JP5117590B2 - 文書処理装置およびプログラム - Google Patents

Description

本発明の実施形態は、文書の中から類義語を抽出する文書処理装置およびプログラムに関する。

一般的に、文書処理においては、ある用語（単語）と同様の意味を表す別の用語、すなわち類義語の取り扱いが重要な課題である。

例えば「消しゴム」および「字消し」は、互いに同様の意味を表す類義語であると考えられるが、当該「消しゴム」および「字消し」が類義語であることを示す情報（以下、類義語情報と表記）が予め用意されていなければ、一方から他方（例えば「消しゴム」から「字消し」）を検索または生成することは容易ではない。

具体的には、文書検索において、「消しゴム」および「字消し」が類義語であることを示す類義語情報を用いることなく検索キーワード「消しゴム」から「字消し」を含む文書を検索することは困難である。また、文書分類において、「消しゴム」および「字消し」が類義語であることを示す類義語情報が用意されていなければ、「消しゴム」を含む文書と「字消し」を含む文書とが本来は同じ分類に属すべきであるにもかかわらず、別の分類とされてしまう場合がある。

そこで、このような場合には、上記した類義語の関係にある用語（例えば、「消しゴム」および「字消し」）が予め登録されている類義語辞書を参照して、文書検索または文書分類等を実行することが知られている。

しかしながら、類義語の関係にある用語の数は膨大であることから、当該類義語の関係にある全ての用語を人手で予め準備しておくことは、膨大な作業を伴い、困難である。

そこで、例えば予め与えられた文書（集合）中に出現する用語の文脈類似度または文字列類似度を用いて、当該文書から類義語を自動的に抽出することが考えられている。これによれば、類義語の関係にある全ての用語を人手で予め準備をすることなく、類義語辞書に登録することが可能となる。

なお、文脈類似度は、「意味的に似た語は似た文脈で出現する」との分布仮説に基づいて算出される類似度であり、例えば係り受け関係にある用語または共起する用語の類似度として算出される。また、文字列類似度は、用語を構成する文字列自体の類似度であって、例えば２つの用語において共通する文字数に応じて算出される。

特開平５−３４６９３８号公報 特開２０００−２２２４２７号公報

しかしながら、上記した文脈類似度および文字列類似度は、文書内の局所的な類似性に基づくものである。

このため、単に文脈類似度または文字列類似度を用いて文書から類義語の関係にある用語の集合（類義語集合）が抽出された場合には、局所的な情報の影響が強く、類義語として相応しくない用語（ノイズ用語）が当該類義語集合に含まれてしまう場合がある。具体的には、単に文脈類似度または文字列類似度を用いて類義語集合が抽出された場合、当該類義語集合には、適切な類義語である「消しゴム」および「字消し」に加えて、当該類義語として相応しくない例えば「取り消し」等が含まれる場合がある。

このように類義語として相応しくない用語が含まれた類義語集合（類義語の関係にある用語）が登録された類義語辞書を参照して文書検索または文書分類等が行われた場合には、適切な結果を得ることができない場合がある。

そこで、本発明が解決しようとする課題は、類義語として適切な用語を文書から抽出することが可能な文書処理装置およびプログラムを提供することにある。

本実施形態に係る文書処理装置は、文書格納手段と、用語抽出手段と、類似度算出手段と、クラスタ生成手段と、特徴度算出手段と、類義語抽出手段とを具備する。

文書格納手段は、１つまたは複数の単語からなる用語を含む複数の文書を格納する。

用語抽出手段は、前記文書格納手段に格納されている複数の文書に含まれる用語の中から第１および第２の用語を抽出する。

クラスタ生成手段は、前記文書格納手段に格納されている複数の文書の各々が属するクラスタを生成する。

特徴度算出手段は、前記文書格納手段に格納されている複数の文書および前記生成されたクラスタに属する文書における前記抽出された第１の用語の出現頻度に基づいて当該クラスタに対する第１の用語の特徴度を算出し、前記文書格納手段に格納されている複数の文書および前記生成されたクラスタに属する文書における前記抽出された第２の用語の出現頻度に基づいて当該クラスタに対する第２の用語の特徴度を算出する。

前記類似度算出手段によって算出された類似度、前記特徴度算出手段によって算出された第１の用語の特徴度および第２の用語の特徴度に基づいて、当該第１および第２の用語を類義語として抽出する。

第１の実施形態に係る文書処理装置のハードウェア構成を示すブロック図。 図１に示す文書処理装置３０の主として機能構成を示すブロック図。 図２に示す文書データベース２２のデータ構造の一例を示す図。 本実施形態に係る文書処理装置３０の処理手順を示すフローチャート。 解析結果格納部２３のデータ構造の一例を示す図。 解析結果格納部２３のデータ構造の一例を示す図。 用語集計結果格納部２４のデータ構造の一例を示す図。 クラスタ生成部３５によって生成されたクラスタについて説明するための図。 類似度算出処理の処理手順を示すフローチャート。 類似度算出部３４によって生成された中間処理結果情報のデータ構造の一例を示す図。 用語Ａおよび用語Ｂの組が格納された後の類似度算出結果格納部２５のデータ構造の一例を示す図。 用語Ａの出現頻度が格納された後の類似度算出結果格納部２５のデータ構造の一例を示す図。 用語Ａおよび用語Ｂの文脈類似度が格納された後の類似度算出結果格納部２５のデータ構造の一例を示す図。 用語Ａおよび用語Ｂの文字列類似度が格納された後の類似度算出結果格納部２５のデータ構造の一例を示す図。 特徴度算出処理の処理手順を示すフローチャート。 用語毎にクラスタ１〜３におけるクラスタ出現頻度が格納された後の特徴度算出結果格納部２６のデータ構造の一例を示す図。 各用語のクラスタ１〜３に対する特徴度が格納された後の特徴度算出結果格納部２６のデータ構造の一例を示す図。 クラスタ１〜３に対して特徴的な用語について説明するための図。 類義語集合抽出処理の処理手順を示すフローチャート。 類似度算出結果が格納された後の類義語集合格納部２７のデータ構造の一例を示す図。 特徴度算出結果が格納された後の類義語集合格納部２７のデータ構造の一例を示す図。 類義語集合抽出部３７による判定結果を示す図。 クラスタ１の場合における類義語集合抽出処理について説明するための図。 クラスタ３の場合における類義語集合抽出処理について説明するための図。 類義語集合抽出部３７によって類義語として抽出された２つの用語が表示された場合における表示画面の一例を示す図。 第２の実施形態に係る文書処理装置３０の処理手順を示すフローチャート。 類似度算出処理の処理手順を示すフローチャート。 類似度算出部３４によって生成された中間処理結果情報のデータ構造の一例を示す図。 クラスタ１〜３の各々について処理が実行された後の類似度算出結果格納部２５のデータ構造の一例を示す図。 類義語集合抽出処理の処理手順を示すフローチャート。

以下、図面を参照して、各実施形態について説明する。

（第１の実施形態）
まず、図１および図２を参照して、第１の実施形態について説明する。図１は、本実施形態に係る文書処理装置のハードウェア構成を示すブロック図である。図１に示すように、コンピュータ１０は、例えばハードディスクドライブ（ＨＤＤ：Hard Disk Drive）のような外部記憶装置２０と接続されている。この外部記憶装置２０は、コンピュータ１０によって実行されるプログラム２１を格納する。コンピュータ１０および外部記憶装置２０は、文書処理装置３０を構成する。

図２は、図１に示す文書処理装置３０の主として機能構成を示すブロック図である。図２に示すように、文書処理装置３０は、入力処理部３１、解析部３２、用語集計部３３、類似度算出部、クラスタ生成部３５、特徴度算出部３６、類義語集合抽出部３７および出力処理部３８を含む。本実施形態において、これらの各部３１〜３８は、図１に示すコンピュータ１０が外部記憶装置２０に格納されているプログラム２１を実行することにより実現されるものとする。このプログラム２１は、コンピュータ読み取り可能な記憶媒体に予め格納して頒布可能である。また、このプログラム２１が、例えばネットワークを介してコンピュータ１０にダウンロードされても構わない。

また、文書処理装置３０は、文書データベース（ＤＢ）２２、解析結果格納部２３、用語集計結果格納部２４、類似度算出結果格納部２５、特徴度算出結果格納部２６および類義語集合格納部２７を含む。本実施形態において、文書データベース（ＤＢ）２２、解析結果格納部２３、用語集計結果格納部２４、類似度算出結果格納部２５、特徴度算出結果格納部２６および類義語集合格納部２７は、例えば外部記憶装置２０に格納される。

文書データベース２２には、文書処理装置３０の処理の対象となる複数の文書が予め格納されている。文書データベース２２に格納されている文書には、１つまたは複数の単語からなる用語が含まれる。

入力処理部３１は、ユーザの指示入力または外部からのデータ入力等を処理する。入力処理部３１は、例えばユーザの操作に応じて文書処理装置３０の処理の実行の指示を受け付ける。

解析部３２は、文書データベース２２に格納されている複数の文書を解析（例えば、形態素解析および構文解析）する。これにより、解析部３２は、複数の文書の解析結果を取得する。複数の文書の解析結果には、当該複数の文書に含まれる用語および当該用語間の係り受け関係が含まれる。なお、解析部３２によって取得された解析結果は、解析結果格納部２３に格納される。

用語集計部３３は、解析結果格納部２３に格納された解析結果に基づいて、当該解析結果に含まれる用語毎に出現頻度（文書データベース２２に格納されている複数の文書における出現頻度）を集計する。これにより、用語集計部３３は、用語毎の出現頻度を含む用語集計結果を取得する。用語集計部３３によって取得された用語集計結果は、用語集計結果２４に格納される。

類似度算出部３４は、解析結果格納部２３に格納された解析結果に基づいて、当該解析結果に含まれる用語（つまり、文書データベース２２に格納されている複数の文書に含まれる用語）の中から２つの用語（第１および第２の用語）を抽出する。この場合、類似度算出部３４は、例えば同一の用語（品詞が動詞である用語）と同一の係り受け関係にある２つの用語（品詞が名詞である用語）を抽出する。類似度算出部３４は、抽出された２つの用語の類似度を算出する。

類似度算出部３４は、文脈類似度算出部３４１および文字列類似度算出部３４２を含む。

文脈類似度算出部３４１は、解析結果格納部２３に格納された解析結果および用語集計結果格納部２４に格納された用語集計結果に基づいて、類似度算出部３４によって抽出された２つの用語の類似度として文脈類似度を算出する。なお、文脈類似度は、「意味的に似た語は似た文脈で出現する」との分布仮説に基づいて算出される類似度である。

文字列類似度算出部３４２は、類似度算出部３４によって抽出された２つの用語の類似度として文字列類似度を算出する。なお、文字列類似度は、用語を構成する文字列自体の類似度である。

類似度算出部３４によって算出された類似度（文脈類似度算出部３４１によって算出された文脈類似度および文字列類似度算出部３４２によって算出された文字列類似度）は、類似度算出結果格納部２５に格納される。

クラスタ生成部３５は、文書データベース２２に格納されている複数の文書が属するクラスタを生成する。

特徴度算出部３６は、用語集計結果格納部２４に格納された用語集計結果に基づいて、当該用語集計結果に含まれる各用語の特徴度を算出する。このとき、特徴度算出部３６は、クラスタ生成部３５によって生成されたクラスタ毎に特徴度を算出する。特徴度算出部３６によって算出された特徴度は、特徴度算出結果格納部２６に格納される。

類義語集合抽出部３７は、類似度算出結果格納部２５に格納された類似度および特徴度算出結果格納部２６に格納された特徴度に基づいて、類似度算出部３４によって抽出された２つの用語を類義語として抽出する。類義語集合抽出部３７による処理結果は、類義語集合格納部２７に格納される。

出力処理部３８は、ユーザへの表示出力または外部へのデータ出力等を処理する。出力処理部３８は、例えば類義語集合抽出部３７によって抽出された類義語集合を出力する。

図３は、図２に示す文書データベース２２のデータ構造の一例を示す。図３に示す文書データベース２２には、文書２２１を含む複数の文書が格納されている。

文書データベース２２に格納されている各文書には、文書ＩＤ、テキスト、日付、作成者ＩＤおよび分類コードが対応づけて含まれる。

文書ＩＤは、文書を識別するための識別子である。テキストは、対応づけられている文書ＩＤによって識別される文書の内容を示し、例えば１つまたは複数の単語からなる用語を含む。なお、複数の単語からなる用語には、例えば複合語等が含まれる。

日付は、対応づけられている文書ＩＤによって識別される文書が作成された日付または更新された日付を示す。作成者ＩＤは、対応づけられている文書ＩＤによって識別される文書を作成した作成者を識別するための識別子である。

分類コードは、対応づけられている文書ＩＤによって識別される文書が分類された場合に当該文書が属する分類を示す。この分類コードは、例えば対応づけられている文書ＩＤによって識別される文書の作成者（つまり、対応づけられている作成者ＩＤによって識別される作成者）が当該文書を文書データベース２２に登録する際に予め設定される。なお、分類コードは、例えば文書データベース２２に格納されている複数の文書に対して自動クラスタリング等を実行することにより機械的に決定されても構わない。

図３に示す例では、文書２２１には、文書ＩＤ「１」、テキスト「鉛筆と消しゴムと時計を持参して下さい。」、日付「２０１０−１−１」、作成者ＩＤ「１」および分類コード「Ａ」が含まれている。これによれば、文書２２１は、文書ＩＤ「１」によって識別される文書であり、当該文書２２１の内容が「鉛筆と消しゴムと時計を持参して下さい。」であることが示されている。また、文書２２１は、作成者ＩＤ「１」によって日付「２０１０−１−１」に作成され、分類コード「Ａ」に属することが示されている。

ここでは、文書データベース２２に格納されている複数の文書のうちの文書２２１について説明したが、他の文書についても同様であるため、その詳しい説明を省略する。

なお、図３に示す例では、各文書に含まれるテキストは便宜的に１つの文のみから構成されているが、当該テキストは複数の文（２文以上）から構成されていても構わない。

次に、図４のフローチャートを参照して、本実施形態に係る文書処理装置３０の処理手順について説明する。以下の説明においては、文書データベース２２には、図３に示す複数の文書が格納されているものとする。

まず、入力処理部３１は、ユーザの操作に応じて、当該ユーザからの文書処理装置３０の処理を実行する旨の指示（以下、実行指示と表記）を入力する（ステップＳ１）。

入力処理部３１によって実行指示が入力されると、解析部３２は、文書データベース２２に格納されている複数の文書を取得する。解析部３２は、取得された複数の文書を解析する（ステップＳ２）。このとき、解析部３２は、例えば形態素解析処理および構文解析処理を実行する。これにより、解析部３２は、例えば構文解析結果を示す依存木構造のうち、名詞と動詞との係り受け関係を示す情報（以下、係り受け関係情報と表記）を取得する。

なお、解析部３２によって抽出された係り受け関係情報は、解析結果として解析結果格納部２３に格納される。

ここで、図５および図６は、解析結果格納部２３のデータ構造の一例を示す。図５および図６に示す解析結果格納部２３には、係り受け関係情報２３１〜２３３を含む複数の係り受け関係情報が格納されている。なお、係り受け関係情報は、上記したように名詞と動詞との係り受け関係を示す情報である。

解析結果格納部２３に格納されている係り受け関係情報には、当該係り受け関係情報を識別するための係り受け関係情報ＩＤ、用語１、用語２、関係および文書ＩＤが対応づけて含まれる。なお、係り受け関係情報ＩＤは、解析部２３によって取得された係り受け関係情報毎に付与される。

用語１は、対応づけられている係り受け関係情報ＩＤによって識別される係り受け関係情報によって示される名詞と動詞との係り受け関係のうちの係り元の用語（つまり、名詞）を示す。用語２は、対応づけられている係り受け関係情報ＩＤによって識別される係り受け関係情報によって示される名詞と動詞との係り受け関係のうちの係り先の用語（つまり、動詞）を示す。関係は、対応づけられている係り受け関係情報ＩＤによって識別される係り受け関係情報によって示される名詞と動詞との係り受け関係（つまり、用語１と用語２との係り受け関係）を示す。文書ＩＤは、対応づけられている係り受け関係情報ＩＤによって識別される係り受け関係情報が取得された文書（つまり、当該係り受け関係情報によって示される名詞と動詞との係り受け関係が出現する文書）を識別するための識別子である。

図５に示す例えば係り受け関係情報２３１には、係り受け関係情報ＩＤ「１」、用語１「鉛筆」、用語２「持参」、関係「を」および文書ＩＤ「１」が含まれる。この係り受け関係情報ＩＤ「１」によって示される係り受け関係情報２３１によれば、用語１「鉛筆（名詞）」と用語２「持参（動詞）」との係り受け関係が「を」であることが示されている。また、係り受け関係情報ＩＤ「１」によって示される係り受け関係情報２３１によれば、当該係り受け関係情報２３１が文書データベース２２に格納されている複数の文書のうちの文書ＩＤ「１」によって識別される文書から取得されたことが示されている。

また、図５に示す例えば係り受け関係情報２３２には、係り受け関係情報ＩＤ「６」、用語１「質問」、用語２「ある」、関係「が」および文書ＩＤ「３」が含まれる。この係り受け関係情報ＩＤ「６」によって示される係り受け関係情報２３２によれば、用語１「質問（名詞）」と用語２「ある（動詞）」との係り受け関係が「が」であることが示されている。また、係り受け関係情報ＩＤ「６」によって示される係り受け関係情報２３２によれば、当該係り受け関係情報２３２が文書データベース２２に格納されている複数の文書のうちの文書ＩＤ「６」によって識別される文書から取得されたことが示されている。

また、図６に示す例えば係り受け関係情報２３３には、係り受け関係情報ＩＤ「２１」、用語１「字消し」、用語２「消す」、関係「で」および文書ＩＤ「８」が含まれる。この係り受け関係情報ＩＤ「２１」によって示される係り受け関係情報２３３によれば、用語１「字消し（名詞）」と用語２「消す（動詞）」との係り受け関係が「で」であることが示されている。また、係り受け関係情報ＩＤ「２１」によって示される係り受け関係情報２３３によれば、当該係り受け関係情報２３３が文書データベース２２に格納されている複数の文書のうちの文書ＩＤ「２１」によって識別される文書から取得されたことが示されている。

ここでは、解析結果格納部２３に格納されている複数の係り受け関係情報のうちの係り受け関係情報２３１〜２３３について説明したが、他の係り受け関係情報についても同様であるため、その詳しい説明を省略する。

再び図４に戻ると、用語集計部３３は、解析結果格納部２３に格納されている係り受け関係情報に基づいて用語の出現頻度を集計する（ステップＳ３）。具体的には、用語集計部３３は、解析結果格納部２３に格納されている係り受け関係情報に含まれる用語１毎に、解析結果格納部２３に格納されている全ての係り受け関係情報において当該用語１が出現する頻度（出現頻度）を示す出現頻度情報を取得する。

なお、用語集計部３３によって取得された出現頻度情報は、用語集計結果として用語集計結果格納部２４に格納される。

ここで、図７は、用語集計結果格納部２４のデータ構造の一例を示す。なお、図７に示す用語集計結果格納部２４には、出現頻度情報２４１および２４２を含む複数の出現頻度情報が格納されている。出現頻度情報は、解析結果格納部２３に格納されている係り受け関係情報に含まれる用語１の当該解析結果格納部２３に格納されている全ての係り受け関係情報（つまり、文書データベース２２に格納されている複数の文書）における出現頻度を示す。

用語集計結果格納部２４に格納されている出現頻度情報には、当該出現頻度情報を識別するための出現頻度情報ＩＤ、用語および出現頻度が対応づけて含まれる。なお、出現頻度情報ＩＤは、用語集計部３３によって取得された出現頻度情報毎に付与される。

用語は、対応づけられている出現頻度情報ＩＤによって識別される出現頻度情報によって出現頻度が示される用語を示し、解析結果格納部２３に格納されている係り受け関係情報に含まれる用語１（名詞）である。出現頻度は、対応づけられている用語の解析結果格納部２３に格納されている全ての係り受け関係情報における出現頻度である。

図７に示す例えば出現頻度情報２４１には、出現頻度情報ＩＤ「１」、用語「鉛筆」および頻度「１」が含まれる。この出現頻度情報ＩＤ「１」によって示される出現頻度情報２４１によれば、用語「鉛筆」の出現頻度が１であることが示されている。

また、図７に示す例えば出現頻度情報２４２には、出現頻度情報ＩＤ「２」、用語「消しゴム」および頻度「４」が含まれる。この出現頻度情報ＩＤ「２」によって示される出現頻度情報２４２によれば、用語「消しゴム」の出現頻度が４であることが示されている。

ここでは、用語集計結果格納部２４に格納されている複数の出現頻度情報のうちの出現頻度情報２４１および２４２について説明したが、他の出現頻度情報についても同様であるため、その詳しい説明を省略する。

再び図４に戻ると、類似度算出部３４は、解析結果格納部２３および用語集計結果格納部２４を参照して類似度算出処理を実行する（ステップＳ４）。この類似度算出処理によれば、解析結果格納部２３に格納された係り受け関係情報に含まれる用語１の中から２つの用語１が抽出され、当該２つの用語１の類似度が算出される。なお、類似度算出処理の詳細については後述する。

類似度算出処理が実行されると、類似度算出部３４によって算出された類似度は、類似度算出結果格納部２５に格納される。

次に、クラスタ生成部３５は、文書データベース２２に格納されている複数の文書が属するクラスタを生成する（ステップＳ５）。上記したように文書データベース２２に格納されている文書に分類コードが含まれている場合には、クラスタ生成部３５は、当該分類コードに基づいてクラスタを生成する。ここでは、図８に示すように、文書データベース２２に格納されている複数の文書のうち、例えば分類コード「Ａ」が含まれている文書が属するクラスタとしてクラスタ１、分類コード「Ｂ」が含まれている文書が属するクラスタとしてクラスタ２、分類コード「Ｃ」が含まれている文書が属するクラスタとしてクラスタ３がクラスタ生成部３５によって生成されたものとする。

なお、本実施形態においては文書データベース２２に格納されている複数の文書に含まれる各分類コードに対して１対１で対応するクラスタを生成するが、例えば当該分類コードが複数桁であるような場合には、その上位Ｎ桁に対して１対１で対応するクラスタを生成しても構わない。つまり、複数の分類コードに対して１つのクラスタが生成されるような構成であっても構わない。

また、本実施形態においては文書データベース２２に格納されている文書の各々に分類コードが含まれているものとして説明したが、当該文書の各々に分類コードが含まれていない場合には、当該文書データベース２２に格納されている複数の文書に対して例えば自動クラスタリング処理を実行し、当該処理結果に基づいてクラスタが生成されても構わない。

次に、特徴度算出部３６は、用語集計結果格納部２４に格納されている出現頻度情報に含まれる用語毎に、クラスタ生成部３５によって生成された各クラスタに対する特徴度を算出する処理（以下、特徴度算出処理と表記）を実行する（ステップＳ６）。この特徴度算出処理においては、用語集計結果格納部２４に格納されている出現頻度情報に含まれる用語の出現頻度（つまり、当該出現頻度情報において当該用語に対応づけられている出現頻度）およびクラスタ生成部３５によって生成されたクラスタに属する文書における当該用語の出現頻度に基づいて、当該用語の当該クラスタに対する特徴度が算出される。なお、特徴度算出処理の詳細については後述する。

特徴度算出処理が実行されると、特徴度算出部３６によって算出された特徴度は、特徴度算出結果格納部２６に格納される。

次に、類義語集合抽出部３７は、類似度算出結果格納部２５に格納された類似度および特徴度算出結果格納部２６に格納された特徴度に基づいて、類義語（の集合）を抽出する処理（以下、類義語集合抽出処理と表記）を実行する（ステップＳ７）。この類義語集合抽出処理においては、上記した類似度算出処理において抽出された２つの用語が類義語として抽出される。なお、類義語集合抽出処理の詳細については後述する。

類義語集合抽出処理が実行されると、類義語集合抽出部３７による処理結果（当該類義語集合抽出部３７によって類義語として抽出された２つの用語）は、類義語集合格納部２７に格納されるとともに、出力処理部３８を介して出力される（ステップＳ８）。

類義語集合格納部２７に格納された２つの用語は、類義語として例えば文書検索または文書分類等の処理に利用することができる。また、類義語集合抽出部３７によって抽出された２つの用語が出力されることにより、ユーザは、当該２つの用語が類義語として適切であるかを確認して、例えば当該２つの用語を類義語として登録すべきか否かを指示することができる。

次に、図９のフローチャートを参照して、前述した類似度算出処理（上記した図４に示すステップＳ４の処理）の処理手順について説明する。

まず、類似度算出部３４は、解析結果格納部２３に格納されている全ての係り受け関係情報を読み込む（ステップＳ１１）。

次に、類似度算出部３４は、解析結果格納部２３から読み込まれた係り受け関係情報に含まれる用語２（係り先の用語）および関係（係り受け関係）を１つの組として、当該読み込まれた全ての係り受け関係情報において当該用語２および関係の組に対応づけられている用語１（係り元の用語）の異なり数をカウントする（ステップＳ１２）。換言すれば、類似度算出部３４は、解析結果格納部２３から読み込まれた係り受け関係情報の各々に含まれる用語１のうち、同一の用語２と同一の係り受け関係にある用語１の異なり数をカウントする。なお、ステップＳ１２の処理は、解析結果格納部２３から読み込まれた係り受け関係情報の各々に含まれる用語２および関係の全ての組について実行される。

次に、類似度算出部３４は、解析結果格納部２３を参照して、ステップＳ１２の処理においてカウントされた異なり数が２以上である場合における用語２および関係の組に対応づけられている各用語１の出現頻度をカウントする（ステップＳ１３）。具体的には、上記したように係り受け関係情報に含まれる用語２と関係との組に対応づけられている用語１の異なり数が２以上である場合、類似度算出部３４は、当該用語１毎に、当該用語１、当該用語２および当該関係を含む係り受け関係情報の出現頻度（数）をカウントする。

類似度算出部３４は、ステップＳ１２およびＳ１３の処理結果をもとに、類似度算出処理における中間処理結果を示す中間処理結果情報を生成する（ステップＳ１４）。中間処理結果情報は、ステップＳ１３において出現頻度がカウントされた用語１（、用語２および関係の組）毎に生成される。類似度算出部３４によって生成された中間処理結果情報には、当該中間処理結果情報を識別するための中間処理結果ＩＤ、ステップＳ１３において出現頻度がカウントされた係り受け関係情報に含まれる用語１、用語２および関係の組、および当該カウントされた出現頻度（以下、係り受け関係出現頻度と表記）が含まれる。

類似度算出部３４は、生成された中間処理結果情報に基づいて２つの用語１からなる全ての組み合わせを抽出する（ステップＳ１５）。具体的には、類似度算出部３４は、生成された中間処理結果情報に基づいて、同一の用語２と同一の係り受け関係にある用語１の中の２つの用語１からなる全ての組み合わせ（ここでは、順列）を抽出する。

以下、ステップＳ１４において抽出された２つの用語１の組み合わせにおいて、前方の用語１を用語Ａ、後方の用語１を用語Ｂとする。また、この用語Ａおよび用語Ｂからなる組み合わせを単に用語Ａおよび用語Ｂの組と称する。

ステップＳ１４が実行されると、類似度算出部３４は、抽出された用語Ａおよび用語Ｂの組の各々を類似度算出結果格納部２５に格納する。このとき、類似度算出結果格納部２５には、用語Ａおよび用語Ｂに加えて、当該用語Ａに対応づけて中間処理結果情報に含まれる係り受け関係出現頻度等が格納される。

次に、ステップＳ１６およびＳ１７の処理において、類似度算出結果格納部２５に格納された用語Ａおよび用語Ｂの文脈類似度が算出される。

類似度算出部３４に含まれる文脈類似度算出部３４１は、用語集計結果格納部２４に格納されている出現頻度情報に基づいて用語Ａの出現頻度を取得する（ステップＳ１６）。この場合、文脈類似度算出部３４１は、用語集計結果格納部２４に格納されている出現頻度情報において用語Ａに対応づけられている出現頻度を取得する。文脈類似度算出部３４１によって取得された用語Ａの出現頻度は、当該用語Ａに対応づけて類似度算出結果格納部２５に格納される。

なお、ステップＳ１６の処理は、類似度算出結果格納部２５に格納された用語Ａ毎に実行される。これにより、ステップＳ１６の処理が実行された場合には、用語Ａ毎の出現頻度が当該用語Ａに対応づけて類似度算出結果格納部２５に格納される。

次に、文脈類似度算出部３４１は、類似度算出結果格納部２５を参照して、当該類似度算出結果格納部２５に格納された用語Ａおよび用語Ｂの文脈類似度を算出する（ステップＳ１７）。用語Ａおよび用語Ｂの文脈類似度は、当該用語Ａおよび用語Ｂに対応づけて類似度算出結果格納部２５に格納された係り受け関係出現頻度および用語Ａの出現頻度を用いて、「係り受け関係出現頻度／用語Ａの出現頻度」によって算出される。なお、文脈類似度算出部３４１によって算出された文脈類似度が閾値（例えば、０．２５）以下である場合には、当該文脈類似度は０であるものとする。

文脈類似度算出部３４１によって算出された用語Ａおよび用語Ｂの文脈類似度は、当該用語Ａおよび用語Ｂに対応づけて類似度算出結果格納部２５に格納される。

なお、ステップＳ１７の処理は、類似度算出結果格納部２５に格納された用語Ａおよび用語Ｂの組毎に実行される。これにより、ステップＳ１７の処理が実行された場合には、用語Ａおよび用語Ｂの組毎の文脈類似度が類似度算出結果格納部２５に格納される。

次に、ステップＳ１８およびＳ１９の処理において、類似度算出結果格納部２５に格納された用語Ａおよび用語Ｂの文字列類似度が算出される。

類似度算出部３４に含まれる文字列類似度算出部３４２は、類似度算出結果格納部２５に格納された用語Ａおよび用語Ｂにおいて共通する文字数（以下、用語Ａおよび用語Ｂの共通文字数と表記）をカウントする（ステップＳ１８）。

次に、文字列類似度算出部３４２は、カウントされた用語Ａおよび用語Ｂの共通文字数に基づいて当該用語Ａおよび用語Ｂの文字列類似度を算出する（ステップＳ１９）。用語Ａおよび用語Ｂの文字列類似度は、「用語Ａおよび用語Ｂの共通文字数／用語Ａの文字数」によって算出される。なお、文字列類似度算出部３４２によって算出された文字列類似度は、当該用語Ａおよび用語Ｂに対応づけて類似度算出結果格納部２５に格納される。

なお、上記したステップＳ１８およびＳ１９の処理は、類似度算出結果格納部２５に格納された用語Ａおよび用語Ｂの組毎に実行される。これにより、ステップＳ１８およびＳ１９の処理が実行された場合には、用語Ａおよび用語Ｂの組毎の文字列類似度が類似度算出結果格納部２５に格納される。

以下、図１０〜１４を参照して、上記した類似度算出処理について具体的に説明する。ここでは、解析結果格納部２３には、上記した図５および図６に示す複数の係り受け関係情報が格納されているものとする。また、用語集計結果格納部２４には、上記した図７に示す複数の出現頻度情報が格納されているものとする。

まず、類似度算出部３４は、解析結果格納部２３から全ての係り受け関係情報を読み込む。次に、類似度算出部３４は、読み込まれた係り受け関係情報の各々に含まれる用語２および関係の組毎に、当該組に対応づけられている用語１の異なり数をカウントする。つまり、類似度算出部３４は、読み込まれた係り受け関係情報に基づいて、同一の用語２と同一の係り受け関係にある用語１の異なり数をカウントする。

ここで、上述した図５および図６を用いて具体的に説明すると、例えば用語２「持参」および関係「を」の組に対応づけられている用語１は、「鉛筆」、「消しゴム」および「時計」である。このため、図５および図６に示す係り受け関係情報において用語２「持参」および関係「を」の組に対応づけられている用語１（つまり、用語２「持参」と「を」の係り受け関係にある用語１）の異なり数は３となる。ここでは、用語２「持参」および関係「を」の組に対応づけられている用語１の異なり数ついて具体的に説明したが、他の用語２および関係の組に対応づけられている用語１の異なり数についても同様にカウントされる。

次に、類似度算出部３４は、カウントされた異なり数が２以上である場合における用語２および関係の組に対応づけられている各用語１の出現頻度をカウントする。例えば上記した用語２「持参」および関係「を」の組に対応づけられている用語１の異なり数は２以上であるため、類似度算出部３４は、用語２「持参」および関係「を」の組に対応づけられている用語１「鉛筆」、「消しゴム」および「時計」の各々の出現頻度をカウントする。

ここで、上記したように用語２「持参」および関係「を」の組に対応づけられている用語１「鉛筆」の出現頻度について、図５および図６を用いて具体的に説明する。この場合、用語１「鉛筆」、用語２「持参」および関係「を」の組を含む係り受け関係情報の出現頻度（数）が解析結果格納部２３内でカウントされる。図５および図６によれば、用語２「持参」および関係「を」の組に対応づけられている用語１「鉛筆」の出現頻度は１となる。

なお、詳しい説明は省略するが、図５および図６に示す係り受け関係情報によれば、用語２「持参」および関係「を」の組に対応づけられている用語１「消しゴム」および「時計」の出現頻度についても同様に１となる。

ここでは、用語２「持参」および関係「を」の組に対応づけられている用語１「鉛筆」、「消しゴム」および「時計」の各々の出現頻度について主に説明したが、異なり数が２以上である場合における用語２および関係の組に対応づけられている用語１の全てについて出現頻度がカウントされる。

次に、類似度算出部３４は、中間処理結果情報を生成する。この場合、類似度算出部３４は、図１０に示す中間処理結果情報１０１〜１１０を生成する。

図１０に示すように、中間処理結果情報１０１〜１１０には、中間処理結果ＩＤ、上記したように出現頻度がカウントされた係り受け関係情報に含まれる用語１、用語２および関係の組、および当該カウントされた出現頻度（係り受け関係出現頻度）が含まれる。

なお、中間処理結果情報１０１〜１１０に含まれる中間処理結果ＩＤは、中間処理結果情報を識別するための識別子であり、対応づけられている用語２および関係の組に対して付与された数値（識別子）と、対応づけられている用語１に対して付与された数値（識別子）とから構成される。

図１０に示す例えば中間処理結果情報１０１には、中間処理結果ＩＤ「１−１」、用語１「鉛筆」、用語２「消しゴム」、関係「を」および出現頻度「１」が含まれている。この中間処理結果ＩＤ「１−１」によって識別される中間処理結果情報１０１によれば、用語１「鉛筆」、用語２「持参」、関係「を」（の組）を含む係り受け関係情報の出現頻度（係り受け関係出現頻度）が１であることが示されている。なお、中間処理結果ＩＤ「１−１」のうち、左側の「１」は、用語２「持参」および関係「を」の組に対して付与された数値であり、右側の「１」は、用語１「鉛筆」に対して付与された数値である。

同様に、中間処理結果１０２には、中間処理結果ＩＤ「１−２」、用語１「消しゴム」、用語２「持参」、関係「を」および出現頻度「１」が含まれている。この中間処理結果ＩＤ「１−２」によって識別される中間処理結果情報１０２によれば、用語１「消しゴム」、用語２「持参」および関係「を」（の組）を含む係り受け関係情報の出現頻度が１であることが示されている。なお、中間処理結果ＩＤ「１−２」のうち、左側の「１」は、上記した中間処理結果情報１０１と同様に用語２「持参」および関係「を」の組に対して付与された数値であり、右側の「２」は、用語１「消しゴム」に対して付与された数値である。

更に、中間処理結果１０３には、中間処理結果ＩＤ「１−３」、用語１「時計」、用語２「持参」、関係「を」および出現頻度「１」が含まれている。この中間処理結果ＩＤ「１−３」によって識別される中間処理結果情報１０３によれば、用語１「時計」、用語２「持参」および関係「を」（の組）を含む係り受け関係情報の出現頻度が１であることが示されている。なお、中間処理結果ＩＤ「１−３」のうち、左側の「１」は、上記した中間処理結果情報１０１および１０２と同様に用語２「持参」および関係「を」の組に対して付与された数値であり、右側の「３」は、用語１「時計」に対して付与された数値である。

なお、中間処理結果情報１０４〜１１０については詳しい説明は省略するが、例えば中間処理結果情報１０４および１０５では、用語２「記入」および関係「を」の組が共通しているため、当該中間処理結果情報１０４および１０５を識別するための中間処理結果ＩＤにおける左側の数値は共通している。同様に、中間処理結果情報１０６〜１０８では、用語２「押す」および関係「を」の組が共通しているため、当該中間処理結果情報１０６〜１０８を識別するための中間処理結果ＩＤにおける左側の数値は共通している。また、中間処理結果情報１０９および１１０についても、用語２「消す」および関係「で」の組が共通しているため、当該中間処理結果情報１０９および１１０を識別するための中間処理結果ＩＤにおける左側の数値は共通している。

次に、類似度算出部３４は、中間処理結果情報１０１〜１１０において左側の数値が同じである中間処理結果ＩＤに対応づけられている用語１の中の２つの用語１からなる全ての組み合わせ（順列）を抽出する。

中間処理結果情報１０１〜１１０において例えば左側の数値が「１」である中間処理結果ＩＤ（ここでは、中間処理結果ＩＤ「１−１」、「１−２」および「１−３」）に対応づけられている用語１は、「鉛筆」、「消しゴム」および「時計」である。この場合、類似度算出部３４は、「鉛筆」および「消しゴム」、「鉛筆」および「時計」、「消しゴム」および「鉛筆」、「消しゴム」および「時計」、「時計」および「鉛筆」、「時計」および「消しゴム」の６つの組み合わせ（順列）を抽出する。なお、中間処理結果情報１０１〜１１０において例えば左側の数値が「２」である中間処理結果ＩＤおよび左側の数値が「３」である中間処理結果ＩＤに対応づけられている用語１についても同様である。

このように類似度算出部３４によって抽出された用語１の各組み合わせは、用語Ａおよび用語Ｂとして類似度算出結果格納部２５に格納される。

ここで、図１１は、用語Ａおよび用語Ｂの組が格納された後の類似度算出結果格納部２５のデータ構造の一例を示す。

図１１に示すように、類似度算出結果格納部２５には、組ＩＤ、元ＩＤ、元ＩＤ出現頻度、用語Ａおよび用語Ｂが対応づけて格納されている。

組ＩＤは、用語Ａおよび用語Ｂの組を識別するための識別子である。元ＩＤは、用語Ａに対応づけて図１０に示す中間処理結果情報に含まれる中間処理結果ＩＤである。元ＩＤ出現頻度は、用語Ａに対応づけて図１０に示す中間処理結果情報に含まれる出現頻度（係り受け関係出現頻度）である。

図１１に示す例では、類似度算出結果格納部２５には、例えば組ＩＤ「１」、元ＩＤ「１−１」、元ＩＤ出現頻度「１」、用語Ａ「鉛筆」および用語Ｂ「消しゴム」が対応づけて格納されている。

ここでは、用語Ａ「鉛筆」および用語Ｂ「消しゴム」の組について説明したが、図１１に示すように他の用語Ａおよび用語Ｂの組についても同様である。

次に、類似度算出部３４に含まれる文脈類似度算出部３４１は、図１１に示す類似度算出結果格納部２５に格納された用語Ａおよび用語Ｂの文脈類似度を算出する。

この場合、文脈類似度算出部３４１は、図７に示す用語集計結果格納部２４に格納されている出現頻度情報において各用語Ａに対応づけられている出現頻度（当該用語Ａの出現頻度）を取得する。文脈類似度算出部３４１によって取得された各用語Ａの出現頻度は、図１２に示すように、当該用語Ａ（および用語Ｂ）に対応づけて類似度算出結果格納部２５に格納される。

次に、文脈類似度算出部３４１は、類似度算出結果格納部２５において用語Ａおよび用語Ｂに対応づけられている元ＩＤ出現頻度（係り受け関係出現頻度）および用語Ａの出現頻度を用いて、当該用語Ａおよび用語Ｂの文脈類似度を算出する。

図１２に示す類似度算出結果格納部２５において、例えば用語Ａ「鉛筆」および用語Ｂ「消しゴム」に対応づけられている元ＩＤ出現頻度は１であり、用語Ａ「鉛筆」の出現頻度は１である。このため、用語Ａ「鉛筆」および用語Ｂ「消しゴム」の文脈類似度は、１／１＝１と算出される。

また、図１２に示す類似度算出結果格納部２５において、例えば用語Ａ「消しゴム」および用語Ｂ「鉛筆」に対応づけられている元ＩＤ出現頻度は１であり、用語Ａ「消しゴム」の出現頻度は４である。このため、用語Ａ「消しゴム」および用語Ｂ「鉛筆」の文脈類似度は、１／４＝０．２５と算出される。ここで、上記した閾値が０．２５であるものとすると、用語Ａ「消しゴム」および用語Ｂ「鉛筆」の文脈類似度は当該閾値以下であるため０となる。

なお、図１２に示す類似度算出結果格納部２５に格納されている他の用語Ａおよび用語Ｂについても同様に文脈類似度が算出される。

上記したように文脈類似度算出部３４１によって算出された用語Ａおよび用語Ｂの文脈類似度は、当該用語Ａおよび用語Ｂに対応づけて類似度算出結果格納部２５に格納される。なお、図１３は、用語Ａおよび用語Ｂの文脈類似度が格納された後の類似度算出結果格納部２５のデータ構造の一例を示す。

次に、類似度算出部３４に含まれる文字列類似度算出部３４２は、類似度算出結果格納部２５に格納された用語Ａおよび用語Ｂの文字列類似度を算出する。

この場合、文字列類似度算出部３４２は、類似度算出結果格納部２５に格納された用語Ａおよび用語Ｂの組毎に、当該用語Ａおよび用語Ｂの共通文字数をカウントする。図１３を用いて具体的に説明すると、類似度算出結果格納部２５に格納された例えば用語Ａ「鉛筆」および用語Ｂ「消しゴム」の場合、当該用語Ａ「鉛筆」および用語Ｂ「消しゴム」の共通文字数は０である。また、類似度算出結果格納部２５に格納された例えば用語Ａ「字消し」および用語Ｂ「消しゴム」の場合、当該用語Ａ「字消し」および用語Ｂ「消しゴム」の共通文字数は２である。

文字列類似度算出部３４２は、カウントされた用語Ａおよび用語Ｂの共通文字数および当該用語Ａの文字数に基づいて、当該用語Ａおよび用語Ｂの文字列類似度を算出する。例えば用語Ａ「鉛筆」および用語Ｂ「消しゴム」の場合、上記したように用語Ａ「鉛筆」および用語Ｂ「消しゴム」の共通文字数は０であり、用語Ａの文字数は２である。このため、用語Ａ「鉛筆」および用語Ｂ「消しゴム」の文字列類似度は、０／２＝０と算出される。また、例えば用語Ａ「字消し」および用語Ｂ「消しゴム」の場合、上記したように用語Ａ「字消し」および用語Ｂ「消しゴム」の共通文字数は２であり、用語Ａの文字数は３である。このため、用語Ａ「字消し」および用語Ｂ「消しゴム」の文字列類似度は、２／３≒０．６７と算出される。

なお、図１３に示す類似度算出結果格納部２５に格納されている他の用語Ａおよび用語Ｂについても同様に文字列類似度が算出される。

上記したように文脈類似度算出部３４１によって算出された用語Ａおよび用語Ｂの文脈類似度は、当該用語Ａおよび用語Ｂに対応づけて類似度算出結果格納部２５に格納される。なお、図１４は、用語Ａおよび用語Ｂの文字列類似度が格納された後の類似度算出結果格納部２５のデータ構造の一例である。

次に、図１５のフローチャートを参照して、前述した特徴度算出処理（上記した図４に示すステップＳ６の処理）の処理手順について説明する。

まず、特徴度算出部３６は、用語集計結果格納部２４に格納されている全ての出現頻度情報を読み込む（ステップＳ２１）。用語集計結果格納部２４から読み込まれた出現頻度情報は、特徴度算出結果格納部２６に格納される。これにより、用語集計結果格納部２４には、出現頻度情報ＩＤ、用語および当該用語の出現頻度が対応づけて格納される。

次に、特徴度算出部３６は、上述した図４に示すステップＳ５においてクラスタ生成部３５によって生成されたクラスタ毎に、当該クラスタに属する文書（の集合）を文書データベース２２から取得する。

特徴度算出部３６は、特徴度算出結果格納部２６に格納された用語の各クラスタにおける出現頻度をカウントする（ステップＳ２２）。具体的には、特徴度算出部３６は、取得された各クラスタに属する文書における用語の出現頻度をカウントする。なお、ステップＳ２２の処理は、特徴度算出結果格納部２６に格納された全ての用語について実行される。

ステップＳ２２の処理が実行されると、特徴度算出部３６によってカウントされた特徴度算出結果格納部２６に格納された用語の各クラスタにおける出現頻度は、当該用語に対応づけて特徴度算出結果格納部２６に格納される。

次に、特徴度算出部３６は、特徴度算出結果格納部２６に格納された用語の出現頻度および当該用語の各クラスタにおける出現頻度に基づいて、当該用語の各クラスタに対する特徴度を算出する（ステップＳ２３）。なお、用語の各クラスタに対する特徴度は、値が大きいほど当該用語が当該クラスタにおいて特徴的な用語であることを表す。

用語のクラスタに対する特徴度は、「（当該用語のクラスタにおける出現頻度−１）／当該用語の出現頻度」によって算出される。なお、ステップＳ２３の処理は、特徴度算出結果格納部２６に格納された全ての用語について実行される。

上記したステップＳ２３の処理が実行されると、特徴度算出部３６によって算出された用語の各クラスタに対する特徴度は、当該用語に対応づけて特徴度算出結果格納部２６に格納される（ステップＳ２４）。ステップＳ２４の処理が実行されると、特徴度算出処理は終了される。

以下、図１６〜図１８を参照して、上記した特徴度算出処理について具体的に説明する。ここでは、用語集計結果格納部２４には、上記した図７に示す複数の出現頻度情報が格納されているものとする。また、上述した図８において説明したようにクラスタ１〜３がクラスタ生成部３５によって生成されたものとする。

まず、特徴度算出部３６は、用語集計結果格納部２４から全ての出現頻度情報を読み込む。用語集計結果格納部２４から読み込まれた出現頻度情報は、特徴度算出結果格納部２６に格納される。これにより、特徴度算出結果格納部２６は、例えば図７と同様の情報が格納される。

次に、特徴度算出部３６は、クラスタ生成部３５によって生成されたクラスタ１〜３の各々に属する文書を文書データベース２２から取得する。ここでは、上記したようにクラスタ１には分類コード「Ａ」を含む文書が属し、クラスタ２には分類コード「Ｂ」を含む文書が属し、クラスタ３には分類コード「Ｃ」を含む文書が属するものとする。このため、クラスタ１に属する文書として分類コード「Ａ」を含む文書が文書データベース２２から取得される。また、クラスタ２に属する文書として分類コード「Ｂ」を含む文書が文書データベース２２から取得される。また、クラスタ３に属する文書として分類コード「Ｃ」を含む文書が文書データベース２２から取得される。

特徴度算出部３６は、特徴度算出結果格納部２６に格納された用語毎に、当該用語のクラスタ「１」〜「３」の各々における出現頻度（以下、クラスタ出現頻度と表記）をカウントする。この場合、特徴度算出部３６は、文書データベース２２から取得されたクラスタ１に属する文書における各用語の出現頻度、クラスタ２に属する文書における各用語の出現頻度およびクラスタ３に属する文書における各用語の出現頻度をカウントする。

特徴度算出部３６によってカウントされたクラスタ１〜３の各々におけるクラスタ出現頻度は、用語毎に特徴度算出結果格納部２６に格納される。なお、図１６は、用語毎に各クラスタ１〜３におけるクラスタ出現頻度が格納された後の特徴度算出結果格納部２６のデータ構造の一例を示す。図１６においては、便宜的に、クラスタ１におけるクラスタ出現頻度をクラスタ出現頻度１、クラスタ２におけるクラスタ出現頻度をクラスタ出現頻度２、クラスタ３におけるクラスタ出現頻度をクラスタ出現頻度３として示す。図１６に示す例では、特徴度算出結果格納部２６には、例えば用語「消しゴム」のクラスタ１におけるクラスタ出現頻度として１、クラスタ２におけるクラスタ出現頻度として３、クラスタ３におけるクラスタ出現頻度として０が格納されている。ここでは詳しい説明を省略するが、特徴度算出結果格納部２６には、図１６に示すように他の用語についても同様にクラスタ１〜３の各々におけるクラスタ出現頻度が格納されている。

次に、特徴度算出部３６は、特徴度算出結果格納部２６に格納された用語毎に、当該用語の出現頻度および当該用語のクラスタ１〜３の各々におけるクラスタ出現頻度に基づいて、当該用語のクラスタ１〜３の各々に対する特徴度を算出する。なお、用語のクラスタＮ（ここでは、Ｎ＝１，２，３）に対する特徴度は、「（当該用語のクラスタＮにおけるクラスタ出現頻度−１）／当該用語の出現頻度」によって算出される。

ここで、図１６を参照して、特徴度算出結果格納部２６に格納されている例えば用語「消しゴム」のクラスタ１〜３の各々に対する特徴度について具体的に説明する。図１６に示すように、特徴度算出結果格納部２６に格納されている用語「消しゴム」の出現頻度は４である。また、特徴度算出結果格納部２６格納されている用語「消しゴム」のクラスタ１におけるクラスタ出現頻度は１である。この場合、用語「消しゴム」のクラスタ１に対する特徴度は、（１−１）／４＝０と算出される。また、図１６に示すように、特徴度算出結果格納部２６に格納されている用語「消しゴム」のクラスタ２におけるクラスタ出現頻度は３である。この場合、用語「消しゴム」のクラスタ２に対する特徴度は、（３−１）／４＝０．５と算出される。なお、図１６に示すように、特徴度算出結果格納部２６に格納されている用語「消しゴム」のクラスタ３におけるクラスタ出現頻度３は０である。この場合、用語「消しゴム」のクラスタ１に対する特徴度は、０と算出される。

なお、図１６に示す特徴度算出結果格納部２５に格納されている他の用語についても同様に特徴度が算出される。

上記したように特徴度算出部３６によって算出された用語のクラスタ１〜３の各々に対する特徴度は、当該用語に対応づけて特徴度算出結果格納部２６に格納される。図１７は、各用語のクラスタ１〜３の各々に対する特徴度が格納された後の特徴度算出結果格納部２６のデータ構造の一例を示す。図１７においては、便宜的に、クラスタ１に対する特徴度を特徴度１、クラスタ２に対する特徴度を特徴度２、クラスタ３に対する特徴度を特徴度３として示す。なお、図１７に示す特徴度算出結果格納部２６に格納された各用語のクラスタ１〜３の各々に対する特徴度によれば、図１８に示すように、用語「消しゴム」、「専用インク」、「文字」および「字消し」はクラスタ「２」に対して特徴的な用語であり、用語「取り消し」、「入力」および「取りやめ」はクラスタ「３」に対して特徴的な用語である。

次に、図１９のフローチャートを参照して、前述した類義語集合抽出処理（上記した図４に示すステップＳ７の処理）の処理手順について説明する。

まず、類義語集合抽出部３７は、類似度算出結果格納部２５から類似度算出結果を読み込む（ステップＳ３１）。この場合、類義語集合抽出部３７は、類似度算出結果として、類似度算出結果格納部２５に格納されている用語Ａおよび用語Ｂの組、当該用語Ａおよび用語Ｂの組に対応づけられている文脈類似度（用語Ａおよび用語Ｂの文脈類似度）および文字列類似度（用語Ａおよび用語Ｂの文字列類似度）を読み込む。類似度算出結果格納部２５から読み込まれた類似度算出結果（用語Ａおよび用語Ｂの組、文脈類似度および文字列類似度）は、類義語集合格納部２７に格納される。

次に、類義語集合抽出部３７は、クラスタ生成部３５によって生成されたクラスタの各々について以下のステップＳ３２およびＳ３３を実行する。この処理の対象となるクラスタを対象クラスタと称する。

類義語集合抽出部３７は、特徴度算出結果格納部２６から特徴度算出結果を読み込む（ステップＳ３２）。この場合、類義語集合抽出部３７は、特徴度算出結果として、類義語集合格納部２７に格納された用語Ａの対象クラスタに対する特徴度および用語Ｂの対象クラスタに対する特徴度を読み込む。特徴度算出結果格納部２６から読み込まれた特徴度算出結果（用語Ａの対象クラスタに対する特徴度および用語Ｂの対象クラスタに対する特徴度）は、類義語集合格納部２７に格納される。

類義語集合抽出部３７は、類義語集合格納部２７に格納された用語Ａおよび用語Ｂの組毎に、当該類義語集合格納部２７に格納された当該用語Ａおよび用語Ｂの文脈類似度、当該用語Ａおよび用語Ｂの文字列類似度、当該用語Ａの対象クラスタに対する特徴度および用語Ｂの対象クラスタに対する特徴度に基づいて当該用語Ａおよび用語Ｂが類義語（の集合）であるか否かを判定する。この場合、例えば用語Ａおよび用語Ｂの文脈類似度、用語Ａおよび用語Ｂの文字列類似度、用語Ａの対象クラスタに対する特徴度、および用語Ｂの対象クラスタに対する特徴度の４つの値の積が０より大きい場合、当該用語Ａおよび用語Ｂは類義語であると判定される。換言すれば、用語Ａおよび用語Ｂの文脈類似度、用語Ａおよび用語Ｂの文字列類似度、用語Ａの対象クラスタに対する特徴度、および用語Ｂの対象クラスタに対する特徴度の４つの値の全てが０でなければ、当該用語Ａおよび用語Ｂは類義語であると判定される。

このような判定処理が類義語集合格納部２７に格納された用語Ａおよび用語Ｂの全ての組に対して実行されることによって、類義語集合抽出部３７は、用語Ａおよび用語Ｂを類義語として抽出する（ステップＳ３３）。

次に、類義語集合抽出部３７は、クラスタ生成部３５によって生成された全てのクラスタについてステップＳ３２およびＳ３３の処理が実行されたか否かを判定する（ステップＳ３４）。

全てのクラスタについて処理が実行されていないと判定された場合（ステップＳ３４のＮＯ）、上記したステップＳ３２に戻って処理が繰り返される。この場合、ステップＳ３２およびＳ３３の処理が実行されていないクラスタを対象クラスタとして処理が実行される。

一方、全てのクラスタについて処理が実行されたと判定された場合（ステップＳ３４のＹＥＳ）、類義語集合抽出処理は終了される。

以下、図２０〜図２４を参照して、上記した類義語集合抽出処理について具体的に説明する。ここでは、類似度算出結果格納部２５には、上記した図１４に示す各種情報が格納されているものとする。また、特徴度算出結果格納部２６には、上記した図１７に示す各種情報が格納されているものとする。また、上述した図８において説明したようにクラスタ１〜３がクラスタ生成部３５によって生成されたものとする。

まず、類義語集合抽出部３７は、類似度算出結果として、類似度算出結果格納部２５に対応づけて格納されている組ＩＤ、用語Ａおよび用語Ｂの組、文脈類似度および文字列類似度の全てを当該類似度算出結果格納部２５から読み込む。類似度算出結果格納部２５から読み込まれた類似度算出結果（組ＩＤ、用語Ａおよび用語Ｂの組、文脈類似度および文字列類似度）は、類義語集合格納部２７に格納される。図２０は、類似度算出結果が格納された後の類義語集合格納部２７のデータ構造の一例を示す。

以下、クラスタ生成部３５によって生成されたクラスタ１〜３の各々について処理が実行されるが、ここではクラスタ２について具体的に説明する。

この場合、類義語集合抽出部３７は、特徴度算出結果として、類義語集合格納部２７に格納された用語Ａのクラスタ２に対する特徴度および用語Ｂのクラスタ２に対する特徴度を特徴度算出結果格納部２６から読み込む。

特徴度算出結果格納部２６から読み込まれた特徴度算出結果（用語Ａのクラスタ２に対する特徴度および用語Ｂのクラスタ２に対する特徴度）は、類義語集合格納部２７に格納される。なお、ここで類義語集合格納部２７に格納された用語Ａのクラスタ２に対する特徴度および用語Ｂのクラスタ２に対する特徴度は、単に用語Ａの特徴度および用語Ｂの特徴度とする。図２１は、特徴度算出結果が格納された後の類義語集合格納部２７のデータ構造の一例を示す。

次に、類義語集合抽出部３７は、類義語集合格納部２７に格納された用語Ａおよび用語Ｂの組毎に、当該類義語集合格納部２７に格納された当該用語Ａおよび用語Ｂの文脈類似度、当該用語Ａおよび用語Ｂの文字列類似度、当該用語Ａの特徴度および用語Ｂの特徴度に基づいて当該用語Ａおよび用語Ｂが類義語（の集合）であるか否かを判定する。上記したように用語Ａおよび用語Ｂの文脈類似度、当該用語Ａおよび用語Ｂの文字列類似度、当該用語Ａの特徴度および用語Ｂの特徴度の４つの値の積が０より大きい場合、当該用語Ａおよび用語Ｂは類義語であると判定される。

ここで、図２１に示す類義語集合格納部２７に格納された例えば用語Ａ「鉛筆」および用語Ｂ「消しゴム」の場合、用語Ａ「鉛筆」および用語Ｂ「消しゴム」の文脈類似度は１であり、用語Ａ「鉛筆」および用語Ｂ「消しゴム」の文字列類似度は０であり、用語Ａ「鉛筆」の特徴度は０であり、用語Ｂ「消しゴム」の特徴度は０．５である。この場合、用語Ａ「鉛筆」および用語Ｂ「消しゴム」の文脈類似度、当該用語Ａ「鉛筆」および用語Ｂ「消しゴム」の文字列類似度、当該用語Ａ「鉛筆」の特徴度、および当該用語Ｂの特徴度の４つの値の積は０であるため、用語Ａ「鉛筆」および用語Ｂ「消しゴム」は類義語でないと判定される。

一方、図２１に示す類義語集合格納部２７に格納された例えば用語Ａ「字消し」および用語Ｂ「消しゴム」の場合、用語Ａ「字消し」および用語Ｂ「消しゴム」の文脈類似度は０．７５であり、用語Ａ「字消し」および用語Ｂ「消しゴム」の文字列類似度は０．６７であり、用語Ａ「字消し」の特徴度は０．７５であり、用語Ｂ「消しゴム」の特徴度は０．５である。この場合、用語Ａ「字消し」および用語Ｂ「消しゴム」の文脈類似度、用語Ａ「字消し」および用語Ｂ「消しゴム」の文字列類似度、用語Ａ「字消し」の特徴度、および用語Ｂ「消しゴム」の特徴度の４つの値の積は０でないため、用語Ａ「字消し」および用語Ｂ「消しゴム」は類義語であると判定される。

このように、類義語集合抽出部３７は、図２１に示す類義語集合格納部２７に格納された用語Ａおよび用語Ｂの組の全てについて判定処理を実行する。

ここで、図２２は、上記した類義語集合抽出部３７による判定結果を示す。図２２に示す例では、類義語集合格納部２７に格納された用語Ａおよび用語Ｂの組のうち、用語Ａ「字消し」および用語Ｂ「消しゴム」のみが類義語であると判定されている。この場合、類義語集合抽出部３７は、用語Ａ「字消し」および用語Ｂ「消しゴム」を類義語として抽出する。

ここではクラスタ２について説明したが、クラスタ１およびクラスタ３についても同様の処理が実行される。例えばクラスタ１の場合、図２３に示すように用語Ａおよび用語Ｂの特徴度が全て０であるため、類義語は抽出されない。一方、クラスタ３の場合には、図２４に示すように用語Ａ「取り消し」および用語Ｂ「取りやめ」と、用語Ａ「取りやめ」および用語Ｂ「取り消し」とが類義語であると判定されるため、用語Ａ「取り消し」および用語Ｂ「取りやめ」（および、用語Ａ「取りやめ」および用語Ｂ「取り消し」）が類義語として抽出される。

上記したように類義語集合抽出部３７によって類義語として抽出された２つの用語（用語Ａおよび用語Ｂ）は、出力処理部３８によって出力（表示）される。ここで、図２５は、類義語集合抽出部３７によって類義語として抽出された２つの用語が表示された場合における表示画面の一例を示す。図２５に示す例では、上記したようにクラスタ２の場合（つまり、クラスタ２に対して処理が実行された場合）に類義語として抽出された用語「字消し」および用語「消しゴム」とクラスタ３の場合（つまり、クラスタ３に対して処理が実行された場合）に類義語として抽出された用語「取り消し」および用語「取りやめ」とが表示されている。ユーザは、図２５に示すような表示画面を参照して、当該表示画面に表示された２つの用語を類義語として登録するか否かを指示することができる。

上記したように本実施形態においては、文書データベース２２に格納されている複数の文書に含まれる用語の中から２つの用語（第１および第２の用語）を抽出し、当該抽出された２つの用語の類似度を算出し、文書データベース２２に格納されている複数の文書が属するクラスタを生成し、当該生成されたクラスタに対する当該２つの用語の各々の特徴度を算出し、当該２つの用語の類似度および当該クラスタに対する２つの用語の各々の特徴度に基づいて当該２つの用語を類義語として抽出する構成により、誤った用語を類義語として抽出することなく、適切な用語のみを類義語として文書から抽出することが可能となる。

具体的には、上述した図１４に示す例えば文脈類似度および文字列類似度のみに基づいて類義語が抽出される場合、当該文脈類似度および文字列類似度の２つの値の積が０でない２つの用語（ここでは、用語「取り消し」および用語「消しゴム」、用語「取り消し」および用語「取りやめ」、用語「字消し」および用語「消しゴム」）がそれぞれ類義語として抽出される。しかしながら、この場合には適切でない用語「取り消し」および用語「消しゴム」についても類義語として抽出される。これに対して本実施形態においては、文脈類似度および文字列類似度に加えて用語が抽出された文書が属するクラスタ（に対する特徴度）についても考慮することによって、適切でない用語「取り消し」および用語「消しゴム」を排除して、上述したように用語「取り消し」および用語「取りやめ」、用語「字消し」および用語「消しゴム」のみを類義語として抽出することができる。

つまり、本実施形態によれば、文脈類似度または文字列類似度という局所的な類似性とクラスタに対する特徴度という大局的な類似性に基づいて類義語が抽出されるため、誤った類義語（ノイズ用語）が文書内の局所的な類似性により抽出されることを抑制することができる。

また、本実施形態において抽出された類義語は、例えば類義語辞書等に登録しておき、文書検索または文書分類等において利用することができる。

なお、本実施形態においては、２つの用語の類似度として文脈類似度および文字列類似度が算出されるものとして説明したが、文脈類似度および文字列類似度の一方のみが算出される構成であってもよい。文脈類似度のみが算出される場合には、例えば図９に示すステップＳ１１〜Ｓ１７の処理が実行されればよい。一方、文字列類似度のみが算出される場合には、例えば用語集計結果格納部２４に格納された複数の用語のうちの２つの用語の組み合わせの各々について図９に示すステップＳ１８およびＳ１９の処理が実行されればよい。

（第２の実施形態）
次に、本発明の第２の実施形態について説明する。なお、本実施形態に係る文書処理装置の機能構成は、前述した第１の実施形態と同様であるため、適宜、図２を用いて説明する。

本実施形態においては、特徴度算出部３６による特徴度算出処理が実行された後に類似度算出部３４による類似度算出処理が実行される点が、前述した第１の実施形態とは異なる。つまり、本実施形態における類似度算出処理においては、用語集計結果格納部２４に格納されている出現頻度情報（用語集計結果）ではなく、特徴度算出結果格納部２６に格納されている特徴度算出結果が用いられる。

ここで、図２６のフローチャートを参照して、本実施形態に係る文書処理装置３０の処理手順について説明する。

まず、前述した図４に示すステップＳ１〜Ｓ３、Ｓ５およびＳ６の処理に相当するステップＳ４１〜Ｓ４５の処理が実行される。

なお、ステップＳ４２の処理が実行されると、前述した図５および図６に示すように係り受け関係情報（解析結果）が解析結果格納部２３に格納される。また、ステップＳ４３の処理が実行されると、前述した図７に示すように出現頻度情報（用語集計結果）が用語集計結果格納部２４に格納される。また、ステップＳ４５の処理が実行されると、前述した図１７に示すような特徴度算出結果が特徴度算出結果格納部２６に格納される。

次に、類似度算出部３４は、解析結果格納部２３および特徴度算出結果格納部２５を参照して類似度算出処理を実行する（ステップＳ４６）。この類似度算出処理によれば、特徴度算出結果格納部２６に格納されたクラスタ生成部３５によって生成された各クラスタに対する特徴度が後述する予め定められた条件を満たす用語の中から２つの用語（第１および第２の用語）が抽出され、当該２つの用語の類似度が算出される。つまり、類似度算出処理においては、特徴度算出結果格納部２６に格納された全ての用語ではなく、予め定められた条件を満たす用語のみを対象として処理が実行される。なお、類似度算出処理の詳細については後述する。

類似度算出処理が実行されると、類似度算出部３４によって算出された類似度は、類似度算出結果格納部２５に格納される。

次に、類義語集合抽出部３７は、類似度算出結果格納部２５に格納された類似度に基づいて、上記した類似度算出処理において抽出された２つの用語を類義語（の集合）として抽出する処理（類義語集合抽出処理）を実行する（ステップＳ４７）。なお、類義語集合抽出処理の詳細については後述する。

類義語集合抽出処理が実行されると、前述した図４に示すステップＳ８の処理に相当するステップＳ４８の処理が実行される。

次に、図２７のフローチャートを参照して、上述した類似度算出処理（上記した図２６に示すステップＳ４６の処理）の処理手順について説明する。

類似度算出処理においては、クラスタ生成部３５によって生成されたクラスタの各々について以下のステップＳ５１〜Ｓ６１の処理を実行する。この処理の対象となるクラスタを対象クラスタと称する。

まず、類似度算出部３４は、特徴度算出結果格納部２６から特徴度算出結果を読み込む（ステップＳ５１）。この場合、類似度算出部３４は、特徴度算出結果として、特徴度算出結果格納部２６に格納されている用語および当該用語の対象クラスタに対する特徴度を読み込む。

次に、類似度算出部３４は、特徴度算出結果格納部２６から読み込まれた用語のうち予め定められた条件を満たす用語を抽出する（ステップＳ５２）。ここで、予め定められた条件は、例えば対象クラスタに対する特徴度が０でないことを含む。この場合、類似度算出部３４は、特徴度算出結果格納部２６から読み込まれた用語および当該用語の対象クラスタに対する特徴度に基づいて、当該対象クラスタに対する特徴度が０でない用語を抽出する。

類似度算出部３４は、前述した図９に示すステップＳ１１と同様に、解析結果格納部２３に格納されている全ての係り受け関係情報を読み込む（ステップＳ５３）。

次に、類似度算出部３４は、解析結果格納部２３から読み込まれた係り受け関係情報の各々に含まれる用語２および関係を１つの組として、当該読み込まれた係り受け関係情報において当該用語２および関係の組に対応づけられている用語１（つまり、同一の用語２と同一の係り受け関係にある用語１）の異なり数をカウントする（ステップＳ５４）。なお、このステップＳ５４においては、上記したステップＳ５２において抽出された用語（つまり、対象クラスタに対する特徴度が０でない用語）のみが対象とされる。

以下、前述した図９に示すステップＳ１３〜Ｓ１９の処理に相当するステップＳ５５〜Ｓ６１の処理が実行される。なお、ステップＳ５９において算出された文脈類似度およびステップＳ６１において算出された文字列類似度は、前述した第１の実施形態と同様に類似度算出結果格納部２５に格納される。

ステップＳ６１の処理が実行されると、クラスタ生成部３５によって生成された全てのクラスタについて上記したステップＳ５１〜Ｓ６１の処理が実行されたか否かを判定する（ステップＳ６２）。

全てのクラスタについて処理が実行されていないと判定された場合（ステップＳ６２のＮＯ）、上記したステップＳ５１に戻って処理が繰り返される。この場合、ステップＳ５１〜Ｓ６１の処理が実行されていないクラスタを対象クラスタとして処理が実行される。

一方、全てのクラスタについて処理が実行されたと判定された場合（ステップＳ６２のＮＯ）、類似度算出処理は終了される。

上記したように類似度算出処理が実行されると、類似度算出結果格納部２５には、クラスタ生成部３５によって生成されたクラスタ毎の類似度算出結果（文脈類似度および文字列類似度）が格納される。

以下、図２８および図２９を参照して、上記した類似度算出処理について具体的に説明する。ここでは、解析結果格納部２３には、前述した図５および図６に示す複数の係り受け関係情報が格納されているものとする。また、前述した図８において説明したようにクラスタ１〜３がクラスタ生成部３５によって生成されたものとする。また、特徴度算出結果格納部２６には、前述した図１７に示す各種情報が格納されているものとする。

なお、上記したように類似度算出処理においては、クラスタ生成部３５によって生成されたクラスタ１〜３の各々について処理が実行される。ここでは、クラスタ２について具体的に説明する。

まず、類似度算出部３４は、特徴度算出結果格納部２６に格納されている用語毎に、当該用語および当該用語のクラスタ２に対する特徴度を、当該特徴度算出結果格納部２６から読み出す。図１７に示す例では、類似度算出部３４は、用語「鉛筆」および当該用語「鉛筆」のクラスタ２に対する特徴度「０」を読み出す。なお、他の用語についても同様である。

次に、類似度算出部３４は、特徴度算出結果格納部２６から読み込まれた用語のうち例えばクラスタ２に対する特徴度が０でない用語を抽出する。図１７を用いて具体的に説明すると、図１７に示す特徴度算出結果格納部２６に格納されている用語（つまり、読み込まれた用語）のうち、用語「消しゴム」、「専用インク」、「文字」および「字消し」以外の用語のクラスタ２に対する特徴度は０である。したがって、類似度算出部３４は、クラスタ２に対する特徴度が０でない用語として用語「消しゴム」、「専用インク」、「文字」および「字消し」を抽出する。

類似度算出部３４は、解析結果格納部２３に格納されている全ての係り受け関係情報を読み込む。

類似度算出部３４は、読み込まれた係り受け関係情報の各々に含まれる用語２および関係の組毎に、当該組に対応づけられている用語の異なり数をカウントする。つまり、類似度算出部３４は、読み込まれた係り受け関係情報に基づいて、同一の用語２と同一の係り受け関係にある用語１の異なり数をカウントする。

このとき、類似度算出部３４は、上記したように抽出された用語「消しゴム」、「専用インク」、「文字」および「字消し」のみを対象（つまり、用語１）として、同一の用語２と同一の係り受け関係にある用語１の異なり数をカウントする。

ここで、図５および図６を用いて具体的に説明すると、例えば用語２「消す」および関係「で」の組に対応づけられている用語１は、「字消し」および「消しゴム」である。このため、解析結果格納部２３に格納されている係り受け関係情報において用語２「消す」および関係「で」の組に対応づけられている用語１（つまり、用語２「消す」と「で」の係り受け関係にある用語１）の異なり数は２となる。

なお、図５および図６に示す例では用語２「持参」および関係「を」の組に対応づけられている用語１は「鉛筆」、「消しゴム」および「時計」であるが、上記したように用語「消しゴム」、「専用インク」、「文字」および「字消し」のみが対象とされるため、当該用語２「持参」および関係「を」の組に対応づけられている用語１の異なり数は１となる。

次に、類似度算出部３４は、カウントされた異なり数が２以上である場合における用語２および関係の組に対応づけられている各用語１の出現頻度をカウントする。

例えば上記した用語２「消す」および関係「で」の組に対応づけられている用語１の異なり数は２以上であるため、類似度算出部３４は、用語２「消す」および関係「で」の組に対応づけられている用語１「字消し」および「消しゴム」の各々の出現頻度をカウントする。図５および図６に示す例によれば、用語２「消す」および関係「で」の組に対応づけられている用語１「字消し」の出現頻度は２であり、用語１「消しゴム」の出現頻度は１である。なお、図５および図６に示す例では、用語２「消す」および関係「で」の組に対応づけられている用語１以外に異なり数が２以上である用語１は存在しない。

次に、類似度算出部３４は、中間処理結果情報を生成する。この場合、類似度算出部３４は、図２８に示す中間処理結果情報を生成する。中間処理結果情報の生成処理については、前述した第１の実施形態において説明した通りであるため、その詳しい説明を省略する。

次に、類似度算出部３４は、図２８に示す中間処理結果情報に基づいて、２つの用語１からなる全ての組み合わせ（順列）を抽出する。この場合、類似度算出部３４は、「字消し」および「消しゴム」、「消しゴム」および「字消し」の２つの組み合わせを抽出する。

このように類似度算出部３４によって抽出された用語１の各組み合わせは、用語Ａおよび用語Ｂ（の組）として類似度算出結果格納部２５に格納される。

以下、詳しい説明は省略するが、前述した第１の実施形態と同様に、類似度算出結果格納部２５に格納された用語Ａおよび用語Ｂの各組について、文脈類似度および文字列類似度が算出される。このように算出された文脈類似度および文字列類似度は、類似度算出結果格納部２５に格納される。

なお、ここではクラスタ２について処理が実行された場合について説明したが、クラスタ１および３についても同様であるため、その詳しい説明を省略する。

なお、図２９は、クラスタ１〜３の各々について処理が実行された後の類似度算出結果格納部２５のデータ構造の一例を示す。

例えば図２９に示す組ＩＤ「１」および「２」（に関する情報）は、上記したようにクラスタ２について処理が実行された場合に類似度算出結果格納部２５に格納される情報（クラスタ２の類似度算出結果）であり、組ＩＤ「３」および「４」（に関する情報）は、詳しい説明は省略するが、クラスタ３について処理が実行された場合に類似度算出結果格納部２５に格納される情報（クラスタ３の類似度算出結果）である。

次に、図３０のフローチャートを参照して、上述した類義語集合抽出処理（上記した図２６に示すステップＳ４７の処理）の処理手順について説明する。

まず、類義語集合抽出部３７は、類似度算出結果格納部２５から類似度算出結果を読み込む（ステップＳ７１）。この場合、類義語集合抽出部３７は、類似度算出結果として、類似度算出結果格納部２５に格納されている用語Ａおよび用語Ｂの組、当該用語Ａおよび用語Ｂの組に対応づけられている文脈類似度（用語Ａおよび用語Ｂの文脈類似度）および文字列類似度（用語Ａおよび用語Ｂの文字列類似度）を読み込む。なお、類似度算出結果格納部２５から読み込まれた類似度算出結果は、類義語集合格納部２７に格納される。

次に、類義語集合抽出部３７は、類義語集合格納部２７に格納された用語Ａおよび用語Ｂの組毎に、当該類義語集合格納部２７に格納された用語Ａおよび用語Ｂの文脈類似度、および用語Ａおよび用語Ｂの文字列類似度に基づいて、当該用語Ａおよび用語Ｂが類義語（の集合）であるか否かを判定する。この場合、例えば用語Ａおよび用語Ｂの文脈類似度、および用語Ａおよび用語Ｂの文字列類似度の２つの値の積が０より大きい場合（つまり、当該文脈類似度および文字列類似度の両方が０でない場合）、当該用語Ａおよび用語Ｂは類義語であると判定される。

このような判定処理が類義語集合格納部２７に格納された用語Ａおよび用語Ｂの全ての組に対して実行されることによって、類義語集合抽出部３７は、用語Ａおよび用語Ｂを類義語として抽出する（ステップＳ７２）。

例えば類似度算出結果格納部２５に前述した図２９に示す各種情報が格納されているものとすると、上記した類義語集合抽出処理によれば、用語Ａ「字消し」および用語Ｂ「消しゴム」が類義語として抽出される。また、用語Ａ「取り消し」および用語Ｂ「取りやめ」（および、用語Ａ「取りやめ」および用語Ｂ「取り消し」）が類義語として抽出される。

したがって、本実施形態においても、前述した第１の実施形態と同様の類義語が抽出される。

上記したように本実施形態においては、文書データベース２２に格納されている複数の文書が属するクラスタを生成し、文書データベースに格納されている複数の文書に含まれる用語毎に当該クラスタに対する特徴度を算出し、当該特徴度が予め定められた条件を満たす用語の中から２つの用語（第１および第２の用語）を抽出し、当該抽出された２つの用語の類似度を算出し、当該算出された類似度に基づいて当該２つの用語を類義語として抽出する構成により、前述した第１の実施形態と同様に誤った用語を類義語として抽出することなく、適切な用語のみを類義語として文書から抽出することができ、更に、類似度算出処理の対象となる用語を絞り込むことが可能になるため、当該類似度算出処理における処理量（計算量）を軽減することが可能となる。

以上説明した少なくとも１つの実施形態によれば、類義語として適切な用語を文書から抽出することが可能な文書処理装置およびプログラムを提供することができる。

なお、本願発明は、上記各実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記各実施形態に開示されている複数の構成要素の適宜な組合せにより種々の発明を形成できる。例えば、各実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。更に、異なる実施形態に亘る構成要素を適宜組合せてもよい。

１０…コンピュータ、２０…外部記憶装置、２２…文書データベース、２３…解析結果格納部、２４…用語集計結果格納部、２５…類似度算出結果格納部、２６…特徴度算出結果格納部、２７…類義語集合格納部、３０…文書処理装置、３１…入力処理部、３２…解析部、３３…用語集計部、３４…類似度算出部、３５…クラスタ生成部、３６…特徴度算出部、３７…類義語集合抽出部、３８…出力処理部、３４１…文脈類似度算出部、３４２…文字列類似度算出部。

Claims (5)

1. １つまたは複数の単語からなる用語を含む複数の文書を格納する文書格納手段と、
   前記文書格納手段に格納されている複数の文書に含まれる用語の中から第１および第２の用語を抽出する用語抽出手段と、
   前記抽出された第１および第２の用語の類似度を算出する類似度算出手段と、
   前記文書格納手段に格納されている複数の文書の各々が属するクラスタを生成するクラスタ生成手段と、
   前記文書格納手段に格納されている複数の文書および前記生成されたクラスタに属する文書における前記抽出された第１の用語の出現頻度に基づいて当該クラスタに対する第１の用語の特徴度を算出し、前記文書格納手段に格納されている複数の文書および前記生成されたクラスタに属する文書における前記抽出された第２の用語の出現頻度に基づいて当該クラスタに対する第２の用語の特徴度を算出する特徴度算出手段と、
   前記類似度算出手段によって算出された類似度、前記特徴度算出手段によって算出された第１の用語の特徴度および第２の用語の特徴度に基づいて、当該第１および第２の用語を類義語として抽出する類義語抽出手段と
   を具備することを特徴とする文書処理装置。
2. 前記用語抽出手段は、前記文書格納手段に格納されている複数の文書に含まれる用語のうち、同一の用語と同一の係り受け関係にある第１および第２の用語を抽出し、
   前記類似度算出手段は、前記文書格納手段に格納されている複数の文書における前記同一の用語と同一の係り受け関係にある第１の用語の出現頻度および前記文書格納手段に格納されている複数の文書における前記第１の用語の出現頻度に基づいて、前記抽出された第１および第２の用語の類似度を算出することを特徴とする請求項１記載の文書処理装置。
3. 前記類似度算出手段は、前記抽出された第１および第２の用語において共通する文字数に基づいて当該第１および第２の用語の類似度を算出することを特徴とする請求項１記載の文書処理装置。
4. １つまたは複数の単語からなる用語を含む複数の文書を格納する文書格納手段と、
   前記文書格納手段に格納されている複数の文書が属するクラスタを生成するクラスタ生成手段と、
   前記文書格納手段に格納されている複数の文書に含まれる用語毎に、前記文書格納手段に格納されている複数の文書および前記生成されたクラスタに属する文書における当該用語の出現頻度に基づいて、当該クラスタに対する当該用語の特徴度を算出する特徴度算出手段と、
   前記特徴度算出手段によって算出された特徴度が予め定められた条件を満たす用語の中から第１および第２の用語を抽出する用語抽出手段と、
   前記抽出された第１および第２の用語の類似度を算出する類似度算出手段と、
   前記類似度算出手段によって算出された類似度に基づいて、前記抽出された第１および第２の用語を類義語として抽出する類義語抽出手段と
   を具備することを特徴とする文書処理装置。
5. １つまたは複数の単語からなる用語を含む複数の文書を格納する文書格納手段を有する外部記憶装置と、当該外部記憶装置を利用するコンピュータとから構成される文書処理装置において、前記コンピュータによって実行されるプログラムであって、
   前記コンピュータに、
   前記文書格納手段に格納されている複数の文書に含まれる用語の中から第１および第２の用語を抽出するステップと、
   前記抽出された第１および第２の用語の類似度を算出するステップと、
   前記文書格納手段に格納されている複数の文書の各々が属するクラスタを生成するステップと、
   前記文書格納手段に格納されている複数の文書および前記生成されたクラスタに属する文書における前記抽出された第１の用語の出現頻度に基づいて当該クラスタに対する第１の用語の特徴度を算出し、前記文書格納手段に格納されている複数の文書および前記生成されたクラスタに属する文書における前記抽出された第２の用語の出現頻度に基づいて当該クラスタに対する第２の用語の特徴度を算出するステップと、
   前記算出された類似度、前記算出された第１の用語の特徴度および第２の用語の特徴度に基づいて、当該第１および第２の用語を類義語として抽出するステップと
   を実行させるためのプログラム。

Images