在する第２の可変長連鎖文字列を
特定する可変長連鎖文字列特定情報と、第２の部分文字
列の存在する第２の可変長連鎖文字列内の位置を示す可
変長連鎖文字列位置情報を管理する拡張位置情報ファイ
ルと、を格納する記憶装置と、第１の可変長連鎖文字列
から抜き出した長さＮ文字の（Ｎは、１以上の予定の整
数）第１の部分文字列に一致する第２の部分文字列を探
索する手段と、第１の可変長連鎖文字列の第１の部分文
字列の開始位置を１つずらした長さＮ文字の第１の部分
検索文字列と一致する第２の部分文字列を探索する手段
と、この第１の部分検索文字列と一致する第２の部分文
字列を探索する手段を繰り返し、第１の可変長連鎖文字
列の第１の部分文字列と一致する第２の部分文字列の集
合を特定する手段と、第２の部分文字列の集合に属する
第２の部分文字列の可変長連鎖文字列特定情報及び可変
長連鎖文字列位置情報から、第１の可変長連鎖文字列に
予定の可変長連鎖一致度以上で一致する可能性のある可
変長連鎖文字列候補を特定する手段と、第１の可変長連
鎖文字列と可変長連鎖文字列候補の可変長連鎖一致度を
計算する手段と、可変長連鎖文字列候補の中から、第１
の可変長連鎖文字列と予定の可変長連鎖一致度以上の可
変長連鎖一致度を有する第２の可変長連鎖文字列を選択
する手段と、選択された第２の可変長連鎖文字列の文字
列特定情報から、選択された第２の可変長連鎖文字列の
存在する第２の文書文字列を特定する手段と、可変長連
鎖一致度に基づいて、選択された第２の可変長連鎖文字
列の存在する第２の文字列と第１の可変長連鎖検字列を
含む検索文字列との文字列類似度を計算する手段と、を
含む第１の可変長連鎖を含む第１の文字列と、第２の可
変長連鎖を含む第２の文字列の類似度をコンピュータを
用いて計算する装置が提供される。

【００４５】本発明の他の態様によれば、可変長連鎖検
索文字列の先頭から、長さＭ文字の（Ｍは、１以上の予
定の整数）の部分文字列につき、可変長連鎖文書文字列
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文字の長さ
の部分文字列を有効一致文字列と称する）手段と、 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手段と、有効
一致文字列が見つかる限り、このi+i番目の有効一致文
字列を見出す手段を継続する手段と、少なくとも、可変
長連鎖文書文字列における最初の有効一致文字列の開始
位置から、可変長連鎖文書文字列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、可変長連鎖検索文字列
と、可変長連鎖文書文字列における最初の有効一致文字
列の開始位置から、可変長連鎖文書文字列における最後
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、計算された類似度が、予定の
類似度以上であることに応答して、可変長文書文字列を
特定する手段と、特定された可変長連鎖文書文字列を含
む文書文字列を特定する手段とを含む可変長連鎖文書文
字列を含み、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、可変長連鎖検索文字列を含む検索
文字列に対し予定の類似度以上の類似する文書文字列が
あらわれる箇所を見出す装置が提供される。

【００４６】本発明の他の態様によれば、可変長連鎖文
書文字列と、可変長連鎖文書文字列の存在する文書文字
列を特定する文書文字列特定情報を関連付けることをコ
ンピュータに指示するプログラムコード手段と、可変長
連鎖文書文字列から、長さＭ文字の（Ｍは、１以上の予
定の整数）の部分文書文字列と、部分文書文字列の存在
する可変長連鎖文書文字列を特定する可変長連鎖文書文
字列特定情報を関連付けることをコンピュータに指示す
るプログラムコード手段と、可変長連鎖検索文字列から
抜き出した長さＮ文字の（Ｎは、１以上の予定の整数）
部分検索文字列に一致する部分文書文字列を探索するこ
とをコンピュータに指示するプログラムコード手段と、
部分検索文字列に一致する部分文書文字列の可変長連鎖
文書文字列特定情報から、部分検索文字列に一致する部
分文書文字列に関連する可変長連鎖文書文字列を特定す
ることをコンピュータに指示するプログラムコード手段
と、特定された可変長連鎖文書文字列の文書文字列特定
情報から、特定された可変長連鎖文書文字列の存在する
文書文字列を特定することをコンピュータに指示するプ
ログラムコード手段とを含む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、可変長連鎖検索文字列
を含む検索文字列と一定の類似度以上で類似する可変長
連鎖文書文字列を含む文書文字列を検索するためのプロ
グラムを格納する媒体が提供される。

【００４７】この媒体には、フロッピーディスク、ＣＤ
−ＲＯＭ、ＭＯ、ＰＤ、ネットワークに接続された記憶
装置等がある。プログラムコードは複数に分割し複数の
媒体に格納することもできる。また、このプログラムは
圧縮して媒体に格納することも可能である。この媒体
は、フロッピーディスクドライブ等の各種ドライブや、
モデム、シリアルポート等を介してシステムにロードさ
れる。

【００４８】本発明の他の態様によれば、可変長連鎖文
書文字列と、可変長連鎖文書文字列の存在する文書文字
列を特定する文書文字列特定情報が関連付けられてお
り、可変長連鎖文書文字列から、長さＭ文字の（Ｍは、
１以上の予定の整数）の部分文書文字列と、部分文書文
字列の存在する可変長連鎖文書文字列を特定する可変長
連鎖文書文字列特定情報が関連付けられている索引ファ
イル中で、可変長連鎖検索文字列から抜き出した長さＮ
文字の（Ｎは、１以上の予定の整数）部分検索文字列に
一致する部分文書文字列を探索することをコンピュータ
に指示するプログラムコード手段と、部分検索文字列に
一致する部分文書文字列の可変長連鎖文書文字列特定情
報から、部分検索文字列に一致する部分文書文字列に関
連する可変長連鎖文書文字列を特定することをコンピュ
ータに指示するプログラムコード手段と、特定された可
変長連鎖文書文字列の文書文字列特定情報から、特定さ
れた可変長連鎖文書文字列の存在する文書文字列を特定
することをコンピュータに指示するプログラムコード手
段とを含む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、可変長連鎖検索文字列を含む検索文字列
と一定の類似度以上で類似する可変長連鎖文書文字列を
含む文書文字列を検索するためのプログラムを格納する
媒体が提供される。

【００４９】本発明の他の態様によれば、文書から、第
１の可変長連鎖を抜き出すことをコンピュータに指示す
るプログラムコード手段と、第１の可変長連鎖が出現す
る文書中の位置情報を格納することをコンピュータに指
示するプログラムコード手段と、第１の可変長連鎖から
第１の拡張固定長連鎖を抜き出すことをコンピュータに
指示するプログラムコード手段と、第１の拡張固定長連
鎖が存在する第１の可変長連鎖を特定する情報と、第１
の拡張固定長連鎖が存在する第１の可変長連鎖中の位置
情報を格納することをコンピュータに指示するプログラ
ムコード手段とを含む複数の可変長連鎖を含む文書から
コンピュータ検索用のファイルをコンピュータによって
アクセス可能な記憶装置に作成するためのプログラムを
格納する媒体が提供される。

【００５０】本発明の他の態様によれば、複数の可変長
連鎖を含む文書から、複数の可変長連鎖を抜き出して格
納した文字連鎖ファイルと、複数の可変長連鎖が出現す
る文書中の位置情報を管理する位置情報ファイルと、複
数の可変長連鎖の各々の可変長連鎖から長さＭ文字の
（Ｍは、１以上の予定の整数）拡張固定長連鎖を抜き出
して格納した拡張文字連鎖ファイルと、拡張固定長連鎖
が存在する可変長連鎖を特定する情報と、拡張固定長連
鎖が存在する前記可変長連鎖中の位置情報を格納した拡
張位置情報ファイルとを格納するコンピュータ検索用の
ファイルを格納するコンピュータによって読み取り可能
な媒体が提供される。本発明のかかる特有のファイル構
成によって、コンピュータシステムに組み込まれたとき
に、容易に曖昧検索を行うことができる。また、重複し
た文字列を圧縮しているため、ファイルの容量も文書を
そのまま格納するよりも少なくなる場合もある。さら
に、重複した文字列を重複して検索することがないた
め、高速な検索を可能とすることができる。この本発明
の効果は、同じ単語が多く繰り返される文書においては
特に有効である。本実施例においては、重複した文字列
の出現する位置情報を数字によって現しているが、この
数字を符号化して圧縮することにより、文書全体として
容量を小さくすることができる。

【００５１】

【実施例】以下、図面を参照して本発明の実施例を説明
する。 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、
コマンドや検索する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ポインティング・デバイス(マ
ウス、トラックボール等を含む)１１２が接続されてい
る。従って、本発明は、通常のパーソナルコンピュータ
（ＰＣ）、やワークステーションやこれらの組合せによ
って実施可能であることを容易に理解できるであろう。
また、本発明の方法を実行するために、オペレーティン
グ・システムと協働してＣＰＵ等に命令を与えるプログ
ラムコードを格納する記憶媒体１１４が示されている。
記憶媒体にはフロッピーディスク、ＣＤ−ＲＯＭ、Ｍ
Ｏ、ＰＤ、ネットワークに接続された記憶装置等があ
り、前述のプログラムコードは複数に分割し、または圧
縮してこの記憶媒体に格納することも可能である。この
記憶媒体１１４は、フロッピーディスクドライブ等の各
種ドライブや、モデム、シリアルポート等を介してシス
テムにロードされることによって、図１に示すシステム
は、本発明のシステムとして構成されることとなる。

【００５２】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。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。

【００５３】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。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。

【００５４】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、文字連鎖ファイルと、位置情報
ファイルと、拡張文字連鎖ファイルと、拡張位置情報フ
ァイルの４つのファイルで構成される。文字連鎖ファイ
ルには、固定長連鎖・可変長連鎖・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。拡張
文字連鎖ファイルには、拡張文字連鎖とそれに対応する
可変長連鎖番号・可変長連鎖内位置番号が拡張位置情報
ファイルのどこに位置するかが格納される。拡張位置情
報ファイルには、可変長連鎖番号・可変長連鎖内位置番
号が格納される。

【００５５】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。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。

【００５６】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。

【００５７】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。

【００５８】Ｃ．索引ファイルの構造及び作成方法 本発明においては、文字集合Ｃに属する文字の連続（可
変長連鎖）のすべてと、文字集合Ｃに属さないすべての
連続するＮ文字（固定長連鎖）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（文書連鎖ファイル３０２、位置情報ファイル３０
４）。ここで、「文字集合Ｃ」とは、あらかじめ定めら
れた文字の集合であり、好適には英字（'Ａ'〜'Ｚ'，'
ａ'〜'ｚ'）であるが、ドイツ語、フランス語、イタリ
ア語、ロシア語等の他の言語で使用される文字や、半角
であることを条件としたり、全角を含む英数字とした
り、"？"、"！"、"'"等のいくつかの記号文字や特殊記
号等を加えることも考えられる。また、「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」、ブランク行、ブランク
文字(列)などの、広い意味で文書の区切りである。そし
て、この可変長連鎖に応答して、さらに、すべての可変
長連鎖のすべての連続するＮ’文字（拡張固定長連鎖）
とその可変長連鎖内位置を可変長連鎖と索引づけしたフ
ァイルが作成される（拡張文字連鎖ファイル３０６、拡
張位置情報ファイル３０８）。

【００５９】但し、この文書連鎖ファイル３０２、位置
情報ファイル３０４、拡張文字連鎖ファイル３０６、拡
張位置情報ファイル３０８の４つのファイルは、物理的
に異なるファイルである必要はなく、論理的に、各ファ
イルで管理する内容を夫々処理できるように格納されて
いればよい。

【００６０】Ｃ１．文字列の正規化 本発明の好適な実施例において、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（またはその逆）小文字を
大文字（またはその逆）に置換する、という処理を行
う。なお、この文字列の正規化は本発明の必須の構成要
素ではない。

【００６１】なお、英字以外を半角から全角に正規化す
ることや、非デリミタ言語のみ正規化することや、半角
全角の区別するという検索条件の変更のユーザ指定に伴
って、正規化の内容を変更することも可能である。

【００６２】Ｃ２．固定長連鎖情報の取り出し 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、文字集合Ｃに属さない文字のうち、検
索対象とする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，固定長連鎖と呼ぶ）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・中
国語・韓国語の場合、Ｎ＝２が適当である。文字集合Ｃ
に属する文字と隣接する空白文字の連続を検索対象とし
ないことが、索引ファイルのサイズを小さくするために
望ましい。

【００６３】Ｃ３．可変長連鎖情報の取り出し 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、文字集合Ｃに属する文字の連続（可変
長連鎖）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。文字集合Ｃを英字以外と
定義することもでき、かかる場合、文字列が連続した複
数の可変長連鎖を含むこともあるが、ブランク、改
行、", "、". "、"! "、"? "等を区切りとして、可変長
連鎖の取り出しを行うことができる。例えば、"Boys be
ambitious."や"Boys(改行)be ambitious."の場合、"Bo
ys"、"be"、"ambitious"の３つの可変長連鎖が取り出さ
れる。本願の好適な実施例においては、"-"に連続する"
改行"であって、前後にブランクを含まない場合は、そ
の前後の文字の連続は単一の可変長連鎖と判断すること
もできる。従って、"Boys be ambi-(改行)tious."のよ
うな場合も、"Boys"、"be"、"ambitious"の３つの可変
長連鎖が取り出される。なお、所望により、大文字と小
文字の変換、複数形と単数形の変換、過去形・過去分詞
から現在形へのテンスの変換等の正規化を行うことも可
能である。

【００６４】Ｃ４．位置情報 本発明の好適な実施例では、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。文書は、改行、ピリオ
ド、句読点、「第何章」や「第何節」等の検出、ブラン
ク行の検出、特許明細書中の段落番号の検出等によって
ブロック化することや一定文字数を１つのブロックにす
ることが可能であり、そのブロックに一連の番号、すな
わちブロック番号が割りふられる。本発明の好適な実施
例においては、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。

【００６５】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連鎖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。

【００６６】分割情報を文字連鎖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。

【００６７】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ブロック内で一意的な番号を順に
つけたものである。そして、文字連鎖の最初の文字の文
書内位置番号を、その文字連鎖の文書内位置番号とす
る。文字集合Ｃに属さない文字の連続の終わりで固定長
連鎖が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。

【００６８】Ｃ５．拡張固定長連鎖情報の取り出し 索引ファイルを作成するための次のステップは、すべて
の可変長連鎖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、拡張固定長連鎖と呼
ぶ）を取り出して、拡張文字連鎖番号、拡張文字連鎖内
位置番号とともに索引ファイル内に格納する。ただし、
Ｎ'≧１であって、文字集合Ｃを英字とする場合、Ｎ'＝
３が適当である。可変長連鎖の前後に開始マークと終了
マークをつけてから拡張固定長連鎖を抜き出すと検索速
度を向上させることができる。例えば、開始マークとし
て「＄」、終了マーク「￥」として使用すると、可変長
連鎖「ｃａｔ」からは、拡張固定連鎖「＄ｃａ」、「ｃ
ａｔ」、「ａｔ￥」、「ｔ￥」が取り出される。そし
て、「＄ｃａ」等の一致を判断するため、「ｃｏｍｍｕ
ｎｉｃａｔｉｏｎ」等のノイズの混入を排除できる。

【００６９】Ｃ６．文書内位置番号の具体例 例えば、「ｄａｔａ ｂａｓｅ ｓｙｓｔｅｍの、研
究。」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。上記文字集合Ｃを英
字であるとし、文字集合Ｃに属する文字に隣接する空白
文字を検索対象としないことにすると、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。

【表１】 文字の文書内位置番号 1 2 3 4 5 6 7 8 9 10111213141516171819 正規化された文字列 ｄａｔａ ｂａｓｅ ｓｙｓｔｅｍの、研究。 区切り方その１ | | 区切り方その２ |

【００７０】そして、その文書の文書番号が１番である
とし、上記固定長連鎖の文字数Ｎを２であるとする。す
ると、個々の固定長連鎖（長さ２）・区切りパターンと
それ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。

【表２】 固定長連鎖 文書番号 文書内位置番号 ------------------------------------------ の、 1 15 、研 1 16 区切りパターン１ 1 16 研究 1 17 究。 1 18 。 1 19 区切りパターン１ 1 19 区切りパターン２ 1 19

【００７１】個々の可変長連鎖とそれに関連付けられる
文書番号、及び文書内位置番号は、次のとおりである。

【表３】 可変長連鎖 文書番号 文書内位置番号 ------------------------------------------ ｄａｔａ 1 1 ｂａｓｅ 1 5 ｓｙｓｔｅｍ 1 9

【００７２】そして、その可変長連鎖に付与した番号を
順に１番、２番、３番であるとし、上記拡張固定長連鎖
の文字数Ｎ'を３であるとする。すると個々の拡張固定
長連鎖（長さ３）とそれに関連付けられる可変長連鎖番
号、及び可変長連鎖内位置番号は、次のとおりである。 拡張固定長連鎖 可変長連鎖番号 可変長連鎖内位置番号 ------------------------------------------ ｄａｔ 1 1 ａｔａ 1 2 ｔａ 1 3 ａ 1 4 ｂａｓ 2 1 ａｓｅ 2 2 ｓｅ 2 3 ｅ 2 4 ｓｙｓ 3 1 ｙｓｔ 3 2 ｓｔｅ 3 3 ｔｅｍ 3 4 ｅｍ 3 5 ｍ 3 6

【００７３】この拡張固定長連鎖に対して複数の可変長
連鎖番号、可変長連鎖内位置番号を付与することを許容
することにより、全体の容量を圧縮することができ、特
に重複した単語の多い文書においては高い効果を得るこ
とができる。また、このように重複した文字列をまとめ
ることにより、重複した検索をしなくても済むため、高
速な検索を行うことができる。

【００７４】Ｃ７．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。 ・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。

【００７５】・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。

【００７６】Ｃ８．索引ファイルの構造 文字連鎖・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、図３，４に示す
ように、索引ファイルを文字連鎖ファイル３０２（主に
固定長連鎖・可変長連鎖・区切りパターンを格納するフ
ァイル）、位置情報ファイル３０４（主に文書番号・文
書内位置番号を格納するファイル）、拡張文字連鎖ファ
イル３０６（主に拡張固定長連鎖を格納するファイ
ル）、拡張位置情報ファイル３０８（主に可変長連鎖番
号・可変長連鎖内位置番号を格納するファイル）の４つ
のファイルで構成する。文字連鎖ファイル３０２には、
固定長連鎖・可変長連鎖・区切りパターンとそれに対応
する文書番号３１２・文書内位置番号３１４が位置情報
ファイル３０４のどこに位置するかの情報を格納する。
位置情報ファイル３０４には、文書番号３１２・文書内
位置番号３１４を格納する。拡張文字連鎖ファイル３０
６には、拡張固定長連鎖とそれに対応する可変長連鎖番
号３１６・可変長連鎖内位置番号３１８が拡張位置情報
ファイル３０８のどこに位置するかの情報を格納する。
拡張位置情報ファイル３０８には、可変長連鎖番号３１
６・可変長連鎖内位置番号３１８を格納する。

【００７７】本実施例においては、デリミタ言語、非デ
リミタ言語の双方が混在した文書を例に説明を行うが、
デリミタ言語単独文書、非デリミタ言語単独文書に応用
できることは、当業者に容易に理解できる事項であろ
う。なお、一般に非デリミタ言語単独の場合は、可変長
連鎖を考慮する必要が無いため、拡張文字連鎖ファイル
３０６と拡張位置情報ファイル３０８は必要とならない
（ただし、特許公報の要約のキーワードを抽出した文書
のように非デリミタ言語においても可変長連鎖となる可
能性がある）。

【００７８】図３において、文字連鎖ファイル３０２の
エントリは、データベース２０２の全ての文書における
上記固定長連鎖と上記可変長連鎖と上記区切りパターン
である。文字連鎖ファイル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
字連鎖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」、「の研」、「研
究」などが、文字連鎖ファイル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。

【００７９】図３の位置情報ファイル３０４は、文字連
鎖ファイル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３１２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３１４
を格納している。

【００８０】文字連鎖ファイル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、文字連鎖ファイル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、文字連鎖
ファイル３０２は、「区切りパターン１」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１」に関連して、文書番号１
における１６，１９・・・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。また、固定長連鎖、
可変長連鎖及び区切りパターンの格納されている範囲を
示す情報を格納することにより、文字連鎖ファイル３０
２に格納されている情報が、固定長連鎖、可変長連鎖ま
たは区切りパターンのいずれに属する情報かを判断する
ことができる。

【００８１】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。また、符号化等による圧縮を行
い、ファイル容量を小さくすることが望ましい。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。

【００８２】図３，４において、拡張文字連鎖ファイル
３０６のエントリは、文字連鎖ファイル３０２の全ての
可変長連鎖における上記拡張固定長連鎖である。拡張文
字連鎖ファイル３０６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、正規化された文字連鎖のコ
ード値で昇順にソートされている。「ｄａｔ」、「ａｔ
ａ」などが、拡張文字連鎖ファイル３０６の個別のエン
トリである。

【００８３】図４の拡張位置情報ファイル３０８は、拡
張文字連鎖ファイル３０６の個々のエントリに対応する
少なくとも１つの可変長連鎖番号及び、その個々の可変
長連鎖番号毎に関連付けられた少なくとも１つの可変長
連鎖内位置番号を格納している。

【００８４】Ｃ９．索引ファイルの作成処理 次に、図５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。

【００８５】図５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。

【００８６】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。

【００８７】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。

【００８８】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、固定長連鎖・可変長連鎖・区切
りパターンが作成され、固定長連鎖・可変長連鎖・区切
りパターンと、当該文書の文書番号と、固定長連鎖・可
変長連鎖・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。

【００８９】ステップ４０８の処理において、固定長連
鎖、可変長連鎖、区切りパターン、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固定長連鎖・可変長連
鎖・区切りパターンと、文書の文書番号と、固定長連鎖
・可変長連鎖・区切りパターンの文書内位置情報とが、
例えば、固定長連鎖・可変長連鎖・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４１４に進む。

【００９０】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。

【００９１】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。

【００９２】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
いで残っている固定長連鎖・可変長連鎖・区切りパター
ンと、文書の文書番号と、固定長連鎖・可変長連鎖・区
切りパターンの文書内位置番号とが、やはり固定長連鎖
・可変長連鎖・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。

【００９３】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に示す文字連鎖ファイル３０２
と、位置情報ファイル３０４とを作成しディスク１０８
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、文字連鎖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連鎖のエントリを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。

【００９４】ステップ４２０では、文字連鎖ファイル３
０２から１つの可変長連鎖が、好適には上記ステップ４
０２で獲得されたメモリ領域に読み込まれる。本発明の
好適な実施例においては、文字連鎖ファイル３０２にお
ける可変長連鎖の記憶位置は、文字連鎖ファイル３０２
作成時に、文字連鎖ファイル３０２に格納されているた
め、文字連鎖ファイル３０２における可変長連鎖先頭位
置に即座にアクセスすることができる。

【００９５】ステップ４２２では、可変長連鎖を走査す
ることによって、拡張固定長連鎖が作成され、拡張固定
長連鎖と、当該可変長連鎖の可変長連鎖番号と、拡張固
定長連鎖の可変長連鎖内位置番号が、上記ステップ４０
２で獲得されたメモリ領域に格納される。

【００９６】ステップ４２２の処理において、拡張固定
長連鎖、可変長連鎖番号及び可変長連鎖内位置番号をス
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４２４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４２６で、メモリ領
域に格納されている拡張固定長連鎖と、可変長連鎖番号
と、可変長連鎖内位置情報とが、例えば、拡張固定長連
鎖の文字コード値・可変長連鎖番号・可変長連鎖内位置
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４２８に進む。

【００９７】ステップ４２４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４２８
に進む。

【００９８】ステップ４２８では、ステップ４２０でま
だ読み込んでいない可変長連鎖が文字連鎖ファイル３０
２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４２１に戻る。

【００９９】ステップ４２８で、文字連鎖ファイル３０
２の全ての可変長連鎖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拡張固定長連鎖と、可変長連
鎖番号と、可変長連鎖内位置番号とが、やはり拡張固定
長連鎖の文字コード値・可変長連鎖番号・可変長連鎖内
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。

【０１００】ステップ４２６とステップ４３０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４３２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７に示す拡張文字連鎖ファイル３０
６と、位置情報ファイル３０８とを作成しディスク１０
８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、文字連鎖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連鎖のエントリを１
つにまとめて、それに関連する可変長連鎖番号及び可変
長連鎖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。

【０１０１】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７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。

【０１０２】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、ステップ５０４
で、その検索文字列から索引ファイルを作ったときと同
じ規則に基づいてＮ文字の固定長連鎖と可変長連鎖を作
成する。

【０１０３】ステップ５０６で、固定長連鎖を文字連鎖
ファイルから検索する。

【０１０４】ステップ５０８で、固定長連鎖が見つから
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５２６で表示され、処理は終了する。

【０１０５】ステップ５０８で、固定長連鎖が見つかっ
たと判断されると、位置情報ファイルからは、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５
１０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。

【０１０６】ステップ５１２では、検索文字列から作成
したすべての固定長連鎖を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５１４に進
む。もしそうでないなら、ステップ５０６に戻り、次の
固定長連鎖で以って上記文字連鎖ファイルを使用した検
索処理が行われる。

【０１０７】ステップ５１４で、可変長連鎖を拡張文字
連鎖ファイル・拡張位置情報ファイルから検索する。こ
のとき、前後に過剰な文字がある可変長連鎖を除外する
と、「ｃａｔ」→「ｃｏｍｍｕｎｉｃａｔｉｏｎ」のよ
うなノイズを避けることができる。具体的には、一致文
字列の前に３文字または、後ろに４文字以上文字が存在
する場合は、除外する場合や、一致文字列の前又は後ろ
に存在する１文字に対して、ペナルティとして類似度か
ら所定の数値を減じるまたは所定の数値（１未満の正
数）を乗じることも可能である。

【０１０８】ステップ５１６で、可変長連鎖が見つから
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５２６で表示され、処理は終了する。本発明の好適な
実施例においては、メッセージは図１のディスプレイ装
置１１０に表示されるが、メッセージをネットワーク経
由で他の場所に送信することも可能である。

【０１０９】ステップ５１６で、可変長連鎖が見つかっ
たと判断されると、拡張位置情報ファイル３０８から
は、１つ以上の可変長連鎖番号３１６が返されるので、
この情報を元に、ステップ５１８で後の処理のため位置
情報ファイル３０４から１つ以上の文書番号３１２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
３１４が返されて、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。

【０１１０】ステップ５２０では、検索文字列から作成
したすべての可変長連鎖を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５２２に進
む。もしそうでないなら、ステップ５１４に戻り、次の
可変長連鎖で以って上記拡張文字連鎖ファイル・上記拡
張位置情報ファイルを使用した検索処理が行われる。

【０１１１】ステップ５２２で、ステップ５１０でバッ
ファに格納した固定長連鎖の位置情報と、ステップ５１
８でバッファに格納した可変長連鎖の位置情報を調べて
検索文字列と一致する文字列を含む文書番号と位置番号
をバッファ領域に一旦格納する。検索文字列が見つかっ
たと判断されたら、ステップ５２８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。

【０１１２】ステップ５２４で、検索文字列が見つから
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５２６で表示され、処理は終了する。

【０１１３】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。

【０１１４】Ｅ．曖昧検索処理 図７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。

【０１１５】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。

【表４】 （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」

【０１１６】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。

【０１１７】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。

【０１１８】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。

【０１１９】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、

【０１２０】(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。

【０１２１】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。

【０１２２】デリミタ言語である英語を例に考えると、
文字の並びが似ていてしかも意味が近いと感じる英語の
文字列には，次のようなものがある。 （１）異表記 「ｄａｔａｂａｓｅ」「ｄａｔａ ｂａｓｅ」「ｄａｔ
ａ−ｂａｓｅ」 （２）語尾変化 「ｃｏｍｍｕｎｉｃａｔｅ」「ｃｏｍｍｕｎｉｃａｔｉ
ｏｎ」 （３）タイプミス 「ｃｏｍｍｕｎｉｃａｔｉｏｎ」の場合、 「ｃｏｍｕｎｉｃａｔｉｏｎ」 : 文字の不足 「ｃｏｍｍｎｕｉｃａｔｉｏｎ」 : 文字の逆転 「ｃｏｍｍｕａｎｉｃａｔｉｏｎ」: 文字の過剰等が
ある。 （４）ハイフネーション 「ｃｏｍｍｕｎｉｃａｔｉｏｎ」「ｃｏｍｍｕｎｉ−ｃ
ａｔｉｏｎ」 （５）フレーズのバリエーション 「ｎｅｗ ｔｅｃｈｎｏｌｏｇｙ」「ｎｅｗ ＣＭＯＳ
ｔｅｃｈｎｏｌｏｇｙ」

【０１２３】これらに共通しているのは、日本語と同様
に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。韓国語、中国語
についても同様の例を挙げることができる。

【０１２４】Ｅ２．似ている文字列と似ている度合いの
決定ルール まず、固定長連鎖だけからなる検索文字列の場合に似て
いる文字列と似ている度合いを決定するルールを説明す
る。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。

【０１２５】まず、説明で使う言葉を定義する。

【０１２６】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。

【０１２７】 （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...

【０１２８】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。

【０１２９】有効一致文字列：似ている文字列を構成す
るＭ文字の一致文字列をいい、検索文字列中の有効一致
文字列を有効一致検索文字列といい、文書中の有効一致
文字列を有効一致文書文字列という。有効一致検索文字
列と有効一致文書文字列は、その内容が一致しているた
め、特に区別の必要でない場合は、単に有効一致文字列
とする。

【０１３０】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。

【０１３１】"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。

【０１３２】(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、

【０１３３】 ｉ番目の有効一致文書文字列の開始位置を s(D, i) ｉ番目の有効一致文書文字列の終了位置を e(D, i) ｉ番目の有効一致検索文字列の開始位置を s(C, i) ｉ番目の有効一致検索文字列の終了位置を e(C, i) と表記することにする。

【０１３４】(2) 次の有効一致文字列の決定 ｉ番目の有効一致文書文字列が決定しているとき、ｉ＋
１番目の有効一致文書文字列を次のようにして決定す
る。

【０１３５】次の２つの条件a),b)を満たす最初の一致
文字列を、ｉ＋１番目の有効一致文書文字列とする。

【０１３６】

【数１】 a) e(D, i) + 1 ≦ s(D, i+1) ≦ e(D, i) + L + 1

【０１３７】これはｉ番目の有効一致文書文字列とｉ＋
１番目の有効一致文書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）

【数２】b) s(C, i+1) ＞ e(C, i) - (M-1)

【０１３８】そのような有効一致文書文字列が選べなく
なるまで繰り返す。

【０１３９】(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書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。

【数３】 類似度 = minimum ( 検索したい文字列中で有効一致検索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"中で有効一致文書文字列に属している文字数 / "似ている文字列"の文字数)

【０１４０】なお、類似度の計算においては、有効一致
文書文字列に属していない文字数からも計算することが
できる。

【数４】 類似度 = 1 - maxmum ( 検索したい文字列中で有効一致検索文字列に属していない文字数 / 検索したい文字列の文字数, "似ている文字列"中で有効一致文書文字列に属していない文字数 / "似ている文字列"の文字数)

【０１４１】Ｅ３．"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）

【０１４２】Ｅ４．"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。

【０１４３】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。

【０１４４】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。

【０１４５】Ｅ５．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８のよう
になる。図８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。

【０１４６】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７の処理
で、Ｍ文字連鎖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文字連鎖の検索が、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文字連鎖をとる開始位置を１つずら
しＭ文字連鎖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文字連鎖の検索と同一であ
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文字連鎖の検索と同一で
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文字連鎖の
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。

【０１４７】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。

【０１４８】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。

【０１４９】ステップ６１４では、

【数５】 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)

【０１５０】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）。

【０１５１】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、

【０１５２】

【数６】 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)

【０１５３】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。

【０１５４】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。

【０１５５】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。

【０１５６】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。

【０１５７】Ｅ６．"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。

【０１５８】(例１) （*アイビーエムは、ＩＢＭ社の商標である）

【０１５９】

【０１６０】最初に一致する最長文字列は"アイ" だか
ら

【０１６１】 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) = 2

【０１６２】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 )。

【０１６３】 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) = 5

【０１６４】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

【０１６５】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。

【０１６６】

【表５】

【０１６７】番号は有効一致文字列の番号。

【０１６８】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

【０１６９】(例２)

【表６】

【０１７０】

【表７】

【０１７１】似ている文字列 = "ソフト開発メーカー" 類似度 = minimum( 7 / 10 , 7 / 9 ) = 0.7

【０１７２】(例３)

【表８】

【表９】

【０１７３】最初に一致する最長文字列は"在宅" だか
ら

【数７】 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

【０１７４】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。

【０１７５】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。

【表１０】

【０１７６】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

【０１７７】"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、

【表１１】

【０１７８】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。

【０１７９】(例４)

【表１２】

【０１８０】最初に一致する最長文字列は"銀行" だか
ら

【０１８１】

【数８】 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) = 3

【０１８２】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。

【０１８３】 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) = 5

【０１８４】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。

【表１３】

【０１８５】"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

【０１８６】Ｅ７．人間の感覚に近い曖昧の例

【表１４】 ソフトウェアメーカー ソフトウェアのメーカー 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

【０１８７】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。

【表１５】 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

【０１８８】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。

【表１６】 理学部長選挙 理学部長選挙 1.000 理学部部長選挙 0.929 理学の部長選挙 0.857

【０１８９】Ｅ８．可変長連鎖の検索 以上、固定長連鎖だけからなる検索文字列の場合につい
て似ている文字列を検索する方法を説明した。これを可
変長連鎖を含む検索文字列について拡張すると次のよう
になる。なお、検索文字列から取り出した可変長連鎖を
拡張検索文字列と呼ぶことにする。

【０１９０】まず、拡張文字連鎖ファイル・拡張位置情
報ファイルを検索して、次のような拡張文字連鎖を得
る。その検索方法は、固定長連鎖だけからなる検索文字
列を文字連鎖ファイル・位置情報ファイルから検索する
方法と同様である。定数ＭにあたるものとしてＭ'を用
いる。

【０１９１】（１）拡張検索文字列と指定の検索一致度
以上で一致する可変長連鎖を探す。このとき、拡張検索
文字列の最初の文字と一致しない可変長連鎖を除外する
とノイズを減らすのに有効である。この場合、拡張固定
連鎖作成時に、スタートを示す「$」を使用し、「$co」なる
拡張固定連鎖を作成し、これに一致しない可変長連鎖を
除外することにより高速に処理することが可能である。
ただし、スタートを示す「$」を使用しない場合であって
も、拡張位置情報ファイルにおける可変長連鎖内位置番
号やデリミタの情報から可変長連鎖のスタート位置を特
定することは可能である。

【０１９２】（例） 拡張検索文字列 : "communication" 見つかった可変長連鎖 : "commuication"

【０１９３】（２）拡張検索文字列どうしを接合して新
たに作成した拡張検索文字列と指定の検索一致度以上で
一致する可変長連鎖を探す。

【０１９４】（例） 検索文字列 : "data-base" 拡張検索文字列 : "data", "base" 接合で作った拡張検索文字列 : "database" 接合の数は２つまで、または３つまでという設定をする
ことも可能である。この処理によって、"data base"の
ような分割された検索文字列の場合でも、文書中の文字
列から接合された"database"を捜し出す事が可能とな
る。

【０１９５】（３）拡張検索文字列と０より大きい一致
度で一致する可変長連鎖の中から次の条件をすべて満た
す可変長連鎖を残す。

【０１９６】・可変長連鎖の最初の文字が一致部分に含
まれる。

【表１７】

【０１９７】・拡張検索文字列の最初の文字または最後
の文字が一致部分に含まれる。この場合、拡張固定連鎖
作成時に、スタートを示す「$」とエンドを示す「\」を使用
し、「$co」および「se\」なる拡張固定連鎖を作成し、この
いずれかに一致しない可変長連鎖を除外することにより
高速に処理することができる。

【表１８】

【０１９８】この処理によって、"database"のような接
合された検索文字列の場合でも、文書中の文字列から分
割された"data"及び"base"を捜し出す事が可能となる。
なお、拡張検索文字列の最初の文字が一致部分に含まれ
る場合(拡張検索文字列"database"に対する可変長連鎖"
data"がこれに該当する)、や拡張検索文字列の最後の文
字が一致部分に含まれる場合(拡張検索文字列"databas
e"に対する可変長連鎖"base"がこれに該当する)、可変
長連鎖に一定文字以上の不一致文字を含む場合検索の対
象から除外することもでき、これにより、検索対象の絞
り込みによる検索速度の高速化を図ることができる。

【０１９９】本発明の好適な実施例においては、以上説
明した（１），（２），（３）の処理で対象となった可
変長連鎖（すなわち、（１）＋（２）＋（３））がステ
ップ７０８の「条件を満たす可変長連鎖」となる。但
し、（１）＋（２）＋（３）ではなく、（１）のみ、
（３）のみ、（１）＋（２）等設定によって色々変える
事ができる。

【０２００】（１），（２），（３）の可変長連鎖を探
して拡張索引を検索するときの一致度の決定において、
文字の逆転に対して通常の一致より低く，通常の不一致
より高い評価を与えると、英語のタイプミスにありがち
な、文字の逆転した単語を探すのによい効果がある。

【０２０１】

【表１９】

【０２０２】この例では、検索文字列中の不一致文字列
は「un」であり、文書文字列中の不一致文字列は「nu」
である。このような場合、例えば、検索文字列中の不一
致文字列の「u」および「n」が、文書文字列中の不一致
文字列に含まれているか否かを判断することによりこの
ようなタイプミスによる不一致を検出することができ
る。

【０２０３】この可変長連鎖を含む検索文字列の検索方
法は、図９に示す手順で実施される。この手順を具体例
とともに説明する。本実施例においては、検索文字が
「datacommunication」であり、文書文字列中には、「d
ata....... communication」,「data comminucation」,
「daily communication」が存在している。「dat
a....... communication」における「data」と「commun
ication」は十分離れているとする。

【０２０４】文字連鎖ファイルの情報と位置情報ファイ
ルの情報は、 文字連鎖ファイル 位置情報ファイル 1. data 1-1,2-1 2. daily 3-1 3. comminucation 2-6 4. communication 1-35,3-7

【０２０５】 と仮定する（Ｍ'＝３）。

【０２０６】ここでは理解の容易化を図るため、ソート
を行っていないファイルを示す。ここで「1. data 1-
1,2-1」の「1.」は可変長連鎖番号、「data」は、可変
長連鎖、「1-1」,「2-1」は夫々「文書番号−文書内位
置番号」を示す。また、「$da1-1,2-1」の「$da」は拡
張文字連鎖、「1-1」,「2-1」は夫々「可変長連鎖番号
−可変長連鎖内位置」を示す。従って、「$da 1-1,2-
1」は、可変長連鎖番号1(data)の1文字目と可変長連鎖
番号2(daily)の1文字目とを表している。

【０２０７】図９の手順が開始されると、まず、検索文
字列「data communication」が入力される(ステップ７
０２）。そして、類似度が入力される(ステップ７０
４）。この類似度はデフォルトとして定め、入力を省略
してもよい。ここでは類似度０．８０と入力する。

【０２０８】次に、検索文字列から固定長連鎖と可変長
検索文字列が作成される（ステップ７０６）。この例で
は、デリミタ言語のみを有する文書で説明しているた
め、固定長連鎖は存在しない。

【０２０９】条件を満たす可変長連鎖を拡張文字連鎖フ
ァイル・拡張位置情報ファイルから検索する（ステップ
７０８）。ここで、上記（１），（２），（３）の可変
長連鎖を探す処理が行われる。すなわち、（１）拡張検
索文字列と指定の検索一致度以上で一致する可変長連鎖
を探す。このときのの検索一致度は、文書全体の類似度
と同じ値を設定することも可能であるが、文書全体の類
似度よりも低い方が好ましい。例えば、「communicatio
n」と「comminucation」13文字中10文字が一致し、3文
字が不一致であるため、単純な類似度の算出方法(ここ
では、読者の理解の容易化を図るため、単純な類似度の
算出方法を用いて説明する)では、類似度は10/13=0.77
であるが、「data communication」と「data comminuca
tion」の類似度は、デリミタを含めて、18文字中15文字
が一致し、3文字が不一致であるため、単純な類似度の
算出方法では、類似度は15/18=0.83となる。このよう
に、可変長連鎖同士の類似度が低くても文字列全体の類
似度が高くなる場合が多く、文字列が長くなるにつれ、
この傾向は顕著になるためである。

【０２１０】本実施例においては、「指定の検索一致
度」は「data」について0.60、「communication」につ
いては0.72と設定する。「指定の検索一致度」は、検索
文字列の文字数と可変長連鎖の文字数の比率によって変
更することも可能である。この例に示すように「commun
ication」と10文字以上一致する可変長連鎖でないと、
文字列全体の類似度は0.80以上にならないのに対し、
「data」は、1文字のみ一致する場合であっても、文字
列全体の類似度は0.80以上となる可能性が存在するのた
めである。但し、「data」に対し余りにも低い一致度を
許容すると、一致する可変長連鎖が多くなり、検索速度
に影響を及ぼすため0.6を下限として設定している。な
お、本発明の好適な実施例においては、文書全体の類似
度に大きな影響を与えない可変長連鎖は（１）の可変長
連鎖探索処理の対象から除外される。これにより、検索
速度を向上させることが可能となる。

【０２１１】また、本実施例においては、類似度×検索
する可変長連鎖の文字数（＝０．７２×１３＝９．３
６）未満の可変長連鎖は検索の対象から除外されること
により高速な検索を可能にしている。これは、例えば、 のように、可変長連鎖の文字数を管理することにより実
施することができる。なお、「$da 1-1-4,2-1-5」の「1
-1-4」,「2-1-5」は夫々「可変長連鎖番号−可変長連鎖
内位置−可変長連鎖文字数」を示す。

【０２１２】「data」に対し0.60、「communication」
に対し0.72以上の検索一致度を有する可変長連鎖は、固
定長連鎖と同様の方法で「data」に対し「data」(100%)
「communication」に対し「comminucation」(77%)、「c
ommunication」(100%)が見つけることができる。

【０２１３】例えば、検索文字列「communication」の
場合、これに対応する拡張検索文字連鎖に一致する連鎖
は、拡張文字連鎖中の、 であり、拡張位置情報ファイルの情報から、文字連鎖フ
ァイルの「3. comminucation」、「4. communication」
を見つけることができる。

【０２１４】次に、（２）拡張検索文字列どうしを接合
して新たに作成した拡張検索文字列と指定の検索一致度
以上で一致する可変長連鎖を探す。従って検索文字列
「datacommunication」と指定の検索一致度以上で一致
する可変長連鎖が探索される。このときの「指定の検索
一致度」は、文字列全体の類似度と同じ値を設定するこ
とも可能であるが、文書全体の類似度よりも低くするこ
とも可能である。例えば、検索文字列が"data base sys
tem"である場合、接合で作った拡張検索文字列は、"dat
abase""basesystem""databasesystem"の3種類が存在す
が、これらの接合検索文字列が文書全体の類似度に与え
る影響は、接合検索文字列の文字数によって変化するた
めである。本実施例においては（２）の「指定の検索一
致度」は0.80に設定されるため、検索文字列「datacomm
unication」と指定の検索一致度以上で一致する可変長
連鎖は存在しない。

【０２１５】そして、上記の（３）拡張検索文字列と０
より大きい一致度で一致する可変長連鎖の中から「１．
可変長連鎖の最初の文字が一致部分に含まれる。」、
「２．拡張検索文字列の最初の文字または最後の文字が
一致部分に含まれる。」の条件をすべて満たす可変長連
鎖を探す。この条件に合致する可変長連鎖は、（１）と
同様に、「data」、「comminucation」、「communicati
on」である。

【０２１６】再び図９を参照すると、ステップ７１０に
おいて、可変長連鎖が見つかったか否か判断される。本
実施例においては、「1. data」,「3. comminucatio
n」,「4. communication」が見つかっている。これらの
可変長連鎖の番号が、バッファに格納される（ステップ
７１２）。本実施例においては可変長連鎖番号１，３，
４が格納される。本発明の好適な実施例においては、検
索文字列「data communication」の可変長連鎖文字列
「data」,「communication」の夫々に番号（可変長連鎖
検索文字列番号）が付けられており、この番号との関連
で、上記可変長連鎖番号１，３，４が格納される。従っ
て格納される情報は、（１−１），（２−３，４）が格
納される。この（２−３，４）は可変長連鎖検索文字列
番号２に対し一定の一致度以上で一致する文書中の可変
長連鎖の可変長連鎖番号３，４を示している。

【０２１７】そして、ステップ７１４において、固定長
連鎖の位置情報と可変長連鎖の位置情報の位置関係から
文字列全体の類似度が計算される。具体的には、前述の
ように可変長連鎖検索文字列番号に対して文書中の可変
長連鎖番号１，３，４が格納される。従って、接合され
うる文書内の可変長連鎖は、１−３，１−４である
(「1.」は「data」、「3.」は「comminucation」、
「4.」は「communication」に対応)。

【０２１８】文字連鎖ファイル３０２、位置情報ファイ
ル３０４の内容を参照すると、 文字連鎖ファイル 位置情報ファイル 1. data 1-1,2-1 3. comminucation 2-6 4. communication 1-35,3-7 であるため、(1-1,2-1)−(2-6)，(1-1,2-1)−(1-35,3-
7)の組合せ、すなわち、 (1-1)−(2-6)， (2-1)−(2-6)， (1-1)−(1-35) (1-1)−(3-7) (2-1)−(1-35) (2-1)−(3-7) の組合せが候補となる。

【０２１９】しかし、1.文書番号が異なる場合、2.Ｌ＝
３の条件を満たさない場合、3.文書内位置番号に逆転が
起こっている場合は類似度計算の候補から除外される。
この条件を具備する可変長連鎖の組合せは(2-1)−(2-6)
のみとなる。従って「data comminucation」が類似度計
算の対象となる。ただし、「2.Ｌ＝３の条件を満たさな
い場合」や「3.文書内位置番号に逆転が起こっている場
合」という要件は、「data comminucation」のように、
その並び方が重要な場合に採用されるが、例えば、特許
公報の要約のキーワード(可変長連鎖)を抽出した文字列
を検索する場合のように、並び方が重要でない場合には
採用されない。

【０２２０】以上の説明においては、ステップ７１２に
おいて、可変長連鎖検索文字列番号との関連で、可変長
連鎖番号を格納している。しかし、可変長連鎖検索文字
列番号の格納は、本発明の必須の構成要素ではなく、可
変長連鎖検索文字列番号の情報なしに可変長連鎖の組合
せを決定できる。

【０２２１】これを具体的に説明すると、ステップ７１
２で格納された可変長連鎖番号から、文字連鎖ファイル
３０２、位置情報ファイル３０４の内容が参照される。 文字連鎖ファイル 位置情報ファイル 1. data 1-1,2-1 3. comminucation 2-6 4. communication 1-35,3-7

【０２２２】この文字連鎖ファイルは位置情報ファイル
の内容に従って分割される。 文字連鎖ファイル 位置情報ファイル 1. data 1-1 1. data 2-1 3. comminucation 2-6 4. communication 1-35 4. communication 3-7

【０２２３】そして、文字連鎖ファイルは位置情報ファ
イルの内容に従ってソートされる。 文字連鎖ファイル 位置情報ファイル 1. data 1-1 4. communication 1-35 1. data 2-1 3. comminucation 2-6 4. communication 3-7

【０２２４】Ｌ＝３とすると、 1. data 1-1 4. communication 1-35 4. communication 3-7 は、位置情報ファイルの内容から、組合せる他の可変長
連鎖は存在しないことが分かる。

【０２２５】これに対し、 1. data 2-1 3. comminucation 2-6 はＬ＝３の条件を満たすため、組み合わされて類似度が
判断される。

【０２２６】従って、類似度計算の候補は、 1. data 1-1 4. communication 1-35 4. communication 3-7 1-3. data comminucation 2-1

【０２２７】重複した類似度計算を防止するため、可変
長連鎖番号でまとめると、 1. data 1-1 4. communication 1-35,3-7 1-3. data comminucation 2-1

【０２２８】そして、検索文字列（１８：デリミタ含
む）×類似度（０．８０）未満の文字列（１４．４未満
の文字列）は類似度計算の対象から除外される(実際は
可変長連鎖番号でまとめる操作の前に行うことが望まし
い)。従って、類似度計算の候補は、 1-3. data comminucation 2-1 のみとなる。

【０２２９】検索文字列、「data communication」と
「data comminucation」の類似度は、１８文字中１５文
字一致し、３文字不一致であるため、類似度０．８３が
算出される。なお、ステップ７１２において、可変長連
鎖の番号とともに、可変長連鎖の類似度を格納する事に
より、ステップ７１４における文字列の類似度計算を軽
減できる。すなわち、ステップ７１２で、（１−１．０
０），（３−０．７７），（４−１．００）が格納さ
れ、この数値が利用される。

【０２３０】単純な類似度計算においては、以下の式か
ら類似度を算出することが可能となる。

【数９】 類似度 ＝ （可変長連鎖１の文字数×可変長連鎖１の一致度 ＋ 可変長連鎖２の文字数×可変長連鎖２の一致度 ＋ ．．． ＋ デリミタの文字数） ／ 検索文字列の文字数 従って、本実施例における類似度は、（４×１．００＋
１３×０．７７＋１）／１８＝０．８３となる。なお、
デリミタを1文字とカウントするか否かは設計によって
変更することができる。

【０２３１】次に、ステップ７１６において、入力され
た類似度と、上記計算された類似度が比較される。入力
された類似度よりも大きい類似度を有する文字列が存在
しない場合は、見つからなかった旨の表示がディスプレ
イ１１０上に表示される（ステップ７１８）。また、見
つかった場合は、該当文書の該当行を表示する（ステッ
プ７２０）。ただし、該当文書の該当行の表示または、
見つからなかった旨の表示は、必須の構成要素ではな
く、これらの情報を他のコンピュータ(クライアントを
含む)に送信することもできる。また、該当文書の該当
行の表示は、類似度や文書番号、文書内位置番号等とと
もに、入力した類似度以上の文字列をすべて表示して
も、予め定められた数のみ表示してもよい。表示の順序
は、文書中に出現する順序または類似度の高い順序で表
示してもよい。さらに、複数文書の場合、各文書で条件
を満たす文字列の一定の数表示させることも可能であ
る。これらは設計の段階でさまざまに設定することがで
きる。

【０２３２】本発明は、文書の曖昧検索に用いるための
手法について述べているが、文書中の単語のスペルチェ
ックにも応用することができる。この場合、まず、文書
中の辞書にない単語が従来の手法に従って検出される。
次に、検出された辞書にない単語が検索文字列としても
ちいられ、辞書に存在する単語に対し曖昧検索を行う。
そして、曖昧検索で一定の類似度以上であった単語を、
その辞書にない単語の正しいスペルの候補として表示す
る。

【０２３３】以上、可変長連鎖のみからなる文字列の検
索を説明したが、可変長連鎖と固定長連鎖の混在する文
書においては、ステップ７１４において、固定長連鎖の
位置情報と可変長連鎖の位置情報の位置関係から文字列
全体の類似度が計算される。この処理について具体例を
挙げて説明する。この具体例においては、検索文字列
「ＡＳＥＡＮ加盟国」、そして、文書中に「ＡＳＥＡに
加盟」が存在する。「ＡＳＥＡＮ」及び「ＡＳＥＡ」は
可変長連鎖である。

【０２３４】かかる場合、文字連鎖ファイル３０２、位
置情報ファイル３０４の内容は、 文字連鎖ファイル 位置情報ファイル 1. ＡＳＥＡ 1-1 2. に加 1-5 3. 加盟 1-6 である。可変長連鎖検索文字列「ＡＳＥＡＮ」に類似す
る可変長連鎖文書文字列「ＡＳＥＡ」は前述の方法で見
つけだされている。この文字列に対して、固定長連鎖に
おいて説明した方法と同様に、有効一致文字列の検出、
類似度の計算が行われる。

【０２３５】(例 )

【表２０】

【０２３６】

【表２１】

【０２３７】似ている文字列 = "ＡＳＥＡに加盟" 類似度 = minimum( 6 / 8 , 6 / 7 ) = 0.75

【０２３８】なお、類似度の計算において、可変長連鎖
のみを含む文字列の類似度計算で説明したように、可変
長連鎖の類似度計算の結果を文字列全体の類似度計算に
用いることもできる。 単純な類似度計算においては、
以下の式から類似度を算出することが可能となる。

【数１０】 類似度 ＝ （可変長連鎖１の文字数×可変長連鎖１の一致度 ＋ 固定長連鎖の有効一致文字列の文字数 ＋ デリミタの文字数） ／ 検索文字列の文字数

【０２３９】従って、本実施例における検索文字列の類
似度は、（５×０．８０＋２＋０）／８＝０．７５、文
書文字列の類似度は、（４×０．８０＋２＋０）／７＝
０．７４となる。従って、検索文字列の類似度は、 類似度 = minimum( 0.75 , 0.74 ) = 0.74 となる。この類似度の計算において、可変長連鎖と、固
定長連鎖の重み付けを変えて計算することもできる。例
えば、

【数１１】 類似度 ＝ （可変長連鎖１の文字数×可変長連鎖１の一致度×０．５ ＋ 固定長連鎖の有効一致文字列の文字数 ＋ デリミタの文字数×０．２） ／ （検索文字列中の可変長連鎖の文字数×０．５ ＋ 検索文字列中の固定長連鎖の文字数 ＋ 検索文字列中のデリミタの文字数×０．２）

【０２４０】Ｅ９．検索式への応用 以上に説明した検索は一定の文字列を例とした検索であ
るが、これを検索式に応用した場合について説明する。
たとえば、 （理学部部長 ＯＲ 理学部主任） ＡＮＤ 就任決定 のような検索式（「理学部部長」または「理学部主任」
を含んでいて、しかも、「就任決定」を含む文書を探す
検索式）において、それぞれの検索文字列について検索
一致度を指定してあいまい検索をすることが考えられ
る。どの検索文字列についても80%以上の一致度で検索
した場合、たとえば次のような文書を見つけることがで
きる。 「理学部長」と「就任が決定」を含む文書 「理学部の主任」と「就任決定」を含む文書 また，見つかった文書を，探しているものに近い可能性
が高い順に並べる場合、検索の結果得られる一致度を手
がかりとすることが可能である。

【０２４１】Ｅ１０．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。

【０２４２】定数Ｎ,Ｍの定め方

【表２２】Ｎ: 索引に格納する文字連鎖の文字数 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

【０２４３】Ｎ、Ｎ'を大きくすると、文字連鎖の種類
数が増加し、文字連鎖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・中国語・韓国語・英語の文書
では、Ｎ = ２、Ｎ'= ３ で充分な検索速度が得られ
る。

【０２４４】また、Ｍ≧Ｎ、Ｍ'≧Ｎ'となるようにＭ、
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、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、Ｍ'=Ｎ'とな
るように決めることがよいと思われる。

【０２４５】Ｅ１１．類似度決定の第２の実施例

【０２４６】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。

【０２４７】次に、第２の実施例の処理について説明す
る。図８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。

【０２４８】

【数１２】 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)

【０２４９】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。

【０２５０】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。

【０２５１】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。

【０２５２】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。

【０２５３】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８のステップ６２０での
処理は次のようになる。

【０２５４】 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

【０２５５】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。

【０２５６】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。

【０２５７】Ｅ１２．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。

【表２３】

【０２５８】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」

【数１３】s(C,1) = 1 e(C,1) = 2 s(D,1) = 1 e(D,1) = 2

【０２５９】式１、式２、式３により２番目の有効一致
文字列は「ビー」

【数１４】s(C,2) = 3 e(C,2) = 4 s(D,2) = 4 e(D,2) = 5

【０２６０】式１、式２、式３により３番目の有効一致
文字列「エム」

【数１５】s(C,3) = 5 e(C,3) = 6 s(D,3) = 7 e(D,3) = 8

【０２６１】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。

【表２４】

【０２６２】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

【０２６３】

【表２５】

【０２６４】

【表２６】 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

【０２６５】

【表２７】

【０２６６】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。

【表２８】

【０２６７】似ている文字列は「在宅」。似ている度合
い = 2 / 4 = 0.5

【０２６８】「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。

【０２６９】

【表２９】

【０２７０】従って、２番目の似ている文字列は、「起
訴」。

【０２７１】

【表３０】

【０２７２】有効一致文字列は「理学部」、「部長に就
任」の２つ。

【０２７３】

【表３１】

【０２７４】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。

【０２７５】Ｅ１３．第２の実施例の結果のまとめ

【表３２】 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

【０２７６】本発明の好適な実施例において、第２の実
施例の曖昧検索処理を固定長連鎖の類似度計算において
説明したが、これを可変長連鎖を含む文字列に応用する
ことは当業者に容易に理解できる事項であろう。

【０２７７】

【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。また、日
本語・韓国語・中国語・英語など複数の言語の一つある
いは混合で記述された文書からなるデータベースに対し
て、単一の索引構造、単一のアルゴリズムで高速な検索
が実現できるという効果が得られる。

【０２７８】

【図面の簡単な説明】

【図１】 ハードウェア構成を示すブロック図である。

【図２】 処理要素のブロック図である。

【図３】 索引ファイルの構造を示す図である。

【図４】 索引ファイルの構造を示す図である。

【図５】 索引ファイル作成処理を示すフローチャート
である。

【図６】 索引ファイル作成処理を示すフローチャート
である。

【図７】 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。

【図８】 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。

【図９】 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。

Claims (22)

【特許請求の範囲】
1. 【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、可変長連鎖検索文字列を含む検索文字
   列と一定の文字列類似度以上で類似する可変長連鎖文書
   文字列を含む文書文字列を検索する方法であって、(a)
   前記可変長連鎖文書文字列の存在する文書文字列を特定
   する文書文字列特定情報と、前記可変長連鎖文書文字列
   の存在する文書文字列内の位置を示す文書文字列位置情
   報を前記可変長連鎖文書文字列に関連付ける段階と、
   (b) 前記可変長連鎖文書文字列から、長さＭ文字の（Ｍ
   は、１以上の予定の整数）部分文書文字列を抜き出して
   格納する段階と、(c) 前記部分文書文字列の存在する可
   変長連鎖文書文字列を特定する可変長連鎖文書文字列特
   定情報と、前記部分文書文字列の存在する可変長連鎖文
   書文字列内の位置を示す可変長連鎖文書文字列位置情報
   を前記部分文書文字列に関連付ける段階と、(d) 前記可
   変長連鎖検索文字列から抜き出した長さＮ文字の（Ｎ
   は、１以上の予定の整数）部分検索文字列に一致する部
   分文書文字列を探索する段階と、(e) 前記可変長連鎖検
   索文字列の部分検索文字列の開始位置を１つずらした長
   さＮ文字の部分検索文字列と一致する部分文書文字列を
   探索する段階と、(f) 前記段階(e)を繰り返し、前記可
   変長連鎖検索文字列の部分検索文字列と一致する部分文
   書文字列の集合を特定する段階と、(g) 前記部分文書文
   字列の集合に属する部分文字列の可変長連鎖文書文字列
   特定情報及び可変長連鎖文書文字列位置情報から、前記
   可変長連鎖検索文字列に予定の可変長連鎖一致度以上で
   一致する可能性のある可変長連鎖文書文字列候補を特定
   する段階と、(h) 前記可変長連鎖検索文字列と前記可変
   長連鎖文書文字列候補の可変長連鎖一致度を計算する段
   階と、(i) 前記可変長連鎖文書文字列候補の中から、前
   記可変長連鎖検索文字列と予定の可変長連鎖一致度以上
   の可変長連鎖一致度を有する可変長連鎖文書文字列を選
   択する段階と、(j) 前記選択された可変長連鎖文書文字
   列の文書文字列特定情報から、前記選択された可変長連
   鎖文書文字列の存在する文書文字列を特定する段階と、
   (k) 前記選択された可変長連鎖文書文字列の存在する文
   書文字列と前記可変長連鎖検索文字列を含む検索文字列
   との文字列類似度を計算する段階と、(l) 前記計算され
   た文字列類似度が前記一定の文字列類似度以上である場
   合、前記特定された可変長連鎖文書文字列を表示する段
   階と、 を含む方法。
2. 【請求項２】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、可変長連鎖検索文字列を含む検索文字
   列と類似する可変長連鎖文書文字列を含む文書文字列を
   検索する方法であって、(a) 前記可変長連鎖文書文字列
   と、前記可変長連鎖文書文字列の存在する文書文字列を
   特定する文書文字列特定情報を関連付ける段階と、(b)
   前記可変長連鎖文書文字列から、長さＭ文字の（Ｍは、
   １以上の予定の整数）部分文書文字列と、前記部分文書
   文字列の存在する可変長連鎖文書文字列を特定する可変
   長連鎖文書文字列特定情報を関連付ける段階と、(c) 前
   記可変長連鎖検索文字列から抜き出した長さＮ文字の
   （Ｎは、１以上の予定の整数）部分検索文字列に一致す
   る部分文書文字列を探索する段階と、(d) 前記部分検索
   文字列に一致する部分文書文字列の可変長連鎖文書文字
   列特定情報から、前記部分検索文字列に一致する部分文
   書文字列に関連する可変長連鎖文書文字列を特定する段
   階と、(e) 前記特定された可変長連鎖文書文字列の文書
   文字列特定情報から、前記特定された可変長連鎖文書文
   字列の存在する文書文字列を特定する段階と、 を含む方法。
3. 【請求項３】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、可変長連鎖検索文字列を含む検索文字
   列と類似する可変長連鎖文書文字列を含む文書文字列を
   検索する方法であって、(a) 前記可変長連鎖文書文字列
   と、前記可変長連鎖文書文字列の存在する文書文字列を
   特定する文書文字列特定情報が関連付けられており、前
   記可変長連鎖文書文字列から、長さＭ文字の（Ｍは、１
   以上の予定の整数）部分文書文字列と、前記部分文書文
   字列の存在する可変長連鎖文書文字列を特定する可変長
   連鎖文書文字列特定情報が関連付けられている索引ファ
   イル中で、前記可変長連鎖検索文字列から抜き出した長
   さＮ文字の（Ｎは、１以上の予定の整数）部分検索文字
   列に一致する部分文書文字列を探索する段階と、(b) 前
   記部分検索文字列に一致する部分文書文字列の可変長連
   鎖文書文字列特定情報から、前記部分検索文字列に一致
   する部分文書文字列に関連する可変長連鎖文書文字列を
   特定する段階と、(c) 前記特定された可変長連鎖文書文
   字列の文書文字列特定情報から、前記特定された可変長
   連鎖文書文字列の存在する文書文字列を特定する段階
   と、 を含む方法。
4. 【請求項４】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、可変長連鎖検索文字列を含む検索文字
   列と一定の類似度以上で類似する可変長連鎖文書文字列
   を含む文書文字列を検索する方法であって、(a) 前記可
   変長連鎖文書文字列の存在する文書文字列を特定する文
   書文字列特定情報と、前記可変長連鎖文書文字列の存在
   する文書文字列内の位置を示す文書文字列位置情報を前
   記可変長連鎖文書文字列に関連付ける段階と、(b) 前記
   可変長連鎖文書文字列から、長さＭ文字の（Ｍは、１以
   上の予定の整数）部分文書文字列を抜き出して格納する
   段階と、(c) 前記部分文書文字列の存在する可変長連鎖
   文書文字列を特定する可変長連鎖文書文字列特定情報
   と、前記部分文書文字列の存在する可変長連鎖文書文字
   列内の位置を示す可変長連鎖文書文字列位置情報を前記
   部分文書文字列に関連付ける段階と、(d) 前記可変長連
   鎖検索文字列から抜き出した長さＮ文字の（Ｎは、１以
   上の予定の整数）部分検索文字列に一致する部分文書文
   字列を探索する段階と、(e) 前記可変長連鎖検索文字列
   の部分検索文字列の開始位置を１つずらした長さＮ文字
   の部分検索文字列と一致する部分文書文字列を探索する
   段階と、(f) 前記段階(e)を繰り返し、前記可変長連鎖
   検索文字列の部分検索文字列と一致する部分文書文字列
   の集合を特定する段階と、(g) 前記部分文書文字列の集
   合に属する部分文字列の可変長連鎖文書文字列特定情報
   及び可変長連鎖文書文字列位置情報から、前記可変長連
   鎖検索文字列に類似する可変長連鎖文書文字列を特定す
   る段階と、(h) 前記特定された可変長連鎖文書文字列の
   文書文字列特定情報から、前記特定された可変長連鎖文
   書文字列の存在する文書文字列を特定する段階と、 を含む方法。
5. 【請求項５】複数の可変長連鎖を含む文書からコンピュ
   ータ検索用のファイルをコンピュータによってアクセス
   可能な記憶装置に作成する方法であって、(a) 前記文書
   から、第１の可変長連鎖を抜き出す段階と、(b) 前記第
   １の可変長連鎖が出現する前記文書中の位置情報を格納
   する段階と、(c) 前記第１の可変長連鎖から第１の拡張
   固定長連鎖を抜き出す段階と、(d) 前記第１の拡張固定
   長連鎖が存在する前記第１の可変長連鎖を特定する情報
   と、前記第１の拡張固定長連鎖が存在する前記第１の可
   変長連鎖中の位置情報を格納する段階と、 を含む方法。
6. 【請求項６】複数の可変長連鎖を含む文書からコンピュ
   ータ検索用のファイルをコンピュータによってアクセス
   可能な記憶装置に作成する方法であって、(a) 前記文書
   から、前記複数の可変長連鎖を抜き出して文字連鎖ファ
   イルに格納する段階と、(b) 前記複数の可変長連鎖が出
   現する前記文書中の位置情報を位置情報ファイルに格納
   する段階と、(c) 前記複数の可変長連鎖の各々の可変長
   連鎖から長さＭ文字の（Ｍは、１以上の予定の整数）拡
   張固定長連鎖を抜き出して拡張文字連鎖ファイルに格納
   する段階と、(d) 前記拡張固定長連鎖が存在する前記可
   変長連鎖を特定する情報と、前記拡張固定長連鎖が存在
   する前記可変長連鎖中の位置情報を拡張位置情報ファイ
   ルに格納する段階と、 を含む方法。
7. 【請求項７】第１の可変長連鎖を含む第１の文字列と、
   第２の可変長連鎖を含む第２の文字列の類似度をコンピ
   ュータを用いて計算する方法であって、(a) 前記第１の
   可変長連鎖文字列から、長さＮ文字の（Ｎは、１以上の
   予定の整数）部分文字列につき、前記第２の可変長連鎖
   中で一致する部分文字列を探索する段階と、(b) 前記第
   １の可変長連鎖の部分文字列の開始位置を１つずらした
   長さＮ文字の部分文字列につき、前記第２の可変長連鎖
   中で一致する部分文字列を探索する段階と、(c) 前記段
   階(b)を繰り返すことにより、前記第２の可変長連鎖に
   おいて、前記第１の可変長連鎖と一致する文字を識別す
   る可変長連鎖一致文字識別情報を導出する段階と、(d)
   前記可変長連鎖一致文字識別情報と前記第１の可変長連
   鎖文字数に基づいて、前記第１の可変長連鎖と、前記第
   ２の可変長連鎖の可変長連鎖一致度を算出する段階と、
   (e) 前記可変長連鎖一致度に基づいて前記第１の文字列
   の類似度を算出する段階と、 を含む方法。
8. 【請求項８】第１の可変長連鎖を含む第１の文字列と、
   第２の可変長連鎖を含む第２の文字列の類似度をコンピ
   ュータを用いて計算する方法であって、(a) 前記第２の
   可変長連鎖文字列の存在する第２の文字列を特定する文
   字列特定情報と、前記第２の可変長連鎖文字列の存在す
   る第２の文字列内の位置を示す文字列位置情報を前記第
   ２の可変長連鎖文字列に関連付ける段階と、(b) 前記第
   ２の可変長連鎖文字列から、長さＭ文字の（Ｍは、１以
   上の予定の整数）第２の部分文字列を抜き出して格納す
   る段階と、(c) 前記第２の部分文字列の存在する第２の
   可変長連鎖文字列を特定する可変長連鎖文字列特定情報
   と、前記第２の部分文字列の存在する第２の可変長連鎖
   文字列内の位置を示す可変長連鎖文字列位置情報を前記
   第２の部分文書文字列に関連付ける段階と、(d) 前記第
   １の可変長連鎖文字列から抜き出した長さＮ文字の（Ｎ
   は、１以上の予定の整数）第１の部分文字列に一致する
   第２の部分文字列を探索する段階と、(e) 前記第１の可
   変長連鎖文字列の第１の部分文字列の開始位置を１つず
   らした長さＮ文字の第１の部分検索文字列と一致する第
   ２の部分文字列を探索する段階と、(f) 前記段階(e)を
   繰り返し、前記第１の可変長連鎖文字列の第１の部分文
   字列と一致する第２の部分文字列の集合を特定する段階
   と、(g) 前記第２の部分文字列の集合に属する第２の部
   分文字列の可変長連鎖文字列特定情報及び可変長連鎖文
   字列位置情報から、前記第１の可変長連鎖文字列に予定
   の可変長連鎖一致度以上で一致する可能性のある可変長
   連鎖文字列候補を特定する段階と、(h) 前記第１の可変
   長連鎖文字列と前記可変長連鎖文字列候補の可変長連鎖
   一致度を計算する段階と、(i) 前記可変長連鎖文字列候
   補の中から、前記第１の可変長連鎖文字列と予定の可変
   長連鎖一致度以上の可変長連鎖一致度を有する第２の可
   変長連鎖文字列を選択する段階と、(j) 前記選択された
   第２の可変長連鎖文字列の可変長連鎖一致度を格納する
   段階と、(k) 前記選択された第２の可変長連鎖文字列の
   文字列特定情報から、前記選択された第２の可変長連鎖
   文字列の存在する第２の文書文字列を特定する段階と、
   (l) 前記格納された可変長連鎖一致度に基づいて、前記
   選択された第２の可変長連鎖文字列の存在する第２の文
   字列と前記第１の可変長連鎖検字列を含む検索文字列と
   の文字列類似度を計算する段階と、 を含む方法。
9. 【請求項９】可変長連鎖文書文字列を含み、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、可
   変長連鎖検索文字列を含む検索文字列に対し予定の類似
   度以上の類似する文書文字列があらわれる箇所を見出す
   方法であって、(a) 前記可変長連鎖検索文字列の先頭か
   ら、長さＭ文字の（Ｍは、１以上の予定の整数）部分文
   字列につき、前記可変長連鎖文書文字列で一致する開始
   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文字の長さの部分文字列を
   有効一致文字列と称する）段階と、(b) 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、(c)
   前記有効一致文字列が見つかる限り、前記段階(b)を継
   続する段階と、(d) 少なくとも、前記可変長連鎖文書文
   字列における最初の有効一致文字列の開始位置から、前
   記可変長連鎖文書文字列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、前記可変長連鎖検索文字列と、前
   記可変長連鎖文書文字列における最初の有効一致文字列
   の開始位置から、前記可変長連鎖文書文字列における最
   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、(e) 前記計算された類似度
   が、前記予定の類似度以上であることに応答して、前記
   可変長文書文字列を特定する段階と、(f) 前記特定され
   た可変長連鎖文書文字列を含む文書文字列を特定する段
   階と、 を含む方法。
10. 【請求項１０】コンピュータ処理によって検索可能に記
    憶された文書中で、可変長連鎖検索文字列を含む検索文
    字列と一定の文字列類似度以上で類似する可変長連鎖文
    書文字列を含む文書文字列を検索する装置であって、
    (a) 前記検索文字列を入力するための入力装置と、(b1)
    前記可変長連鎖文書文字列を格納する文字連鎖ファイ
    ルと、(b2) 前記可変長連鎖文書文字列の存在する文書
    文字列を特定する文書文字列特定情報と、前記可変長連
    鎖文書文字列の存在する文書文字列内の位置を示す文書
    文字列位置情報を格納する位置情報ファイルと、(b3)
    前記可変長連鎖文書文字列から、長さＭ文字の（Ｍは、
    １以上の予定の整数）から抜き出された部分文書文字列
    を格納する拡張文字連鎖ファイルと、(b4) 前記部分文
    書文字列の存在する可変長連鎖文書文字列を特定する可
    変長連鎖文書文字列特定情報と、前記部分文書文字列の
    存在する可変長連鎖文書文字列内の位置を示す可変長連
    鎖文書文字列位置情報を格納する拡張位置情報ファイル
    と、 を記憶する記憶装置と、(c1) 前記可変長連鎖検索文字
    列から抜き出した長さＮ文字の（Ｎは、１以上の予定の
    整数）部分検索文字列に一致する部分文書文字列の探索
    と、(c2) 前記可変長連鎖検索文字列の部分検索文字列
    の開始位置を１つずらした長さＮ文字の部分検索文字列
    と一致する部分文書文字列の探索と、(c3) 前記(c2)を
    繰り返し、前記可変長連鎖検索文字列の部分検索文字列
    と一致する部分文書文字列の集合を特定することと、(c
    4) 前記部分文書文字列の集合に属する部分文字列の可
    変長連鎖文書文字列特定情報及び可変長連鎖文書文字列
    位置情報から、前記可変長連鎖検索文字列に予定の可変
    長連鎖一致度以上で一致する可能性のある可変長連鎖文
    書文字列候補の特定と、(c5) 前記可変長連鎖検索文字
    列と前記可変長連鎖文書文字列候補の可変長連鎖一致度
    の計算と、(c6) 前記可変長連鎖文書文字列候補の中か
    ら、前記可変長連鎖検索文字列と予定の可変長連鎖一致
    度以上の可変長連鎖一致度を有する可変長連鎖文書文字
    列の選択と、(c7) 前記選択された可変長連鎖文書文字
    列の文書文字列特定情報から、前記選択された可変長連
    鎖文書文字列の存在する文書文字列の特定と、(c8) 前
    記選択された可変長連鎖文書文字列の存在する文書文字
    列と前記可変長連鎖検索文字列を含む検索文字列との文
    字列類似度の計算と、 を行う制御手段と、(d) 前記計算された文字列類似度が
    前記一定の文字列類似度以上である場合、前記特定され
    た可変長連鎖文書文字列を表示する表示装置と、 を含む装置。
11. 【請求項１１】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、可変長連鎖検索文字列を含む検索文
    字列と類似する可変長連鎖文書文字列を含む文書文字列
    を検索する装置であって、(a) 前記可変長連鎖文書文字
    列と、前記可変長連鎖文書文字列の存在する文書文字列
    を特定する文書文字列特定情報を関連付ける手段と、
    (b) 前記可変長連鎖文書文字列から、長さＭ文字の（Ｍ
    は、１以上の予定の整数）部分文書文字列と、前記部分
    文書文字列の存在する可変長連鎖文書文字列を特定する
    可変長連鎖文書文字列特定情報を関連付ける手段と、
    (c) 前記可変長連鎖検索文字列から抜き出した長さＮ文
    字の（Ｎは、１以上の予定の整数）部分検索文字列に一
    致する部分文書文字列を探索する手段と、(d) 前記部分
    検索文字列に一致する部分文書文字列の可変長連鎖文書
    文字列特定情報から、前記部分検索文字列に一致する部
    分文書文字列に関連する可変長連鎖文書文字列を特定す
    る手段と、(e) 前記特定された可変長連鎖文書文字列の
    文書文字列特定情報から、前記特定された可変長連鎖文
    書文字列の存在する文書文字列を特定する手段と、 を含む装置。
12. 【請求項１２】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、可変長連鎖検索文字列を含む検索文
    字列と類似する可変長連鎖文書文字列を含む文書文字列
    を検索する装置であって、(a) 前記可変長連鎖文書文字
    列と、前記可変長連鎖文書文字列の存在する文書文字列
    を特定する文書文字列特定情報が関連付けられており、
    前記可変長連鎖文書文字列から、長さＭ文字の（Ｍは、
    １以上の予定の整数）部分文書文字列と、前記部分文書
    文字列の存在する可変長連鎖文書文字列を特定する可変
    長連鎖文書文字列特定情報が関連付けられている索引フ
    ァイル中で、前記可変長連鎖検索文字列から抜き出した
    長さＮ文字の（Ｎは、１以上の予定の整数）部分検索文
    字列に一致する部分文書文字列を探索する手段と、(c)
    前記部分検索文字列に一致する部分文書文字列の可変長
    連鎖文書文字列特定情報から、前記部分検索文字列に一
    致する部分文書文字列に関連する可変長連鎖文書文字列
    を特定する手段と、(d) 前記特定された可変長連鎖文書
    文字列の文書文字列特定情報から、前記特定された可変
    長連鎖文書文字列の存在する文書文字列を特定する手段
    と、 を含む装置。
13. 【請求項１３】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、可変長連鎖検索文字列を含む検索文
    字列と一定の類似度以上で類似する可変長連鎖文書文字
    列を含む文書文字列を検索する装置であって、(a) 前記
    可変長連鎖文書文字列の存在する文書文字列を特定する
    文書文字列特定情報と、前記可変長連鎖文書文字列の存
    在する文書文字列内の位置を示す文書文字列位置情報を
    前記可変長連鎖文書文字列に関連付ける手段と、(b) 前
    記可変長連鎖文書文字列から、長さＭ文字の（Ｍは、１
    以上の予定の整数）部分文書文字列を抜き出して格納す
    る手段と、(c) 前記部分文書文字列の存在する可変長連
    鎖文書文字列を特定する可変長連鎖文書文字列特定情報
    と、前記部分文書文字列の存在する可変長連鎖文書文字
    列内の位置を示す可変長連鎖文書文字列位置情報を前記
    部分文書文字列に関連付ける手段と、(d) 前記可変長連
    鎖検索文字列から抜き出した長さＮ文字の（Ｎは、１以
    上の予定の整数）部分検索文字列に一致する部分文書文
    字列を探索する手段と、(e) 前記可変長連鎖検索文字列
    の部分検索文字列の開始位置を１つずらした長さＮ文字
    の部分検索文字列と一致する部分文書文字列を探索する
    手段と、(f) 前記手段(e)を繰り返し、前記可変長連鎖
    検索文字列の部分検索文字列と一致する部分文書文字列
    の集合を特定する手段と、(g) 前記部分文書文字列の集
    合に属する部分文字列の可変長連鎖文書文字列特定情報
    及び可変長連鎖文書文字列位置情報から、前記可変長連
    鎖検索文字列に類似する可変長連鎖文書文字列を特定す
    る手段と、(h) 前記特定された可変長連鎖文書文字列の
    文書文字列特定情報から、前記特定された可変長連鎖文
    書文字列の存在する文書文字列を特定する手段と、 を含む装置。
14. 【請求項１４】記憶装置を含み、複数の可変長連鎖を含
    む文書からコンピュータ検索用のファイルをコンピュー
    タによってアクセス可能な記憶装置に作成する装置であ
    って、(a) 前記文書から、第１の可変長連鎖を抜き出す
    手段と、(b) 前記第１の可変長連鎖が出現する前記文書
    中の位置情報を格納する手段と、(c) 前記第１の可変長
    連鎖から第１の拡張固定長連鎖を抜き出す手段と、(d)
    前記第１の拡張固定長連鎖が存在する前記第１の可変長
    連鎖を特定する情報と、前記第１の拡張固定長連鎖が存
    在する前記第１の可変長連鎖中の位置情報を格納する手
    段と、 を含む装置。
15. 【請求項１５】複数の可変長連鎖を含む文書からコンピ
    ュータ検索用のファイルをコンピュータによってアクセ
    ス可能な記憶装置に作成する装置であって、(a) 前記文
    書から、前記複数の可変長連鎖を抜き出して文字連鎖フ
    ァイルに格納する手段と、(b) 前記複数の可変長連鎖が
    出現する前記文書中の位置情報を位置情報ファイルに格
    納する手段と、(c) 前記複数の可変長連鎖の各々の可変
    長連鎖から長さＭ文字の（Ｍは、１以上の予定の整数）
    拡張固定長連鎖を抜き出して拡張文字連鎖ファイルに格
    納する手段と、(d) 前記拡張固定長連鎖が存在する前記
    可変長連鎖を特定する情報と、前記拡張固定長連鎖が存
    在する前記可変長連鎖中の位置情報を拡張位置情報ファ
    イルに格納する手段と、 を含む装置。
16. 【請求項１６】第１の可変長連鎖を含む第１の文字列
    と、第２の可変長連鎖を含む第２の文字列の類似度をコ
    ンピュータを用いて計算する装置であって、(a) 前記第
    １の可変長連鎖文字列から、長さＮ文字の（Ｎは、１以
    上の予定の整数）部分文字列につき、前記第２の可変長
    連鎖中で一致する部分文字列を探索する手段と、(b) 前
    記第１の可変長連鎖の部分文字列の開始位置を１つずら
    した長さＮ文字の部分文字列につき、前記第２の可変長
    連鎖中で一致する部分文字列を探索する手段と、(c) 前
    記手段(b)を繰り返すことにより、前記第２の可変長連
    鎖において、前記第１の可変長連鎖と一致する文字を識
    別する可変長連鎖一致文字識別情報を導出する手段と、
    (d) 前記可変長連鎖一致文字識別情報と前記第１の可変
    長連鎖文字数に基づいて、前記第１の可変長連鎖と、前
    記第２の可変長連鎖の可変長連鎖一致度を算出する手段
    と、(e) 前記可変長連鎖一致度に基づいて前記第１の文
    字列の類似度を算出する手段と、 を含む装置。
17. 【請求項１７】第１の可変長連鎖を含む第１の文字列
    と、第２の可変長連鎖を含む第２の文字列の類似度をコ
    ンピュータを用いて計算する装置であって、(a1) 前記
    第２の可変長連鎖文字列の内容を管理する文字連鎖ファ
    イルと、(a2) 前記第２の可変長連鎖文字列の存在する
    第２の文字列を特定する文字列特定情報と、前記第２の
    可変長連鎖文字列の存在する第２の文字列内の位置を示
    す文字列位置情報を管理する位置情報ファイルと、(a3)
    前記第２の可変長連鎖文字列から抜き出した、長さＭ
    文字の（Ｍは、１以上の予定の整数）第２の部分文字列
    を管理する拡張文字連鎖ファイルと、(a4) 前記第２の
    部分文字列の存在する第２の可変長連鎖文字列を特定す
    る可変長連鎖文字列特定情報と、前記第２の部分文字列
    の存在する第２の可変長連鎖文字列内の位置を示す可変
    長連鎖文字列位置情報を管理する拡張位置情報ファイル
    と、を格納する記憶装置と、(b) 前記第１の可変長連鎖
    文字列から抜き出した長さＮ文字の（Ｎは、１以上の予
    定の整数）第１の部分文字列に一致する第２の部分文字
    列を探索する手段と、(c) 前記第１の可変長連鎖文字列
    の第１の部分文字列の開始位置を１つずらした長さＮ文
    字の第１の部分検索文字列と一致する第２の部分文字列
    を探索する手段と、(d) 前記手段(c)を繰り返し、前記
    第１の可変長連鎖文字列の第１の部分文字列と一致する
    第２の部分文字列の集合を特定する手段と、(e) 前記第
    ２の部分文字列の集合に属する第２の部分文字列の可変
    長連鎖文字列特定情報及び可変長連鎖文字列位置情報か
    ら、前記第１の可変長連鎖文字列に予定の可変長連鎖一
    致度以上で一致する可能性のある可変長連鎖文字列候補
    を特定する手段と、(f) 前記第１の可変長連鎖文字列と
    前記可変長連鎖文字列候補の可変長連鎖一致度を計算す
    る手段と、(g) 前記可変長連鎖文字列候補の中から、前
    記第１の可変長連鎖文字列と予定の可変長連鎖一致度以
    上の可変長連鎖一致度を有する第２の可変長連鎖文字列
    を選択する手段と、(h) 前記選択された第２の可変長連
    鎖文字列の文字列特定情報から、前記選択された第２の
    可変長連鎖文字列の存在する第２の文書文字列を特定す
    る手段と、(i) 前記可変長連鎖一致度に基づいて、前記
    選択された第２の可変長連鎖文字列の存在する第２の文
    字列と前記第１の可変長連鎖検字列を含む検索文字列と
    の文字列類似度を計算する手段と、 を含む装置。
18. 【請求項１８】可変長連鎖文書文字列を含み、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、
    可変長連鎖検索文字列を含む検索文字列に対し予定の類
    似度以上の類似する文書文字列があらわれる箇所を見出
    す装置であって、 (a) 前記可変長連鎖検索文字列の先頭から、長さＭ文字
    の（Ｍは、１以上の予定の整数）部分文字列につき、前
    記可変長連鎖文書文字列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文字の長さの部分文字列を有効一致文字列
    と称する）手段と、 (b)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手段と、(c)
    前記有効一致文字列が見つかる限り、前記手段(b)を継
    続する手段と、(d) 少なくとも、前記可変長連鎖文書文
    字列における最初の有効一致文字列の開始位置から、前
    記可変長連鎖文書文字列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、前記可変長連鎖検索文字列と、前
    記可変長連鎖文書文字列における最初の有効一致文字列
    の開始位置から、前記可変長連鎖文書文字列における最
    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、(e) 前記計算された類似度
    が、前記予定の類似度以上であることに応答して、前記
    可変長文書文字列を特定する手段と、(f) 前記特定され
    た可変長連鎖文書文字列を含む文書文字列を特定する手
    段と、 を含む装置。
19. 【請求項１９】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、可変長連鎖検索文字列を含む検索文
    字列と類似する可変長連鎖文書文字列を含む文書文字列
    を検索するためのプログラムを格納するコンピュータに
    よって読み取り可能な媒体であって、 該プログラムは、(a) 前記可変長連鎖文書文字列と、前
    記可変長連鎖文書文字列の存在する文書文字列を特定す
    る文書文字列特定情報を関連付けることを前記コンピュ
    ータに指示するプログラムコード手段と、(b) 前記可変
    長連鎖文書文字列から、長さＭ文字の（Ｍは、１以上の
    予定の整数）部分文書文字列と、前記部分文書文字列の
    存在する可変長連鎖文書文字列を特定する可変長連鎖文
    書文字列特定情報を関連付けることを前記コンピュータ
    に指示するプログラムコード手段と、(c) 前記可変長連
    鎖検索文字列から抜き出した長さＮ文字の（Ｎは、１以
    上の予定の整数）部分検索文字列に一致する部分文書文
    字列を探索することを前記コンピュータに指示するプロ
    グラムコード手段と、(d) 前記部分検索文字列に一致す
    る部分文書文字列の可変長連鎖文書文字列特定情報か
    ら、前記部分検索文字列に一致する部分文書文字列に関
    連する可変長連鎖文書文字列を特定することを前記コン
    ピュータに指示するプログラムコード手段と、(e) 前記
    特定された可変長連鎖文書文字列の文書文字列特定情報
    から、前記特定された可変長連鎖文書文字列の存在する
    文書文字列を特定することを前記コンピュータに指示す
    るプログラムコード手段と、 を含むことを特徴とする媒体。
20. 【請求項２０】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、可変長連鎖検索文字列を含む検索文
    字列と類似する可変長連鎖文書文字列を含む文書文字列
    を検索するためのプログラムを格納するコンピュータに
    よって読み取り可能な媒体であって、 該プログラムは、(a) 前記可変長連鎖文書文字列と、前
    記可変長連鎖文書文字列の存在する文書文字列を特定す
    る文書文字列特定情報が関連付けられており、前記可変
    長連鎖文書文字列から、長さＭ文字の（Ｍは、１以上の
    予定の整数）部分文書文字列と、前記部分文書文字列の
    存在する可変長連鎖文書文字列を特定する可変長連鎖文
    書文字列特定情報が関連付けられている索引ファイル中
    で、前記可変長連鎖検索文字列から抜き出した長さＮ文
    字の（Ｎは、１以上の予定の整数）部分検索文字列に一
    致する部分文書文字列を探索することを前記コンピュー
    タに指示するプログラムコード手段と、(b) 前記部分検
    索文字列に一致する部分文書文字列の可変長連鎖文書文
    字列特定情報から、前記部分検索文字列に一致する部分
    文書文字列に関連する可変長連鎖文書文字列を特定する
    ことを前記コンピュータに指示するプログラムコード手
    段と、(c) 前記特定された可変長連鎖文書文字列の文書
    文字列特定情報から、前記特定された可変長連鎖文書文
    字列の存在する文書文字列を特定することを前記コンピ
    ュータに指示するプログラムコード手段と、 を含むことを特徴とする媒体。
21. 【請求項２１】記憶装置を含み、複数の可変長連鎖を含
    む文書からコンピュータ検索用のファイルをコンピュー
    タによってアクセス可能な記憶装置に作成するためのプ
    ログラムを格納するコンピュータによって読み取り可能
    な媒体であって、 該プログラムは、(a) 前記文書から、第１の可変長連鎖
    を抜き出すことを前記コンピュータに指示するプログラ
    ムコード手段と、(b) 前記第１の可変長連鎖が出現する
    前記文書中の位置情報を格納することを前記コンピュー
    タに指示するプログラムコード手段と、(c) 前記第１の
    可変長連鎖から第１の拡張固定長連鎖を抜き出すことを
    前記コンピュータに指示するプログラムコード手段と、
    (d) 前記第１の拡張固定長連鎖が存在する前記第１の可
    変長連鎖を特定する情報と、前記第１の拡張固定長連鎖
    が存在する前記第１の可変長連鎖中の位置情報を格納す
    ることを前記コンピュータに指示するプログラムコード
    手段と、 を含むことを特徴とする媒体。
22. 【請求項２２】コンピュータ検索用のファイルを格納す
    るコンピュータによって読み取り可能な媒体であって、
    (a) 複数の可変長連鎖を含む文書から、前記複数の可変
    長連鎖を抜き出して格納した文字連鎖ファイルと、(b)
    前記複数の可変長連鎖が出現する前記文書中の位置情報
    を管理する位置情報ファイルと、(c) 前記複数の可変長
    連鎖の各々の可変長連鎖から長さＭ文字の（Ｍは、１以
    上の予定の整数）拡張固定長連鎖を抜き出して格納した
    拡張文字連鎖ファイルと、(d) 前記拡張固定長連鎖が存
    在する前記可変長連鎖を特定する情報と、前記拡張固定
    長連鎖が存在する前記可変長連鎖中の位置情報を格納し
    た拡張位置情報ファイルと、 を含む媒体。