JP2013149061A - 文書類似性評価システム、文書類似性評価方法およびコンピュータ・プログラム - Google Patents

Abstract

【課題】少なくとも２種類の文書において、類似性の高い部分に関する集散の度合いを評価することが可能な、文書類似性評価システム等を提供する。
【解決手段】文書類似性評価システムであって、第１のセグメント列と第２のセグメント列との間で同一セグメントを探索し、探索した結果得られた前記同一セグメントの個数を数えるとともに、前記同一セグメントが出現する出現範囲を特定するセグメント探索部と、前記セグメント探索部が特定した前記出現範囲に含まれるセグメントの文字数の合計である第１合計値ＮＴＣと、前記同一セグメントに含まれるセグメントの文字数の合計である第２合計値ＮＣＣとを計算し、類似性指標＝Ｆ（ＮＴＣ）÷Ｇ（ＮＣＣ）×ＮＳ（ただし、関数Ｆ、関数Ｇは、ある整数値と正の実数値とを対応させる単調増加関数）に従って、第１、第２のセグメント列間における類似性指標を計算する、類似性指標計算部とを備える。
【選択図】図１

Description

本発明は、文書の類似性を評価する情報処理の技術分野に関する。

異なる文書の類似性を評価する手法は、学術論文の類似性評価や、企業文書の類似性検出において、広く使われている。特許文献１乃至３は、文書の類似性評価システムを開示する。

特許文献１乃至２に開示された文書類似性判定システムは、まず、文書全体をページ単位、もしくは特定の文字列が出現する場所で区切り（以降、区切られた１単位をセグメントと呼ぶ）、各セグメントに対して固有の値を計算する。異なる文書の類似性は、その文書におけるセグメントを、前から順に比較していき、固有の値が一致したセグメント数に基づいて判定する。判定の結果、一致するセグメント数が多ければ、それらの文書の類似性は高く、逆に、一致するセグメント数が少なければ、それらの文書の類似性は低い。

特許文献３に開示された文書類似性判定システムは、文書中に存在する図や式を文章と切り分け、切り分けられた図や式の配置に対して密集度を定義し、その密集度を類似性の判定のための指標としている。

特開２００８―２５７４４４号公報 特開２０１０―２５６９５１号公報 ＷＯ２００９／０４８１４９号公報

上述した特許文献おける文書類似性判定システムは、文書全体の類似性を評価することができる。しかしながら、これらの文書類似性判定システムは、類似性の高い部分が、ある段落に集中しているのか、あるいは文書全体に散在しているのかを、評価することができない。

本発明に係る文書類似性評価システムは、以下の構成を備えることを特徴とする。

即ち、本発明に係る文書類似性評価システムは、
第１のセグメント列と第２のセグメント列との間で同一セグメントを探索し、探索した結果得られた前記同一セグメントの個数を数えるとともに、前記同一セグメントが出現する出現範囲を特定するセグメント探索部と、
前記セグメント探索部が特定した前記出現範囲に含まれるセグメントの文字数の合計である第１合計値を計算するとともに、前記同一セグメントに含まれるセグメントの文字数の合計である第２合計値を計算し、以下の式
類似性指標＝Ｆ（ＮＴＣ）÷Ｇ（ＮＣＣ）×ＮＳ、
（ただし、前記式において、
ＮＴＣは、前記第１合計値、
ＮＣＣは、前記第２合計値、
ＮＳは、前記同一セグメントの個数、そして、
関数Ｆ、関数Ｇは、ある整数値と正の実数値とを対応させる単調増加関数である）、
に従って、第１のセグメント列と第２のセグメント列との類似性を表す類似性指標を計算する類似性指標計算部とを備える
ことを特徴とする。

また、本発明の他の見地として、本発明に係る文書類似性評価方法は、
第１のセグメント列と第２のセグメント列との間で同一セグメントを探索し、探索した結果得られた前記同一セグメントの個数を数えるとともに、前記同一セグメントが出現する出現範囲を特定し、前記出現範囲に含まれるセグメントの文字数の合計である第１合計値を計算するとともに、前記同一セグメントに含まれるセグメントの文字数の合計である第２合計値を計算し、以下の式
類似性指標＝Ｆ（ＮＴＣ）÷Ｇ（ＮＣＣ）×ＮＳ、
（ただし、前記式において、
ＮＴＣは、前記第１合計値、
ＮＣＣは、前記第２合計値、
ＮＳは、前記同一セグメントの個数、そして
関数Ｆ、関数Ｇは、ある整数値と正の実数値とを対応させる単調増加関数である）、
に従って、第１のセグメント列と第２のセグメント列との類似性を表す類似性指標を計算することを特徴とする。

また、同目的は、上記構成を有する文書類似性評価システムを、並びに対応する方法を、コンピュータを使って実現するコンピュータ・プログラム、及びそのコンピュータ・プログラムが格納されている、コンピュータ読み取り可能な記憶媒体を使っても達成される。

本発明によれば、少なくとも２種類の文書の類似性において、類似性の高い部分を判定することが可能になる。

次に、本発明の実施の形態について、図面を参照して詳細に説明する。

以下の説明において、セグメントは、文書全体をある単位、例えば、ページ単位あるいは特定の文字列が出現する場所の単位など、にて区切り、その結果出力として得られる区切られた１単位を表している。また、固有の値は、ハッシュ値、ＣＲＣ値あるいはサムチェック値など、ある特定の文字列を数値に変換したときに得られる値を表している。セグメントに区切る方法、あるいは固有の値を計算する方法には、さまざまな方法が既に存在しているため、個々の方法についての説明は省略する。上記セグメントに区切る方法、あるいは上記固有の値を計算する方法は、ここに例示した方法に限られるものではない。

＜第１の実施形態＞
図１は、本発明の第１の実施形態に係る文書類似性評価システムの構成を示す図である。

図１を参照すると、本実施形態に係る文書類似性評価システム１０１は、セグメント探索部１０２と類似性指標計算部１０３とを備える。

以下では、文書Ａと文書Ｂの類似性を計算する場合について、説明をする。セグメント探索部１０２は、文書Ａを表しているセグメントの固有の値を並べた列１（以降、「セグメント列１」）と、文書Ｂを表しているセグメントの固有の値を並べた列２（以降、「セグメント列２」）を、入力として受け取る。セグメント探索部１０２は、セグメント列１とセグメント列２との間で、セグメントに割り当てられた固有の値が同一のセグメント（以降、「同一セグメント」と記述する）を、評価対象である当該文書の前あるいは後から順に探索する。次にセグメント探索部１０２は、探索した結果得られた同一セグメントの個数（以降、ＮＳと記述する）を数えるとともに、セグメント列２において、同一セグメントが出現する最初の位置と最後の位置（以降、最初と最後の間に存在するすべてのセグメントを、「出現範囲」と記述する。出現範囲は、最初と最後のセグメントの少なくとも一方を含んでいればよい。）を特定する。

次に、類似性指標計算部１０３は、入力として受け取ったセグメント列２と、上記出現範囲と、入力された文字数テーブルとを受け取る。その文字数テーブルは、セグメント列１あるいはセグメント列２に存在するセグメントと、そのセグメントに存在する文字数とを、対応付けて記憶している（図５）。例えば、図５において、Ａ１に含まれる文字数は１２文字であると記憶している。類似性指標計算部１０３は、セグメント探索部１０２が特定した出現範囲に含まれる各セグメントについて、入力された文字数テーブルから存在する文字数を読み取り、その文字数の合計（以降、ＮＣＣとする）を計算する。それとともに、類似性指標計算部１０３は、同一セグメントに含まれる各セグメントについて、入力された文字数テーブルから存在する文字数を読み取り、その文字数の合計（以降、ＮＴＣとする）を計算する。次に、類似性指標計算部１０３は以下の式に従って、類似性指標の計算を行う。

類似性指標＝Ｆ（ＮＴＣ）÷Ｇ（ＮＣＣ）×ＮＳ・・・（式１），
ここで、関数Ｆ、関数Ｇは、ともに、ある整数値と正の実数値とを対応させる単調増加関数を表している。

上記文書類似性評価システムの構成の説明において、本実施形態に係る文書類似性評価システムは、セグメント列２に対して出現範囲を特定したが、セグメント列１に対して出現範囲を特定してもよい。

図２は、本発明の第１の実施形態に係る文書類似性評価システムが、実行する処理の手順を示すフローチャートを示している。次に図１、図２を参照しながら、本実施形態に係る文書類似性評価システムの動作について説明する。

セグメント探索部１０２は、文書Ａを表したセグメント列１と文書Ｂを表したセグメント列２とを、入力として受け取る。セグメント探索部１０２は、セグメント列１とセグメント列２との間で、同一セグメントを、文書の前から順に探索する（ステップＳ２０１）。次に、セグメント探索部１０２は、ステップＳ２０１の探索の結果得られた同一セグメントの個数を数えるとともに（ステップＳ２０２）、セグメント列２において、出現範囲を特定する（ステップＳ２０３）。

次に、類似性指標計算部１０３は、入力されたセグメント列２と、上記出現範囲と、入力された文字数テーブルとを受け取る。類似性指標計算部１０３は、セグメント探索部１０２が特定した出現範囲に含まれる各セグメントについて、入力された文字数テーブルから存在する文字数を読み取り、それらの合計値たるＮＣＣを計算する。類似性指標計算部１０３は、次に、同一セグメントに含まれる各セグメントについて、入力された文字数テーブルから存在する文字数を読み取り、その文字数の合計たるＮＴＣを計算する（ステップＳ２０４）。次に、類似性指標計算部１０３は式１に従って、類似性指標の計算する（ステップＳ２０５）。

上記処理の手順の説明において、本実施形態に係る文書類似性評価システムは、セグメント列２に対して出現範囲を特定したが、セグメント列１に対して出現範囲を特定してもよい。

特許文献１における文書類似性判定システムは、類似性指標としてＮＳを採用しているのに対して、本実施形態に係る文書類似性評価システムは、関数Ｆ（ＮＴＣ）と関数Ｇ（ＮＣＣ）との比をＮＳに掛け合わせた値を採用している。関数Ｆ、関数Ｇは、ともに、ある整数値と正の実数値とを対応させる単調増加関数であるため、同一のセグメントが密集して出現する場合、Ｆ（ＮＴＣ）÷Ｇ（ＮＣＣ）の値は大きくなり、逆に散在する場合、Ｆ（ＮＴＣ）÷Ｇ（ＮＣＣ）の値は小さくなる。そのため、特許文献１における文書類似性評価システムの類似性指標が同一の値になる場合であっても、本実施形態に係る文書類似性評価システムは、同一のセグメントの集散の度合いに応じて、異なる値をもつ可能性が高い。

図４は、本発明の第１の実施形態に係る文書類似性評価システムの処理手順を説明するための一例を示している。次に図１、図２、図４を参照しながら、本実施形態に係る文書類似性評価システムの動作について説明する。

文書Ａ、文書Ｂ１、文書Ｂ２は、それぞれ、セグメントを表すＳｅｎｔｅｎｃｅＡ１（以降、「Ａ１」と表す。以下同様に「Ｓｅｎｔｅｎｃｅ」の部分を省略してセグメントを表す）、Ａ２、Ａ３、Ｂ２１、Ｂ２２から構成されている。つまり、文書Ａは、Ａ１、Ａ２、Ａ３というセグメント列、文書Ｂ１は、Ａ１、Ａ２というセグメント列、文書Ｂ２はＡ１、Ｂ２１、Ａ２、Ｂ２２、Ａ３というセグメント列から構成されている。ここで、説明を簡易化するためＡ１、Ａ２、Ａ３、Ｂ２１、Ｂ２２に含まれる文字数は、同一で、Ｎ文字であると仮定する。そして、類似性指標計算部１０３の関数Ｆ、関数Ｇは、入力された値をそのまま出力するとする。

文書Ａ、文書Ｂ１を表したセグメント列が入力された場合の動作について説明する。セグメント探索部１０２は、文書Ａを表したセグメント列と文書Ｂ１を表したセグメント列と対象として、同一セグメントを探索することにより（ステップＳ２０１）、これら２つの文書において、Ａ１、Ａ２が同一セグメントであることを見出す。次に、セグメント探索部１０２は、その同一セグメントの個数を数えることにより（ステップＳ２０２）、この場合、２であることを見出す。次にセグメント探索部１０２は、文書Ｂ１を表したセグメント列において、出現範囲を特定することにより（ステップＳ２０３）、この場合、Ａ１、Ａ２が出現範囲であると特定する。

類似性指標計算部１０３は、セグメント探索部１０２が特定した、出現範囲に含まれる各セグメントの文字数を、入力された文字数テーブルから存在する文字数を読み取りその合計を計算する。この場合、ＮＣＣの値は、２×Ｎとなる。次に、類似性指標計算部１０３は、同一セグメントに含まれる各セグメントについて、入力された文字数テーブルから存在する文字数を読み取り、その文字数の合計であるＮＴＣを計算する（ステップＳ２０４）。この場合、ＮＴＣの値は、２×Ｎとなる。類似性指標計算部１０３は、上記式１に従い指標を計算することにより、２Ｎ÷２Ｎ×２＝２という値を算出する。

次に、文書Ａ、文書Ｂ２を表したセグメント列が入力された場合の動作について説明する。セグメント探索部１０２は、文書Ａを表したセグメント列と文書Ｂ２を表したセグメント列と対象として、同一セグメントを探索することにより（ステップＳ２０１）、これら２つの文書において、Ａ１、Ａ２、Ａ３が同一セグメントであることを見出す。次に、セグメント探索部１０２は、その同一セグメントの個数を数えることにより（ステップＳ２０２）、この場合、３であることを見出す。次にセグメント探索部１０２は、文書Ｂ２を表したセグメント列において、出現範囲を特定することにより（ステップＳ２０３）、この場合、Ａ１、Ｂ２１、Ａ２、Ｂ２２、Ａ３が出現範囲であると特定する。

類似性指標計算部１０３は、セグメント探索部１０２が特定した、出現範囲に含まれる各セグメントの文字数を、入力された文字数テーブルから存在する文字数を読み取りその合計を計算する。この場合、ＮＣＣの値は、５×Ｎとなる。次に、類似性指標計算部１０３は、同一セグメントに含まれる各セグメントについて、入力された文字数テーブルから存在する文字数を読み取り、その文字数の合計であるＮＴＣを計算する（ステップＳ２０４）。この場合、ＮＴＣの値は、３×Ｎとなる。類似性指標計算部１０３は、上記式１に従い指標を計算することにより、３Ｎ／５Ｎ＊３＝１．８という値を算出する。

本実施形態に係る文書類似性評価システムが算出した類似性指標は、文書Ａと文書Ｂ１との間では２であり、文書Ａと文書Ｂ２との間では１．８である。従って、求めた２つの類似性指標を比較することにより、本実施形態に係るシステムは、文書Ａと類似している文書が文書Ｂ１であると算出している。

しかしながら、特許文献１における文書類似性判定システムが算出した類似性指標は、文書Ａと文書Ｂ１との間では２であり、文書Ａと文書Ｂ２との間では３である。従って、特許文献１における文書類似性判定システムは、文書Ａと類似している文書が文書Ｂ２であると算出している。図４からわかるように、文書Ｂ１と比べ文書Ｂ２においては、同一セグメントが散在しているため、算出値が、特許文献１における文書類似性判定システムに比べて、低下している。そのため、本実施形態に係る文書類似性評価システムによれば、文書における、類似性の高い部分に関する集散の度合いを評価することが可能な指標を提供する。

上述した説明では、説明を簡略にするために、Ａ１、Ａ２、Ａ３、Ｂ２１、Ｂ２２に含まれる文字数は、同一である仮定したが、各セグメントに含まれる文字数が互いに異なっていたとしても、本実施形態の効果は、なんら変わるものではない。同様に、類似性指標計算部１０３の関数Ｆ、関数Ｇは、入力された値をそのまま出力すると仮定したが、ある整数値と正の実数値とを対応させる単調増加関数である限りは、順序関係が逆転することはないため、本実施形態の効果は、なんら変わるものではない。

即ち、本実施形態によれば、少なくとも２種類の文書において、類似性の高い部分に関する集散の度合いを評価することが可能な文書類似性評価システムを、提供することできる。

＜第２の実施形態＞
次に、上述した第１の実施形態を基本とする第２の実施形態について説明する。

以下の説明においては、本実施形態に係る特徴的な部分を中心に説明すると共に、上述した第１の実施形態と同様な構成についての重複する説明は省略する。

第２の実施形態に係る文書類似性評価システムについて、図１を用いて説明する。入力されたセグメント列１、セグメント列２について、類似性指標計算部１０３は、セグメント探索部１０２がＮＣＣとＮＴＣとを計算した後、下記式２に従って、類似性指標の計算を行う。

類似性指標＝Ｈ（ＮＴＣ÷ＮＣＣ）×ＮＳ・・・（式２）、
ここで関数Ｈは、ある実数値と正の実数値とを対応させる単調増加関数を表している。

本実施形態に係る文書類似性評価システムは、Ｈ（ＮＴＣ÷ＮＣＣ）をＮＳに掛け合わせる類似性指標を採用している。関数Ｈは、ある実数値と正の実数値とを対応させる単調増加関数であるため、同一セグメントが密集している場合、Ｈ（ＮＴＣ／ＮＣＣ）の値は大きくなり、逆に散在している場合、Ｈ（ＮＴＣ／ＮＣＣ）の値は小さくなる。そのため、特許文献１における文書類似性判定システムの類似性指標が同一の値になる場合であっても、本実施形態に係る文書類似性評価システムは、同一のセグメントの集散度合いに応じて異なる値をもつ可能性が高い。

即ち、本実施形態によれば、少なくとも２種類の文書において、類似性の高い部分に関する集散の度合いを評価することが可能な文書類似性評価システムを、提供することできる。

＜第３の実施形態＞
次に、上述した第１の実施形態を基本とする第３の実施形態について説明する。

以下の説明においては、本実施形態に係る特徴的な部分を中心に説明すると共に、上述した第１の実施形態と同様な構成についての重複する説明は省略する。

第３の実施形態に係る文書類似性評価システムについて、図１を用いて説明する。入力されたセグメント列１、セグメント列２について、類似性指標計算部１０３は、セグメント探索部１０２がＮＣＣとＮＴＣとを計算した後、下記式３に従って、類似性指標の計算を行う。

類似性指標＝ＮＴＣ／ＮＣＣ＊ＮＳ・・・（式３）
本実施形態に係る文書類似性評価システムは、ＮＴＣがＮＣＣに占める割合をＮＳに掛け合わせる類似性指標を採用している。同一セグメントが密集している場合、ＮＴＣ÷ＮＣＣの値は大きくなり、逆に散在している場合、ＮＴＣ÷ＮＣＣの値は小さくなる。そのため、特許文献１における文書類似性判定システムの類似性指標が同一の値になる場合であっても、本実施形態に係る文書類似性評価システムは、同一のセグメントの集散度合いに応じて異なる値をもつ可能性が高い。

即ち、本実施形態によれば、少なくとも２種類の文書において、類似性の高い部分に関する集散の度合いを評価するが可能な文書類似性評価システムを、提供することできる。

（ハードウェア構成例）
次に、上述した各実施形態における文書類似性評価システムを、１つの計算処理装置（情報処理装置、コンピュータ）を用いて実現するハードウェア資源の構成例について説明する。但し、係る文書類似性評価システムは、物理的または機能的に少なくとも２種類の計算処理装置を用いて実現してもよい。また、係る文書類似性評価システムは、専用の装置として実現してもよい。

図３は、第１乃至第３の実施形態に係る文書類似性評価システムを実現可能な計算処理装置のハードウェア構成を概略的に示す図である。計算処理装置３０６は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）３０１、メモリ３０２、ディスク３０３、出力装置３０４、および入力装置３０５を有する。

即ち、ＣＰＵ３０１は、ディスク３０３が記憶しているソフトウェア・プログラム（コンピュータ・プログラム）：以下、単にプログラムと称する）を、実行時にメモリ７にコピーし、演算処理を実行する。ＣＰＵ３０１は、プログラム実行に必要なデータをメモリ３０２ら読み込む。表示が必要な場合には、ＣＰＵ３０１は、出力装置３０４に出力結果を表示する。外部からプログラムを入力する場合、ＣＰＵ３０１は、入力装置３０５からプログラムを読み取る。ＣＰＵ３０１は、メモリ３０２にある文書類似性評価プログラム解釈し実行を行う。ＣＰＵ３０１は、上述した各実施形態において参照したフローチャート（図２）、式に応じた処理を順次行う。

本発明の第１の実施形態に係る文書類似性評価システムの構成を示す図である。 本発明の第１の実施形態に係る文書類似性評価システムが、実行する処理の手順を示すフローチャートを示している。 実施形態に係る文書類似性評価システムを実現可能な計算処理装置のハードウェア構成を、概略的に示す図である。 本発明の第１の実施形態に係る文書類似性評価システムの処理手順を、説明するための一例を示す図である。 セグメントと、セグメントに存在する文字数とが対応した、文字数テーブルの一例を示す図である。

１０１ 文書類似性評価システム
１０２ セグメント探索部
１０３ 類似性指標計算部
３０１ ＣＰＵ
３０２ メモリ
３０３ ディスク
３０４ 出力装置
３０５ 入力装置
３０６ 計算処理装置

Claims (10)

1. 第１のセグメント列と第２のセグメント列との間で同一セグメントを探索し、探索した結果得られた前記同一セグメントの個数を数えるとともに、前記同一セグメントが出現する出現範囲を特定するセグメント探索部と、
   前記セグメント探索部が特定した前記出現範囲に含まれるセグメントの文字数の合計である第１合計値を計算するとともに、前記同一セグメントに含まれるセグメントの文字数の合計である第２合計値を計算し、以下の式、
   類似性指標＝Ｆ（ＮＴＣ）÷Ｇ（ＮＣＣ）×ＮＳ、
   （ただし、前記式において、
   ＮＴＣは、前記第１合計値、
   ＮＣＣは、前記第２合計値、
   ＮＳは、前記同一セグメントの個数、そして、
   関数Ｆ、関数Ｇは、ある整数値と正の実数値とを対応させる単調増加関数である）、
   に従って、第１のセグメント列と第２のセグメント列との類似性を表す類似性指標を計算する類似性指標計算部とを備える
   ことを特徴とする文書類似性評価システム。
2. 前記類似性指標計算部は、
   前記出現範囲に含まれる各セグメントと、前記セグメントに存在する文字数とが対応した文字数テーブルに基づいて、前記第１合計値と第２合計値を計算することを特徴とする請求項１に記載の文書類似性評価システム。
3. 前記類似性指標計算部は、前記式の代わりに、以下の式、
   類似性指標＝Ｈ（ＮＴＣ÷ＮＣＣ）×ＮＳ、
   （ただし、前記式において、
   ＮＴＣは、前記第１合計値、
   ＮＣＣは、前記第２合計値、
   ＮＳは、前記同一セグメントの個数、そして、
   関数Ｈは、ある整数値と正の実数値とを対応させる単調増加関数である）、
   に従って、前記第１のセグメント列と前記第２のセグメント列との類似性を表す類似性指標を、計算することを特徴とする、請求項１乃至２に記載の文書類似性評価システム。
4. 前記類似性指標計算部は、前記式の代わりに、以下の式、
   類似性指標＝ＮＴＣ÷ＮＣＣ×ＮＳ、
   （ただし、前記式において、
   ＮＴＣは、前記第１合計値、
   ＮＣＣは、前記第２合計値、そして、
   ＮＳは、前記同一セグメントの個数を表している）、
   に従って、第１のセグメント列と第２のセグメント列との類似性を表す類似性指標を、計算することを特徴とする、請求項１乃至２に記載の文書類似性評価システム。
5. 第１のセグメント列と第２のセグメント列との間で同一セグメントを探索し、探索した結果得られた前記同一セグメントの個数を数えるとともに、前記同一セグメントが出現する出現範囲を特定し、前記出現範囲に含まれるセグメントの文字数の合計である第１合計値を計算するとともに、前記同一セグメントに含まれるセグメントの文字数の合計である第２合計値を計算し、以下の式、
   類似性指標＝Ｆ（ＮＴＣ）÷Ｇ（ＮＣＣ）×ＮＳ、
   （ただし、前記式において、
   ＮＴＣは、前記第１合計値、
   ＮＣＣは、前記第２合計値、
   ＮＳは、前記同一セグメントの個数、そして、
   関数Ｆ、関数Ｇは、ある整数値と正の実数値とを対応させる単調増加関数である）、
   に従って、第１のセグメント列と第２のセグメント列との類似性を表す類似性指標を、計算することを特徴とする文書類似性評価方法。
6. 前記類似性を表す類似性指標の計算は、前記式の代わりに、以下の式、
   類似性指標＝Ｈ（ＮＴＣ÷ＮＣＣ）×ＮＳ、
   （ただし、前記式において、
   ＮＴＣは、前記第１合計値、
   ＮＣＣは、前記第２合計値、
   ＮＳは、前記同一セグメントの個数、そして、
   関数Ｈは、ある整数値と正の実数値とを対応させる単調増加関数である）、
   に従って、前記第１のセグメント列と前記第２のセグメント列との類似性を表す類似性指標を、計算することを特徴とする請求項５に記載の文書類似性評価方法。
7. 前記類似性を表す類似性指標の計算は、前記式の代わりに、以下の式、
   類似性指標＝ＮＴＣ÷ＮＣＣ×ＮＳ、
   （ただし、前記式において、
   ＮＴＣは、前記第１合計値、
   ＮＣＣは、前記第２合計値、そして、
   ＮＳは、前記同一セグメントの個数を表している）、
   に従って、前記第１のセグメント列と前記第２のセグメント列との類似性を表す類似性指標を、計算することを特徴とする請求項５に記載の文書類似性評価方法。
8. 第１のセグメント列と第２のセグメント列との間で同一セグメントを探索し、探索した結果得られた前記同一セグメントの個数を数えるとともに、前記同一セグメントが出現する出現範囲を特定する、セグメント探索機能と、
   前記セグメント探索部が特定した前記出現範囲に含まれるセグメントの文字数の合計である第１合計値を計算するとともに、前記同一セグメントに含まれるセグメントの文字数の合計である第２合計値を計算し、以下の式、
   類似性指標＝Ｆ（ＮＴＣ）÷Ｇ（ＮＣＣ）×ＮＳ、
   （ただし、前記式において、
   ＮＴＣは、前記第１合計値、
   ＮＣＣは、前記第２合計値、
   ＮＳは、前記同一セグメントの個数、そして、
   関数Ｆ、関数Ｇは、ある整数値と正の実数値とを対応させる単調増加関数である）、
   に従って、第１のセグメント列と第２のセグメント列との類似性を表す類似性指標を計算する類似性指標計算機能とを、
   コンピュータに実現させることを特徴とするコンピュータ・プログラム。
9. 前記類似性指標計算機能は、前記式の代わりに、以下の式、
   類似性指標＝Ｈ（ＮＴＣ÷ＮＣＣ）×ＮＳ、
   （ただし、前記式において、
   ＮＴＣは、前記第１合計値、
   ＮＣＣは、前記第２合計値、
   ＮＳは、前記同一セグメントの個数、そして、
   関数Ｈは、ある整数値と正の実数値とを対応させる単調増加関数である）、
   に従って、前記第１のセグメント列と前記第２のセグメント列との類似性を表す類似性指標を計算することを、
   コンピュータに実現させることを特徴とする請求項８に記載のコンピュータ・プログラム。
10. 前記類似性指標計算機能は、前記式の代わりに、以下の式、
    類似性指標＝ＮＴＣ÷ＮＣＣ×ＮＳ、
    （ただし、前記式において、
    ＮＴＣは、前記第１合計値、
    ＮＣＣは、前記第２合計値、そして、
    ＮＳは、前記同一セグメントの個数を表している）、
    に従って、第１のセグメント列と第２のセグメント列との類似性を表す類似性指標を計算することを、
    コンピュータに実現させることを特徴とする請求項８に記載のコンピュータ・プログラム。

Images