JPH11203318A

JPH11203318A - 文書分類方法および装置並びに文書分類処理プログラムを記録した記録媒体

Info

Publication number: JPH11203318A
Application number: JP10008017A
Authority: JP
Inventors: Shinji Miwa; 真司三輪
Original assignee: Seiko Epson Corp
Current assignee: Seiko Epson Corp
Priority date: 1998-01-19
Filing date: 1998-01-19
Publication date: 1999-07-30

Abstract

(57)【要約】【課題】多数の文書を分類する際、文書内容全体から
特徴要素を抽出してその特徴要素に基づいた分類を行う
と分類結果が散漫なものとなる。【解決手段】ユーザからの注目語を受け付ける注目語
受け付け部２と、処理対象文書を解析し、前記注目語に
基づいて注目語を含む文脈（注目文脈）を検出する文解
析部３と、注目文脈から特徴要素を抽出する特徴要素
抽出部４と、前記注目文脈から抽出された特徴要素とそ
の特徴要素を含む処理対象文書との関係を示す特徴テー
ブルを作成する特徴テーブル作成手段５、この特徴テー
ブルの内容を参照して前記処理対象文書を意味的に共通
性のあるクラスタに分類する文書分類部６と、この文書
分類部６により分類された内容を記憶する分類結果記憶
部７と、この分類結果記憶部７の内容を読み出して出力
する出力制御部８とを有する構成とする。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は多数の処理対象文書
を意味的な共通の有るクラスタに分類する文書分類方法
および装置並びに文書分類処理プログラムを記録した記
録媒体に関する。

【０００２】

【従来の技術】多数の文書を意味的なまとまりごとの複
数のクラスタに分類する際、従来では、文書全体を特徴
要素の抽出対象として分類処理を行っていた。

【０００３】このような文書の分類を行う従来の技術例
として、たとえば、特開平７ー３６８９７（以下、従来
技術という）がある。この従来技術は、入力される文書
に関して形態素解析を行う形態素解析手段と、解析され
た形態素の少なくとも自立語の特徴を示すベクトルを備
えたベクトルテーブルと、ベクトルテーブルから自立語
に対応するベクトルを抽出し、その抽出されたベクトル
に基づいて文書の特徴を示す文書ベクトルを生成する文
書ベクトル生成手段と、生成された文書ベクトルを群分
けして群分けされた文書ベクトルに基づいて文書を自動
的に分類するクラスタリング手段と有した構成となって
いる。

【０００４】そして、文書ベクトル生成手段が、ベクト
ルテーブルから自立語に対応するベクトルを抽出し、ク
ラスタリング手段によって、抽出されたベクトルに基づ
いて文書の特徴を示す文書ベクトルを生成し、生成され
た文書ベクトルを群分けして群分けされた文書ベクトル
に基づいて文書を自動分類するようにしている。

【０００５】

【発明が解決しようとする課題】このように、従来技術
では文書全体を特徴要素抽出の対象としている。このた
め、文書の形態素解析や、特徴抽出処理が非常に繁雑で
あり、ＣＰＵがその処理を行う場合、ＣＰＵに対する負
荷を大きいものとしている。

【０００６】また、一般に、文書はその文書の主旨とは
直接関係のない記述を多く含んでいるのが普通である。
したがって、文書全体を特徴要素抽出の対象とすると、
それによって分類された文書クラスタは情報の分類とい
う観点から見たとき、あまり意味のない分類となること
も多い。つまり、ノイズクラスタが多数生成されてしま
うということである。

【０００７】たとえば、図２に示すような文書群を例に
とって説明する。図２に示される文書群は、それぞれ独
立した文書Ｄ１，Ｄ２，・・・，Ｄ７を有し、これらの
文書Ｄ１，Ｄ２，・・・，Ｄ７は表題部Ｔ１，Ｔ２，・
・・，Ｔ７と、それに対する本文Ａ１，Ａ２，・・・，
Ａ３を持っているものとする。

【０００８】このような文書群において、今、各文書Ｄ
１，Ｄ２，・・・，Ｄ７に含まれている特徴要素として
「環境」を抽出し、この「環境」によってこれらの文書
Ｄ１，Ｄ２，・・・，Ｄ７を１つのクラスタに分類した
とすると、図９に示すように、そのクラスタには文書Ｄ
２，Ｄ４，Ｄ６が含まれることになる。確かに、文書Ｄ
２，Ｄ４，Ｄ６には、「環境」という特徴要素が存在す
るが、これらの文書は、「環境」を主旨とする内容もの
ではない。つまり、これらの文書Ｄ２，Ｄ４，Ｄ６は図
２に記載された内容から見れば、特に共通する内容では
なく、１つの文書クラスタとして分類される内容ではな
い。つまり、文書Ｄ２はレーザプリンタのメモリ増設に
ついての内容であり、文書Ｄ４は用紙設定における「ト
レイ」、「カセット」、「自動」の切替についての内容
であり、また、文書Ｄ６は印刷後における用紙の汚れに
ついての内容である。したがって、これらの文書Ｄ２，
Ｄ４，Ｄ６は同じ文書クラスタに分類されるほどの共通
性はない。

【０００９】このように、１つ１つの文書全体を特徴要
素抽出の対象とすると、分類結果が散漫になったり、ノ
イズクラスタが多数生成されてしまうという問題があ
る。

【００１０】このような問題点を解消するための手段と
して、出現頻度の高い特徴要素のみを抽出する処理を加
える方法も考えられるが、出現頻度の高い特徴要素がそ
の文書の主旨を表す重要な要素となっているとは限らな
い。したがって、この方法では適切な分類が行えるとは
限らない。

【００１１】また、適切な分類を行うための他の手段と
して、不用語（ストップワード）辞書を用いて文書の主
旨と関係のない単語を除去してから文書分類処理を行う
方法も考えられるが、どのような単語が不用なのかは文
書の種類やユーザが求める分類の方針（分類の視点）に
よって異なるため、一般的な不用語辞書を構築するのは
きわめてむずかしいものとなる。

【００１２】そこで本発明は、文書の主旨を適切に反映
した文書分類を可能とするる文書分類方法および装置並
びに文書分類処理プログラムを記録した記録媒体を提供
することを目的とする。

【００１３】

【課題を解決するための手段】前述の目的を達成するた
めに、請求項１に記載の文書分類方法は、注目語が入力
されると、複数の処理対象文書からその注目語を含む文
脈を検出し、検出されたそれぞれの文脈から特徴要素を
抽出し、その特徴要素とその特徴要素を含む処理対象文
書との関係を示す特徴テーブルを作成して、その特徴テ
ーブルに基づいて前記処理対象文書を意味的に共通性の
あるクラスタに分類することを特徴としている。

【００１４】そして、請求項２の発明は請求項１におい
て、前記特徴テーブルに基づいて前記処理対象文書を意
味的に共通性のあるクラスタに分類する処理は、各処理
対象文書の前記注目語を含む文脈に存在する特徴要素に
基づいて、共通する特徴要素を持つ処理対象文書を１つ
のまとまりとし、そのまとまりをクラスタとするように
している。

【００１５】また、請求項３の発明は請求項２におい
て、前記共通する特徴要素を持つ処理対象文書を１つの
まとまりとする処理において、共通する特徴要素である
か否かの判断は、同義語辞書を用い同義語が有るか否か
により判断するようにしている。

【００１６】また、請求項４の発明は請求項１から３の
いずれかにおいて、前記処理対象文書が意味的に共通性
のあるクラスタに分類されたあと、ユーザからのクラス
タ選択指示を受けたときは、その選択されたクラスタに
属する処理対象文書を出力するようにしている。

【００１７】また、請求項５の発明は請求項１から４の
いずれかにおいて、前記処理対象文書から注目語を含む
文脈を検出する処理は、前記注目語の前および後の少な
くとも一方の側に存在する定められた数の単語の範囲を
注目語を含む文脈とするようにしている。

【００１８】また、請求項６の発明は請求項１から４の
いずれかにおいて、前記処理対象文書から注目語を含む
文脈を検出する処理は、前記注目語の前および後の少な
くとも一方の側に存在する定められた数の文字の範囲を
注目語を含む文脈とするようにしている。

【００１９】さらに、請求項７の発明は請求項１から４
のいずれかにおいて、前記処理対象文書から注目語を含
む文脈を検出する処理は、前記注目語の前および後の少
なくとも一方の側に存在する、定められた文字が現れる
までの範囲を注目語を含む文脈とするようにしている。

【００２０】また、請求項１から７のいずれかにおい
て、前記複数の処理対象文書は、それぞれが独立した文
書であってもよく、また、ある１つの文書から意味的な
まとまりとして抽出された複数のコンテンツであっても
よい。

【００２１】また、請求項１０に記載の文書分類装置の
発明は、注目語の入力を受け付ける注目語受け付け部
と、複数の処理対象文書を解析し、前記注目語受け付け
部に入力された注目語に基づいて注目語を含む文脈を検
出する文解析部と、この文解析部で検出されたそれぞれ
の処理対象文書内における注目語を含む文脈から特徴要
素を抽出する特徴要素抽出部と、前記注目語を含む文脈
から抽出された特徴要素とその特徴要素を含む処理対象
文書との関係を示す特徴テーブルを作成する特徴テーブ
ル作成手段と、この特徴テーブルの内容を参照して前記
処理対象文書を意味的に共通性のあるクラスタに分類す
る文書分類部と、この文書分類部により分類された内容
を記憶する分類結果記憶部と、この分類結果記憶部の内
容を読み出して出力する出力制御部とを有する構成とし
ている。

【００２２】そして、請求項１１の発明は、請求項９に
おいて、前記文書分類部は、特徴テーブルを参照して前
記処理対象文書を意味的に共通性のあるクラスタに分類
する際、各処理対象文書の前記注目語を含む文脈に存在
する特徴要素に基づいて、共通する特徴要素を持つ処理
対象文書を１つのまとまりとし、そのまとまりをクラス
タとするようにしている。

【００２３】また、請求項１２の発明は請求項１０にお
いて、前記文書分類部は、共通する特徴要素を持つ処理
対象文書を１つのまとまりとする処理を行う際、共通す
る特徴要素であるか否かの判断を、同義語辞書を用い同
義語が有るか否かにより判断するようにしている。

【００２４】また、請求項１３の発明は請求項９から１
１のいずれかにおいて、前記出力制御部は、前記分類結
果記憶部の内容を表示する制御を行うとともに、ユーザ
からのクラスタ選択指示を受けたときは、その選択され
たクラスタに属する処理対象文書を出力するようにして
いる。

【００２５】また、請求項１４の発明は請求項９から１
２のいずれかにおいて、前記文解析部が行う処理対象文
書から前記注目語を含む文脈を検出する処理は、前記注
目語の前および後の少なくとも一方の側に存在する定め
られた数の単語の範囲を注目語を含む文脈とするように
している。

【００２６】また、請求項１５の発明は請求項９から１
２のいずれかにおいて、は、前記文解析部が行う処理対
象文書から前記注目語を含む文書を検出する処理は、前
記注目語の前および後の少なくとも一方の側に存在する
定められた数の文字の範囲を注目語を含む文脈とするよ
うにしている。

【００２７】さらに、請求項１６の発明は請求項９から
１２のいずれかにおいて、は、前記文解析部が行う処理
対象文書から前記注目語を含む文書を検出する処理は、
前記注目語の前および後の少なくとも一方の側に存在す
る、定められた文字が現れるまでの範囲を注目語を含む
文脈とするようにしている。

【００２８】また、請求項１０から１６のいずれかにお
いて、前記複数の処理対象文書は、それぞれが独立した
文書であってもよく、ある１つの文書から意味的なまと
まりとして抽出された複数のコンテンツであってもよ
い。なお、コンテンツである場合、ある１つの文書から
コンテンツを抽出するためのコンテンツ抽出部を前記文
解析部の前段に設けるようにする。

【００２９】また、請求項１９に記載の文書分類処理プ
ログラムを記録した記録媒体における処理プログラム
は、注目語を受け付けると、複数の処理対象文書からそ
の注目語を含む文脈を検出する手順と、これにより検出
されたそれぞれの文脈から特徴要素を抽出する手順と、
これにより抽出された特徴要素とその特徴要素を含む処
理対象文書との関係を示す特徴テーブルを作成する手順
と、これにより作成された特徴テーブルに基づいて前記
処理対象文書を意味的に共通性のあるクラスタに分類す
る手順とを含むことを特徴としている。

【００３０】このように本発明は、ユーザから注目語
（キーワードという）が入力されると、そのキーワード
を含む文脈を処理対象文書内から検出し、その注目語を
含む文脈から特徴要素を抽出し、その特徴要素をもとに
処理対象文書を分類しているので、ユーザの意図を的確
に反映した分類、つまり、ユーザ側の視点に立った分類
が行え、かつ、分類結果が散漫になることが少なく、ま
た、ノイズクラスタが生成される率も少なくすることが
できる。

【００３１】また、注目語を含む文脈に共通する特徴要
素を持つ処理対象文書を１つのまとまりとする処理を行
う際、同義語辞書を用いて共通する特徴要素で有るか否
かの判断を行うことにより、同じ意味を持つ特徴要素を
もっていながら異なったクラスタに分類されるというよ
うな不都合をなくすことができる。

【００３２】さらに、分類処理後、ユーザからのクラス
タ選択指示を受けると、そのクラスタに属する処理対象
文書を表示することができるので、当該クラスタに属す
る処理対象文書の確認が容易に行える。

【００３３】また、処理対象文書から前記注目語を含む
文脈を抽出する方法として、前記注目語の前および後の
少なくとも一方の側に存在する定められた数の単語の範
囲、または、前記注目語の前および後の少なくとも一方
の側に存在する定められた数の文字の範囲、あるいは、
前記注目語の前および後の少なくとも一方の側に存在す
る定められた文字が現れるまでの範囲を注目語を含む文
脈とすることにより、処理に必要な文脈を簡単な処理に
て検出することができる。

【００３４】

【発明の実施の形態】以下、本発明の実施の形態につい
て説明する。図１は本発明を実現するための装置構成を
示すもので、文書記憶部１、注目語受け付け部２、文解
析部３、特徴要素抽出部４、特徴テーブル作成部５、文
書分類部６、分類結果記憶部７、出力制御部８、表示部
９などを有した構成となっている。

【００３５】文書記憶部１はこの場合、多数の処理対象
文書データをデータベースとして持つものである。な
お、ここでいう処理対象文書は、１つ１つが独立した文
書であってもよく、ある１つの文書を構成するコンテン
ツ（意味的なまとまりを指し、たとえば、章や段落など
もその１つである）であってもよいが、ここではまず、
１つ１つが独立した文書を処理対象文書とする場合につ
いて説明する。

【００３６】ここでは、たとえば、図２に示すような文
書群を分類する場合を説明する。図２に示される文書群
は、それぞれが独立した文書Ｄ１，Ｄ２，・・・，Ｄ７
を有している。・・・、これらの文書Ｄ１，Ｄ２，・・
・，Ｄ７は表題部Ｔ１，Ｔ２，・・・，Ｔ７と、それに
対する本文Ａ１，Ａ２，・・・，Ａ３を持っているもの
とする。

【００３７】注目語受け付け部２は、ユーザによって入
力される注目語（キーワードという）を受け付けて、そ
のキーワードを文解析部３に送る。文解析部３は文書記
憶部１に記憶されている文書Ｄ１，Ｄ２，・・・，Ｄ７
を文解析し、入力されたキーワードに基づき、それぞれ
の文書Ｄ１，Ｄ２，・・・，Ｄ７からキーワードを含む
文脈（以下、注目文脈という）を検出する。この文解析
部３が行う注目文脈の検出方法は、具体的には次のよう
な方法を用いて行う。

【００３８】まず、第１の方法として、前記キーワード
の前および後の少なくとも一方の側に存在する定められ
た数の単語の範囲を注目文脈とする。また、第２の方法
として、前記キーワードの前および後の少なくとも一方
の側に存在する定められた数の文字の範囲を注目文脈と
する。第３の方法として、前記キーワードの前および後
の少なくとも一方の側に存在する、定められた文字が現
れるまでの範囲を注目文脈とする。

【００３９】特徴要素抽出部４は、文解析部３で検出さ
れたそれぞれの注目文脈の中から特徴要素を抽出する。

【００４０】特徴テーブル作成手段５は、前記それぞれ
の注目文脈から抽出されたそれぞれの特徴要素と、それ
ぞれの文書（文書Ｄ１，Ｄ２，・・・，Ｄ７）との関係
を示す特徴テーブルを作成する。なお、この特徴テーブ
ルの具体的な内容については後述する。

【００４１】文書分類部６は、前述の特徴テーブルの内
容を参照し、文書Ｄ１，Ｄ２，・・・，Ｄ７を意味的に
共通性のある複数のクラスタに分類する。つまり、文書
Ｄ１，Ｄ２，・・・，Ｄ７から検出されたそれぞれの注
目文脈に存在する特徴要素に基づいて、共通する特徴要
素を持つ処理対象文書を１つのまとまりとし、そのまと
まりをクラスタとする。なお、この文書分類部６は同義
特徴辞書（図示せず）を有し、共通する特徴要素を持つ
処理対象文書を１つのまとまりとする処理を行う際、共
通する特徴要素であるか否かの判断を、その同義語辞書
を用い同義語が有るか否かにより行い、同義語が存在す
る場合にはそれを同じクラスタとする処理を行う。

【００４２】分類結果記憶部７は、文書分類部６によっ
て分類された内容を記憶する。

【００４３】出力制御部８は分類結果記憶部７の内容を
読み出して分類結果として出力する。この際、分類結果
を表示部９に表示することも可能であり、また、ユーザ
からのクラスタ選択指示があったときは、分類結果記憶
部７の内容に基づいて選択要求の有ったクラスタに属す
る文書を文書記憶部１から読み出して表示部８に表示さ
せる。このときの表示内容としては、文書番号や文書名
のみでもよく、さらには、その文書内容を表示させるよ
うにしてもよい。

【００４４】このような構成において、具体的な分類処
理について説明する。ここでは、図２で示した文書Ｄ
１，Ｄ２，・・・，Ｄ７を分類する例について説明す
る。

【００４５】これらの文書Ｄ１，Ｄ２，・・・，Ｄ７
は、ユーザから入力されたキーワードに基づいて文解析
部３にて注目文脈が検出される。たとえば、ユーザが、
キーワードとして「用紙」を入力したとする。

【００４６】これにより、文解析部３では、「用紙」を
含む文脈（注目文脈）を検出する。この注目文脈の検出
は、前述したように、キーワードである「用紙」の前お
よび後の少なくとも一方の側に存在する定められた数の
単語あるいは文字の範囲を注目文脈とする。また、キー
ワードである「用紙」の前および後の少なくとも一方の
側に存在する定められた文字（文脈区切り文字という）
が現れるまでの範囲を注目文脈とする場合には、例えば
文脈区切り文字として句点「。」を設定することによ
り、キーワードを含む一文を注目文脈とすることができ
る。文脈区切り文字として、句点「。」または読
点「、」というように、複数の文字を指定することも可
能である。ここでは、説明を分かり易くするために、キ
ーワードに隣接する前後１つの単語までの範囲を文脈と
するという設定であるとする。

【００４７】このような設定に基づいて注目文脈を検出
すると、文書Ｄ１においては、表題部Ｔ１に「用紙カセ
ット」という内容があり、この「用紙カセット」が注目
文脈として検出される。また、その本文Ａ１には「ユニ
バーサル用紙カセット」という内容が２箇所あり、この
「ユニバーサル用紙カセット」も注目文脈として検出さ
れ、さらに、本文Ａ１には「大容量用紙カセット」とい
う内容があり、この「大容量用紙カセット」も注目文脈
として検出される。なお、図２において、注目文脈の部
分にはアンダーラインが施されている。

【００４８】また、文書Ｄ４においては、表題部Ｔ４に
「用紙設定」という内容があり、この「用紙設定」が注
目文脈として検出される。また、その本文Ａ４には「用
紙サイズ」、「用紙カセット」、「用紙ガイドクリッ
プ」という内容があり、これらも注目文脈として検出さ
れる。

【００４９】文書Ｄ６においては、その本文Ａ１に、
「Ａ４用紙」、「クリーニング用紙」などという内容が
あり、これらも注目文脈として検出される。

【００５０】また、文書Ｄ７においては、表題部Ｔ７に
「用紙カセット」という内容があり、これも注目文脈と
して検出される。また、その本文Ａ１には「ユニバーサ
ル用紙カセット」、「大容量用紙カセット」という内容
があり、これらも注目文脈として検出される。

【００５１】このようにして、ユーザの入力したキーワ
ードに基づいて、各文書から注目文脈が検出される。そ
して、特徴要素抽出部４により、これらの注目文脈から
特徴要素が抽出される。この場合、特徴要素としては、
「カセット」、「大容量」、「ユニバーサル」、「設
定」、「サイズ」、「ガイドグリップ」、「Ａ４」、
「クリーニング」などが抽出される。

【００５２】そして、特徴テーブル作成部５により、そ
れぞれの特徴要素とその特徴要素を注目文脈に含む文書
との関係を示す特徴テーブルが作成される。この特徴テ
ーブルの例を図３に示す。なお、ここでは、文書数が２
つ以上取り出される特徴要素とその特徴要素を含む文書
との関係を示し、特徴テーブル内に示される数値は、そ
の特徴要素が各文書の表題部に幾つ含まれるているかの
数を示している。たとえば、「カセット」という特徴要
素は、文書Ｄ１，Ｄ４，Ｄ７のそれぞれの注目文脈にそ
れぞれ含まれており、文書Ｄ１の注目文脈には３個、文
書Ｄ４の注目文脈には１個、文書Ｄ７の注目文脈には３
個含まれていることを示している。

【００５３】また、「ユニバーサル」という特徴要素
は、文書Ｄ１，Ｄ７のそれぞれの注目文脈にそれぞれ含
まれており、文書Ｄ１，Ｄ７の注目文脈にそれぞれ１個
含まれていることを示している。

【００５４】さらに、「大容量」という特徴要素は、文
書Ｄ１，Ｄ７のそれぞれの注目文脈にそれぞれ含まれて
おり、文書Ｄ１，Ｄ７の注目文脈にそれぞれ１個含ま
れていることを示している。

【００５５】文書分類部６はこのような特徴テーブルを
参照して、それぞれの特徴要素ごとのクラスタ分けを行
う。その結果を図４に示す。なお、このようなクラスタ
に分類する際、共通する特徴要素であるか否かの判断
を、同義語辞書を用い同義語が有るか否かによっても行
い、同義語が存在する場合にはそれを同じ文書クラスタ
とする処理を行う。たとえば、「用紙」と「印刷紙」の
両方が特徴要素として抽出されたとすれば、これらの特
徴要素を注目文脈に含む文書は同じクラスタとするなど
という処理を行う。

【００５６】このような分類結果は分類結果記憶部７に
格納される。図４に示される分類結果において、たとえ
ば、「カセット」で分類されたクラスタ（文書Ｄ１，Ｄ
４，Ｄ７が含まれる）について見れば、図２の文書内容
からもわかるように、文書Ｄ１は用紙カセットについて
の内容であり、文書Ｄ４は用紙の給紙設定についての内
容であり、文書Ｄ７は用紙カセットの増設についての内
容である。

【００５７】このように、これらの文書Ｄ１，Ｄ４，Ｄ
７はどれも用紙に関する内容であり、１つのクラスタに
類されて何等問題のないものとなり、その分類結果は適
切であるといえる。

【００５８】また、「ユニバーサル」で分類されたクラ
スタ（文書Ｄ１，Ｄ７が含まれる）について見れば、図
２の文書内容からもわかるように、文書Ｄ１は用紙カセ
ットについての内容であり、文書Ｄ７は用紙カセットの
増設についての内容であり、共に用紙カセットに関する
内容である。

【００５９】このように、これらの文書Ｄ１，Ｄ７は共
に用紙カセットに関する内容であり、１つのクラスタに
分類されて何等問題のないものとなり、その分類結果は
適切であるといえる。

【００６０】さらに、「大容量」で分類されたクラスタ
（文書Ｄ１，Ｄ７が含まれる）について見れば、図２の
文書内容からもわかるように、文書Ｄ１は用紙カセット
についての内容であり、文書Ｄ７は用紙カセットの増設
に関する内容である。

【００６１】このように、これらの文書Ｄ１，Ｄ７は共
に用紙カセットに関する内容であり、１つのクラスタに
分類されて何等問題のないものとなり、その分類結果は
適切であるといえる。

【００６２】このように、ユーザの入力したキーワード
を含む文脈（注目文脈）を検出し、その注目文脈から特
徴要素を抽出してその特徴要素に基づいた分類を行って
いるので、ユーザの要求する情報に関連する情報に基づ
いた分類が可能となり、分類結果が散漫になることが少
なく、また、ノイズクラスタが生成される率も少なくす
ることができとともに、ユーザ側の視点に立った分類結
果が得られる。

【００６３】そして、このような分類が行われた後、ユ
ーザによって、たとえば、「カセット」についてのクラ
スタの選択指示が出されたとすると、そのクラスタに属
する文書Ｄ１，Ｄ４，Ｄ７が文書記憶部１から読み出さ
れて表示部９に表示される。なお、このときの表示内容
としては、前述したように、文書番号や文書名のみでも
よく、さらには、その文書内容を表示させるようにして
もよい。

【００６４】ところで、以上説明した実施の形態では、
文書Ｄ１，Ｄ２，・・・，Ｄ７は、それぞれが独立した
文書であって、それぞれ独立した文書を分類する場合に
ついて説明したが、ある１つの文書を幾つかのコンテン
ツに分けて、それぞれのコンテンツを分類する場合につ
いても同様に実施できる。

【００６５】なお、コンテンツとは、文書の中の意味的
なまとまりを指しているが、ここでは、処理対象文書の
各表題部ごとに切り分けることで、それぞれのコンテン
ツを得るものとする。

【００６６】たとえば、図２で示した文書Ｄ１，Ｄ２，
・・・，Ｄ７が集まって１つの文書が構成されていると
仮定すれば、文書Ｄ１，Ｄ２，・・・，Ｄ７をそれぞれ
コンテンツとみなすことができる。これを示したものが
図５である。図５において、ある１つの文書Ｄ１１は、
それぞれの表題部Ｔ１，Ｔ２，・・・，Ｔ７ごとに区切
られることで、コンテンツＣ１，Ｃ２，・・・，Ｃ７が
抽出される。なお、各コンテンツＣ１，Ｃ２，・・・、
Ｃ７は、表題部Ｔ１，Ｔ２，・・・，Ｔ７と本文Ａ１，
Ａ２，・・・，Ａ７からなり、各コンテンツＣ１，Ｃ
２，・・・、Ｃ７の内容は、説明を簡単にするために、
図２の文書Ｄ１，Ｄ２，・・・，Ｄ７と同じとする。

【００６７】図６はコンテンツを分類するための文書分
類装置の構成を示すもので、文書Ｄ１１からコンテンツ
を抽出する必要があるため、文解析部３の前段にコンテ
ンツ抽出部１１が設けられる。その他の構成は図５と同
様であるので、図５と同一符号が付されている。ただ
し、図５で示した文書分類部６はコンテンツを分類する
ものとなるが、基本的な動作は同じである。

【００６８】このような構成において、コンテンツ抽出
部１１によって、ある１つの文書Ｄ１１からコンテンツ
Ｃ１，Ｃ２，・・・，Ｃ７が抽出され、これらコンテン
ツＣ１，Ｃ２，・・・，Ｃ７がこの場合の処理対象文書
となる。そして、各コンテンツＣ１，Ｃ２，・・・，Ｃ
７ごとに文解析を行い、ユーザの入力したキーワードに
基づいて各コンテンツＣ１，Ｃ２，・・・，Ｃ７におけ
るそれぞれの注目文脈がそれぞれ検出される。この注目
文脈の検出方法は、前述同様の方法によって検出するも
のとする。

【００６９】たとえば、ユーザが、キーワードとして
「用紙」を入力したとする。これにより、文解析部３で
は、「用紙」を含む文脈（注目文脈）を検出する。この
注目文脈の検出は、前述したように、キーワードである
「用紙」の前および後の少なくとも一方の側に存在する
定められた数の単語あるいは文字の範囲を注目文脈とす
ることによって注目文脈を検出するが、ここでは、説明
を分かり易くするために、キーワードに隣接する前後１
つの単語までの範囲を文脈とするという設定であるとす
る。

【００７０】このような設定に基づいて注目文脈を検出
すると、コンテンツＣ１においては、表題部Ｔ１に「用
紙カセット」という内容があり、この「用紙カセット」
が注目文脈として検出される。また、その本文Ａ１には
「ユニバーサル用紙カセット」という内容が２箇所あ
り、この「ユニバーサル用紙カセット」も注目文脈とし
て検出され、さらに、本文Ａ１には「大容量用紙カセッ
ト」という内容があり、この「大容量用紙カセット」も
注目文脈として検出される。なお、図５において、注目
文脈の部分にはアンダーラインが施されている。

【００７１】また、コンテンツＣ４においては、表題部
Ｔ４に「用紙設定」という内容があり、この「用紙設
定」が注目文脈として検出される。また、その本文Ａ４
には「用紙サイズ」、「用紙カセット」、「用紙ガイド
クリップ」という内容があり、これらも注目文脈として
検出される。

【００７２】コンテンツＣ６においては、その本文Ａ１
に、「Ａ４用紙」、「クリーニング用紙」などという内
容があり、これらも注目文脈として検出される。

【００７３】また、コンテンツＣ７においては、表題部
Ｔ７に「用紙カセット」という内容があり、これも注目
文脈として検出される。また、その本文Ａ１には「ユニ
バーサル用紙カセット」、「大容量用紙カセット」とい
う内容があり、これらも注目文脈として検出される。

【００７４】このようにして、ユーザの入力したキーワ
ードに基づいて、各文書から注目文脈が検出される。そ
して、特徴要素抽出部４により、これらの注目文脈から
特徴要素が抽出される。この場合、特徴要素としては、
「カセット」、「大容量」、「ユニバーサル」、「設
定」、「サイズ」、「ガイドグリップ」、「Ａ４」、
「クリーニング」などが抽出される。

【００７５】そして、特徴テーブル作成部５により、そ
れぞれの特徴要素とその特徴要素を注目文脈に含む文書
との関係を示す特徴テーブルが作成される。この特徴テ
ーブルの例を図７に示す。なお、ここでは、文書数が２
つ以上取り出される特徴要素と、その特徴要素を含む文
書との関係を示し、特徴テーブル内に示される数値は、
その特徴要素が各文書の注目文脈に幾つ含まれるている
かの数を示している。たとえば、「カセット」という特
徴要素は、コンテンツＣ１，Ｃ４，Ｃ７のそれぞれの注
目文脈にそれぞれ含まれており、コンテンツＣ１の注目
文脈には３個、コンテンツＣ４の注目文脈には１個、コ
ンテンツＣ７の注目文脈には３個含まれていることを示
している。

【００７６】また、「ユニバーサル」という特徴要素
は、コンテンツＣ１，Ｃ７のそれぞれの注目文脈にそれ
ぞれ含まれており、コンテンツＣ１，Ｃ７の注目文脈に
それぞれ１個含まれていることを示している。

【００７７】さらに、「大容量」という特徴要素は、コ
ンテンツＣ１，Ｃ７のそれぞれの注目文脈にそれぞれ含
まれており、コンテンツＣ１，Ｃ７の注目文脈にはそれ
ぞれ１個含まれていることを示している。

【００７８】文書分類部６はこのような特徴テーブルを
参照して、それぞれの特徴要素ごとのクラスタ分けを行
う。その結果を図８に示す。なお、このようなクラスタ
に分類する際、前述同様、共通する特徴要素であるか否
かの判断を、同義語辞書を用い同義語が有るか否かによ
っても行い、同義語が存在する場合にはそれを同じクラ
スタとする処理を行う。たとえば、「用紙」と「印刷
紙」の両方が特徴要素として抽出されたとすれば、これ
らの特徴要素を注目文脈に含む文書は同じクラスタとす
るなどという処理を行う。

【００７９】このような分類結果は分類結果記憶部７に
格納される。図８に示される分類結果において、たとえ
ば、「カセット」で分類されたクラスタ（コンテンツＣ
１，Ｃ４，Ｃ７が含まれる）について見れば、図５の文
書内容からもわかるように、コンテンツＣ１は用紙カセ
ットについての内容であり、コンテンツＣ４は用紙の給
紙設定についての内容であり、コンテンツＣ７は用紙カ
セットの増設についての内容である。

【００８０】このように、これらのコンテンツＣ１，Ｃ
４，Ｃ７はどれも用紙に関する内容であり、１つの文書
クラスタに分類されて何等問題のないものとなり、その
分類結果は適切であるといえる。

【００８１】また、「ユニバーサル」で分類されたクラ
スタ（コンテンツＣ１，Ｃ７が含まれる）について見れ
ば、図５の文書内容からもわかるように、コンテンツＣ
１は用紙カセットについての内容であり、コンテンツＣ
７は用紙カセットの増設についての内容であり、共に用
紙カセットに関する内容である。

【００８２】このように、これらのコンテンツＣ１，Ｃ
７は共に用紙カセットに関する内容であり、１つの文書
クラスタに分類されて何等問題のないものとなり、その
分類結果は適切であるといえる。

【００８３】さらに、「大容量」で分類された文書クラ
スタ（コンテンツＣ１，Ｃ７が含まれる）について見れ
ば、図５の文書内容からもわかるように、コンテンツＣ
１は用紙カセットについての内容であり、コンテンツＣ
７は用紙カセットの増設に関する内容である。

【００８４】このように、これらのコンテンツＣ１，Ｃ
７は共に用紙カセットに関する内容であり、１つの文書
クラスタに分類されて何等問題のないものとなり、その
分類結果は適切であるといえる。

【００８５】このように、ユーザの入力したキーワード
を含む文脈（注目文脈）を検出し、その注目文脈から特
徴要素を抽出してその特徴要素に基づいた分類を行って
いるので、ユーザの要求する情報に関連する情報に基づ
いた分類が可能となり、分類結果が散漫になることが少
なく、また、ノイズクラスタが生成される率も少なくす
ることができとともに、ユーザ側の視点に立った分類結
果が得られる。

【００８６】そして、このような分類が行われた後、ユ
ーザによって、たとえば、「カセット」についてのクラ
スタの選択指示が出されたとすると、そのクラスタに属
するコンテンツＣ１，Ｃ４，Ｃ７が文書記憶部１から読
み出されて表示部９に表示される。なお、このときの表
示内容としては、たとえば、コンテンツの表題部分のみ
でもよく、さらには、そのコンテンツ内容を表示させる
ようにしてもよい。

【００８７】なお、本発明は以上説明した実施の形態に
限定されるものではなく、本発明の要旨を逸脱しない範
囲で種々変形実施可能となるものである。たとえば、注
目文脈を検出する際、前述の実施の形態では、キーワー
ドの前後に隣接する１つの単語までを注目文脈とした
が、これに限られるものではなく、もう少し長い文脈を
注目文脈とするようにしてもよいことは勿論である。

【００８８】また、処理対象となる文書は文書記憶部に
登録されている文書だけでなく、ネットワークを介して
送られてくるようなフローデータを一旦、文書記憶部に
格納したのち、前述の実施の形態で説明したような処理
を行うこともできる。また、フローデータを文書記憶部
に格納しないでそのまま文解析（コンテンツを抽出する
場合はコンテンツ抽出処理を行ったのち文解析）するこ
とも可能である。

【００８９】また、以上説明した本発明の文書分類処理
を行う処理プログラムは、フロッピィディスク、光ディ
スク、ハードディスクなどの記録媒体に記録させておく
ことができ、本発明はその記録媒体をも含むものであ
る。また、ネットワークから処理プログラムを得るよう
にしてもよい。

【００９０】

【発明の効果】以上説明したように本発明によれば、ユ
ーザが入力した注目語を検出し、その注目語を含む文脈
から特徴要素を抽出し、抽出された特徴要素を基に処理
対象文書を分類しているので、分類結果が散漫になるこ
とが少なく、また、ノイズクラスタが生成される率も少
なくすることができる。また、ユーザ自身が注目語を与
えることから、ユーザ側の視点による分類が得られると
いう効果もある。

【００９１】また、処理対象文書としては独立した文書
であってもよく、また、１つの文書から抽出されたコン
テンツであってもよい。独立した文書の場合は、それぞ
れの文書についての分類が行え、コンテンツの場合は、
１つの文書内の各コンテンツについての分類が行える。

【図面の簡単な説明】

【図１】本発明の文書分類装置の実施の形態を説明する
ブロック図であり、処理対象文書がそれぞれ独立した文
書である場合のブロック図。

【図２】本発明の実施の形態を説明するための文書例で
あり、それぞれ独立した文書例を示す図。

【図３】処理対象文書がそれぞれ独立した文書である場
合の特徴テーブルの内容の示す図。

【図４】処理対象文書がそれぞれ独立した文書である場
合の分類結果を示す図。

【図５】処理対象文書がコンテンツである場合のある１
つの文書例を示す図。

【図６】処理対象文書がコンテンツである場合の文書分
類装置の構成を説明するブロック図。

【図７】処理対象文書がコンテンツである場合の特徴テ
ーブルの内容の示す図。

【図８】処理対象文書がコンテンツである場合の分類結
果を示す図。

【図９】従来技術を用いてある特徴要素に基づいて分類
した結果を示す図。

【符号の説明】

１文書記憶部２注目語受け付け部３文解析部４特徴要素抽出部５特徴テーブル作成部６文書分類部７分類結果記憶部８出力制御部９表示部１１コンテンツ抽出部Ａ１，Ａ２，・・・，Ａ７本文Ｃ１，Ｃ２，・・・，Ｃ７コンテンツＤ１，Ｄ２，・・・，Ｄ７文書Ｔ１，Ｔ２，・・・，Ｔ７表題部

Claims

【特許請求の範囲】

【請求項１】注目語が入力されると、複数の処理対象
文書からその注目語を含む文脈を検出し、検出されたそ
れぞれの文脈から特徴要素を抽出し、その特徴要素とそ
の特徴要素を含む処理対象文書との関係を示す特徴テー
ブルを作成して、その特徴テーブルに基づいて前記処理
対象文書を意味的に共通性のあるクラスタに分類するこ
とを特徴とする文書分類方法。
【請求項２】前記特徴テーブルに基づいて前記処理対
象文書を意味的に共通性のあるクラスタに分類する処理
は、各処理対象文書の前記注目語を含む文脈に存在する
特徴要素に基づいて、共通する特徴要素を持つ処理対象
文書を１つのまとまりとし、そのまとまりをクラスタと
することを特徴とする請求項１に記載の文書分類方法。
【請求項３】前記共通する特徴要素を持つ処理対象文
書を１つのまとまりとする処理において、共通する特徴
要素であるか否かの判断は、同義語辞書を用い同義語が
有るか否かにより判断することを特徴とする請求項２記
載の文書分類方法。
【請求項４】前記処理対象文書が意味的に共通性のあ
るクラスタに分類されたあと、ユーザからのクラスタ選
択指示を受けたときは、その選択されたクラスタに属す
る処理対象文書を出力することをを特徴とする請求項１
から３のいずれかに記載の文書分類方法。
【請求項５】前記処理対象文書から注目語を含む文脈
を検出する処理は、前記注目語の前および後の少なくと
も一方の側に存在する定められた数の単語の範囲を注目
語を含む文脈とすることを特徴とする請求項１から４の
いずれかに記載の文書分類方法。
【請求項６】前記処理対象文書から注目語を含む文脈
を検出する処理は、前記注目語の前および後の少なくと
も一方の側に存在する定められた数の文字の範囲を注目
語を含む文脈とすることを特徴とする請求項１から４の
いずれかに記載の文書分類方法。
【請求項７】前記処理対象文書から注目語を含む文脈
を検出する処理は、前記注目語の前および後の少なくと
も一方の側に存在する、定められた文字が現われるまで
の範囲を注目語を含む文脈とすることを特徴とする請求
項１から４のいずれかに記載の文書分類方法。
【請求項８】前記複数の処理対象文書は、それぞれが
独立した文書であることを特徴とする請求項１から７の
いずれかに記載の文書分類方法。
【請求項９】前記複数の処理対象文書は、ある１つの
文書から意味的なまとまりとして抽出された複数のコン
テンツであることを特徴とする請求項１から７のいずれ
かに記載の文書分類方法。
【請求項１０】注目語の入力を受け付ける注目語受け
付け部と、複数の処理対象文書を解析し、前記注目語受け付け部に
入力された注目語に基づいて注目語を含む文脈を検出す
る文解析部と、この文解析部で検出されたそれぞれの処理対象文書内に
おける注目語を含む文脈から特徴要素を抽出する特徴要
素抽出部と、前記注目語を含む文脈から抽出された特徴要素とその特
徴要素を含む処理対象文書との関係を示す特徴テーブル
を作成する特徴テーブル作成手段と、この特徴テーブルの内容を参照して前記処理対象文書を
意味的に共通性のあるクラスタに分類する文書分類部
と、この文書分類部により分類された内容を記憶する分類結
果記憶部と、この分類結果記憶部の内容を読み出して出力する出力制
御部と、を有することを特徴とする文書分類装置。
【請求項１１】前記文書分類部は、特徴テーブルを参
照して前記処理対象文書を意味的に共通性のあるクラス
タに分類する際、各処理対象文書の前記注目語を含む文
脈に存在する特徴要素に基づいて、共通する特徴要素を
持つ処理対象文書を１つのまとまりとし、そのまとまり
をクラスタとすることを特徴とする請求項９に記載の文
書分類装置。
【請求項１２】前記文書分類部は、共通する特徴要素
を持つ処理対象文書を１つのまとまりとする処理を行う
際、共通する特徴要素であるか否かの判断を、同義語辞
書を用い同義語が有るか否かにより判断することを特徴
とする請求項１０記載の文書分類装置。
【請求項１３】前記出力制御部は、前記分類結果記憶
部の内容を表示する制御を行うとともに、ユーザからの
クラスタ選択指示を受けたときは、その選択されたクラ
スタに属する処理対象文書を出力することを特徴とする
請求項９から１１のいずれかに記載の文書分類装置。
【請求項１４】前記文解析部が行う処理対象文書から
前記注目語を含む文脈を検出する処理は、前記注目語の
前および後の少なくとも一方の側に存在する定められた
数の単語の範囲を注目語を含む文脈とすることを特徴と
する請求項９から１２のいずれかに記載の文書分類装
置。
【請求項１５】前記文解析部が行う処理対象文書から
前記注目語を含む文書を検出する処理は、前記注目語の
前および後の少なくとも一方の側に存在する定められた
数の文字の範囲を注目語を含む文脈とすることを特徴と
する請求項９から１２のいずれかに記載の文書分類装
置。
【請求項１６】前記文解析部が行う処理対象文書から
前記注目語を含む文書を検出する処理は、前記注目語の
前および後の少なくとも一方の側に存在する、定められ
た文字が現われるまでの範囲を注目語を含む文脈とする
ことを特徴とする請求項９から１２のいずれかに記載の
文書分類装置。
【請求項１７】前記複数の処理対象文書は、それぞれ
が独立した文書であることを特徴とする請求項１０から
１６のいずれかに記載の文書分類装置。
【請求項１８】前記複数の処理対象文書は、ある１つ
の文書から意味的なまとまりとして抽出された複数のコ
ンテンツであって、ある１つの文書からコンテンツを抽
出するためのコンテンツ抽出部を前記文解析部の前段に
設けることを特徴とする請求項１０から１６のいずれか
に記載の文書分類装置。
【請求項１９】文書分類処理プログラムを記録した記
録媒体であって、その処理プログラムは、注目語を受け付けると、複数の処理対象文書からその注
目語を含む文脈を検出する手順と、これにより検出されたそれぞれの文脈から特徴要素を抽
出する手順と、これにより抽出された特徴要素とその特徴要素を含む処
理対象文書との関係を示す特徴テーブルを作成する手順
と、これにより作成された特徴テーブルに基づいて前記処理
対象文書を意味的に共通性のあるクラスタに分類する手
順と、を含むことを特徴とする文書分類処理プログラムを記録
した記録媒体。