JP4452527B2

JP4452527B2 - 文書検索装置、文書検索方法、および文書検索プログラム

Info

Publication number: JP4452527B2
Application number: JP2004063183A
Authority: JP
Inventors: 広樹谷岡; 健一山本; 世柱王
Original assignee: 株式会社ジャストシステム
Priority date: 2004-03-05
Filing date: 2004-03-05
Publication date: 2010-04-21
Anticipated expiration: 2024-03-05
Also published as: JP2005251038A

Description

この発明は、複数の検索対象文書の中から入力された検索条件に適合するもの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。

複数の電子文書の中から、特定の検索語を本文中に含む文書、あるいは特定の検索文に意味的に類似する文書などを検索する従来技術の中には、上記検索語や検索文を拡張することで、より漏れの少ない検索を実現しているものがある。

たとえば、本出願人の発明にかかる特許文献１に記載の従来技術では、入力された検索条件中の各キーワードでシソーラス辞書を検索して、検索された類義語を上記条件に追加している。ただしこのとき、他のキーワードとの共起性の低い類義語は追加しない。たとえば検索条件が「乗用車の新モデル」であり、キーワード「モデル」の類義語として「新タイプ」と「美人」が辞書にあったとしても、もう一つのキーワード「乗用車」と同時に出現することの少ない「美人」は採用せず、「新タイプ」のみを検索条件に追加する。

また、特許文献２に記載の従来技術では、検索対象文書中で同一の単語に係る複数の単語の集合を類義語とし、入力された検索語にその類義語を追加して検索を行うものである。たとえば対象文書群に「政治を改革する」「経済を改革する」「構造を改革する」「組織を改革する」などの係り受けがあった場合、「政治」「経済」「構造」「組織」などが類義語となる。

また、特許文献３に記載の従来技術では、あらかじめ作成された「共起データベース」を参照して、検索条件中のキーワードの語義の曖昧性を解消する。たとえば共起データベース中に「投球／フォーム」および「フォーム／に／入力」の２つの係り受けが存在し、かつ前者の「フォーム」は「姿勢」、後者の「フォーム」は「帳票」の意味であることがそれぞれ登録されていたとすると、ユーザが入力した検索条件「投球フォーム」中の「フォーム」は「姿勢」の意味であると解釈される。

特開平１１−４５２７４号公報特開２００３−１０８５８２号公報特開２００２−２３００２１号公報

しかしながらたとえば特許文献１に記載の発明では、もともとシソーラス辞書にないキーワードでは検索条件を拡張できない一方、ある距離内に存在するキーワードが必ずしも意味的に類似するとは限らないので、単純な共起確率にもとづく類義語の取捨選択は必ずしも正確とはいえない。特許文献２に記載の発明では、類義語が検索対象文書中の係り受けにより厳密に規定されてしまい、たとえば対象文書群に「社会を変革する」という係り受けがあっても、「政治」の類義語として「社会」を抽出することができない。また、特許文献３に記載の発明では、そもそも共起データベースを構築するのにコストがかかってしまう（係り受けの抽出までは自動化できるとしても、それぞれの係り受けにおける各語の意味を登録するのに人手がかかる）。

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、検索条件を構成する各語の類義語のうち、特定の語義に属するものだけを選択的に拡張に使用することで、検索精度を向上させ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、この発明にかかる文書検索装置は、複数の検索対象文書の中から入力された検索条件に適合するものを検索する文書検索装置において、前記検索条件中の単語を抽出するターム抽出手段と、前記ターム抽出手段により抽出された単語に係る単語を抽出するメタターム抽出手段と、前記ターム抽出手段または前記メタターム抽出手段により抽出された単語の類義語を検索する類義語検索手段と、前記メタターム抽出手段により抽出された単語について前記類義語検索手段により検索された類義語が、前記複数の検索対象文書中で前記ターム抽出手段により抽出された単語に係っている場合に、当該類義語の属する語義を前記メタターム抽出手段により抽出された単語の語義として特定する第１の語義特定手段と、前記メタターム抽出手段により抽出された単語について前記類義語検索手段により検索された類義語のうち、前記第１の語義特定手段により特定された語義に属するものを選択する第１の類義語選択手段と、前記ターム抽出手段により抽出された単語について前記類義語検索手段により検索された類義語が、前記複数の検索対象文書中で前記メタターム抽出手段により抽出された単語または前記第１の類義語選択手段により選択された類義語に係られている場合に、当該類義語の属する語義を前記ターム抽出手段により抽出された単語の語義として特定する第２の語義特定手段と、前記ターム抽出手段により抽出された単語について前記類義語検索手段により検索された類義語のうち、前記第２の語義特定手段により特定された語義に属するものを選択する第２の類義語選択手段と、前記ターム抽出手段により抽出された単語および前記第１の類義語選択手段により選択されたその類義語、ならびに前記メタターム抽出手段により抽出された単語および前記第２の類義語選択手段により選択されたその類義語を用いて、前記複数の検索対象文書の中から前記検索条件に適合するものを検索する文書検索手段と、を備えることを特徴とする。

この発明によれば、検索条件を構成する各単語の語義の曖昧性が、検索対象文書中での係り受けを基礎として解消された上で、特定された語義に属する類義語のみが検索条件として採用される。

また、この発明にかかる文書検索装置は、上記の発明において、前記文書検索手段が、前記複数の検索対象文書の中から、前記メタターム抽出手段により抽出された単語あるいは前記第２の類義語選択手段により選択されたその類義語が前記ターム抽出手段により抽出された単語あるいは前記第１の類義語選択手段により選択されたその類義語に係っているものを検索することを特徴とする。

この発明によれば、拡張された検索条件中の係る語と係られる語をともに含み、かつそれらに係り受け関係の存在する文書のみが適合文書とされる。

また、この発明にかかる文書検索装置は、上記の発明において、前記ターム抽出手段により抽出されるのは前記検索条件中の名詞であり、前記メタターム抽出手段により抽出されるのは当該名詞に係る形容詞であることを特徴とする。

この発明によれば、検索条件を構成する各単語の語義の曖昧性が、検索対象文書中での係り受け（具体的には形容詞→名詞の係り受け）を基礎として解消された上で、特定された語義に属する類義語のみが検索条件として採用される。

また、この発明にかかる文書検索装置は、上記の発明において、前記文書検索手段が、前記単語および類義語のほか、前記複数の検索対象文書のうち前記メタターム抽出手段により抽出された単語が前記ターム抽出手段により抽出された単語に係っている文書中の単語を用いて、前記複数の検索対象文書の中から前記検索条件に適合するものを検索することを特徴とする。

この発明によれば、検索対象文書中で、検索条件を構成する複数の単語の組み合わせと共起する関連語もあわせて検索条件として採用される。

また、この発明にかかる文書検索方法は、複数の検索対象文書の中から入力された検索条件に適合するものを検索する文書検索方法において、前記検索条件中の単語を抽出するターム抽出工程と、前記ターム抽出工程で抽出された単語に係る単語を抽出するメタターム抽出工程と、前記ターム抽出工程または前記メタターム抽出工程で抽出された単語の類義語を検索する類義語検索工程と、前記メタターム抽出工程で抽出された単語について前記類義語検索工程で検索された類義語が、前記複数の検索対象文書中で前記ターム抽出工程で抽出された単語に係っている場合に、当該類義語の属する語義を前記メタターム抽出工程で抽出された単語の語義として特定する第１の語義特定工程と、前記メタターム抽出工程で抽出された単語について前記類義語検索工程で検索された類義語のうち、前記第１の語義特定工程で特定された語義に属するものを選択する第１の類義語選択工程と、前記ターム抽出工程で抽出された単語について前記類義語検索工程で検索された類義語が、前記複数の検索対象文書中で前記メタターム抽出工程で抽出された単語または前記第１の類義語選択工程で選択された類義語に係られている場合に、当該類義語の属する語義を前記ターム抽出工程で抽出された単語の語義として特定する第２の語義特定工程と、前記ターム抽出工程で抽出された単語について前記類義語検索工程で検索された類義語のうち、前記第２の語義特定工程で特定された語義に属するものを選択する第２の類義語選択工程と、前記ターム抽出工程で抽出された単語および前記第１の類義語選択工程で選択されたその類義語、ならびに前記メタターム抽出工程で抽出された単語および前記第２の類義語選択工程で選択されたその類義語を用いて、前記複数の検索対象文書の中から前記検索条件に適合するものを検索する文書検索工程と、を含むことを特徴とする。

また、この発明にかかる文書検索方法は、上記の発明において、前記文書検索工程では、前記複数の検索対象文書の中から、前記メタターム抽出工程で抽出された単語あるいは前記第２の類義語選択工程で選択されたその類義語が前記ターム抽出工程で抽出された単語あるいは前記第１の類義語選択工程で選択されたその類義語に係っているものを検索することを特徴とする。

また、この発明にかかる文書検索方法は、上記の発明において、前記ターム抽出工程で抽出されるのは前記検索条件中の名詞であり、前記メタターム抽出工程で抽出されるのは当該名詞に係る形容詞であることを特徴とする。

また、この発明にかかる文書検索方法は、上記の発明において、前記文書検索工程では、前記単語および類義語のほか、前記複数の検索対象文書のうち前記メタターム抽出工程で抽出された単語が前記ターム抽出工程で抽出された単語に係っている文書中の単語を用いて、前記複数の検索対象文書の中から前記検索条件に適合するものを検索することを特徴とする。

また、この発明にかかる文書検索プログラムによれば、上記の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、検索条件を構成する各語の類義語のうち、特定の語義に属するものだけを選択的に拡張に使用することで、検索精度を向上させ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。

（実施の形態）
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−ＲＷやＣＤ−Ｒ、あるいはＣＤ−ＲＯＭ１０９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読み書きされるデータを記憶する着脱自在のＣＤ−ＲＷ、ＣＤ−ＲあるいはＣＤ−ＲＯＭ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行うマウスを、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は検索部であり、検索ＤＢ２０１を参照して検索条件（以下では「クエリ」ともいう）に適合する文書を検索する機能部である。ただし、検索部２００は文書（ドキュメント）単位ではなく、文書をさらに細分化したサブドキュメント単位で適合の有無を判定し、適合したサブドキュメントを含むドキュメントを適合文書とする。

そのため検索ＤＢ２０１では、図３に示すように、サブドキュメントごとにそこに出現する「ターム」（図中「ｇｉｒｌ」「ｍｏｄｅｌ」など）が保持される。また個々のタームについて、その検索対象文書群中での出現頻度や分布状況などを示すＴＦ／ＩＤＦ値（ＴｅｒｍＦｒｅｑｕｅｎｃｙ／ＩｎｖｅｒｓｅＤｏｃｕｍｅｎｔＦｒｅｑｕｅｎｃｙ）、メタターム、サブドキュメントの本体へのポインタなどが保持される。なお、同図では説明の便宜上、実際のデータを簡略化して示している。

ここで「ターム」と「メタターム」はいずれも語句であるが、ここでは説明の便宜上、語句としては単語のみを考えるものとする（一ないし複数の単語から構成される文字列が「語句」であり、「単語」は「語句」の一種という関係にある）。そして「ターム」とは他の語に係られる語、「メタターム」とは他の語に係る語である。

たとえば、あるドキュメントのあるサブドキュメントに「Ｓｈｅｉｓａｂｅａｕｔｉｆｕｌｇｉｒｌ．」という文があった場合、形態素解析および構文解析により「ｂｅａｕｔｉｆｕｌ」が「ｇｉｒｌ」に係っていることが分かれば、当該サブドキュメント中のタームとして「ｇｉｒｌ」が、そのメタタームとして「ｂｅａｕｔｉｆｕｌ」が、それぞれ検索ＤＢ２０１に登録される。なお、一つのタームは複数のメタタームを持つことができる。また、上記はタームが名詞（被修飾語）でメタタームが形容詞（修飾語）の例であるが、たとえばタームが動詞でメタタームが副詞の場合（副詞→動詞）や、タームが述語でメタタームが主語の場合（主語→述語）など、形容詞→名詞以外の種々の係り受けからタームとそのメタタームとを特定することが可能である。

そして検索部２００は、サブドキュメントを順次検索してクエリ中のタームと同一のタームがあるかどうかを調べ、クエリ中のタームがあれば、次に当該タームのメタターム中にクエリ中のメタタームと同一のものがあるかどうかを調べる。そして、クエリ中のメタタームがあれば、当該タームのＴＦ／ＩＤＦ値などから計算される重みにもとづいて、当該サブドキュメントとクエリとの類似度（具体的には、各々について作成されたベクトル間の距離）を計算する。そして、この類似度が閾値以上となったサブドキュメントを適合と判定する。

したがって、たとえば「ｂｅａｕｔｉｆｕｌｇｉｒｌ」がクエリとして与えられた場合、あるサブドキュメントにメタターム「ｒｉｃｈ」に修飾されるターム「ｇｉｒｌ」があったとしても、このタームは当該サブドキュメントの類似度計算に寄与しない（ターム「ｇｉｒｌ」を含むがためにこのサブドキュメントの類似度が上がってしまうことはない）。このようにタームに係るメタタームの共通性まで考慮することで、「ｂｅａｕｔｉｆｕｌｇｉｒｌ」に関する文書を探しているユーザに、「ｒｉｃｈｇｉｒｌ」に関する文書を提示してしまうことがなくなり、検索ノイズを低減することができる。

図２の説明に戻り、次に２０２は検索結果表示部であり、検索部２００で適合文書と判定された文書のタイトル一覧などを画面表示する機能部である。

また、２０３はユーザからのクエリの入力を受け付けてクエリ解析部２０４に出力するクエリ入力部、２０４はクエリ入力部２０３から入力したクエリ中のタームおよびメタタームを、形態素解析および構文解析により抽出するクエリ解析部、２０５はＷｏｒｄＮｅｔなど、ターム／メタタームが有する語義ごとに各語義に属する類義語が登録された類義語辞書、２０６はクエリ解析部２０４により抽出されたタームおよびメタタームの類義語を類義語辞書２０５から検索するとともに、当該類義語の中からクエリ拡張に使用するものを選択する機能部である。

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。たとえばユーザがクエリとして「ｂｅａｕｔｉｆｕｌｇｉｒｌ」を入力した場合（ステップＳ４０１：Ｙｅｓ）、クエリ入力部２０３からこれを引き取ったクエリ解析部２０４により、ターム「ｇｉｒｌ」とそのメタターム「ｂｅａｕｔｉｆｕｌ」が抽出される（ステップＳ４０２）。次に、これらのタームをクエリ解析部２０４から引き取ったクエリ拡張部２０６により、類義語辞書２０５からこれらのタームの類義語が検索される（ステップＳ４０３）。

図５は類義語辞書２０５の内容を模式的に示す説明図である。図示するように類義語辞書２０５には、ターム／メタタームとその語義、および当該ターム／メタタームが各語義で使用された場合の類義語が対応づけて保持されている。たとえばメタターム「ｂｅａｕｔｉｆｕｌ」には２つの語義があり、語義１に属する類義語としては「ｐｒｅｔｔｙ」および「ｌｏｖｅｌｙ」、語義２に属する場合の類義語としては「ａｅｓｔｈｅｔｉｃ」および「ｅｓｔｈｅｔｉｃ」が、それぞれ登録されている。

そして、クエリ「ｂｅａｕｔｉｆｕｌｇｉｒｌ」を類義語辞書２０５により単純に拡張した場合、図５中のすべての類義語（「ｐｒｅｔｔｙ」「ｌｏｖｅｌｙ」・・・「ｆｅｍａｌｅ」の７語）がクエリに追加されることになるが、本発明のクエリ拡張部２０６はまず、検索対象文書中の係り受けから「ｂｅａｕｔｉｆｕｌ」および「ｇｉｒｌ」の語義を特定（語義の曖昧性を解消）した上で、特定された語義に属する類義語のみを追加する。

たとえば、検索対象文書が図６に示す文書１〜文書４であり、各文書中（厳密には、各ドキュメントを構成するいずれかのサブドキュメント中）に図示するような係り受けが存在する場合を考える。

この場合、上述の検索ＤＢ２０１では、ターム「ｇｉｒｌ」のメタタームとして「ｐｒｅｔｔｙ」のみが登録されることになる。したがって、クエリ中のメタターム「ｂｅａｕｔｉｆｕｌ」の４つの類義語「ｐｒｅｔｔｙ」「ｌｏｖｅｌｙ」「ａｅｓｔｈｅｔｉｃ」「ｅｓｔｈｅｔｉｃ」のうち、検索対象文書中で「ｇｉｒｌ」に係っているのは「ｐｒｅｔｔｙ」のみであることが分かる。そこでクエリ拡張部２０６は、クエリ解析部２０４から入力したクエリ中の「ｂｅａｕｔｉｆｕｌ」の語義を、図５に示した類義語辞書２０５内の２つの語義のうち語義１と判断し、上記４語の中から「ｐｒｅｔｔｙ」および「ｌｏｖｅｌｙ」の２語のみを選択する（ステップＳ４０４）。

一方、クエリ中のターム「ｇｉｒｌ」の３つの類義語「ｗｏｍａｎ」「ｌａｄｙ」「ｆｅｍａｌｅ」のうち、検索対象文書中でクエリ中のメタターム「ｂｅａｕｔｉｆｕｌ」、あるいは上記で採用されたその類義語「ｐｒｅｔｔｙ」「ｌｏｖｅｌｙ」に係られているのは「ｗｏｍａｎ」のみである。そこでクエリ拡張部２０６は、クエリ解析部２０４から入力したクエリ中の「ｇｉｒｌ」の語義を、図５に示した類義語辞書２０５内の２つの語義のうち語義１と判断し、上記３語のうち「ｗｏｍａｎ」および「ｌａｄｙ」の２語のみを選択する（ステップＳ４０５）。

上記による類義語の絞り込みの結果、メタタームとしては「ｂｅａｕｔｉｆｕｌ」「ｐｒｅｔｔｙ」「ｌｏｖｅｌｙ」の３語が、タームとしては「ｇｉｒｌ」「ｗｏｍａｎ」「ｌａｄｙ」の３語が、それぞれクエリ拡張部２０６から出力されるので、これを引き取った検索部２００による検索ＤＢ２０１の検索（ステップＳ４０６）では、
（１）ｂｅａｕｔｉｆｕｌｇｉｒｌ
（２）ｂｅａｕｔｉｆｕｌｗｏｍａｎ
（３）ｂｅａｕｔｉｆｕｌｌａｄｙ
（４）ｐｒｅｔｔｙｇｉｒｌ
（５）ｐｒｅｔｔｙｗｏｍａｎ
（６）ｐｒｅｔｔｙｌａｄｙ
（７）ｌｏｖｅｌｙｇｉｒｌ
（８）ｌｏｖｅｌｙｗｏｍａｎ
（９）ｌｏｖｅｌｙｌａｄｙ
のいずれかの係り受けを有する文書以外はヒットしなくなる。すなわち図６の例であれば、上記（４）に該当する文書１および上記（８）に該当する文書２のみが適合文書とされることになる。

最後に、検索部２００から上記結果を受けた検索結果表示部２０２が、適合文書のタイトル一覧などを画面表示する（ステップＳ４０７）。

図７は、クエリ拡張部２０６による語義曖昧性の解消の様子を概念的に示す説明図である。クエリ中にメタタームとして修飾語Ｍ、タームとして被修飾語Ｈがあったとき、類義語辞書２０５に登録された修飾語Ｍの類義語Ｍ’が検索対象文書中で被修飾語Ｈを修飾していれば、類義語Ｍ’の属する語義（図中「Ｍの語義１」）を修飾語Ｍの語義とみなし、当該語義に属するＭの類義語をクエリに追加する。次に、被修飾語Ｈの類義語Ｈ’が検索対象文書中で修飾語Ｍあるいは上記で採用されたその類義語（Ｍ’など）に修飾されていれば、類義語Ｈ’の属する語義（図中「Ｈの語義１」）を被修飾語Ｈの語義とみなし、当該語義に属するＨの類義語をクエリに追加する。

以上説明した実施の形態によれば、クエリ中の各語が複数の語義を有する場合でも、検索対象文書中の係り受けを手がかりに語義が絞り込まれるので、絞り込まれた語義に属する類義語のみをクエリの拡張に使用することができる。このように、入力されたクエリの拡張を意味的に適切な類義語により行うので、検索精度（特に再現率）を向上させることが可能である。

なお、上述した実施の形態ではクエリ中の「ｂｅａｕｔｉｆｕｌ」「ｇｉｒｌ」のいずれも語義が一つに確定されているが、必ずしも一つでなく、語義をいくつかに絞り込めるだけでも一定の効果が期待できる。すなわち、たとえば図６に示した文書１〜文書４に加えて、「ｐｒｅｔｔｙｆｅｍａｌｅ」という係り受けを有する文書５が存在したとすると、「ｇｉｒｌ」の語義は図５の語義１とも２とも特定できないが、少なくとも「ｂｅａｕｔｉｆｕｌ」は語義１に絞り込めるので、クエリ拡張に追加されるのは図５に示した７個の類義語のうち「ｐｒｅｔｔｙ」「ｌｏｖｅｌｙ」「ｗｏｍａｎ」「ｌａｄｙ」「ｆｅｍａｌｅ」の５語のみとなる。

また、上述した実施の形態では特定された語義に属する類義語をすべて拡張に使用したが、その中からさらにいくつかを選択的に使用するようにしてもよい。たとえば、類義語Ａと類義語Ｂとが検索対象文書群中で同一の文書に出現する回数（共起する回数）をＡＢ間の類似度とみなし、上記語義に属する複数の類義語のうち、この類似度が閾値以上となるものだけをクエリに追加することが考えられる。あるいは、類義語辞書２０５中でＡの類義語としてＣ・Ｄ・Ｅが、Ｂの類義語としてＣ・Ｅ・Ｆが、それぞれ登録されている場合に、ＡとＢとの類似度を２（＝共通する類義語の個数）として、同様に閾値以上となるものだけを追加するようにしてもよい。後者では類義語の選択にあたって検索ＤＢ２０１を参照する必要がない（類義語辞書２０５の参照のみで足りる）ので、前者に比べて処理を高速化できる。

また、上述した実施の形態ではもっぱら類義語辞書２０５内の類義語のみをクエリ拡張に使用したが、これ以外の語を使用することも可能である。たとえば、検索対象文書群中でしばしば同一の文書に出現する（共起する）語同士は、必ずしも「類義語」ではなくとも、何らかの意味的な関連を有する「関連語」ではあって、拡張に使用すれば検索精度の向上につながる可能性がある。

ただ、従来は単純にタームの共起に注目してこの「関連語」を抽出していたので、たとえば図３に示した検索ＤＢ２０１の場合、クエリ「ｂｅａｕｔｉｆｕｌｇｉｒｌ」中の「ｇｉｒｌ」の関連語として「ｍｏｄｅｌ」や「ｄｉａｍｏｎｄ」がともに抽出されてしまい、これらによるクエリ拡張後の検索では、かえって検索ノイズが増加してしまうことも多かった。

そこで、単に「ターム」ではなく「共通のメタタームを有するターム」の共起に注目し、たとえば拡張対象のクエリが「ｂｅａｕｔｉｆｕｌｇｉｒｌ」であるときは、特にメタターム「ｂｅａｕｔｉｆｕｌ」を有するターム「ｇｉｒｌ」とドキュメント１のサブドキュメント１およびドキュメント２のサブドキュメント１で共起する、ターム「ｍｏｄｅｌ」のみを「ｇｉｒｌ」の関連語とする（「ｒｉｃｈｇｉｒｌ」と共起するだけの「ｄｉａｍｏｎｄ」は関連語とみなさない）ことで、検索ノイズを低減させることができる。なお、この場合も共起回数をターム間の類似度とみなし、類似度が閾値以上となったもの同士を関連語とする。

なお、本実施の形態で説明した文書検索方法は、あらかじ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、ＨＤ、ＦＤ、ＣＤ−ＲＯＭ、ＣＤ−Ｒ、ＣＤ−ＲＷ、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、検索精度の向上のためユーザの入力した検索条件を自動的に拡張する用途に有用であり、特に上記条件中の語句が多義的であって、それぞれの意味で使用された場合の類義語が多数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。検索ＤＢ２０１の内容を模式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、文書検索処理の手順を示すフローチャートである。類義語辞書２０５の内容を模式的に示す説明図である。検索対象文書の一例を模式的に示す説明図である。クエリ拡張部２０６による語義曖昧性の解消の様子を概念的に示す説明図である。

符号の説明

１００バス
１０１ＣＰＵ
１０２ＲＯＭ
１０３ＲＡＭ
１０４ＨＤＤ
１０５ＨＤ
１０６ＦＤＤ
１０７ＦＤ
１０８ＣＤ−ＲＷドライブ
１０９ＣＤ−ＲＷ／ＣＤ−Ｒ／ＣＤ−ＲＯＭ
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検索部
２０１検索ＤＢ
２０２検索結果表示部
２０３クエリ入力部
２０４クエリ解析部
２０５類義語辞書
２０６クエリ拡張部

Claims

複数の検索対象文書を保持するとともに、当該検索対象文書に出現する単語と当該単語に係られるおよび係る単語とを関連付けして保持する検索データベースから、入力された検索条件に適合する検索対象文書を検索する文書検索装置であって、
前記検索条件中の単語を抽出するターム抽出手段と、
前記ターム抽出手段により抽出された単語に係る単語を抽出するメタターム抽出手段と、
各単語が有する語義に属する類義語が登録された類義語辞書と、
前記ターム抽出手段または前記メタターム抽出手段により抽出された単語の類義語を前記類義語辞書から検索する類義語検索手段と、
前記検索データベースを検索し、前記メタターム抽出手段により抽出された単語について前記類義語検索手段により検索された類義語が、前記複数の検索対象文書中で前記ターム抽出手段により抽出された単語に係っている場合に、当該類義語の属する語義を前記メタターム抽出手段により抽出された単語の語義として特定する第１の語義特定手段と、
前記メタターム抽出手段により抽出された単語について前記類義語検索手段により検索された類義語のうち、前記第１の語義特定手段により特定された語義に属するものを選択する第１の類義語選択手段と、
前記検索データベースを検索し、前記ターム抽出手段により抽出された単語について前記類義語検索手段により検索された類義語が、前記複数の検索対象文書中で前記メタターム抽出手段により抽出された単語または前記第１の類義語選択手段により選択された類義語に係られている場合に、当該類義語の属する語義を前記ターム抽出手段により抽出された単語の語義として特定する第２の語義特定手段と、
前記ターム抽出手段により抽出された単語について前記類義語検索手段により検索された類義語のうち、前記第２の語義特定手段により特定された語義に属するものを選択する第２の類義語選択手段と、
前記検索データベースに保持される前記複数の検索対象文書の中から、前記メタターム抽出手段により抽出された単語あるいは前記第２の類義語選択手段により選択されたその類義語が前記ターム抽出手段により抽出された単語あるいは前記第１の類義語選択手段により選択されたその類義語に係っているものを検索する文書検索手段と、
を備えることを特徴とする文書検索装置。
前記ターム抽出手段により抽出されるのは前記検索条件中の名詞であり、前記メタターム抽出手段により抽出されるのは当該名詞に係る形容詞であ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。
複数の検索対象文書を保持するとともに、当該検索対象文書に出現する単語と当該単語に係られるおよび係る単語とを関連付けして保持する検索データベースから、入力された検索条件に適合する検索対象文書を検索する文書検索装置が実行する文書検索方法であって、
前記文書検索装置が、各語義に属する類義語が登録された類義語辞書と、ターム抽出手段と、メタターム抽出手段と、類義語検索手段と、第１の語義特定手段と、第１の類義語選択手段と、第２の語義特定手段と、第２の類義語選択手段と、文書検索手段と、を備え、
前記ターム抽出手段が、前記検索条件中の単語を抽出するターム抽出工程と、
前記メタターム抽出手段が、前記ターム抽出工程で抽出された単語に係る単語を抽出するメタターム抽出工程と、
前記類義語検索手段が、前記ターム抽出工程または前記メタターム抽出工程で抽出された単語の類義語を前記類義語辞書から検索する類義語検索工程と、
前記第１の語義特定手段が、前記検索データベースを検索し、前記メタターム抽出工程で抽出された単語について前記類義語検索工程で検索された類義語が、前記複数の検索対象文書中で前記ターム抽出工程で抽出された単語に係っている場合に、当該類義語の属する語義を前記メタターム抽出工程で抽出された単語の語義として特定する第１の語義特定工程と、
前記第１の類義語選択手段が、前記メタターム抽出工程で抽出された単語について前記類義語検索工程で検索された類義語のうち、前記第１の語義特定工程で特定された語義に属するものを選択する第１の類義語選択工程と、
前記第２の語義特定手段が、前記検索データベースを検索し、前記ターム抽出工程で抽出された単語について前記類義語検索工程で検索された類義語が、前記複数の検索対象文書中で前記メタターム抽出工程で抽出された単語または前記第１の類義語選択工程で選択された類義語に係られている場合に、当該類義語の属する語義を前記ターム抽出工程で抽出された単語の語義として特定する第２の語義特定工程と、
前記第２の類義語選択手段が、前記ターム抽出工程で抽出された単語について前記類義語検索工程で検索された類義語のうち、前記第２の語義特定工程で特定された語義に属するものを選択する第２の類義語選択工程と、
前記文書検索手段が、前記検索データベースに保持される前記複数の検索対象文書の中から、前記メタターム抽出工程で抽出された単語あるいは前記第２の類義語選択工程で選択されたその類義語が前記ターム抽出工程で抽出された単語あるいは前記第１の類義語選択工程で選択されたその類義語に係っているものを検索する文書検索工程と、
を含むことを特徴とする文書検索方法。
前記ターム抽出工程で抽出されるのは前記検索条件中の名詞であり、前記メタターム抽出工程で抽出されるのは当該名詞に係る形容詞であ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。
複数の検索対象文書を保持するとともに、当該検索対象文書に出現する単語と当該単語に係られるおよび係る単語とを関連付けして保持する検索データベースから、入力された検索条件に適合する検索対象文書を検索する文書検索装置において実行される文書検索プログラムであって、
前記文書検索装置は、各語義に属する類義語が登録された類義語辞書と、ターム抽出手段と、メタターム抽出手段と、類義語検索手段と、第１の語義特定手段と、第１の類義語選択手段と、第２の語義特定手段と、第２の類義語選択手段と、文書検索手段と、を備え、
前記ターム抽出手段が、前記検索条件中の単語を抽出するターム抽出工程と、
前記メタターム抽出手段が、前記ターム抽出工程で抽出された単語に係る単語を抽出するメタターム抽出工程と、
前記類義語検索手段が、前記ターム抽出工程または前記メタターム抽出工程で抽出された単語の類義語を前記類義語辞書から検索する類義語検索工程と、
前記第１の語義特定手段が、前記検索データベースを検索し、前記メタターム抽出工程で抽出された単語について前記類義語検索工程で検索された類義語が、前記複数の検索対象文書中で前記ターム抽出工程で抽出された単語に係っている場合に、当該類義語の属する語義を前記メタターム抽出工程で抽出された単語の語義として特定する第１の語義特定工程と、
前記第１の類義語選択手段が、前記メタターム抽出工程で抽出された単語について前記類義語検索工程で検索された類義語のうち、前記第１の語義特定工程で特定された語義に属するものを選択する第１の類義語選択工程と、
前記第２の語義特定手段が、前記検索データベースを検索し、前記ターム抽出工程で抽出された単語について前記類義語検索工程で検索された類義語が、前記複数の検索対象文書中で前記メタターム抽出工程で抽出された単語または前記第１の類義語選択工程で選択された類義語に係られている場合に、当該類義語の属する語義を前記ターム抽出工程で抽出された単語の語義として特定する第２の語義特定工程と、
前記第２の類義語選択手段が、前記ターム抽出工程で抽出された単語について前記類義語検索工程で検索された類義語のうち、前記第２の語義特定工程で特定された語義に属するものを選択する第２の類義語選択工程と、
前記文書検索手段が、前記検索データベースに保持される前記複数の検索対象文書の中から、前記メタターム抽出工程で抽出された単語あるいは前記第２の類義語選択工程で選択されたその類義語が前記ターム抽出工程で抽出された単語あるいは前記第１の類義語選択工程で選択されたその類義語に係っているものを検索する文書検索工程と、
を含むことを特徴とする文書検索プログラム。
前記ターム抽出工程で抽出されるのは前記検索条件中の名詞であり、前記メタターム抽出工程で抽出されるのは当該名詞に係る形容詞であることを特徴とする前記請求項５に記載の文書検索プログラム。