JPH11154164A

JPH11154164A - 全文検索処理における適合度算出方法および該方法に係るプログラムを格納した記憶媒体

Info

Publication number: JPH11154164A
Application number: JP9337713A
Authority: JP
Inventors: Yukio Hoshi; 幸雄星
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1997-11-21
Filing date: 1997-11-21
Publication date: 1999-06-08

Abstract

(57)【要約】（修正有）【課題】Ｗｅｂページの全テキストから所望の文字列を
検索したり、複数の文書の全テキストから所望の文字列
を検索する全文検索システムにおいて、ＡＮＤ検索でも
ＯＲ検索でもユーザの感覚に合った使い勝手のよいテキ
スト検索方法および該方法に係るプログラムを格納した
記憶媒体を提供する。【解決手段】各検索タームごとに検索を実行し、その検
索タームを含む文書の識別子、および検索された文書に
含まれる検索タームの数を示すヒット件数を、検索結果
として取得し、検索条件としてＡＮＤ条件が指定されて
いた場合は、取得された各検索タームの検索結果から、
指定されたすべての検索タームを含む文書の識別子を求
めるとともに、その文書のヒット件数を、各検索ターム
ごとのヒット件数を加算した値とし、求めた各文書のヒ
ット件数から、各文書のスコア値を算出する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、全文検索処理にお
ける適合度算出方法および該方法に係るプログラムを格
納した記憶媒体に関する。

【０００２】

【従来の技術】近年、インターネットのＷＷＷ（World
Wide Web）の検索サービス（サーチ・エンジン）では、
登録したＷｅｂページの全テキストから所望の文字列を
検索できる検索システムが用いられているものがある。
また、各種の文書検索システムでも、各文書の全テキス
トから所望の文字列を検索するものが知られている。そ
のような全文検索システムでは、いわゆるランキング検
索を行なうことができるものがある。

【０００３】ランキング検索とは、文書検索時、複数の
文書がヒットした場合、それぞれの文書に対し、得点を
付与しその得点により文書のソートを行なう機能であ
る。例えば、文字列Ｘを含む文書を検索して、文書Ａで
はヒット件数が５件（すなわち、文字列Ｘが文書Ａに５
ヶ所出現）で、文書Ｂではヒット件数が８件（すなわ
ち、文字列Ｘが文書Ｂに８ヶ所出現）であったとする。
この場合、ランキング検索機能により、これらのヒット
件数のうちの最大値を１００とした各文書のスコア値
（適合度）、すなわち文書Ｂのスコア値が１００、文書
Ａのスコア値が５÷８×１００≒６３を、それぞれ表示
することができる。また、検索結果を表示するときに、
スコア値の大きい順にソートし、文書Ｂを先に、文書Ａ
を後に、表示することができる。スコア値を表示するこ
とにより、ユーザは、検索された文書Ａと文書Ｂとで
は、文書Ｂの方が検索文字列Ｘを多く含んでおり、文書
Ａは文書Ｂの６３％程度の出現率で検索文字列Ｘを含ん
でいることが分かる。また、スコア値の大きい順に表示
されるので、より多くの検索文字列を含む文書が先に表
示され、ユーザにとっては使い勝手がよくなる。

【０００４】上述したような検索システムでは、通常、
検索文字列を複数指定することもできる。複数の検索文
字列は、例えば、ＡＮＤやＯＲなどの検索条件でつなが
れる。ＡＮＤは複数の検索文字列をすべて含む文書を検
索せよという意味であり、ＯＲは複数の検索文字列のう
ちの少なくとも１つを含む文書を検索せよという意味で
ある。

【０００５】

【発明が解決しようとする課題】ところで、上記ランキ
ング検索機能を使用した検索で、ＡＮＤやＯＲなどの検
索条件を指定して複数の検索文字列で検索を行なう場
合、スコア値の計算は拡張ブーリアン（boolean）に基
づいていた。したがって、ＡＮＤ検索ではヒット件数の
少ない方からスコア値を計算し、ＯＲ検索ではヒット件
数の多い方からスコア値を計算していた。例えば、検索
文字列ＸとＹとでＡＮＤ検索を行なう場合、文書Ａでは
検索文字列Ｘのヒット件数が１０件で検索文字列Ｙのヒ
ット件数が３件であった場合、拡張ブーリアンによれば
ＸＡＮＤＹのヒット件数は３件ということになり、
このヒット件数３件に基づいて文書Ａのスコア値が計算
される。しかし、このようなヒット件数の求め方では、
一般的には使い勝手がよくない。上記の例では、文字列
Ｘのヒット件数が１０件もあるのに、ＸＡＮＤＹの
ヒット件数は３件とされてしまい、ユーザの感覚に合わ
ないことが多いからである。

【０００６】本発明は、上述の従来形における問題点に
鑑み、ＡＮＤ検索でもＯＲ検索でもユーザの感覚に合っ
た使い勝手のよい全文検索処理における適合度算出方法
および該方法に係るプログラムを格納した記憶媒体を提
供することを目的とする。

【０００７】

【課題を解決するための手段】上記目的を達成するため
に、請求項１に係る発明は、指定された複数の検索ター
ムおよび検索条件でテキスト文書を検索し、検索結果を
返す全文検索処理における適合度算出方法であって、各
検索タームごとに検索を実行し、その検索タームを含む
文書の識別子、および検索された文書に含まれる検索タ
ームの数を示すヒット件数を、検索結果として取得する
検索ステップと、検索条件としてＡＮＤ条件が指定され
ていた場合、前記検索ステップにより取得された各検索
タームの検索結果から、指定されたすべての検索ターム
を含む文書の識別子を求めるとともに、その文書のヒッ
ト件数を、各検索タームごとのヒット件数を加算した値
とする検索結果合成ステップと、前記検索結果合成ステ
ップにより得られた各文書のヒット件数から、各文書の
適合度を算出する適合度算出ステップとを備えたことを
特徴とする。

【０００８】請求項２に係る発明は、指定された複数の
検索タームおよび検索条件でテキスト文書を検索し、検
索結果を返す全文検索処理における適合度算出方法に係
るプログラムを格納した記憶媒体であって、該プログラ
ムは、各検索タームごとに検索を実行し、その検索ター
ムを含む文書の識別子、および検索された文書に含まれ
る検索タームの数を示すヒット件数を、検索結果として
取得する検索ステップと、検索条件としてＡＮＤ条件が
指定されていた場合、前記検索ステップにより取得され
た各検索タームの検索結果から、指定されたすべての検
索タームを含む文書の識別子を求めるとともに、その文
書のヒット件数を、各検索タームごとのヒット件数を加
算した値とする検索結果合成ステップと、前記検索結果
合成ステップにより得られた各文書のヒット件数から、
各文書の適合度を算出する適合度算出ステップとを備え
たことを特徴とする。

【０００９】

【発明の実施の形態】以下、図面を使って本発明の実施
の形態を詳細に説明する。

【００１０】図１は、本発明に係る全文検索処理におけ
る適合度算出方法を適用したテキスト検索システムのシ
ステム構成図である。ＷＷＷブラウザ１０１とＷＷＷサ
ーバ１０３が、イントラネットまたはインターネットな
どのネットワーク１０２に接続されている。ＷＷＷサー
バ１０３には、ＬＡＮ（ローカルエリアネットワーク）
１０４を介して全文検索サーバ１０５が接続されてい
る。全文検索サーバ１０５には、テキストデータベース
１０６が接続されている。ＷＷＷブラウザ１０１、ＷＷ
Ｗサーバ１０３、および全文検索サーバ１０５は、具体
的には、それぞれの機能を果たす所定のソフトウエアが
動作しているパーソナルコンピュータやワークステーシ
ョンからなる。また、ＷＷＷブラウザ１０１には、ユー
ザが操作するマウスやキーボードなどの入力装置と、各
種の情報を表示する表示装置が備えられているものとす
る。

【００１１】ＷＷＷブラウザ１０１は、表示装置に検索
画面を表示し、入力装置によりユーザの入力を受け付け
る。図２は、検索画面の表示例を示す。ウインドウ２０
０内の表示領域２０１に、検索分野見出し２１１、検索
ボタン２１２、検索条件見出し２１３、ＡＮＤボタン２
１４、ＯＲボタン２１５、および検索ターム入力領域２
２１〜２２３が表示されている。検索分野見出し２１１
には、この検索システムで文書検索する分野が表示され
ている。この例は新聞記事の文書を検索するシステムで
あるので、検索分野見出し２１１には「新聞記事」と表
示されている。ユーザは、この検索画面上で、検索ター
ム入力領域２２１〜２２３に検索したい文字列を入力
し、必要に応じてＡＮＤボタン２１４またはＯＲボタン
２１５をオンしてＡＮＤまたはＯＲの検索条件を選択
し、検索ボタン２１２をオン（マウスでクリック）す
る。これにより、ＷＷＷブラウザ１０１から、ユーザの
入力に応じた検索タームおよび検索条件で、検索要求が
ＷＷＷサーバ１０３に送信される。

【００１２】図２において、検索ターム入力領域は２２
１〜２２３の３つが備えられているが、検索タームを１
個だけ入力して検索ボタン２１２をオンして検索をかけ
てもよいし、検索タームを２個または３個の複数入力し
て検索ボタン２１２をオンして検索をかけてもよい。検
索タームが１個のみ入力されているときは、ＡＮＤボタ
ン２１４およびＯＲボタン２１５によるＡＮＤまたはＯ
Ｒの検索条件の指定は無視される。検索タームが２個ま
たは３個入力されている場合は、ＡＮＤボタン２１４ま
たはＯＲボタン２１５をオンすることにより、複数の検
索タームをＡＮＤ条件で検索するか、ＯＲ条件で検索す
るかを選択することができる。表示上は、選択されてい
るボタンが黒丸で、選択されていないボタンが白丸で、
それぞれ、表示される。図２では、検索タームが２個入
力され、ＡＮＤボタン２１４が選択状態で、ＯＲボタン
２１５が非選択状態であるから、この状態で検索ボタン
２１２をオンすると、「マルチメディア」と「インター
ネット」の両方を含む文書を検索する指示を行なったこ
とになる。

【００１３】再び図１に戻って、上記図２の検索画面で
入力された検索タームおよび検索条件の検索要求がＷＷ
Ｗサーバ１０３で受信されると、ＷＷＷサーバ１０３
は、その要求に応じて全文検索サーバ１０５に検索を依
頼する。全文検索サーバ１０５に接続されているテキス
トデータベース１０６には、検索対象の複数の文書ファ
イル（この例では新聞記事の文書）、およびそれらの文
書ファイルを検索するためのインデックスが格納されて
いる。インデックスの構造および検索方式については図
４を参照して後述する。全文検索サーバ１０５は、ＷＷ
Ｗサーバ１０３からの依頼に基づいて、テキストデータ
ベース１０６のインデックスを参照し、指示された検索
タームを含む文書を検索し、その結果（文書番号）をＷ
ＷＷサーバ１０３に返す。また、全文検索サーバ１０５
は、検索結果の文書ごとにスコア値（適合度）を算出
し、そのスコア値に基づいて、検索結果である文書番号
をソートしてＷＷＷサーバ１０３に返す。

【００１４】ＷＷＷサーバ１０３は、全文検索サーバ１
０５からの検索結果、すなわち検索された文書番号とス
コア値（文書番号はスコア値に基づいてソートされてい
る）を受け、検索結果一覧の画面データを作成し、その
画面データをＷＷＷブラウザ１０１に送信する。ＷＷＷ
ブラウザ１０１は、その検索結果一覧の画面データを受
信して画面表示し、これによりブラウザ１０１を操作し
ているユーザは検索結果一覧を見ることができる。

【００１５】図３は、ＷＷＷブラウザ１０１に表示され
る検索結果一覧の表示画面の例である。ウインドウ３０
０内の表示領域３０１に、検索分野見出し３１１、結果
一覧見出し３１２、検索結果である文書に関する表示３
２１〜３２３、および次結果一覧ボタン３１３が表示さ
れている。検索分野見出し３１１には、図２の２１１と
同様に、この検索システムで文書検索する分野が「新聞
記事」と表示されている。結果一覧見出し３１２は、そ
の下側に検索結果の一覧を表示することを示す見出しで
ある。検索結果である文書に関する表示３２１〜３２３
は、文書番号の表示およびスコア値の表示からなり、ス
コア値が大きい順に並べられて表示される。検索された
文書の数が多いときには、次結果一覧ボタン３１３をオ
ンすることにより、検索結果一覧の次のページが表示さ
れる。

【００１６】図４は、このテキスト検索システムにおけ
る検索方式であるｎ−ｇｒａｍインデックス方式の説明
図である。この方式は、連続するｎ文字からなる文字列
に対して、それを含む文書の識別子（文書番号）と、そ
の文字列が出現する位置を対応づけるインデックステー
ブルを生成し、それを基に検索タームを含む文書を検索
する全文検索方式である。図４では、１−ｇｒａｍイン
デックスを使用した例を示す。

【００１７】図４において、文書００１（文書番号が０
０１の文書）が「…海洋には数万種の微生物が生息する
といわれ…」という文章を含んでいるとする。この文章
の各文字の出現位置は先頭から何文字目かで表し、例え
ば、「海」は１３文字目、「洋」は１４文字目、「に」
は１５文字目、…である。この文書００１を１−ｇｒａ
ｍインデックス４０１に登録すると、各文字のインデッ
クスに文書番号と出現位置が設定される。例えば、文書
００１中では「に」が１５文字目に出現しているので、
「に」のインデックス４１１には、文書番号「００１」
と出現位置「１５」が設定される。また、文書００１中
では「微」が２１文字目に出現しているので「微」のイ
ンデックス４１２には、文書番号「００１」と出現位置
「２１」が設定される。以下同様にして、文書００１の
全文字を１−ｇｒａｍインデックス４０１に登録してお
く。また、他の文書についても同様にしてインデックス
に登録しておく。例えば、「に」のインデックス４１１
には、文書番号「００８」と出現位置「１２」および
「３５」が登録されているので、文書番号００８の文書
の１２文字目および３５文字目に「に」が出現すること
が分かる。

【００１８】全文検索サーバ１０５では、このインデッ
クス４０１を用いた検索を以下のように行なう。まずＷ
ＷＷサーバ１０３から、検索ターム４０２として「微生
物」が与えられて検索が指示されたとする。この検索タ
ーム４０２を１文字ずつインデックス４０１と照合する
と、「微」のインデックス４１２に文書番号「００１」
の出現位置「２１」が登録されており、「生」のインデ
ックス４１３に文書番号「００１」の出現位置「２２」
が登録されており、「物」のインデックス４１４に文書
番号「００１」の出現位置「２３」が登録されているの
で、文書番号００１の文書の出現位置２１〜２３の位置
に「微生物」という文字列が存在することが分かる。同
様に、文書番号０５６の出現位置５〜７の位置に「微生
物」という文字列が存在することが分かる。この検索結
果は、文書番号と出現位置の羅列４０３で表される。

【００１９】図４に図示した検索結果４０３は、この検
索ターム「微生物」４０２が、文書番号００１の文書の
２１文字目に出現し、文書番号０５６の５文字目に出現
することを示しているが、１つの文書中に検索タームが
複数含まれているときには、インデックスからその出現
位置がすべて検索され検索結果４０３に反映される。例
えば、文書番号００１の文書の２１文字目のほかに、３
８文字目および４５文字目に検索ターム「微生物」４０
２が出現するとすると、検索結果４０３は、文書番号０
０１のあとに出現位置２１、３８、４５が続くことにな
る。なお、文書番号とその文書内の出現位置のデータと
の組が１つのまとまりと把握され、そのような組データ
の区切り位置（図４の検索結果４０３では、出現位置２
１と文書番号０５６の境界）は、分離記号などにより明
確になっているものとする。

【００２０】以上のようにして、検索結果４０３から、
検索タームを含む文書の文書番号と、検索タームがその
文書中のどこに出現するかが分かるので、出現位置の数
を数えれば、その文書中に検索タームが幾つ含まれるか
（すなわち、ヒット件数が）分かる。そこで、全文検索
サーバ１０５では、検索結果から各文書ごとのヒット件
数を求め、そのヒット件数に基づいてスコア値を算出
し、ＷＷＷサーバ１０３に返す。

【００２１】図５は、全文検索サーバ１０５における検
索とスコア値算出処理のフローチャートを示す。ステッ
プ５０１で、ＷＷＷサーバ１０３からの依頼に含まれる
検索タームを１つ取り出し、その検索タームをキーワー
ドとして、図４で説明したようにインデックスを検索す
る。これにより、図４の４０３に示すような検索結果
（その検索タームを含む文書の文書番号と文書中での出
現位置との羅列）が得られる。次に、ステップ５０２
で、検索結果があったか否かを判別する。検索結果がな
かったときは、ステップ５０６に分岐する。検索結果が
あったときは、ステップ５０３で、その検索結果から各
文書のヒット件数を求める。上述したように、ヒット件
数は各文書の出現位置の数を数えれば分かる。いま、例
えば１個目の検索タームで検索した結果、以下の（検索
結果１）のように文書番号とヒット件数が求められたと
する。

【００２２】（検索結果１）文書番号００２：ヒット件数６文書番号００８：ヒット件数９文書番号０１６：ヒット件数１４

【００２３】次に、ステップ５０４で、前回までの検索
タームの検索結果と今回の検索タームの検索結果とを合
成する。始めは１個目の検索タームの検索であり前回ま
での検索結果はないから、ステップ５０４では何もせ
ず、上記の検索結果を保持するだけである。次に、ステ
ップ５０５で、未だ検索すべき検索タームが指定されて
いるか否か判別する。なければ、１個の検索タームの検
索であったということであるから、ステップ５０６で保
持されている検索結果に基づいて各文書のスコア値を算
出し、求めたスコア値に基づいてソートした検索結果と
該スコア値とをＷＷＷサーバ１０３に返す。

【００２４】ステップ５０５で未だ検索すべき検索ター
ムが残っていたら、ステップ５０１に戻って、残ってい
る検索タームで検索を行なう。この場合、ステップ５０
４では、前回までに行なわれた検索結果が保持されてい
るので、その検索結果に新たな検索結果を合成する。こ
の合成の処理について具体例で詳しく説明する。いま、
１個目の検索タームＸで検索した結果、上記（検索結果
１）が保持されており、次に２個目の検索タームＹで検
索して下記の（検索結果２）がステップ５０３で得られ
たとする。

【００２５】（検索結果２）文書番号００５：ヒット件数７文書番号００８：ヒット件数３文書番号０１６：ヒット件数２１

【００２６】検索条件としてＡＮＤ条件が指示されてい
るとき、ステップ５０４の合成処理では、前回までの
（検索結果１）と今回の（検索結果２）とのＡＮＤを取
って新たな検索結果を作成保持する。いま説明している
検索結果の例では、文書番号００８と０１６が（検索結
果１）と（検索結果２）の両方に存在するので、これら
が抽出される。また、ヒット件数については、各文書ご
とに前回までの（検索結果１）のヒット件数と今回の
（検索結果２）のヒット件数とを加算して新たなヒット
件数にする。したがって、新たに生成される検索結果は
下記の（検索結果３）になる。

【００２７】（検索結果３）文書番号００８：ヒット件数１２文書番号０１６：ヒット件数３５

【００２８】文書番号００８のヒット件数１２は、（検
索結果１）の文書番号００８のヒット件数９と（検索結
果２）の文書番号００８のヒット件数３とを加算した値
である。また、文書番号０１６のヒット件数３５は、
（検索結果１）の文書番号０１６のヒット件数１４と
（検索結果２）の文書番号０１６のヒット件数２１とを
加算した値である。

【００２９】さらに、未だ検索すべき検索タームがある
場合は、上記（検索結果３）を前回までの検索結果とし
てステップ５０１からの処理を繰り返せばよい。すべて
の検索タームについて検索が終了したら、ステップ５０
６で、その時点で保持されている検索結果に基づいてス
コア値を算出する。スコア値は、従来と同様にヒット件
数が最大のものを１００として、各文書ごとに求める。

【００３０】上記はＡＮＤ条件が指定された場合につい
て説明したが、ＯＲ条件が指定された場合も同様であ
る。ＡＮＤ条件では前回までの検索結果と今回の検索結
果との両方に含まれる文書番号を抽出したが、ＯＲ条件
では前回までの検索結果と今回の検索結果との少なくと
も何れか一方に含まれる文書番号を抽出すればよい。ま
た、ヒット件数の求めかたは、ＡＮＤ条件の場合と同様
に、各文書のヒット件数を加算して新たなヒット件数と
する。

【００３１】上記発明の実施の形態によれば、ＡＮＤ条
件で複数の検索タームで検索した場合でも、各文書のヒ
ット件数を加算した値に基づいてスコア値を算出してい
るので、従来の拡張ブーリアンで実施していたヒット件
数の少ない方からスコア値を計算する方式に比較して、
ユーザにとって、より使い勝手の良い検索システムにな
る。

【００３２】なお、上記実施の形態では、ＡＮＤ条件の
ときに各文書のヒット件数を加算した値からスコア値を
算出しているが、加算する代わりに、各文書のヒット件
数のうちの最大値を用いてスコア値を算出してもよい。
また、上記実施の形態では１−ｇｒａｍインデックスの
例で説明したが、ｎを２以上としたｎ−ｇｒａｍインデ
ックスでも同様に適用可能である。

【００３３】

【発明の効果】以上説明したように、本発明によれば、
ＡＮＤ条件で複数の検索タームを指定して検索する場合
に、各文書のヒット件数を各検索タームのヒット件数の
和としているので、従来、ある検索タームのヒット件数
は多いが別の検索タームのヒット件数が少ないためにス
コア値が大きくならず（ヒット件数が少ない方に基づい
てスコア値を算出していたためである）、上位に表示さ
れなくなる文書があるという不都合が解消され、そのよ
うな文書でも上位に表示されるようになる。したがっ
て、ユーザにとって使い勝手の良いテキスト検索を行な
うことができる。

【図面の簡単な説明】

【図１】本発明に係るテキスト検索システムのシステム
構成図

【図２】検索画面の表示例を示す図

【図３】ＷＷＷブラウザに表示される検索結果一覧の表
示画面の例を示す図

【図４】ｎ−ｇｒａｍインデックス方式の説明図

【図５】全文検索サーバにおける検索とスコア値算出処
理のフローチャート図

【符号の説明】

１０１…ＷＷＷブラウザ、１０２…イントラネットまた
はインターネットなどのネットワーク、１０３…ＷＷＷ
サーバ、１０４…ＬＡＮ（ローカルエリアネットワー
ク）、１０５…全文検索サーバ、１０６…テキストデー
タベース。

Claims

【特許請求の範囲】

【請求項１】指定された複数の検索タームおよび検索条
件でテキスト文書を検索し、検索結果を返す全文検索処
理における適合度算出方法であって、各検索タームごとに検索を実行し、その検索タームを含
む文書の識別子、および検索された文書に含まれる検索
タームの数を示すヒット件数を、検索結果として取得す
る検索ステップと、検索条件としてＡＮＤ条件が指定されていた場合、前記
検索ステップにより取得された各検索タームの検索結果
から、指定されたすべての検索タームを含む文書の識別
子を求めるとともに、その文書のヒット件数を、各検索
タームごとのヒット件数を加算した値とする検索結果合
成ステップと、前記検索結果合成ステップにより得られた各文書のヒッ
ト件数から、各文書の適合度を算出する適合度算出ステ
ップとを備えたことを特徴とする全文検索処理における
適合度算出方法。
【請求項２】指定された複数の検索タームおよび検索条
件でテキスト文書を検索し、検索結果を返す全文検索処
理における適合度算出方法に係るプログラムを格納した
記憶媒体であって、該プログラムは、各検索タームごとに検索を実行し、その検索タームを含
む文書の識別子、および検索された文書に含まれる検索
タームの数を示すヒット件数を、検索結果として取得す
る検索ステップと、検索条件としてＡＮＤ条件が指定されていた場合、前記
検索ステップにより取得された各検索タームの検索結果
から、指定されたすべての検索タームを含む文書の識別
子を求めるとともに、その文書のヒット件数を、各検索
タームごとのヒット件数を加算した値とする検索結果合
成ステップと、前記検索結果合成ステップにより得られた各文書のヒッ
ト件数から、各文書の適合度を算出する適合度算出ステ
ップとを備えたことを特徴とする全文検索処理における
適合度算出方法に係るプログラムを格納した記憶媒体。