JP3314720B2

JP3314720B2 - 文字列検索装置

Info

Publication number: JP3314720B2
Application number: JP13079798A
Authority: JP
Inventors: 一弘田島
Original assignee: NEC Corp
Current assignee: NEC Corp
Priority date: 1998-05-13
Filing date: 1998-05-13
Publication date: 2002-08-12
Anticipated expiration: 2018-05-13
Also published as: JPH11328195A

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、文字列検索装置に
係り、特に任意の文字列から特定の文字列を検索する文
字列検索装置に関する。

【０００２】

【従来の技術】高度情報化社会が進展した現在、コンピ
ュータを用いて膨大な量のデータを蓄えるデータベース
から所定の文字列を高速に検索する技術は極めて重要な
事項である。例えば、特許情報検索においてはその検索
の方法によって探し出そうとする文献の質及び量が左右
される。

【０００３】従って、検索を行う場合には、検索者は適
切なキーワードを指定して検索を行わなければならな
い。一般的に、最も基本的な検索方法は、例えば１単語
からなる短いキーワードについてアンド（ＡＮＤ）検索
やオア（ＯＲ）検索を用いて順次検索対象を絞り込むこ
とが行われる。

【０００４】

【発明が解決しようとする課題】ところで、従来、長い
文字列の検索を行う場合には、検索自体の処理方法（ｎ
文字区切り、形態素解析等）のとき、区切った後の処理
はＯＲ検索を行いその機能をは果たすようにしていた。
そのため検索対象として、文書中に１単語でも含まれる
文書が対象となり、意味的に近い文書を膨大な量の文書
の中からさらに絞り込んで検索する必要がある。従っ
て、従来は長い文字列検索ではなく、単なる複数単語の
検索となり、検索時間に長時間を要するとともに、検索
の手間がかかりすぎ面倒であるという問題があった。ま
た、より多くの単語がマッチする文書を取り出したとし
ても単語間のつながりを考慮していないため、意味的に
全く関係の無い文書を取り出してしまい、指定したキー
ワードを含む有効な文書が、他の文献に埋もれてしまう
という問題があった。

【０００５】本発明は上記事情に鑑みてなされたもので
あり、指定した文字列が含まれる文書を迅速且つ高速に
検索することのできる文字列検索装置を提供することを
目的とする。

【０００６】

【課題を解決するための手段】上記課題を解決するため
に、本発明は、検索対象である文字列を入力する入力装
置と、単語を記憶した単語辞書と、検索結果として一致
しては好ましくない単語情報を記憶した不要語辞書と、
単語間のつながりの強さを示すつながり情報を記憶する
つながり情報記憶部とを有する記憶部と、前記単語辞書
及び不要語辞書に基づいて、前記入力装置から入力され
た文字列を単語に区切り、連続する少なくとも１つの前
記単語であって、各単語間の前記つながり情報が一定値
を越えたものを複合語とする文字列解析部と、文書デー
タベースから前記複合語を検索する検索処理部とを具備
することを特徴とする。また、本発明は、前記記憶部
が、前記単語間のつながり強さが一定値を越えたものを
示す使用頻度情報を格納する使用頻度情報記憶部を更に
具備することを特徴とする。また、本発明は、前記文字
列解析部が、前記使用頻度情報に基づいて、前記単語を
複合語とすることを特徴とする。

【０００７】

【発明の実施の形態】以下、図面を参照して本発明の一
実施形態による文字列検索装置の一実施形態について詳
細に説明する。図１は、本発明の一実施形態による文字
列検索装置の構成を示すブロック図である。

【０００８】本発明の一実施形態による文字列検索装置
は図１に示すように、キーボードやペン等を備える入力
装置１０と、入力装置１０から得られた入力文字を解析
する文字列解析部２０と、単語情報を保存する記憶部３
０と、文字列解析部２０から出力される解析結果文字列
から文書を取り出す検索処理部４０と、文書データベー
ス５０と、結果を出力する出力装置６０とからなる。

【０００９】上記記憶部３０は、単語辞書３２、不要語
辞書３４、つながり情報記憶部３６、使用頻度情報記憶
部３８からなる。上記単語辞書３２は種々の単語及びそ
の品詞情報を対応させて記憶している。また、つながり
情報記憶部３６は、単語辞書３２と対になり単語、品詞
間へのつながりの強さを数値化して表したつながり情報
を記憶する。更に、不要語辞書３４は検索結果としてマ
ッチしては好ましくない単語情報を記憶する。

【００１０】また、使用頻度情報記憶部３８は、品詞間
のつながり強さが一定値を越えたものを示す使用頻度情
報を格納する。この使用頻度情報は、上記つながり情報
の付加情報として使用され、次回の解析時に同一のつな
がり強さの単語が現われた場合この情報を参照して解析
が行われる。

【００１１】文字解析部２０は、入力装置１０から入力
された文字列を、単語辞書３２と不要語辞書３４とに従
って文字列の区切り位置を求め、区切られた文字毎に、
つながり情報記憶部３６から各単語のつながり強さを調
べ、単語間のつながり強さが一定以上のものを複合語と
して取り出す。また、つながり強さが一定に満たないも
のはその一単語のみで取り出す。更に、一度つながり強
さが一定値をこえ、複合語とみなされた単語には使用頻
度情報記憶部３８に使用頻度情報を追加して格納する。

【００１２】検索処理部４０は、上記文字列解析部２０
によって得られた複合語、単語を入力し、文書データベ
ース５０からマッチする文書があるか否かを検索する。
また、上記文字列解析部２０から得られた複合語に対し
ても、文字解析部２０によりさらに区切り、検索を行
う。最終的に一単語になるまでこの処理を繰り返す。そ
して、最終的にマッチした文書全ての情報を、ディスプ
レイ等の出力装置６０により出力し検索結果を取得す
る。

【００１３】次に、以上の構成における本発明の一実施
形態による文字列検索装置の動作について詳細に説明す
る。図２は、本発明の一実施形態による文字列検索装置
の動作を示すフローチャートである。

【００１４】まず、入力装置１０からキーワードとなる
文字列が入力されると（ステップＳＡ１）、入力された
文字列は文字列解析部２０へ渡される。文字解析部２０
は渡された文字列が単語辞書３２又は不要語辞書３４に
含まれているか否かをどうかを解析する（ステップＳＡ
２）。この解析の結果は、単語が単語辞書３２に存在し
たもの、不要語辞書３４に存在したもの、どちらにも存
在しないものの３通りになる。

【００１５】文字列解析部２０は、単語が単語辞書３２
に存在している場合には、その単語について処理を行
う。つまり、この単語の前後の単語が、不要語辞書３４
に存在しているか否かを記憶する。ここで、単語の前後
が両方とも不要語辞書に無かった単語の場合には処理を
終了する。

【００１６】次に、文字列解析部２０は、単語辞書３２
に存在した単語が複数続いているものに対して、つなが
り情報記憶部３６に記憶されたつながり情報から単語間
のつながり強さを調べる（ステップＳＡ４）。その際、
つながり強さの値を合計して、一定値以上になったもの
を複合語として取り出す。

【００１７】以上の処理によって、入力装置１０から入
力された文字列は以下の５つに分かれる。（１）つながり強さから得られた複合語（２）つながり強さが弱かった一単語（３）前後の単語が単語辞書に無い一単語（４）不要語辞書から得られた単語（５）辞書に存在しない語

【００１８】ここから、上記（１），（２），（３），
（５）の単語が取り出され、検索処理部４０へ渡され
る。上記単語が渡されると、検索処理部４０は文書デー
タベース５０に対して検索処理を行い（ステップＳＡ
４）、マッチした文書情報を取得する。

【００１９】上記（１）の単語に関しては再度解析処理
（図２中ステップＳＡ２）が行われた後に検索処理が行
われる。この処理を上記（１）の単語が無くなるまで繰
り返し行う。検索処理部４０は、全ての結果をマージし
て検索処理を行い（ステップＳＡ３）、検索結果を出力
装置６０に出力する。出力装置６０は検索結果が検索処
理部４０から出力されると、検索結果を出力する（ステ
ップＳＡ５）。

【００２０】次に、具体例を用いて本発明の一実施形態
をより詳細に説明する。図３は、本発明の一実施形態の
具体例を詳細に説明するための図である。いま、図１中
の入力装置１０に文字列「東京外国為替市場の円の相場
について」（図３（ｂ））が入力されたとする。この文
字列は入力装置１０から文字列処理部２０へ渡される。

【００２１】文字解析部２０は、受け渡された文字列
を、単語辞書３２及び不要語辞書３４の内容に基づいて
区切る。文字列が区切られた結果、図３（ｃ）のように
なったとする。つまり、文字列は単語「東京」「外国」
「為替」「市場」「の」「円」「の」「相場」「に」
「ついて」と区切られたとする。上記の処理が終了する
と、次に区切られた各単語を、単語辞書３２内にあるも
の、不要語辞書３４内にあるもの、何れにも無いものの
３通りに分類する。図３（ｃ）の例では、単語辞書３２
内にあるものに対し、記号「１」を付して示し、不要語
辞書３４内にあるものに対し、記号「２」を付して示し
た。

【００２２】そして、更に分かれた単語毎に前後の単語
の分類を参照して、「東京」「外国」「為替」「市場」
はつながり情報記憶部３６に記憶されたつながり情報か
らつながる可能性があると判断され、複合語として抜き
出される（図３（ｄ）。また、「円」、「相場」という
単語の前後は不要語辞書３４内にあるもの「の」「の」
「に」に囲まれているため、「円」「相場」は一単語と
する（図３（ｅ）。

【００２３】以上の文字列解析部２０の解析の結果、図
３（ｆ）に示されている単語が検索処理部４０へ渡さ
れ、検索処理部４０はこれらの単語に基づいて文書デー
タベース５０を検索する。検索処理部４０は検索処理を
終了すると、得られた文書を第一文書群として取り出
す。

【００２４】次に、文字列解析部２０は、結合された複
合語(この場合は、「東京外国為替市場」)を再度解析す
る。この解析は、前述と同様に単語辞書３２及びつなが
り情報記憶部３６に記憶されたつながり情報記憶部３６
を用いて行われれ、複合語の区切りが設定される。この
場合、「東京」「外国為替」「為替市場」（図３
（ｅ））というように切られるような情報が保存されて
いたとする。この処理は予め単語間のつながりを登録す
ることによって得られる。

【００２５】そして、この結果に基づいて検索処理部４
０は再度検索を行ってランクづけをする。この結果、得
られた文書群は第二文書群とし、図３（ｆ）に示した単
語で検索したものを第三文書群とする。この際、既に前
の文書群において検索した語（図３（ｅ）中の単語「東
京」)は外される。以上の処理を単語が全て区切られる
まで繰り返すことによって、第三、第四、…第ｎ文書群
を得る。最後に得られた第一から第ｎ文書群までを順に
検索結果として、出力装置６０から出力する。

【００２６】次に、本発明の他の実施形態について説明
する。本実施形態が、前述の一実施形態と異なる点は、
単語辞書３２に関連する情報として、つながり情報記憶
部３６に記憶されたつながり情報だけではなく、更に使
用頻度情報記憶部３８に記憶された使用頻度情報を使用
する点である。

【００２７】入力装置１０から文字列が入力されると、
文字列解析部２０は、入力装置１０から入力された文字
列をつながり情報記憶部３６に記憶された単語のつなが
り情報により、複合語と単語、それ以外に分類する。こ
の際、複合語として得られた単語に対する使用頻度情報
の値を増加させる。一方、複合語が文書から見つからな
かった場合、使用頻度情報の値を減少させる。この使用
頻度情報は次回に検索を行った時に、三単語以上の複合
語が現われた場合、その複合語が文書内に存在しなかっ
た場合に利用される。

【００２８】例えば、ある三単語からなる複合語が入力
から得られたとし、その各単語をそれぞれ「１」「２」
「３」とする。このとき、「１２３」からなる単語が文
書に発見されない場合、前述の一実施形態では「１」
「２」「３」それぞれに分割して再度検索を行ってい
る。そのため、「１」、「２」、又は「３」のみが含ま
れた文書がマッチしてしまう。そこで、予め得られた使
用頻度情報により、「１２」のつながりが「２３」のつ
ながりよりも頻度が高いならば、「１２」と「３」を検
索の対象とし、「１」「２」「３」がどれか一つだけ入
っているものよりもより入力に近い文書を探し出すよう
に処理することができる。

【００２９】次に、より具体例に本実施形態の動作につ
いて説明する。図４は、本発明の他の実施形態の具体例
を詳細に説明するための図である。まず、図４（ｂ）に
示されたように、入力装置１０から文字列「東京外国為
替市場の円の相場について」が入力された場合を考え
る。文字列解析部２０に上記文字列が入力されると、文
字列解析部２０は、受け取った文字列を、単語辞書３２
及び不要語辞書３４に基づいて、その文字列を区切りる
処理を行う。図４（ｃ）に示したように、上記文字列
は、単語「東京」「外国」「為替」「市場」「の」
「円」「の」「相場」「に」「ついて」と区切られる。

【００３０】次に、区切られた各単語を、単語辞書３２
内にあるもの、不要語辞書３４内にあるもの、どちらに
も無いものの３つに分類する。そして、更に分かれた単
語を見て行くと、つながり情報記憶部３６に記憶された
つながり情報から単語「東京」「外国」「為替」「市
場」はつながる可能性があると判断され、複合語として
抜き出す（図４（ｄ））。

【００３１】また、単語「円」「相場」の前後が不要語
辞書３４内にあるもの、即ち「の」「の」「に」に囲ま
れているため、「円」「相場」を一単語とする（図４
（ｄ））。よって解析の結果、図４（ｄ）に示されてい
る単語を検索対象とする単語とする。これらの単語情報
は検索処理部４０に渡される。

【００３２】まず、「東京外国為替市場」が複合語とし
て現われるが、各単語「東京」「外国」「為替」「市
場」に対し、使用頻度情報記憶部３８に記憶された使用
頻度情報を参照する。いま、以前「為替市場」という入
力が現われており、「外国」「為替」間の使用頻度より
高かったとする。その場合、再解析の結果レベル１とし
て、「為替市場」で検索し、レベル２として、「東京」
「外国為替」を検索する。これによって、「東京」「外
国為替」「為替市場」を同じレベルの文書群とするより
も、より入力に近いものが見つかることが予想される。

【００３３】図５は、得られた文書の内、ランクの異な
る文書の一例を示す図である。図５（ａ）に示した文書
はランクが高く、（ｂ）に示した文書はランクの低い文
書である。

【００３４】前述のレベル１から３の単語が存在しない
場合は、図４（ｃ）に示される全ての単語を検索対象と
する。そして、検索処理部４０によって文書が見つけら
れた場合、出力装置６０から文字列が出力される。本実
施形態においては、三段階で最大区切りに到達したが、
他の文字列の場合、これを何段階も繰り返して最大区切
りまで処理する。つまり、文字列の区切りを繰り返す毎
に検索を行い、マッチした文書群を順に並べる。このこ
とにより、より入力装置１０から入力された文字列に近
いものが含まれている文書を出力装置６０から出力でき
る。

【００３５】

【発明の効果】以上、説明したように、本発明によれ
ば、入力した検索文字が単に含まれているという文書を
探すのではなく、入力された文字列の内容により近い文
書を見つけ出すことができるという効果がある。そのた
め、再入力を行ったり、結果から更に入力を行い、絞り
込んで検索するなどの手間が省けるという効果がある。
更に、入力する時間、アクセスしている時間を減らす事
により、取得した文書の内容をより多く参照することが
できるという効果がある。

【図面の簡単な説明】

【図１】本発明の一実施形態による文字列検索装置の
構成を示すブロック図である。

【図２】本発明の一実施形態による文字列検索装置の
動作を示すフローチャートである。

【図３】本発明の一実施形態の具体例を詳細に説明す
るための図である。

【図４】本発明の他の実施形態の具体例を詳細に説明
するための図である。

【図５】得られた文書の内、ランクの異なる文書の一
例を示す図である。

【符号の説明】

１０入力装置２０文字列解析部３０記憶部３２単語辞書３４不要語辞書３６つながり情報記憶部３８使用頻度情報記憶部４０検索処理部５０文書データベース

───────────────────────────────────────────────────── フロントページの続き (58)調査した分野(Int.Cl.⁷，ＤＢ名) G06F 17/30 ＪＩＣＳＴファイル（ＪＯＩＳ)

Claims

(57)【特許請求の範囲】

【請求項１】検索対象である文字列を入力する入力装
置と、単語を記憶した単語辞書と、検索結果として一致しては
好ましくない単語情報を記憶した不要語辞書と、単語間
のつながりの強さを示すつながり情報を記憶するつなが
り情報記憶部とを有する記憶部と、前記単語辞書及び不要語辞書に基づいて、前記入力装置
から入力された文字列を単語に区切り、連続する少なく
とも１つの前記単語であって、各単語間の前記つながり
情報が一定値を越えたものを複合語とする文字列解析部
と、文書データベースから前記複合語を検索する検索処理部
とを具備することを特徴とする文字列検索装置。
【請求項２】前記記憶部は、前記単語間のつながり強
さが一定値を越えたものを示す使用頻度情報を格納する
使用頻度情報記憶部を更に具備することを特徴とする請
求項１記載の文字列検索装置。
【請求項３】前記文字列解析部は、前記使用頻度情報
に基づいて、前記単語を複合語とすることを特徴とする
請求項２記載の文字列検索装置。