JP2005141296A - 文書検索装置、文書検索方法、および文書検索プログラム - Google Patents

Abstract

【課題】文書中での位置を指定して所望の文字列を検索する場合に、当該位置および文字列を検索者が容易な操作で、正確かつ網羅的に指定できるようにすること。
【解決手段】検索対象文書群をあらかじめ解析して、そこに出現する表内の属性名リストおよび値リストを作成しておく。このとき抽出した属性名を、意味的に同一あるいは類似するもの同士のグループ（より具体的にはその表記が同一あるいは類似するもの同士のグループ）に分類しておく。そして検索者からの指示に従い、検索対象文書群内の表に出現するすべての属性名を、上記グループごとに一覧表示する。また、ある値が指定された場合に、当該値が出現する属性を一覧表示する（値からの属性名の逆引き）。属性名や値などに微妙な表記ゆれのある表が大量にあっても、当該ゆれに起因する検索もれを回避して、正確な検索を実行することが可能である。
【選択図】 図８

Description

この発明は、指定された位置に指定された文字列を含む電子文書を検索する文書検索装置、文書検索方法、および文書検索プログラムに関する。

従来の文書検索技術では、通常、検索条件として文書中の文字列を指定することはできても、当該文字列の文書中での位置を指定することはできなかった。したがって、たとえばスプレッドシートのような表構造を有する文書の場合、指定された文字列を属性（列項目）Ｘの値として含む文書も、属性（列項目）Ｙの値として含む文書も、同じように検索されてしまっていた。

そこで、検索条件として任意の文字列とともに、その出現位置を指定できるようにすることが考えられる。これにより、たとえば指定された属性に指定された文字列を含む文書のみを検索することができる。

しかしながら上記のようにする場合は、検索者が所望の属性を正確に指定する必要がある。検索対象となる文書が大量にある場合、この指定は必ずしも容易ではない。たとえば顧客名簿Ａ、Ｂ、・・・、Ｎがあり、この中から徳島市在住の顧客を含む文書を検索しようとした場合、顧客の住所を意味する情報が文書Ａでは属性「住所」に、文書Ｂでは属性「現住所」に、・・・、文書Ｎでは属性「住所／所在地」にそれぞれ格納されていたとすると、検索者は文字列「徳島市」が出現すべき属性として、「住所」「現住所」・・・「住所／所在地」のすべてを指定しなければならない。

このように従来技術では、意味的には同一の情報でも表ごとに異なる属性名のもとに格納されている場合があるため、検索対象となるすべての文書中で、所望の文字列がどんな名称の属性中に出現するかを正確に把握した上でないと、漏れのない検索ができない。そしてこの属性のピックアップは、現状ではもっぱら検索者の経験や手作業によっているという問題点があった。

この発明は、上述した従来技術による問題点を解消するため、表構造を有する検索対象文書中に出現する複数の属性のうち、指定された値を含むものを当該値から逆引きすることが可能な文書検索装置、文書検索方法、および文書検索プログラムを提供することを目的とする。

上述した課題を解決し、目的を達成するため、請求項１の発明にかかる文書検索装置は、指定された位置に指定された文字列を含む電子文書を検索する文書検索装置において、前記電子文書に含まれる表内の各属性の名称を抽出する属性名抽出手段と、前記属性名抽出手段により名称を抽出された各属性の値を抽出する値抽出手段と、前記値抽出手段により抽出された値のうち少なくとも一つを選択する値選択手段と、前記属性名抽出手段により名称を抽出された属性のうち、前記値選択手段により選択された値が抽出された属性の名称を表示する属性名表示手段と、を備えることを特徴とする。

この請求項１の発明によれば、検索対象文書群に出現する、ある値を含む属性の名称を一覧表示させることができる。

また、請求項２の発明にかかる文書検索装置は、請求項１に記載の発明において、前記属性名表示手段が前記属性の名称を意味的に同一または類似するもの同士のグループごとに表示することを特徴とする。

この請求項２の発明によれば、検索対象文書群に出現する、ある値を含む属性の名称をグループごとに一覧表示させることができる。

また、請求項３の発明にかかる文書検索方法は、指定された位置に指定された文字列を含む電子文書を検索する文書検索方法において、前記電子文書に含まれる表内の各属性の名称を抽出する属性名抽出工程と、前記属性名抽出工程で名称を抽出された各属性の値を抽出する値抽出工程と、前記値抽出工程で抽出された値のうち少なくとも一つを選択する値選択工程と、前記属性名抽出工程で名称を抽出された属性のうち、前記値選択工程で選択された値が抽出された属性の名称を表示する属性名表示工程と、を含むことを特徴とする。

この請求項３の発明によれば、検索対象文書群に出現する、ある値を含む属性の名称を一覧表示させることができる。

また、請求項４の発明にかかる文書検索方法は、請求項３に記載の発明において、前記属性名表示工程では前記属性の名称を意味的に同一または類似するもの同士のグループごとに表示することを特徴とする。

この請求項４の発明によれば、検索対象文書群に出現する、ある値を含む属性の名称をグループごとに一覧表示させることができる。

また、請求項５の発明にかかる文書検索プログラムによれば、請求項３または請求項４に記載された方法をコンピュータに実行させることができる。

本発明にかかる文書検索装置、文書検索方法、および文書検索プログラムによれば、文書中での位置を指定して文字列を検索することが可能な文書検索装置、文書検索方法、および文書検索プログラムにおいて、上記位置および文字列を検索者が容易な操作で、正確かつ網羅的に指定することができるという効果を奏する。

以下に添付図面を参照して、この発明にかかる文書検索装置、文書検索方法、および文書検索プログラムの好適な実施の形態を詳細に説明する。

図１は、この発明の実施の形態にかかる文書検索装置のハードウエア構成の一例を示す説明図である。図中、１０１は装置全体を制御するＣＰＵを、１０２は基本入出力プログラムなどを記憶したＲＯＭを、１０３はＣＰＵ１０１のワークエリアとして使用されるＲＡＭを、それぞれ示している。

また、１０４はＣＰＵ１０１の制御にしたがってＨＤ（ハードディスク）１０５に対するデータのリード／ライトを制御するＨＤＤ（ハードディスクドライブ）を、１０５はＨＤＤ１０４の制御にしたがって書き込まれたデータを記憶するＨＤを、それぞれ示している。

また、１０６はＣＰＵ１０１の制御にしたがってＦＤ（フレキシブルディスク）１０７に対するデータのリード／ライトを制御するＦＤＤ（フレキシブルディスクドライブ）を、１０７はＦＤＤ１０６の制御にしたがって書き込まれたデータを記憶する着脱自在のＦＤを、それぞれ示している。

また、１０８はＣＰＵ１０１の制御にしたがってＣＤ−ＲＷ１０９に対するデータのリード／ライトを制御するＣＤ−ＲＷドライブを、１０９はＣＤ−ＲＷドライブ１０８の制御にしたがって書き込まれたデータを記憶する着脱自在のＣＤ−ＲＷを、それぞれ示している。

また、１１０はカーソル、メニュー、ウィンドウ、あるいは文字や画像などの各種データを表示するディスプレイを、１１１は文字、数値、各種指示などの入力のための複数のキーを備えたキーボードを、１１２は各種指示の選択や実行、処理対象の選択、マウスポインタの移動などをおこなうマウスを、それぞれ示している。

また、１１３は通信ケーブル１１４を介してＬＡＮやＷＡＮなどのネットワークに接続され、当該ネットワークとＣＰＵ１０１とのインターフェースとして機能するネットワークＩ／Ｆを、１００は上記各部を接続するためのバスを、それぞれ示している。

次に、図２はこの発明の実施の形態にかかる文書検索装置の構成を機能的に示す説明図である。図中、２００は文書記憶部であり、後述する文書検索部２０４による検索の対象となる複数の文書を保持している。なお、これらの文書は具体的には、いわゆる「表計算ソフト」により作成された文書のほか、＜ｔａｂｌｅ＞タグを含むＨＴＭＬ文書、より一般に、表を意味する所定のタグを含むＸＭＬ文書、あるいは罫線などで区分された表画像を含むイメージデータ（ＧＩＦファイルやＰＤＦファイルなど）などであって、文書中に少なくとも一つの表を含んでいるものとする。

２０１は文書解析部であり、文書記憶部２００に保持された各文書を解析して、まずその方向（縦または横）を判定するとともに、文書中の罫線の位置関係などから、表領域や当該領域中の見出し領域（列方向に属性が配置された表の場合、通常は表の先頭行、あるいは先頭行から数行がこれに該当する）、個々のセルの領域などを特定する機能部である。

２０２は属性名抽出部であり、文書解析部２０１により特定された見出し領域から、個々の見出し文字列すなわち表を構成する個々の属性の名称（属性名）を抽出するとともに、その出現数をカウントする機能部である。すなわち、抽出した属性名と当該属性名の抽出元となった文書名、および当該属性名の出現数（初期値は１）を対応づけて属性名リストに登録してゆく。なお、同一の属性名のエントリがすでに上記リスト内にある場合は、当該エントリに新たな抽出元の文書名を追加するとともに、その出現数を１だけ増加させる。たとえば文書記憶部２００内の全文書を通じて、「住所」という名の属性を有する表が３個あったとすると、最終的に属性名「住所」に対応づけられた出現数は３となる。

さらに属性名抽出部２０２は、抽出した属性名を意味的に同一または類似するものごとに分類する属性名分類部２０２ａを備えている。

属性名の中にはたとえば「電話番号」と「ＴＥＬ」のように、表記はまったく異なっても意味的には同一のものがある。逆に表記は同じでも、表ごとにまったく異なる意味で用いられる可能性もある。しかしこうした例外を除き、一般に、意味的に同一あるいは類似する属性名は、その表記も同一あるいは類似していると考えられる。

そこで属性名分類部２０２ａは、属性名抽出部２０２により抽出された属性名を、その表記が同一あるいは類似するもの同士のグループ（カテゴリ）に分類する。属性名間の類似度は、一般に文字列間の類似度の計算方法として従来から提案されている各種の手法を用いて算出する。また個々のグループには、たとえばグループ内の全属性名に共通する文字列を一意なグループ名として付与する。これにより、たとえば属性名「住所」「現住所」および「住所／所在地」はグループ「住所」に統合される。なお、抽出された個々の属性名が所属するグループは、属性名分類部２０２ａにより上述の属性名リストに登録される。

２０３は値抽出部であり、文書解析部２０１により特定された個々のセルから各属性の具体的な値を抽出するとともに、その出現数を属性ごとにカウントする機能部である。すなわち抽出した値、当該値の抽出元となった文書名と属性名、および当該値の出現数（初期値は１）を対応づけて値リストに登録してゆく。なお、同一の属性名から抽出された同一の値のエントリがすでに上記リスト内にある場合は、当該エントリに新たな抽出元の文書名を追加するとともに、その出現数を１だけ増加させる。たとえば文書記憶部２００内の全文書を通じて、「住所」属性中に「徳島市」を含むレコードが３個あったとすると、「住所」属性における「徳島市」の出現数は３である。なお、このときたとえば「現住所」属性中に「徳島市」を含むレコードが５個あったとしても、この数は「住所」属性における「徳島市」の出現数には加えない。

２０４は文書検索部であり、文書記憶部２００内の文書のうち、検索者が入力した検索条件に適合する文書を検索する機能部である。この文書検索部２０４は、指定された文字列を指定された属性中に含む文書のみを検索する機能を有している。

２０５は入出力部であり、検索者による各種指示などの入力をキーボード１１１あるいはマウス１１２から受け付けるとともに、後述のフローチャート中で説明する各種画面を作成して、ディスプレイ１１０に表示する機能部である。

次に、図３はこの発明の実施の形態にかかる文書検索装置における、属性名一覧および値一覧の作成処理の手順を示すフローチャートである。図示する処理は、後述する文書検索処理の前にあらかじめ実行されているものとする。

まず、文書解析部２０１は文書記憶部２００内の文書を順次解析して、各文書中の表領域などを特定する（ステップＳ３０１）。次にこの解析結果にもとづき、属性名抽出部２０２が文書中の各表から属性名を抽出するとともに、その出現数をカウントする（ステップＳ３０２）。さらに属性名分類部２０２ａが、上記で抽出された属性名を複数のグループに分類する（ステップＳ３０３）。

一方、値抽出部２０３は文書解析部２０１による解析結果にもとづいて、文書中の各表から値を抽出するとともに、その出現数をカウントする（ステップＳ３０４）。これらの処理により、上述の属性名リストおよび値リストが作成され、それぞれ属性名抽出部２０２および値抽出部２０３により保持される。

次に、図４はこの発明の実施の形態にかかる文書検索装置における、文書検索処理の手順を示すフローチャートである。

まず、入出力部２０５は図５に示すような検索画面を表示する（ステップＳ４０１）。図示するように検索画面には、属性名入力エリア５００および値入力エリア５０１があり、指定すべき属性名や値を検索者が正確に知っている場合は、上記各欄に所望の文字列を入力して検索ボタン５０２を押下すればよい。すなわち検索ボタン５０２の押下を入出力部２０５が検知すると（ステップＳ４０２：Ｙｅｓ）、入出力部２０５からの指示を受けた文書検索部２０４により、その時点で指定されている属性に指定されている値を含む文書が検索され（ステップＳ４０３）、入出力部２０５により当該検索の結果一覧が表示される（ステップＳ４０４）。

しかしながら上述のように、文書記憶部２００内の各表で、たとえば「住所」「現住所」「住所／所在地」のように属性名が微妙に異なる場合、これらを漏れなく指定することは難しい。そこで、検索者は検索実行の前に属性ボタン５０３を押下して、文書記憶部２００内の文書中に出現する属性名を一覧表示させ、当該一覧中から所望の属性名を選択する。

すなわち入出力部２０５は、図５の検索画面の属性ボタン５０３が押下されたことを検知すると（ステップＳ４０２：Ｎｏ、ステップＳ４０５：Ｙｅｓ）、属性名抽出部２０２が保持している属性名リストにもとづいて、図６に示すような属性名一覧を作成・表示する（ステップＳ４０６）。

図示するように属性名一覧では、文書記憶部２００内の全文書から抽出された属性名がグループごとに一覧表示されるとともに（図中、下線を付した文字列は上述のグループ名を意味している）、個々の属性名の横には括弧書きで、その出現数が表示される。そして、選択中の属性名が検索候補エリア６００に表示され、この状態で選択ボタン６０１または追加ボタン６０２を押下することで、当該属性名を図５の検索画面の属性名入力エリア５００に入力できる。すなわち、上記操作を検知した入出力部２０５は（ステップＳ４０７：Ｙｅｓ）、図６の属性名一覧を消去して（ステップＳ４０８）図５の検索画面を表示するとともに、その属性名入力エリア５００に図６で選択された属性名を表示する（ステップＳ４０１）。

なお、図５の属性名入力エリア５００にすでに何らかの属性名が入力されていた場合、図６で他の属性名を選択して選択ボタン６０１を押下すると、選択された属性名のみが属性名入力エリア５００に表示される。一方、追加ボタン６０２を押下すると、入力済みの属性名に図６で選択された属性名が追加される。

また、図５の検索画面で値ボタン５０４が押下されたことを検知すると（ステップＳ４０２：Ｎｏ、ステップＳ４０５：Ｎｏ、ステップＳ４０９：Ｙｅｓ）、入出力部２０５は値抽出部２０３が保持している値リストにもとづいて、図７に示すような値一覧を作成・表示する（ステップＳ４１０）。

図示するように値一覧では、値ボタン５０４が押下された時点で属性名入力エリア５００に入力されている属性（図示する例では「製品」および「製品名」）について、その値が一覧表示されるとともに、各値の出現数が括弧書きの数値およびグラフにより表示される。そして、選択中の値が検索候補エリア７００に表示され、この状態で選択ボタン７０１または追加ボタン７０２を押下することで、当該値を図５の検索画面の値入力エリア５０１に入力できる。すなわち、上記操作を検知した入出力部２０５は（ステップＳ４１１：Ｙｅｓ）、図７の値一覧を消去して（ステップＳ４１２）図５の検索画面を表示するとともに、その値入力エリア５０１に図７で選択された値を表示する（ステップＳ４０１）。

なお、図５の値入力エリア５０１にすでに何らかの値が入力されていた場合、図７で他の値を選択して選択ボタン７０１を押下すると、選択された値のみが値入力エリア５０１に表示される。一方、追加ボタン７０２を押下すると、入力済みの値に図７で選択された値が追加される。

また、図５の検索画面で逆引ボタン５０５が押下されるのを待って、押下されたことを検知すると（ステップＳ４０２：Ｎｏ、ステップＳ４０５：Ｎｏ、ステップＳ４０９：Ｎｏ、ステップＳ４１３：Ｙｅｓ）、入出力部２０５は値抽出部２０３が保持している値リストにもとづいて、図８に示すような逆引一覧を作成・表示する（ステップＳ４１４）。

図示するように逆引一覧では、逆引ボタン５０５が押下された時点で値入力エリア５０１に入力されている値（図示する例では「ＡＢＣＤ−０００」）について、その値の現れる属性名がグループごとに一覧表示されるとともに、各属性における上記値の出現数が括弧書きの数値により表示される。そして、選択中の値が検索候補エリア８００に表示され、この状態で選択ボタン８０１または追加ボタン８０２を押下することで、当該値を図５の検索画面の属性名入力エリア５００に入力できる。すなわち、上記操作を検知した入出力部２０５は（ステップＳ４１５：Ｙｅｓ）、図８の逆引一覧を消去して（ステップＳ４１６）図５の検索画面を表示するとともに、その属性名入力エリア５００に図８で選択された属性名を表示する（ステップＳ４０１）。

なお、図５の属性名入力エリア５００にすでに何らかの属性名が入力されていた場合、図８で他の属性名を選択して選択ボタン８０１を押下すると、選択された属性名のみが属性名入力エリア５００に表示される。一方、追加ボタン８０２を押下すると、入力済みの属性名に図８で選択された属性名が追加される。

ステップＳ４０５以降の手順により属性名および値を入力した後は、直接文字列を入力した場合と同様に検索ボタン５０２を押下することで（ステップＳ４０２：Ｙｅｓ）、指定した属性名に指定した値を含む文書を検索できる（ステップＳ４０３・Ｓ４０４）。

以上説明した実施の形態によれば、検索対象文書中の各表で実際に使用されている属性名や値の一覧から所望のものを選択できるので、検索対象文書中にどんな表が含まれるか、各表の構造はどうなっているかなどを熟知していない検索者でも、微妙な表記ゆれなどに起因する検索もれを回避して、正確な検索を実行することができる。通常、属性名一覧から所望の属性名を選択し、選択した属性名の値を一覧表示させ、所望の値を選択してさらに属性名を逆引きする、という手順を２〜３回繰り返すことで（適合性フィードバック）、指定すべき属性名と値とを網羅的に指定することができる。

しかも、属性名は意味的に同一あるいは類似するもの（厳密には、意味的に同一あるいは類似する可能性が高いもの）ごとに集約表示されるので、似たような属性名を容易に一括指定できる。

なお、図６に示した属性名一覧は単に五十音順にグループを羅列しただけであるが、たとえば各属性名が実際に検索に使用された回数などを履歴として保持しておき、使用頻度の高い属性名あるいはすでに入力されている属性名と組み合わせて使用される頻度の高い属性名を含むグループほど上位に表示したり、あるいは別途ランキング画面を設けて、使用頻度の高い属性名あるいはその所属するグループを上位Ｎ位まで表示したりしてもよい。また、列方向だけでなく行方向にも属性が配置された表の場合は、列方向の属性名と行方向の属性名とを区別（分離）して表示するようにしてもよい。

また、図７に示した値一覧は特定の属性名の値一覧であるが、たとえば図５の検索画面に「全値一覧」のようなボタンを用意し、全属性の値を一画面で確認できるようにしてもよい。さらに、上述した実施の形態では指定された値を完全に含む属性名を一覧表示したが、たとえば指定された値をＮＬＰ（自然言語処理）により意味的なブロックに分割し、いずれかのブロックを値に含む属性名をリストアップするようにしてもよい。

以上説明したように、本発明にかかる文書検索装置、文書検索方法、および文書検索プログラムによれば、文書中での位置を指定して文字列を検索することが可能な文書検索装置、文書検索方法、および文書検索プログラムにおいて、上記位置および文字列を検索者が容易な操作で、正確かつ網羅的に指定することが可能である。

なお、本実施の形態で説明した文書検索方法は、予め用意されたプログラムをパーソナル・コンピュータやワークステーション等のコンピュータで実行することにより実現することができる。このプログラムは、ハードディスク１０５、フレキシブルディスク１０７、ＣＤ−ＲＯＭ、ＣＤ−ＲＷ１０９、ＭＯ、ＤＶＤ等のコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行される。またこのプログラムは、インターネット等のネットワークを介して配布することが可能な伝送媒体であってもよい。

以上のように、本発明にかかる文書検索装置、文書検索方法、および文書検索プログラムは、表構造を有する文書の検索に有用であり、特に、表内の属性名や値などに微妙な表記ゆれのある表が大量にある場合に適している。

この発明の実施の形態にかかる文書検索装置のハードウエア構成の一例を示す説明図である。 この発明の実施の形態にかかる文書検索装置の構成を機能的に示す説明図である。 この発明の実施の形態にかかる文書検索装置における、属性名一覧および値一覧の作成処理の手順を示すフローチャートである。 この発明の実施の形態にかかる文書検索装置における、文書検索処理の手順を示すフローチャートである。 入出力部２０５により作成・表示される検索画面の一例を示す説明図である。 入出力部２０５により作成・表示される属性名一覧画面の一例を示す説明図である。 入出力部２０５により作成・表示される値一覧画面の一例を示す説明図である。 入出力部２０５により作成・表示される逆引一覧画面の一例を示す説明図である。

符号の説明

１００ バス
１０１ ＣＰＵ
１０２ ＲＯＭ
１０３ ＲＡＭ
１０４ ＨＤＤ
１０５ ＨＤ
１０６ ＦＤＤ
１０７ ＦＤ
１０８ ＣＤ−ＲＷドライブ
１０９ ＣＤ−ＲＷ
１１０ ディスプレイ
１１１ キーボード
１１２ マウス
１１３ ネットワークＩ／Ｆ
１１４ 通信ケーブル
２００ 文書記憶部
２０１ 文書解析部
２０２ 属性名抽出部
２０２ａ 属性名分類部
２０３ 値抽出部
２０４ 文書検索部
２０５ 入出力部

Claims (5)

1. 指定された位置に指定された文字列を含む電子文書を検索する文書検索装置において、
   前記電子文書に含まれる表内の各属性の名称を抽出する属性名抽出手段と、
   前記属性名抽出手段により名称を抽出された各属性の値を抽出する値抽出手段と、
   前記値抽出手段により抽出された値のうち少なくとも一つを選択する値選択手段と、
   前記属性名抽出手段により名称を抽出された属性のうち、前記値選択手段により選択された値が抽出された属性の名称を表示する属性名表示手段と、
   を備えることを特徴とする文書検索装置。
2. 前記属性名表示手段は、前記属性の名称を意味的に同一または類似するもの同士のグループごとに表示することを特徴とする前記請求項１に記載の文書検索装置。
3. 指定された位置に指定された文字列を含む電子文書を検索する文書検索方法において、
   前記電子文書に含まれる表内の各属性の名称を抽出する属性名抽出工程と、
   前記属性名抽出工程で名称を抽出された各属性の値を抽出する値抽出工程と、
   前記値抽出工程で抽出された値のうち少なくとも一つを選択する値選択工程と、
   前記属性名抽出工程で名称を抽出された属性のうち、前記値選択工程で選択された値が抽出された属性の名称を表示する属性名表示工程と、
   を含むことを特徴とする文書検索方法。
4. 前記属性名表示工程では、前記属性の名称を意味的に同一または類似するもの同士のグループごとに表示することを特徴とする前記請求項３に記載の文書検索方法。
5. 前記請求項３または請求項４に記載された方法をコンピュータに実行させる文書検索プログラム。
   

Images