JPS6033665A

JPS6033665A - キ−ワ−ド自動抽出方式

Info

Publication number: JPS6033665A
Application number: JP58141038A
Authority: JP
Inventors: Kazuaki Tanaka; 和明田中
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1983-08-03
Filing date: 1983-08-03
Publication date: 1985-02-21
Anticipated expiration: 2009-01-26
Also published as: JPH067385B2

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】〔発明の利用分野〕本発明は、漢字仮名混９文日本文字英文字混ｐ文等の複
数種の文字からなる文章から、検索において利用される
キーワードを自動抽出する方式に関するものである。

〔発明の背景〕

従来のキーワード自動抽出方式には、キーワードとなる
言葉があらかじめキーワード辞書としてコンピュータに
登録されていることを前提とする方式と、キーワード辞
書を用いない方式とがある。

以下複数種文字の例として漢字仮名混シ文の場合を中心
に説明する。

本発明は、前者に属する従来抽出処理は、先ず日本語文
中から、付属語、接続詞、接辞などを削除し、残った文
字列を自、立語として認定することが一般に行われてい
る。次に、自立語の先頭から、キーワード辞書登録語と
の比較を行い、一致すれば、自立語から、その文字列を
切りはなしてキーワードとする。切９けなされた残シの
文字列についても、先頭から、キーワード辞１゛登録語
との比較を行う。一致しない場合には、−字ずつずらし
て、比較処理を繰返し、自立語中のキルソードを見つけ
ている。このような従来方式では、前方部分からキーワ
ードを見つけていくため、自立語の後部にキーワードと
すべき重要な飴がある場合、その一部が、前方部分の文
字列と組ミ台わされてキーワードとなると、よシ重要な
キーワードが抽出できないことがあった。例えば、「中
央制御装置」、「端末制御装置」、１屯上制御装置」に
おいて、「中央制御」、「端末制御」、１車上制御」が
キーワードとなると、「制御装置」が・）′−ワードと
ならなかった。又、この例で、「中央制御」がキーワー
ドとして登録されていないと、この場合だけ、「制御装
置」がキーワードとなるといった、一貫性に欠けたキー
ワード自動抽出であった。

〔発明の目的〕

本発明の目的は、漢字仮名混り文複数国文字混り文等か
らのキーワード自動抽出方式として、文中の熟語の後方
部分に存在するキーワード文字列を、キーソード辞書を
参照して、抽出するキーワード自動抽出装置を提供する
ことにある。

〔発明の概要〕

本文では複数種文字混シ文として漢字仮名混シ文の実施
例を中心に説明しているので以下漢字仮名混シ文で代表
して説明する。

日本語熟語の語構成は、その後方部分に、キーワードと
なるような重要な言葉がちシ、その前方部分に、キーワ
ードを修飾するような言葉があることが多い。

本発明は、漢字仮名混シ文中の熟語の後方部分に存在す
るキーワード文字列を抽出するため、熟語の後方部分か
ら、前方方向に、キーソード辞書に登録されているキー
ワードとの比較を行い、一致すれば、キーワードとして
抽出する方式である。

キーソード辞書として、キーワードと、その文字列の先
頭から、最初に字種（漢字、ハ仮名、平板名、数字、英
字、特殊文字など）の変化点までの文字列の文字の並び
順を逆転させた文字列を見出し語とする辞書を用いてい
る。

以下に処理概要を示す。

（１）キーワード抽出の対象となる漢字仮名混シ文の先
頭から、字種の変化点を調べる。

（２）字種の変化点より前方の文字列の文字の並びを逆
順にして、キーワード候補とする。

（３）　キーワード辞書の見出し語のうち、キーワード
候補の先頭からの文字列と一致しているもののキーワー
ド文字列を取シ出す。

ここで、見出し語とキーワード候補との文字列比較は、
見出し語の文字数分行う。

（４）取シ出されたキーワード文字列の中で、その全文
字列が、漢字仮名混り文中に含まれておシ、かつ、文字
数が最も多いものをキーワードとする。

（５）上記（３）で、キーワード候補と一致するキーワ
ード辞書の見出し語がない場合、キーワード候補の先頭
が接辞であれば、それを削除して、再度、上記（３）　
、　（４）を行う。

（６）抽出対象の漢字仮名混シデータ中の字種の変化点
について、７ヒ躬（１）〜（５）を実行する。

上記処理において、キーワード文字列の抽出方法として
、次の２つのいずれかを、パラメータで指定できる。

（ａ）　上記（４）で選ばれたキーワード文字列を、そ
のままキーワードとする。

（ｂ）　抽出対象の路へ字仮名混シ文中で、上記（４）
で選ばれたキーワード文字列の先頭文字と同じ字種のそ
れ以前の文字列を合わせて、キーワードとする。たとえ
ば、「今日の日本語情報処理を解説する。」において、
キーワード辞書に、「情報処理」という文字列が登録さ
れていると、「情」と同じ字１１１の「日本語」を合わ
せ「日本語情報処理」をキーワードとする。

〔発明の実施例〕

以下、本発明を実施例を参照して詳細に説明する。本発
明の一実施例のノ・−ドウエア構成を第１図に示す。第
１図における１はプロセッサ、２は磁気テープや磁気デ
ィスク等のキーワード自動抽出の対象となる漢字仮名混
シ文の格納メモリ、３は自動抽出されたキーワードの格
納メモリ、４はプログラムの格納メモリ、５はワークエ
リア、６はキーワード辞書メモリ、７は接辞テーブル格
納メモリ、８はパラメータ格納メモリを表わす。

キーワード辞書メモリ６には、第２図に示す様な形式の
辞書が格納されている。つまり、各キーワードについて
、キーワード文字列が、１種類の字種の場合には、全文
字を逆順に並べた文字列、２種類以上の字種で構成され
ている場合には、キーワード文字列先頭から最初の字種
の変化点よシ前方部分のみを逆順に並べた文字列の見出
し語ＫＡと、キーワード文字列ＫＢとが格納されている
。

接辞テーブル格納メモリ７には、第３図に示す様な形式
の辞書が格納されている。つｔ多、各接辞について、接
辞の文字数ＳＡと接辞文字ＳＢとが格納されている。

パラメータ格納メモリ８には、第４図に示す様な形式の
パラメータが格納されている。キルワードとして、キー
ワード辞書に登録されているキーワード文字列と同じ文
字列を抽出する場合には、パラメータとして、１を格納
する。キーワードとして、キーワード辞書に登録されて
いるキーワード文字列を、後方の一部分とする文字列を
抽出する場合には、パラメータとして、２を格納する。

プログラムは、第５図のようなモジュール構成をとる。

後方一致キーワード抽出メイン・モジュール１００では
、接辞デープルを、接辞テーブル格納メモリ７から、プ
ロセッサの主記憶装置の記憶領域５ＥＴＳＵＪＩヘロー
ドする処理、キーワードの抽出方法を指定するパラメー
タを、パラメータ格納メモリ８から読込み、バッファＴ
ＹＰＥへ格納する処理、キーワード抽出の対象となるデ
ータを漢字仮名混シデータ格納メモリ２から取出し、バ
ッファＡに格納する処理、抽出処理モジュールを参照し
、ｌキーワードを抽出する処理、抽出されたキーワード
を、抽出キーワード格納メモリ３へ出力する処理、およ
び上記抽出処理の繰返しの制御を行う。

抽出処理モジュール２００では、漢字仮名混シデータか
ら、キーワード候補を切出す処理、接辞処理モジュール
を参照して、接辞を除く処理、キーワード比較処理モジ
ュールを参照して、キーワードを取出す処理を行う。

キーワード比較処理モジュール３００では、キーワード
辞書を参照し、キーワード候補の先頭からの文字列の一
部を見出し語とするキーワ・−ド文字列を取出す処理と
、キーワード文字列の全ての文字が漢字仮名混９文中に
あるもののうら、文字数が最も多いキーワード文字列を
選ぶ処理と、キーワード抽出方法を指定するパラメータ
に基づきキーワードとなる文字列をキーワードして抽出
する処理を行う。

接辞処理モジュール４００は、接辞テーブルを参照し、
キーワード候補中の接辞を取シ除く処理を行う。

次に１後方一致キーワード抽出処理について、「技術資
料情報検索等システムの建設」という漢字仮名混シデー
タから、「情報検索システム」というキーワードを抽出
する場合を例にとって説明する。

初めに、後方一致キーワード抽出メイン・モジュール１
００の処理内容について、第６図のフローチャートに基
づき説明する。

後方一致キーワ〜ド抽出メイン・モジュールは、起動さ
れると、接辞テーブル（第３図）を接辞テーブル格納メ
モリ７から、プロセッサ１上にローディングし、バッフ
ァ５ＥＴＳｔＪＪＩに格納する（１０１）。

パラメータ（第４図）をパラメータ格納メモリ８から読
込み、バッファＴＹＰＥに格納する（１０２）。

次に、漢字仮名混９データ格納メモリ２から、キーワー
ド抽出の対象となるデータ「技術資料情報検索等システ
ムの建設」を読込み、バッファＡに格納する（　１−０
３　）。もし対象となるデータが漢字仮名混シデータ格
納メモリ２にないと、後方一致キーワード抽出処理メイ
ンモジュールのＭＷを終了する。読込まれたデータの文
字数をカウントシ、バッファＬＡに格納する（１０４）
。例では、１６を格納される。バッファＫＥＹＷＫＯｅ
格納する（１０５）。抽出処理モジュールを参照してキ
ーワードの抽出を行う（１０６）。キーワードがあれば
バッファＢにキーワードが格納され、バッファＫＥＹＷ
にＯが格納される。キーワードがなければバッファＫＥ
ＹＷに１が格納される。

例では、バッファＢに「情報検索システム」が格納され
、バッファＫＥＹＷに０が格納される。バッファＫＥＹ
Ｗが１ならば（１０７）、１０２以降の処理を繰返し、
■でなければ、バッファＢ内のキーワードを、抽出キー
ワード格納メモリに書込む（ｉｏｓ）。バッファＡに、
キーワード抽出の対象となる文字列が残っていれば、１
０４以降の処理を繰返し、残っていなければ、１０３以
降の処理を繰返す（１０９）。

例では、「の建設」という文字列について、１０４以降
の処理が行われる。

次に、抽出処理モジュール２００の処理内容について、
第７図のフローチャートを使用して説明する。

抽出処理モジュールは、起動されると、バッファＬに１
を格納する（２０１）。バッファＬの値と、抽出対象文
字列の文字数を示すバッファＬＡの値を比較しく２０２
）、Ｌが小さければ、２０３以降の処理を行い、等しい
か太きければ、バッファＫＥＹＷに１を格納しく２１６
）、抽出処理モジュールの処理を終了する。

２０３では、バッファ人中の漢字仮名混シデータの先頭
からＬ文字目以降の文字列について、漢字１片仮名、平
板名、数字、英字１句読点などの字種の変化点をめ、バ
ッファＡの先頭から変化点までの文字数をバッファＭに
格納する。変化点がなければ、バッファ人中の全文字数
をＭに格納する。バッファ人中の変化点よシ前方部分の
文字列をバッファＣに格納する。例では、漢字から片仮
名への変化点を認定し、バッファＭに９が格納されると
共に、バッファＣに「技術資料情報検索等」が格納され
る。

次に、バッファＣの文字列を逆順に並べ換えてバッファ
Ｄに格納する（２０４）。例では、バッファＤに「等索
検報情料資術技」が格納される。

次に、バッファＦ１に、０を格納する（２０５）。

キーワード比較処理モジュールを参照しで、バッファＤ
の文字列をキーとし、キーワード辞書を調べ、キーワー
ドがあれば、キーワード文字列をバッファＢに格納する
とともに、バッファＦ１に１を格納し、キーワードがな
ければ、バッファＦ１に０を格納する（２０６）。例で
は、バッファＦ１にＯが格納される。

バッファＦ１が１ならば、２１５以降の処理を行い、１
でなければ、２０８以降の処理を行う（２０７）。２０
８では、バッファＦ２に０を格納する。次に、接辞処理
モジュールを参照して、バッファＤの先頭が接辞ならば
、バッファＡおよびＤ中の接辞を削除するとともに、バ
ッファＦ２に１を格納し、接辞でなければ、バッファＦ
２に０を格納する（２０９）。例では、「等」が接辞と
認定され、バッファＡに、「技術資料情報検索システム
の建設」が格納され、バッファＤに、「索検報情料資術
技」が格納され、バッファＦ２に１が格納される。

バッファＦ２が０かを判定しく２１０）、０ならば、２
１４以降の処理を行い、０でなければ２１１以降の処理
を行う。２１１では、バッファＦ１にＯを格納する。次
に、キーワード比較処理モジュールを参照する（２１２
）。例では、バッファＢに「情報検索システム」が格納
されるとともに、バッファＦ１に１が格納される。

バッファＦ１が１かを判定しく２１３）、”ならば、バ
ッファＡの（Ｍ＋１　＋ＬＤ−ＬＢ　）文字目以降の文
字列をバッファＡの先頭から格納（２１５）後、抽出処
理モジュールの処理を終了する。バッファＦｌが１でな
ければ、バッファＬに、Ｍ＋１を格納しく２１４）、２
０２以降の処理を繰返す。

例ヤは、バッファＡに１の建設」が格納されて当処理モ
ジュールの処理を終了する。

次に、キーワード比較処理モジュール３００の処理内容
について、第８図のノロ−チャートに基づき説明する。

例として、バッファＤには「索検報情料資術技」が格納
されておシ、キーワード辞書には、キーワードとして「
日本語情報検索」。

「情報検索システム」が登録されているものとする。

キーワード比較処理モジュールは、起動されると、バッ
ファＮＵＭＫＯを格納する（　３０１　）ｔ。

キーワード辞書の見出し語の中で、バッファＤの先頭か
らの文字列と一致するものの見出し語をバッファＭＤに
、キーワード文字列をバッファＫＷに、キーワードの個
数をバッフ７ＮＵＭＫ格納する（３０２）。例では、バ
ッファＭＤには、「索検報情語本日」と「索検報情」と
が格納され、バッファＫＷには、「日本語情報検索」と
「情報検索システム」とが格納され、バッファＮＵＭに
は、２が格納される。

次に、キーワード数ＮＵＭがＯかを判定し１．０ならば
キーワード比較処理モジュールの処理を終了し、０でな
ければ、３ｏ４以降の処理を行う（３０４）。

３０４では、バッファＫＷ中のキーワード文字列のうち
、文字数の最も多いものをバッファＢに格納する。同文
字数のキーワードが２個以上ある場合、最初にあったも
のを選ぶ。例では、バッファＢに「情報検索システム」
が格納される。

次に、バッファＢのキーワードの見出し語の文字数ヲバ
ッファＬＤに、キーワードの文字数をＬＢＫ格納する（
３０５）。例では、バッファＬＤＫ４が、バッファＬＢ
に８が格納される。

次に１バツフアＢの文字列が、バッファＡの（Ｍ＋１−
ＬＤ）文字目以降、ＬＢ大文字文字列と一致するかを調
べる（３０６）。一致すれば、３１０以降の処理を行い
、一致しなければ、３０８以降の処理を行う（３０７）
。

３０８では、バッファＫＷから、バッファＢの文字列を
削除する。バッファＮＵＭの値を１減らした（３０９）
後、３０３以降の処理を繰返す。

３１０では、バッファＴＹＰＥの値が１かを判定し、一
致すれば、３１２以降の処理ない、一致しなければ、バ
ッファＡの（Ｍ＋１−ＬＤ　）文字目よシも先頭に近い
所で、（Ｍ＋　１−１．Ｉ）　）文字目の字種と変化し
ていれば変化点以降、（Ｍ−ＬＤ十ＬＢ　）文字目まで
の文字列１字種が変化していなければ、バッファＡの先
頭から、（Ｍ、　−ｉ、　Ｉ）　＋ＬＢ）文字目までの
文字列をバッファＢに格納する（３１１）。例では、Ｔ
　Ｙ　Ｐ　Ｅ　＝　１ならば、バッファＢに、「情報検
索システム」が格納され、ＴＹＰＥ４１ならば、バッフ
ァＢに、１−技術資料情報検索システム」が格納さｉす
る。

次に、バッファＦ１に、１を格納しく３１２）、キーワ
ード比較処理モジュールの処理を終了する。

次に、接辞処理モジュール４００の処理内容について、
第９図のフローチャートに基づき説明する。例として、
バッファＡには、「技術資料情報検索等システムの建設
」、バッファＤには「等索検報情料資術技」が格納され
ており、接辞テーブルには、接辞として１等」が登録込
れているものとする。

接辞処理モジュールは、起動されると、バッファＤの先
頭からの文字列が、接辞テーブルに登録されているかを
調べる（４０１）。登録されているかを判定し、登録さ
れていなければ、接辞処理モジュールの処理を終了し、
登録されていれば、４０３以降の処理を行う（４０２）
。４０３では、バッファＤから、接辞文字列を削除する
とともに、バッファＤ中の文字列の文字数が格納されて
いるバッファＬＤから、接辞文字列の文字数を引き算す
る（４０３）。例では、接辞「等」が、接辞テーブルに
登録されていることから、バッファＤ中の「等」が削除
され、「索検報情料資術技」が格納されるとともに、Ｌ
Ｄは、ｌ引かれて、８が格納される。

次に、バッファ八から、接辞文字列を削除するとともに
、バツンアＡ甲の文字列の文字数が格納され−Ｃいるバ
ッファＬＡｉ＞ら、接辞文字列の文字数を引き昇する（
４０４）。例では、バッファＡ中の「等」が削除され、
［技術資料゛１１り報俣索システムの建設」が格納され
るとともに、バッファＬＡに１５が格納される。

仄に、バッファＦ２に、１を格納しく４０５）、接辞処
理モジュールの処理を終了する。

〔発明の効果〕

複数イ重字椋混シ文特に漢字匝名混シ又中の熟語の語構
成は、その後部に基本的な概念を・示す画集があり、前
部にそれを修飾する１葉があることが多い。

本発明によれば、演字仮名混ｐ文？ｉ／Ｊ・らのキーワ
ード自動抽出方式とし−ｃ１文中の熟ｔｔｎの語部にあ
るキーシード辞書に登録さＪｌ−でいる言葉を抽出する
ことができるので、熟語中の基本的な概念を示す用語の
抽出の際の高効率化の効果がある。

【図面の簡単な説明】

第１図は、本発明の一実施例のハードウェア構成図、第
２図は、本発明キーワード辞書のキーワード毎の論理的
構成図、第３図は、本発明接辞テーブルの接辞毎の論、
埋的構成図、第４図は、本発明パラメータの論理的構成
図、第５図は、本発明実施例のソフトウェア・モ゛ジュ
ール構成を例示するブロック図、第６図は、本発明後方
一致ギーワード抽出メイン・モジュールの処理手順を示
すフロー図、第７図は、本発明抽出処理モジュールの処
理手順を示すフロー図、第８図は、本発明キーワード比
較処理モジ−！−ルの処理手順を示すフロー図、第９図
は、接辞処理モジュールの処理手順を示すフロー図、第
１０図は、本発明のバッファＡ−Ｎの構成を例示した説
明図、第１１図囚は、本発明バッファＳＥ’［’、５Ｕ
ＪＩの構成を例示した説明図、第１１図（ロ）は、本発
明バッファ゛Ｆ　ｙ　１）　ｚの構成を例示した説明図
である。１・・・プロセッサ、２・・・へ牢仮名混りｆ−夕格納
メモリ、３・・・抽出キーワード格納メモリ、４・・・
プログラム格納メモリ、５・・・バッファメモリ、６・
・・キーワード辞書メモリ、７・・・接辞テーブルメモ
リ、第１図第２図 γ　３　凹　冗　４　図第　５　図コθ〃ＹＪ　６　図循　７　図 ′ｆＪ’３　図 ′第　ｑ　図

Claims

【特許請求の範囲】１、複数種の文字混ｐ文から、キーワードを自動抽出す
る方式において、キーワードとなる１葉を登録したキーソード辞書を格納
するメモリ領域を有し、上記複数種文字混ｐ文の字種の変化点よシ前方部分が、
キーワード辞書の見出し藺と一致しているとき、キーワ
ード候補として取出す段階と、キーワード辞書に、キーワード候補に続く特定の文字列
が指定されている場合には、上記複数種文字混り文を調
べ、該当すれば、キーワードとして取出し、該当しなけ
れば、キーワードとせず、特定の文字列が指定されてい
ない場合には、キーワード候補をキーワードとする段階
とを有することを特徴とするキーワード自動抽出方式。２、特許請求の範囲第１項において、キーソード辞書と
して、キーワード文字列が、１種類の字種の場合には、全文字
を逆順に並べた文字列を有し、２種類以上の字種で構成
されている場合には、キーワード文字列先頭から、最初
の字種の変化点よシ前方部分のみを逆順に並べた文字列
を見出し語として有することを特徴とするキーワード自
動抽出方式。