JP7633522B2 - Information processing program, information processing method, and information processing device - Google Patents
Information processing program, information processing method, and information processing device Download PDFInfo
- Publication number
- JP7633522B2 JP7633522B2 JP2021124759A JP2021124759A JP7633522B2 JP 7633522 B2 JP7633522 B2 JP 7633522B2 JP 2021124759 A JP2021124759 A JP 2021124759A JP 2021124759 A JP2021124759 A JP 2021124759A JP 7633522 B2 JP7633522 B2 JP 7633522B2
- Authority
- JP
- Japan
- Prior art keywords
- word
- feature
- information processing
- target document
- processing device
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
本発明は、情報処理プログラム、情報処理方法、および情報処理装置に関する。 The present invention relates to an information processing program, an information processing method, and an information processing device.
従来、文書の特徴を表す特徴語を文書から抽出する技術がある。例えば、TF(Term Frequency)-IDF(Inverse Document Frequency)と呼ばれる、複数の文書のうちの対象の文書の特徴語を抽出する技術がある。例えば、文書を検索し易くするため、文書にタグを付与しようとする場合、文書の特徴語を抽出し、タグとして採用することがある。 Conventionally, there are techniques for extracting characteristic words from a document that represent the characteristics of the document. For example, there is a technique called TF (Term Frequency)-IDF (Inverse Document Frequency) that extracts characteristic words of a target document among multiple documents. For example, when attempting to assign tags to documents to make them easier to search, characteristic words of the document may be extracted and used as tags.
先行技術としては、例えば、Webページのレイアウトを解析して、Webページに含まれるセクションを抽出し、各セクションの用途種別を判定し、基本文字列が出現するセクションの用途種別に応じた重み付けをして重要度を計算するものがある。また、例えば、元文書を分割した頁文書を生成し、頁文書の文書情報を設定し、頁文書の本文テキストからタグを抽出し、当該タグを文書情報に設定する技術がある。 Prior art techniques include, for example, analyzing the layout of a web page, extracting sections contained in the web page, determining the type of use of each section, and calculating the importance by weighting according to the type of use of the section in which the basic character string appears. Another technique involves, for example, generating page documents by dividing an original document, setting document information for the page documents, extracting tags from the main text of the page documents, and setting the tags to the document information.
しかしながら、従来技術では、文書の特徴語を精度よく抽出することが難しい。例えば、TF-IDFを用いて、複数の文書のうちの対象の文書の特徴語を抽出する場合がある。この場合、対象の文書の各ページのヘッダまたはフッタに共通して出現する特徴的ではない語句が、対象の文書において出現頻度が比較的高い語句となってしまい、誤って特徴語として抽出されることがある。 However, with conventional technology, it is difficult to accurately extract characteristic words from a document. For example, TF-IDF may be used to extract characteristic words from a target document among multiple documents. In this case, uncharacteristic words that commonly appear in the header or footer of each page of the target document may end up being words that appear relatively frequently in the target document, and may be erroneously extracted as characteristic words.
1つの側面では、本発明は、文書の特徴語を精度よく抽出することを目的とする。 In one aspect, the present invention aims to accurately extract characteristic words from a document.
1つの実施態様によれば、対象の文書を特定の条件に従って分割した複数の部分を取得し、取得した前記複数の部分のそれぞれの部分に含まれるそれぞれの語句についての、前記部分の特徴を表す特徴語としての第1の尤度に基づいて、前記それぞれの部分の中から、前記部分の特徴を表す特徴語を抽出し、抽出した前記特徴語を纏めた特徴語集合に含まれるそれぞれの特徴語についての、前記対象の文書の特徴を表す特徴語としての第2の尤度に基づいて、前記特徴語集合の中から、前記対象の文書の特徴を表す特徴語を決定する情報処理プログラム、情報処理方法、および情報処理装置が提案される。 According to one embodiment, an information processing program, an information processing method, and an information processing device are proposed that obtain a plurality of parts obtained by dividing a target document according to specific conditions, extract feature words representing characteristics of each of the obtained plurality of parts from each of the obtained parts based on a first likelihood of each word contained in each of the obtained parts as a feature word representing a characteristic of the part, and determine feature words representing characteristics of the target document from the feature word set that includes the extracted feature words based on a second likelihood of each feature word contained in the feature word set as a feature word representing a characteristic of the target document.
一態様によれば、文書の特徴語を精度よく抽出することが可能になる。 According to one aspect, it becomes possible to extract characteristic words from a document with high accuracy.
以下に、図面を参照して、本発明にかかる情報処理プログラム、情報処理方法、および情報処理装置の実施の形態を詳細に説明する。 Below, embodiments of the information processing program, information processing method, and information processing device according to the present invention will be described in detail with reference to the drawings.
(実施の形態にかかる情報処理方法の一実施例)
図1は、実施の形態にかかる情報処理方法の一実施例を示す説明図である。情報処理装置100は、文書の特徴を表す特徴語を当該文書の中から抽出するためのコンピュータである。
(An example of an information processing method according to an embodiment)
1 is an explanatory diagram showing an example of an information processing method according to an embodiment of the present invention. An
ここで、例えば、文書を検索し易くするため、文書にタグを付与しようとする場合、文書の特徴語を抽出し、タグとして採用することが望まれる場合がある。 Here, for example, when adding tags to documents to make them easier to search, it may be desirable to extract characteristic words from the documents and use them as tags.
これに対し、従来では、TF-IDFと呼ばれる技術を用いて、複数の文書のうちの対象の文書の特徴語が抽出される。具体的には、対象の文書に出現するそれぞれの単語について、対象の文書の特徴を表す特徴語としての尤度=TF×IDFを算出し、算出した尤度が閾値以上である単語を、対象の文書の特徴語として抽出することがある。 In contrast, conventionally, a technique called TF-IDF is used to extract feature words from a target document among multiple documents. Specifically, for each word that appears in the target document, the likelihood (TF x IDF) of the word being a feature word that represents the characteristics of the target document is calculated, and words with a calculated likelihood equal to or greater than a threshold are extracted as feature words of the target document.
ある単語に関するTFは、対象の文書における当該単語の出現頻度に基づく評価値である。ある単語に関するTFは、対象の文書において当該単語がどの程度重要であるのかを示す。具体的には、第1の単語に関するTFは、対象の文書における第1の単語の出現回数/対象の文書におけるすべての単語の出現回数の合計である。具体的には、第1の単語に関するTFは、対象の文書において第1の単語が多く出現するほど、値が大きくなり、対象の文書において第1の単語の重要度が高いことを示す。このため、ある単語に関するTFが大きく、対象の文書において当該単語の重要度が高いと判断されるほど、当該単語の尤度=TF×IDFが大きくなり易い。 The TF for a word is an evaluation value based on the frequency of occurrence of the word in the target document. The TF for a word indicates how important the word is in the target document. Specifically, the TF for a first word is the number of times the first word appears in the target document / the total number of times all words appear in the target document. Specifically, the TF for the first word becomes larger the more frequently the first word appears in the target document, indicating that the first word is more important in the target document. Therefore, the larger the TF for a word is and the higher the importance of the word is determined to be in the target document, the larger the likelihood of the word = TF x IDF is likely to be.
ある単語に関するIDFは、対象の文書を含む複数の文書のうち当該単語が出現する文書の数に基づく評価値である。ある単語に関するIDFは、当該単語がどの程度汎用的であるのかを示す。具体的には、第1の単語に関するIDFは、log(文書の総数/第1の単語が出現する文書の数)である。具体的には、第1の単語に関するIDFは、第1の単語が出現する文書が多いほど、値が小さくなり、第1の単語が汎用的であり、特徴的ではないことを示し、対象の文書において第1の単語の重要度が低いことを示す。このため、ある単語に関するIDFが小さく、対象の文書において当該単語の重要度が低いと判断されるほど、当該単語の尤度=TF×IDFが小さくなり易い。 The IDF for a word is an evaluation value based on the number of documents in which the word appears among multiple documents including the target document. The IDF for a word indicates how versatile the word is. Specifically, the IDF for a first word is log(total number of documents/number of documents in which the first word appears). Specifically, the IDF for the first word becomes smaller the more documents in which the first word appears, indicating that the first word is versatile and not distinctive, and indicating that the importance of the first word in the target document is low. Therefore, the smaller the IDF for a word is and the lower the importance of the word is determined to be in the target document, the smaller the likelihood of the word = TF x IDF is likely to be.
このように、従来では、それぞれ異なる2つの観点から、対象の文書に出現するそれぞれの単語について、対象の文書の特徴語としての尤度=TF×IDFを算出することにより、対象の文書の特徴語を抽出する精度の向上を図ることになる。 In this way, conventionally, the accuracy of extracting characteristic words from a target document is improved by calculating the likelihood (TF x IDF) of each word that appears in the target document as a characteristic word of the target document from two different perspectives.
しかしながら、従来では、対象の文書の特徴語を精度よく抽出することが難しい場合がある。例えば、ある単語が、対象の文書における重要度が比較的低く、対象の文書の特徴語として不適切な単語であっても、対象の文書において比較的多く出現するため、対象の文書の特徴語として抽出されてしまう場合が考えられる。 However, in the past, it was sometimes difficult to accurately extract characteristic words from a target document. For example, even if a certain word has a relatively low importance in the target document and is therefore inappropriate as a characteristic word for the target document, it may still be extracted as a characteristic word for the target document because it appears relatively frequently in the target document.
不適切な単語は、例えば、対象の文書のうちの定型文に含まれている場合が考えられる。不適切な単語は、例えば、対象の文書の元になった雛型の文書に含まれており、対象の文書に残っている場合が考えられる。不適切な単語は、例えば、対象の文書のうち、対象の文書の主題と関わらない付帯的な部分に含まれている場合が考えられる。 The inappropriate word may be, for example, contained in a template within the target document. The inappropriate word may be, for example, contained in a template document that was the basis for the target document and remains in the target document. The inappropriate word may be, for example, contained in an ancillary part of the target document that is unrelated to the subject matter of the target document.
具体的には、対象の文書において、対象の文書の特徴語として不適切な単語を含む定型文が複数回出現すると、当該単語が、対象の文書において比較的多く出現すると判断され、誤って対象の文書の特徴語として抽出されることになる。定型文は、例えば、対象の文書のヘッダまたはフッタに含まれる。より具体的には、対象の文書の特徴語として不適切な単語が、対象の文書において比較的多く出現すると、当該単語に関するTFが大きくなり、当該単語に関する尤度=TF×IDFが大きくなるため、誤って対象の文書の特徴語として抽出されることになる。 Specifically, if a template containing a word that is inappropriate as a characteristic word for the target document appears multiple times in the target document, the word will be determined to appear relatively frequently in the target document and will be erroneously extracted as a characteristic word for the target document. The template may be included in the header or footer of the target document, for example. More specifically, if a word that is inappropriate as a characteristic word for the target document appears relatively frequently in the target document, the TF for that word will be large, and the likelihood for that word = TF x IDF will be large, so that the word will be erroneously extracted as a characteristic word for the target document.
そこで、本実施の形態では、対象の文書の特徴語を精度よく抽出することができる情報処理方法について説明する。 Therefore, in this embodiment, we will explain an information processing method that can accurately extract characteristic words from a target document.
図1において、(1-1)情報処理装置100は、対象の文書110を特定の条件に従って分割した複数の部分111を取得する。対象の文書110は、例えば、複数のページを含む。対象の文書110は、ページ単位で区切られていなくてもよい。対象の文書110は、汎用的であり特徴的ではない語句を比較的多く含むことがある。図1の例では、特徴的ではない語句は、具体的には、対象の文書110の各ページのフッタに含まれるCopyrightなどの語句である。特定の条件は、例えば、ページ区切りを基準に対象の文書110を分割することを示す。特定の条件は、例えば、特定のキーワードを基準に対象の文書110を分割することを示していてもよい。
In FIG. 1, (1-1) the
情報処理装置100は、例えば、対象の文書110を特定の条件に従って分割することにより、対象の文書110を分割した複数の部分111を取得する。図1の例では、情報処理装置100は、具体的には、対象の文書110を分割した複数の部分111-iを取得する。図1の例では、i=1~4である。これにより、情報処理装置100は、対象の文書110に比較的多く含まれる特徴的ではない語句を、それぞれ比較的少量ずつ含む複数の部分111を取得することができる。情報処理装置100は、汎用的であり特徴的ではない語句が、対象の文書110に比較的多く出現していても、部分111を基準とすれば、特徴的な語句ではないと正しく評価し易くすることができる。
The
(1-2)情報処理装置100は、取得した複数の部分111のそれぞれの部分111の中から、当該部分111の特徴を表す特徴語を抽出する。情報処理装置100は、例えば、それぞれの部分111に含まれるそれぞれの語句についての、当該部分111の特徴を表す特徴語としての第1の尤度に基づいて、それぞれの部分111の中から、当該部分111の特徴を表す特徴語を抽出する。第1の尤度は、例えば、部分111における語句に関するTF×IDFである。情報処理装置100は、それぞれの部分111から抽出した特徴語の一覧121を生成する。
(1-2) The
図1の例では、情報処理装置100は、具体的には、それぞれの部分111-iの中から、当該部分111-iの特徴を表す特徴語を抽出し、抽出した特徴語の一覧121-iを生成する。図1の例では、i=1~4である。これにより、情報処理装置100は、汎用的であり特徴的ではない語句が、対象の文書110に比較的多く出現していても、部分111を基準として、特徴的な語句ではないと正しく評価し、部分111の特徴を表す特徴語を抽出することができる。
In the example of FIG. 1, the
(1-3)情報処理装置100は、抽出した特徴語を纏めた特徴語集合の中から、対象の文書110の特徴を表す特徴語を決定する。特徴語集合は、例えば、抽出した特徴語を重複なく集めることにより得られる。情報処理装置100は、特徴語集合に含まれるそれぞれの特徴語についての、対象の文書110の特徴を表す特徴語としての第2の尤度に基づいて、特徴語集合の中から、対象の文書110の特徴を表す特徴語を決定する。情報処理装置100は、例えば、決定した特徴語の一覧130を出力する。情報処理装置100は、具体的には、決定した特徴語の一覧130を、対象の文書110に対応付けて記憶する。
(1-3) The
これにより、情報処理装置100は、対象の文書110の特徴を表す特徴語を精度よく決定することができる。情報処理装置100は、例えば、部分111を基準として、対象の文書110に比較的多く出現する、汎用的であり特徴的ではない語句を、対象の文書110の特徴を表す特徴語の候補から除外することができる。そして、情報処理装置100は、例えば、汎用的であり特徴的ではない語句を、対象の文書110の特徴を表す特徴語の候補から除外してから、対象の文書110の特徴を表す特徴語を決定することができる。このため、情報処理装置100は、対象の文書110の特徴を表す特徴語を決定する精度の向上を図ることができる。
This allows the
情報処理装置100は、さらに、記憶した特徴語の一覧130に基づいて、複数の文書の中から指定の条件を満たす文書を検索するサービスを、利用者に提供してもよい。情報処理装置100は、具体的には、利用者の操作入力に基づき、条件の指定を受け付け、指定の条件に基づき、指定の条件を満たす文書を検索する。そして、情報処理装置100は、検索した文書と共に、当該文書に対応付けられた特徴語の一覧130を、ディスプレイに表示することにより、複数の文書の中から指定の条件を満たす文書を検索するサービスを、利用者に提供する。これにより、情報処理装置100は、特徴語の一覧130に基づき、検索した文書が、どのような内容の文書であるのかを、利用者が把握し易くすることができる。
The
ここでは、情報処理装置100が、対象の文書110を特定の条件に従って分割することにより、対象の文書110を分割した複数の部分111を取得する場合について説明したが、これに限らない。例えば、情報処理装置100が、対象の文書110を特定の条件に従って分割する他のコンピュータから、対象の文書110を分割した複数の部分111を受信する場合があってもよい。
Here, a case has been described in which the
ここでは、情報処理装置100が、検索した文書と共に、当該文書に対応付けられた特徴語の一覧130を、ディスプレイに表示し、複数の文書の中から指定の条件を満たす文書を検索するサービスを利用者に提供する場合について説明したが、これに限らない。例えば、情報処理装置100が、検索した文書と共に、当該文書に対応付けられた特徴語の一覧130を、他のコンピュータに送信し、複数の文書の中から指定の条件を満たす文書を検索するサービスを、利用者に提供する場合があってもよい。
Here, we have described a case where the
ここでは、情報処理装置100が、複数の文書の中から指定の条件を満たす文書を検索するサービスを利用者に提供する場合について説明したが、これに限らない。例えば、情報処理装置100が、文書の要約文を作成するサービスを利用者に提供する場合があってもよい。この場合、情報処理装置100は、文書の特徴語を決定し、文書の特徴語を用いて文書の要約文を作成する。
Here, a case has been described in which the
このように、情報処理装置100は、単独で動作していてもよいし、他のコンピュータと協働していてもよい。情報処理装置100が、他のコンピュータと協働する場合の一例については、具体的には、図2を用いて後述する。
In this way, the
(情報処理システム200の一例)
次に、図2を用いて、図1に示した情報処理装置100を適用した、情報処理システム200の一例について説明する。
(An example of the information processing system 200)
Next, an example of an
図2は、情報処理システム200の一例を示す説明図である。図2において、情報処理システム200は、情報処理装置100と、文書蓄積装置201と、クライアント装置202とを含む。
FIG. 2 is an explanatory diagram showing an example of an
情報処理システム200において、情報処理装置100と文書蓄積装置201は、有線または無線のネットワーク210を介して接続される。ネットワーク210は、例えば、LAN(Local Area Network)、WAN(Wide Area Network)、インターネットなどである。また、情報処理システム200において、情報処理装置100とクライアント装置202とは、有線または無線のネットワーク210を介して接続される。
In the
情報処理装置100は、文書を検索するサービスを提供するコンピュータである。文書は、例えば、論文、提案書、設計資料、契約書、または、新聞記事などである。情報処理装置100は、文書蓄積装置201から、複数の文書を取得する。情報処理装置100は、取得した複数の文書のそれぞれの文書に出現するそれぞれの単語について、当該文書におけるTF×IDFを算出し、図4に後述する全体頻度管理テーブル400に記憶する。
The
情報処理装置100は、複数の文書のそれぞれの文書を特定の条件に従って分割することにより、当該文書を分割した複数の部分を取得する。情報処理装置100は、複数の文書のそれぞれの文書を分割した複数の部分を、文書蓄積装置201から受信することにより取得してもよい。情報処理装置100は、複数の部分のそれぞれの部分に出現するそれぞれの単語について、当該部分におけるTF×IDFを算出し、図5に後述する部分頻度管理テーブル500に記憶する。
The
情報処理装置100は、図4および図5に後述する各種テーブルを参照して、複数の文書のそれぞれの文書の特徴を表す特徴語を決定し、当該文書と対応付けて、図6に後述する重要単語管理テーブル600に記憶する。文書の特徴を表す特徴語は、例えば、当該文書のタグとなり得る。
The
情報処理装置100は、文書を検索する条件を、クライアント装置202から受信する。条件は、例えば、文書が特定のキーワードを含むことである。条件は、例えば、文書が特定の特徴語に対応付けられていることであってもよい。情報処理装置100は、複数の文書の中から、受信した条件を満たす1以上の文書を検索する。情報処理装置100は、重要単語管理テーブル600を参照して、検索した1以上の文書のそれぞれの文書に対応付けられた特徴語を取得する。
The
情報処理装置100は、検索した1以上の文書のそれぞれの文書と、当該文書に対応付けられた特徴語とを、クライアント装置202に送信する。情報処理装置100は、例えば、サーバ、または、PC(Personal Computer)などである。
The
文書蓄積装置201は、文書を蓄積するコンピュータである。文書蓄積装置201は、文書を検索するサービスの管理者の操作入力に基づき、文書の入力を受け付け、入力を受け付けた文書を蓄積する。文書蓄積装置201は、他のコンピュータから、文書を収集することにより蓄積してもよい。文書蓄積装置201は、蓄積した複数の文書を、情報処理装置100に提供する。文書蓄積装置201は、さらに、蓄積した複数の文書のそれぞれの文書を特定の条件に従って分割することにより、当該文書を分割した複数の部分を生成して情報処理装置100に提供してもよい。文書蓄積装置201は、例えば、サーバ、または、PCなどである。
The
クライアント装置202は、文書を検索するサービスの利用者によって用いられるコンピュータである。クライアント装置202は、利用者の操作入力に基づき、文書を検索する条件を、情報処理装置100に送信する。クライアント装置202は、検索された1以上の文書のそれぞれの文書と、当該文書に対応付けられた特徴語とを、情報処理装置100から受信する。
The
クライアント装置202は、検索された1以上の文書のそれぞれの文書と、当該文書に対応付けられた特徴語とを、利用者が参照可能に出力する。クライアント装置202は、例えば、検索された1以上の文書のそれぞれの文書と、当該文書に対応付けられた特徴語とを、ディスプレイに表示する。クライアント装置202は、例えば、PC、タブレット端末、または、スマートフォンなどである。
The
ここで、文書を検索するサービスは、例えば、それぞれ文書となる複数の提案書の中から、利用者が指定する時期、トレンド、または、ターゲット層などの条件を満たす提案書を検索する用途などに適用される。 The document search service is used, for example, to search for proposals that meet the conditions, such as a time period, trend, or target demographic, specified by the user from among a number of proposals, each of which is a document.
ここでは、情報処理装置100と、文書蓄積装置201とが異なる装置である場合について説明したが、これに限らない。例えば、情報処理装置100が、文書蓄積装置201としての機能を有し、文書蓄積装置201としても動作する場合があってもよい。ここでは、情報処理装置100と、クライアント装置202とが異なる装置である場合について説明したが、これに限らない。例えば、情報処理装置100が、クライアント装置202としての機能を有し、クライアント装置202としても動作する場合があってもよい。
Here, a case has been described in which the
(情報処理装置100のハードウェア構成例)
次に、図3を用いて、情報処理装置100のハードウェア構成例について説明する。
(Example of hardware configuration of information processing device 100)
Next, an example of the hardware configuration of the
図3は、情報処理装置100のハードウェア構成例を示すブロック図である。図3において、情報処理装置100は、CPU(Central Processing Unit)301と、メモリ302と、ネットワークI/F(Interface)303と、記録媒体I/F304と、記録媒体305とを有する。また、各構成部は、バス300によってそれぞれ接続される。
Fig. 3 is a block diagram showing an example of the hardware configuration of the
ここで、CPU301は、情報処理装置100の全体の制御を司る。メモリ302は、例えば、ROM(Read Only Memory)、RAM(Random Access Memory)およびフラッシュROMなどを有する。具体的には、例えば、フラッシュROMやROMが各種プログラムを記憶し、RAMがCPU301のワークエリアとして使用される。メモリ302に記憶されるプログラムは、CPU301にロードされることにより、コーディングされている処理をCPU301に実行させる。
Here, the
ネットワークI/F303は、通信回線を通じてネットワーク210に接続され、ネットワーク210を介して他のコンピュータに接続される。そして、ネットワークI/F303は、ネットワーク210と内部のインターフェースを司り、他のコンピュータからのデータの入出力を制御する。ネットワークI/F303は、例えば、モデムやLANアダプタなどである。
The network I/
記録媒体I/F304は、CPU301の制御に従って記録媒体305に対するデータのリード/ライトを制御する。記録媒体I/F304は、例えば、ディスクドライブ、SSD(Solid State Drive)、USB(Universal Serial Bus)ポートなどである。記録媒体305は、記録媒体I/F304の制御で書き込まれたデータを記憶する不揮発メモリである。記録媒体305は、例えば、ディスク、半導体メモリ、USBメモリなどである。記録媒体305は、情報処理装置100から着脱可能であってもよい。
The recording medium I/
情報処理装置100は、上述した構成部の他、例えば、キーボード、マウス、ディスプレイ、プリンタ、スキャナ、マイク、スピーカーなどを有してもよい。また、情報処理装置100は、記録媒体I/F304や記録媒体305を複数有していてもよい。また、情報処理装置100は、記録媒体I/F304や記録媒体305を有していなくてもよい。
In addition to the components described above, the
(全体頻度管理テーブル400の記憶内容)
次に、図4を用いて、全体頻度管理テーブル400の記憶内容の一例について説明する。全体頻度管理テーブル400は、例えば、図3に示した情報処理装置100のメモリ302や記録媒体305などの記憶領域により実現される。
(Storage contents of overall frequency management table 400)
Next, an example of the contents of the total frequency management table 400 will be described with reference to Fig. 4. The total frequency management table 400 is realized by, for example, a storage area such as the
図4は、全体頻度管理テーブル400の記憶内容の一例を示す説明図である。図4に示すように、全体頻度管理テーブル400は、IDと、ファイルIDと、単語IDと、出現回数と、単語スコアとのフィールドを有する。全体頻度管理テーブル400は、単語ごとに各フィールドに情報を設定することにより、全体頻度情報がレコード400-aとして記憶される。aは、任意の整数である。 Figure 4 is an explanatory diagram showing an example of the contents stored in the overall frequency management table 400. As shown in Figure 4, the overall frequency management table 400 has fields for ID, file ID, word ID, number of occurrences, and word score. The overall frequency management table 400 stores overall frequency information as record 400-a by setting information for each word in each field. a is an arbitrary integer.
IDのフィールドには、レコードを識別するIDが設定される。ファイルIDのフィールドには、文書を識別するファイルIDが設定される。単語IDのフィールドには、上記文書に出現する単語を識別する単語IDが設定される。出現回数のフィールドには、上記文書における上記単語の出現回数が設定される。単語スコアのフィールドには、上記文書における上記単語のTF×IDFが単語スコアとして設定される。 The ID field is set to an ID that identifies the record. The file ID field is set to a file ID that identifies the document. The word ID field is set to a word ID that identifies a word that appears in the document. The occurrence count field is set to the number of occurrences of the word in the document. The word score field is set to the TF×IDF of the word in the document as the word score.
(部分頻度管理テーブル500の記憶内容)
次に、図5を用いて、部分頻度管理テーブル500の記憶内容の一例について説明する。部分頻度管理テーブル500は、例えば、図3に示した情報処理装置100のメモリ302や記録媒体305などの記憶領域により実現される。
(Contents of Partial Frequency Management Table 500)
5, an example of the contents stored in the partial frequency management table 500 will be described. The partial frequency management table 500 is realized by, for example, a storage area such as the
図5は、部分頻度管理テーブル500の記憶内容の一例を示す説明図である。図5に示すように、部分頻度管理テーブル500は、IDと、ファイルIDと、区切りIDと、単語IDと、出現回数と、単語スコアとのフィールドを有する。部分頻度管理テーブル500は、単語ごとに各フィールドに情報を設定することにより、部分頻度情報がレコード500-bとして記憶される。bは、任意の整数である。 Figure 5 is an explanatory diagram showing an example of the contents stored in the partial frequency management table 500. As shown in Figure 5, the partial frequency management table 500 has fields for ID, file ID, separator ID, word ID, occurrence count, and word score. The partial frequency management table 500 stores partial frequency information as record 500-b by setting information in each field for each word. b is an arbitrary integer.
IDのフィールドには、レコードを識別するIDが設定される。ファイルIDのフィールドには、文書を識別するファイルIDが設定される。区切りIDのフィールドには、文書を分割した複数の部分のいずれかの部分を識別する区切りIDが設定される。単語IDのフィールドには、上記いずれかの部分に出現する単語を識別する単語IDが設定される。出現回数のフィールドには、上記いずれかの部分における上記単語の出現回数が設定される。単語スコアのフィールドには、上記いずれかの部分における上記単語のTF×IDFが単語スコアとして設定される。 In the ID field, an ID that identifies the record is set. In the file ID field, a file ID that identifies the document is set. In the segment ID field, a segment ID that identifies one of the multiple parts into which the document is divided is set. In the word ID field, a word ID that identifies a word that appears in one of the above parts is set. In the occurrence count field, the number of times that the word appears in one of the above parts is set. In the word score field, the TF×IDF of the word in one of the above parts is set as the word score.
(重要単語管理テーブル600の記憶内容)
次に、図6を用いて、重要単語管理テーブル600の記憶内容の一例について説明する。重要単語管理テーブル600は、例えば、図3に示した情報処理装置100のメモリ302や記録媒体305などの記憶領域により実現される。
(Storage contents of important word management table 600)
Next, an example of the contents stored in the important word management table 600 will be described with reference to Fig. 6. The important word management table 600 is realized, for example, by a storage area such as the
図6は、重要単語管理テーブル600の記憶内容の一例を示す説明図である。図6に示すように、重要単語管理テーブル600は、IDと、ファイルIDと、単語IDと、ランクと、単語スコアとのフィールドを有する。重要単語管理テーブル600は、単語ごとに各フィールドに情報を設定することにより、重要単語情報がレコード600-cとして記憶される。cは、任意の整数である。 Figure 6 is an explanatory diagram showing an example of the contents stored in the important word management table 600. As shown in Figure 6, the important word management table 600 has fields for ID, file ID, word ID, rank, and word score. The important word management table 600 stores important word information as record 600-c by setting information in each field for each word. c is an arbitrary integer.
IDのフィールドには、レコードを識別するIDが設定される。ファイルIDのフィールドには、文書を識別するファイルIDが設定される。単語IDのフィールドには、上記文書の特徴語となる単語を識別する単語IDが設定される。ランクのフィールドには、上記文書の特徴語となる1以上の単語に、上記文書の特徴語として尤もらしい方から順位付けした場合における、上記単語に付された順位を示すランクが設定される。単語のランクは、値が小さいほど、当該単語が上記文書の特徴語として尤もらしいことを示す。単語スコアのフィールドには、上記文書における上記単語のTF×IDFが単語スコアとして設定される。 In the ID field, an ID that identifies a record is set. In the file ID field, a file ID that identifies a document is set. In the word ID field, a word ID that identifies a word that is a characteristic word of the document is set. In the rank field, a rank is set that indicates the rank assigned to one or more words that are characteristic words of the document when the words are ranked in order of likelihood as characteristic words of the document. The smaller the word rank value, the more likely the word is to be a characteristic word of the document. In the word score field, the TF×IDF of the word in the document is set as the word score.
(文書蓄積装置201のハードウェア構成例)
文書蓄積装置201のハードウェア構成例は、具体的には、図3に示した情報処理装置100のハードウェア構成例と同様であるため、説明を省略する。
(Example of Hardware Configuration of Document Storage Device 201)
A specific example of the hardware configuration of the
(クライアント装置202のハードウェア構成例)
クライアント装置202のハードウェア構成例は、具体的には、図3に示した情報処理装置100のハードウェア構成例と同様であるため、説明を省略する。
(Example of Hardware Configuration of Client Device 202)
Specifically, an example of the hardware configuration of the
(情報処理装置100の機能的構成例)
次に、図7を用いて、情報処理装置100の機能的構成例について説明する。
(Example of functional configuration of information processing device 100)
Next, an example of a functional configuration of the
図7は、情報処理装置100の機能的構成例を示すブロック図である。情報処理装置100は、記憶部700と、取得部701と、分割部702と、第1抽出部703と、第2抽出部704と、出力部705とを含む。
FIG. 7 is a block diagram showing an example of the functional configuration of the
記憶部700は、例えば、図3に示したメモリ302や記録媒体305などの記憶領域によって実現される。以下では、記憶部700が、情報処理装置100に含まれる場合について説明するが、これに限らない。例えば、記憶部700が、情報処理装置100とは異なる装置に含まれ、記憶部700の記憶内容が情報処理装置100から参照可能である場合があってもよい。
The
取得部701~出力部705は、制御部の一例として機能する。取得部701~出力部705は、具体的には、例えば、図3に示したメモリ302や記録媒体305などの記憶領域に記憶されたプログラムをCPU301に実行させることにより、または、ネットワークI/F303により、その機能を実現する。各機能部の処理結果は、例えば、図3に示したメモリ302や記録媒体305などの記憶領域に記憶される。
The
記憶部700は、各機能部の処理において参照され、または更新される各種情報を記憶する。記憶部700は、例えば、複数の文書を記憶する。文書は、複数の語句を含むデータである。文書は、例えば、複数の語句を含む文章を表すデータである。文書は、例えば、表を表すデータであってもよい。文書は、例えば、文章と図表とを併せて表すデータであってもよい。文書は、例えば、取得部701によって取得され、記憶部700によって記憶される。文書は、例えば、予め記憶部700によって記憶されていてもよい。
The
記憶部700は、例えば、文書を特定の条件に従って分割した複数の部分を記憶する。特定の条件は、例えば、文書をページ単位で分割することを示す。特定の条件は、例えば、文書をスライド単位で分割することを示していてもよい。特定の条件は、例えば、文書に含まれるキーワード前後で当該文書を分割することを示していてもよい。複数の部分は、例えば、取得部701によって取得され、記憶部700によって記憶される。複数の部分は、例えば、分割部702によって生成され、記憶部700によって記憶されていてもよい。複数の部分は、例えば、予め記憶部700によって記憶されていてもよい。記憶部700は、例えば、文書を分割する特定の条件を記憶していてもよい。特定の条件は、例えば、予め記憶部700によって記憶される。
The
記憶部700は、例えば、複数の部分のそれぞれの部分に含まれるそれぞれの語句についての、当該部分の特徴語としての第1の尤度を記憶する。部分の特徴語は、部分の特徴を表す語句である。第1の尤度は、例えば、TF×IDFである。記憶部700は、具体的には、図5に示した部分頻度管理テーブル500を記憶する。第1の尤度は、例えば、第1抽出部703によって算出され、記憶部700によって記憶される。記憶部700は、例えば、複数の部分のそれぞれの部分の特徴語を当該部分に対応付けて記憶する。部分の特徴語は、例えば、第1抽出部703によって抽出され、記憶部700によって記憶される。
The
記憶部700は、例えば、文書を分割した複数の部分の少なくともいずれかの部分の特徴語についての、当該文書の特徴語としての第2の尤度を記憶する。第2の尤度は、例えば、TF×IDFである。記憶部700は、具体的には、図4に示した全体頻度管理テーブル400を記憶する。第2の尤度は、例えば、第2抽出部704によって算出され、記憶部700によって記憶される。記憶部700は、例えば、文書の特徴語を当該文書に対応付けて記憶する。文書の特徴語は、文書の特徴を表す語句である。文書の特徴語は、例えば、第2抽出部704によって決定され、記憶部700に記憶される。
The
取得部701は、各機能部の処理に用いられる各種情報を取得する。取得部701は、取得した各種情報を、記憶部700に記憶し、または、各機能部に出力する。また、取得部701は、記憶部700に記憶しておいた各種情報を、各機能部に出力してもよい。取得部701は、例えば、利用者の操作入力に基づき、各種情報を取得する。取得部701は、例えば、情報処理装置100とは異なる装置から、各種情報を受信してもよい。
The
取得部701は、対象の文書を取得する。取得部701は、例えば、記憶部700に記憶された複数の文書のそれぞれの文書を、対象の文書として読み出すことにより取得する。取得部701は、例えば、記憶部700に記憶された複数の文書のいずれかの文書を、対象の文書として読み出すことにより取得してもよい。取得部701は、例えば、対象の文書を、他のコンピュータから受信することにより取得してもよい。
The
取得部701は、対象の文書を分割した複数の部分を取得する。取得部701は、例えば、記憶部700に記憶された、複数の文書のそれぞれの文書を分割した複数の部分を、対象の文書を分割した複数の部分として読み出すことにより取得する。取得部701は、例えば、記憶部700に記憶された、複数の文書のいずれかの文書を分割した複数の部分を、対象の文書を分割した複数の部分として読み出すことにより取得してもよい。取得部701は、例えば、自装置で対象の文書を分割しない場合、対象の文書を分割した複数の部分を、他のコンピュータから受信することにより取得してもよい。
The
取得部701は、いずれかの機能部の処理を開始する開始トリガーを受け付けてもよい。開始トリガーは、例えば、利用者による所定の操作入力があったことである。開始トリガーは、例えば、他のコンピュータから、所定の情報を受信したことであってもよい。開始トリガーは、例えば、いずれかの機能部が所定の情報を出力したことであってもよい。取得部701は、具体的には、対象の文書を取得したことを、分割部702と第1抽出部703と第2抽出部704との処理を開始する開始トリガーとして受け付けてもよい。取得部701は、具体的には、対象の文書と、対象の文書を分割した複数の部分とを取得したことを、第1抽出部703と第2抽出部704との処理を開始する開始トリガーとして受け付けてもよい。
The
分割部702は、対象の文書を分割した複数の部分を取得する。分割部702は、例えば、対象の文書を特定の条件に従って分割することにより、複数の部分を取得する。分割部702は、具体的には、対象の文書をページ単位で分割することにより、対象の文書を分割した複数の部分を取得する。分割部702は、具体的には、対象の文書に含まれるキーワード前後で対象の文書を分割することにより、対象の文書を分割した複数の部分を取得してもよい。
The
これにより、分割部702は、対象の文書に比較的多く含まれる特徴的ではない語句があれば、当該語句をそれぞれ比較的少量ずつ含む複数の部分を生成することができる。そして、分割部702は、対象の文書の他に、対象の文書を分割した複数の部分のそれぞれの部分を、対象の文書の特徴語を決定する際の基準として利用可能にすることができる。
In this way, if there is a non-characteristic word that is contained relatively frequently in the target document, the dividing
第1抽出部703は、取得した複数の部分のそれぞれの部分の中から、当該部分の特徴語を抽出する。第1抽出部703は、例えば、それぞれの部分に含まれるそれぞれの語句についての、当該部分の特徴語としての第1の尤度に基づいて、それぞれの部分の中から、当該部分の特徴語を抽出する。
The
第1抽出部703は、具体的には、それぞれの部分に含まれるそれぞれの語句について、当該部分に語句が出現する頻度の多さに基づく評価値と、複数の部分のうち、語句が出現する部分の数の多さに基づく評価値とに基づいて、第1の尤度を算出する。そして、第1抽出部703は、具体的には、算出した第1の尤度に基づいて、それぞれの部分の中から、当該部分の特徴語を抽出する。第1抽出部703は、より具体的には、それぞれの部分に含まれる語句のうち、算出した第1の尤度が閾値以上である語句を、当該部分の特徴語として抽出する。
Specifically, the
これにより、第1抽出部703は、汎用的であり特徴的ではない語句が、対象の文書に比較的多く出現していても、それぞれの部分を基準として、特徴的な語句ではないと正しく評価し、それぞれの部分の特徴語を抽出することができる。このため、第1抽出部703は、対象の文書の特徴語を決定する際の特徴語の候補を絞り込むことができ、対象の文書の特徴語を精度よく決定可能にすることができる。
As a result, even if generic, non-characteristic words appear relatively frequently in the target document, the
第1抽出部703は、例えば、対象の文書を含む複数の文書に基づいて、取得した複数の部分のそれぞれの部分の中から、当該部分の特徴語を抽出してもよい。第1抽出部703は、具体的には、複数の文書に基づいて、それぞれの部分に含まれるそれぞれの語句について、第1の尤度を算出する。そして、第1抽出部703は、具体的には、算出した第1の尤度に基づいて、それぞれの部分の中から、当該部分の特徴語を抽出する。
The
これにより、第1抽出部703は、汎用的であり特徴的ではない語句が、対象の文書に比較的多く出現していても、それぞれの部分を基準として、特徴的な語句ではないと正しく評価し、それぞれの部分の特徴語を抽出することができる。このため、第1抽出部703は、対象の文書の特徴語を決定する際の特徴語の候補を絞り込むことができ、対象の文書の特徴語を精度よく決定可能にすることができる。
As a result, even if generic, non-characteristic words appear relatively frequently in the target document, the
第2抽出部704は、第1抽出部703で抽出した特徴語を纏めた特徴語集合の中から、対象の文書の特徴語を決定する。特徴語集合は、第1抽出部703で抽出した特徴語を重複なく纏めることにより生成される。第2抽出部704は、例えば、特徴語集合に含まれるそれぞれの特徴語についての、対象の文書の特徴語としての第2の尤度に基づいて、特徴語集合の中から、対象の文書の特徴語を決定する。
The
第2抽出部704は、具体的には、それぞれの特徴語について、対象の文書に特徴語が出現する頻度の多さに基づく評価値と、対象の文書を含む複数の文書のうち、特徴語が出現する文書の数の多さに基づく評価値とに基づいて、第2の尤度を算出する。そして、第2抽出部704は、具体的には、算出した第2の尤度に基づいて、特徴語集合の中から、対象の文書の特徴語を決定する。第2抽出部704は、より具体的には、特徴語集合の中から、算出した第2の尤度が閾値以上である特徴語を、対象の文書の特徴語として決定する。
Specifically, the
これにより、第2抽出部704は、対象の文書の特徴語を決定する際の特徴語の候補が、特徴語集合に含まれる特徴語に絞り込まれた後に、特徴語集合の中から、対象の文書の特徴語を決定することができる。このため、第2抽出部704は、対象の文書の特徴語を精度よく決定することができる。
As a result, the
ここでは、第1抽出部703が、それぞれの部分の中から、当該部分の特徴語を抽出する場合について説明したが、これに限らない。例えば、第1抽出部703が、それぞれの部分に含まれるそれぞれの語句について、第1の尤度を算出した後、それぞれの部分の中から、当該部分の特徴語を抽出しない場合があってもよい。
Here, a case has been described in which the
この場合、第2抽出部704は、例えば、対象の文書に含まれるそれぞれの語句について、対象の文書の特徴語としての第2の尤度を算出する。第2抽出部704は、具体的には、それぞれの語句について、対象の文書に語句が出現する頻度の多さに基づく評価値と、対象の文書を含む複数の文書のうち、語句が出現する文書の数の多さに基づく評価値とに基づいて、第2の尤度を算出する。
In this case, the
そして、第2抽出部704は、例えば、第1抽出部703で算出した第1の尤度と、第2抽出部704で算出した第2の尤度とに基づいて、対象の文書に含まれる語句の中から、対象の文書の特徴語を決定する。第2抽出部704は、具体的には、それぞれの語句について、第1抽出部703で算出した第1の尤度と、第2抽出部704で算出した第2の尤度との積を、第3の尤度として算出する。第2抽出部704は、具体的には、算出した第3の尤度が閾値以上である語句を、対象の文書の特徴語として決定する。
Then, the
これにより、第2抽出部704は、対象の文書単位と、対象の文書を分割した複数の部分のそれぞれの部分単位とのそれぞれ異なる観点から得られた各種尤度に基づいて、対象の文書の特徴語を決定することができる。このため、第2抽出部704は、対象の文書の特徴語を精度よく決定することができる。
This allows the
出力部705は、少なくともいずれかの機能部の処理結果を出力する。出力形式は、例えば、ディスプレイへの表示、プリンタへの印刷出力、ネットワークI/F303による外部装置への送信、または、メモリ302や記録媒体305などの記憶領域への記憶である。これにより、出力部705は、少なくともいずれかの機能部の処理結果を利用者に通知可能にし、情報処理装置100の利便性の向上を図ることができる。
The
出力部705は、対象の文書と、第2抽出部704が決定した対象の文書の特徴語とを対応付けて出力する。出力部705は、例えば、対象の文書と、第2抽出部704が決定した対象の文書の特徴語とを対応付けて、文書を検索する検索部(不図示)に送信してもよい。検索部は、例えば、情報処理装置100が含んでいてもよい。検索部は、例えば、他のコンピュータが含んでいてもよい。
The
これにより、出力部705は、検索部で、対象の文書を検索する際に、対象の文書の特徴語を利用可能にすることができ、対象の文書を検索し易くすることができる。出力部705は、検索部で、検索した対象の文書と共に、対象の文書の特徴語を含めた検索結果を出力可能にすることができ、検索結果の閲覧者が、検索された対象の文書の内容を把握し易くすることができる。
As a result, the
出力部705は、例えば、対象の文書と、第2抽出部704が決定した対象の文書の特徴語とを対応付けて、他のコンピュータに送信してもよい。他のコンピュータは、例えば、クライアント装置202である。出力部705は、例えば、対象の文書と、第2抽出部704が決定した対象の文書の特徴語とを対応付けて、利用者が参照可能に表示してもよい。これにより、出力部705は、利用者が、対象の文書の内容を把握し易くすることができる。
The
(情報処理装置100の動作の流れ)
次に、図8を用いて、情報処理装置100の動作の流れについて説明する。
(Operation flow of information processing device 100)
Next, the flow of operations of the
図8は、情報処理装置100の動作の流れを示す説明図である。図8において、情報処理装置100は、ドキュメント群800を取得する。ドキュメント群800は、例えば、ドキュメントAを含む。以下の説明では、情報処理装置100が、ドキュメントAを処理対象とする場合について説明する。情報処理装置100が、他のドキュメントを処理対象とする場合も、以下に説明する場合と同様である。
Figure 8 is an explanatory diagram showing the flow of operation of the
(8-1)情報処理装置100は、ドキュメントAをページ単位で分割し、ページ群810を取得する。ページ群810は、例えば、ページ1とページ2とページ3とを含む。
(8-1) The
(8-2)情報処理装置100は、各ページについて形態素解析を実行し、各ページに出現する単語の一覧を生成する。単語は、例えば、名詞に限定されていてもよい。情報処理装置100は、各ページに出現する単語の一覧に含まれるそれぞれの単語について、当該単語の出現頻度に関するTFと、ドキュメントAにおける当該単語を含むページ数に関するIDFとを算出し、TF×IDFを単語スコアとして算出する。
(8-2) The
情報処理装置100は、各ページに出現する単語の一覧に含まれるそれぞれの単語について、当該単語の出現頻度に関するTFと、ドキュメント群800における当該単語を含むドキュメント数に関するIDFとを算出し、TF×IDFを算出してもよい。情報処理装置100は、算出した単語スコアを、部分頻度管理テーブル500に記憶する。
The
情報処理装置100は、部分頻度管理テーブル500を参照して、各ページについて、算出したTF×IDFが第1の閾値以上である単語を、当該ページの特徴語として抽出する。情報処理装置100は、部分頻度管理テーブル500を参照して、各ページについて、算出したTF×IDFが大きい順に単語を並べた場合における、所定の順位までの単語を、当該ページの特徴語として抽出してもよい。
The
(8-3)情報処理装置100は、ドキュメントAについて形態素解析を実行し、ドキュメントAに出現する単語の一覧を生成する。情報処理装置100は、生成した単語の一覧のうち、少なくともいずれかのページの特徴語として抽出された単語を集めた単語群を生成する。
(8-3) The
(8-4)情報処理装置100は、生成した単語群に含まれるそれぞれの単語について、当該単語の出現頻度に関わるTFと、ドキュメント群800における当該単語を含むIDFとを算出し、TF×IDFを単語スコアとして算出する。情報処理装置100は、算出した単語スコアを全体頻度管理テーブル400に記憶する。
(8-4) For each word included in the generated word group, the
(8-5)情報処理装置100は、全体頻度管理テーブル400を参照して、算出したTF×IDFが第2の閾値以上である単語を、ドキュメントAの特徴語として決定する。これにより、情報処理装置100は、ドキュメントの特徴語の候補を絞り込んでから、ドキュメントの特徴語を決定するため、ドキュメントの特徴語を精度よく決定することができる。
(8-5) The
(情報処理装置100の動作の一例)
次に、図9~図11を用いて、情報処理装置100の動作の一例について説明する。
(Example of operation of information processing device 100)
Next, an example of the operation of the
図9~図11は、情報処理装置100の動作の一例を示す説明図である。図9において、(9-1)情報処理装置100は、ドキュメント900を取得する。ドキュメント900は、例えば、提案書である。ドキュメント900は、各ページのフッタに、Copyright 2021 ××××× LIMITEDのような定型文を含んでいる。
FIGS. 9 to 11 are explanatory diagrams showing an example of the operation of the
ページは、例えば、P1と、P2~3と、P4~5と、P6とである。図9の例では、P2~3およびP4~5は、1ページとして扱われるとする。情報処理装置100は、ドキュメント900を、ページ単位で分割し、複数の区切り部分901を生成する。
The pages are, for example, P1, P2-3, P4-5, and P6. In the example of FIG. 9, P2-3 and P4-5 are treated as one page. The
(9-2)情報処理装置100は、それぞれの区切り部分901について形態素解析を実行し、それぞれの区切り部分901に出現する単語の一覧911を生成する。
(9-2) The
(9-3)情報処理装置100は、それぞれの区切り部分901に対応する単語の一覧911に含まれるそれぞれの単語について、当該区切り部分901におけるTF×IDFを、当該区切り部分901における単語スコアとして算出する。図9の符号921に示すように、単語の一覧911に含まれるそれぞれの単語の単語スコアが算出される。図9の例では、単語スコアは、単語の後ろに括弧書きで付した値である。情報処理装置100は、算出した単語スコアを、部分頻度管理テーブル500に記憶する。次に、図10の説明に移行する。
(9-3) For each word included in the
図10において、(10-1)情報処理装置100は、それぞれの区切り部分901に対応する単語の一覧911から、単語スコアが第1の閾値以上である単語を、当該区切り部分901の特徴を表す重要単語として抽出する。第1の閾値は、例えば、0.5である。情報処理装置100は、それぞれの区切り部分901について、抽出した重要単語を纏めた重要単語の一覧1001を生成する。
In FIG. 10, (10-1) the
(10-2)情報処理装置100は、重要単語の一覧1001から重複なしに重要単語を纏めた重要単語群1010を生成する。情報処理装置100は、重要単語群1010に含まれるそれぞれの重要単語について、ドキュメント900におけるTF×IDFを、ドキュメント900における単語スコアとして算出する。図10に示すように、重要単語群1010に含まれるそれぞれの単語の単語スコアが算出される。図10の例では、単語スコアは、単語の後ろに括弧書きで付した値である。情報処理装置100は、重要単語群1010に含まれる重要単語を、算出した単語スコアが大きい順にランキングする。
(10-2) The
(10-3)情報処理装置100は、ランキングの結果、符号1020に示す上位5位までの重要単語を、ドキュメント900の特徴語として決定する。情報処理装置100は、ドキュメント900に、決定したドキュメント900の特徴語を、タグとして対応付けて、重要単語管理テーブル600に記憶する。これにより、情報処理装置100は、ドキュメント900の特徴語の候補を絞り込んでから、ドキュメント900の特徴語を決定するため、ドキュメント900の特徴語を精度よく決定することができる。次に、図11の説明に移行する。
(10-3) As a result of the ranking, the
図11において、情報処理装置100は、図9および図10と同様に、複数のドキュメント900に対して、ドキュメント900の特徴語を決定し、タグとして重要単語管理テーブル600に記憶したとする。情報処理装置100は、検索画面1100の入力欄1101において、ドキュメント900を検索する条件を受け付けたとする。
In FIG. 11, the
情報処理装置100は、複数のドキュメント900の中から、受け付けた条件を満たすドキュメント900を検索する。情報処理装置100は、重要単語管理テーブル600を参照して、検索したそれぞれのドキュメント900のサムネイル画像1110と共に、当該ドキュメント900のタグの一覧1111を、検索画面1100に表示する。これにより、情報処理装置100は、検索者が、検索されたそれぞれのドキュメント900の内容を把握し易くすることができる。
The
(全体処理手順)
次に、図12を用いて、情報処理装置100が実行する、全体処理手順の一例について説明する。全体処理は、例えば、図3に示したCPU301と、メモリ302や記録媒体305などの記憶領域と、ネットワークI/F303とによって実現される。
(Overall Processing Procedure)
Next, an example of an overall processing procedure executed by the
図12は、全体処理手順の一例を示すフローチャートである。図12において、情報処理装置100は、図14に後述する第1生成処理を実行することにより、複数のドキュメントのそれぞれのドキュメントに関する全体頻度管理テーブル400を生成する(ステップS1201)。
Figure 12 is a flowchart showing an example of an overall processing procedure. In Figure 12, the
次に、情報処理装置100は、複数のドキュメントに含まれ、まだ解析対象のドキュメントとして選択していないドキュメントの中から、解析対象のドキュメントを選択する(ステップS1202)。そして、情報処理装置100は、特定の条件に従って、選択した解析対象のドキュメントを分割し、解析対象のドキュメントを分割した複数の区切り部分を取得する(ステップS1203)。
Next, the
次に、情報処理装置100は、図13に後述する部分処理を実行する(ステップS1204)。そして、情報処理装置100は、選択した解析対象のドキュメントに関する全体頻度管理テーブル400を参照して、1以上の重要単語のそれぞれの重要単語のスコアを算出する(ステップS1205)。
Next, the
次に、情報処理装置100は、算出したスコアに基づいて、1以上の重要単語の中から、選択した解析対象のドキュメントの特徴語となる重要単語を決定する(ステップS1206)。そして、情報処理装置100は、決定した重要単語を、選択した解析対象のドキュメントに対応付けて、重要単語管理テーブル600に記憶する(ステップS1207)。
Next, the
次に、情報処理装置100は、すべてのドキュメントを、解析対象のドキュメントとして選択したか否かを判定する(ステップS1208)。ここで、まだ選択していないドキュメントがある場合(ステップS1208:No)、情報処理装置100は、ステップS1202の処理に戻る。一方で、すべてのドキュメントを選択している場合(ステップS1208:Yes)、情報処理装置100は、全体処理を終了する。
Next, the
(部分処理手順)
次に、図13を用いて、情報処理装置100が実行する、部分処理手順の一例について説明する。部分処理は、例えば、図3に示したCPU301と、メモリ302や記録媒体305などの記憶領域と、ネットワークI/F303とによって実現される。
(Partial Processing Procedure)
Next, an example of a partial processing procedure executed by the
図13は、部分処理手順の一例を示すフローチャートである。図13において、情報処理装置100は、図15に後述する第2生成処理を実行することにより、取得した複数の区切り部分のそれぞれの区切り部分に関する部分頻度管理テーブル500を生成する(ステップS1301)。
Figure 13 is a flowchart showing an example of a partial processing procedure. In Figure 13, the
次に、情報処理装置100は、複数の区切り部分に含まれ、まだ解析対象の区切り部分として選択していない区切り部分の中から、解析対象の区切り部分を選択する(ステップS1302)。そして、情報処理装置100は、選択した解析対象の区切り部分に対して形態素解析を実行し、解析対象の区切り部分に出現する単語の一覧を生成する(ステップS1303)。
Next, the
次に、情報処理装置100は、選択した解析対象の区切り部分に関する部分頻度管理テーブル500を参照して、生成した単語の一覧に含まれるそれぞれの単語のスコアを算出する(ステップS1304)。そして、情報処理装置100は、算出したスコアに基づいて、生成した単語の一覧の中から、選択した解析対象の区切り部分の重要単語となる単語を抽出する(ステップS1305)。
Next, the
次に、情報処理装置100は、決定した単語を、重要単語として、選択した解析対象の区切り部分に対応付けて、重要単語管理テーブル600に記憶する(ステップS1306)。そして、情報処理装置100は、すべての区切り部分を、解析対象の区切り部分として選択したか否かを判定する(ステップS1307)。ここで、まだ選択していない区切り部分がある場合(ステップS1307:No)、情報処理装置100は、ステップS1302の処理に戻る。一方で、すべての区切り部分を選択している場合(ステップS1307:Yes)、情報処理装置100は、部分処理を終了する。
Next, the
(第1生成処理手順)
次に、図14を用いて、情報処理装置100が実行する、第1生成処理手順の一例について説明する。第1生成処理は、例えば、図3に示したCPU301と、メモリ302や記録媒体305などの記憶領域と、ネットワークI/F303とによって実現される。
(First generation process procedure)
Next, an example of a first generation process procedure executed by the
図14は、第1生成処理手順の一例を示すフローチャートである。図14において、情報処理装置100は、複数のドキュメントに含まれるまだ選択していないドキュメントの中から、計測対象のドキュメントを選択する(ステップS1401)。
Figure 14 is a flowchart showing an example of the first generation process procedure. In Figure 14, the
次に、情報処理装置100は、選択した計測対象のドキュメントに対して形態素解析を実行し、計測対象のドキュメントに出現する1以上の単語を抽出する(ステップS1402)。そして、情報処理装置100は、抽出した1以上の単語に基づいて、選択した計測対象のドキュメントに関する全体頻度管理テーブル400を生成する(ステップS1403)。
Next, the
次に、情報処理装置100は、すべてのドキュメントを、計測対象のドキュメントとして選択したか否かを判定する(ステップS1404)。ここで、まだ選択していないドキュメントがある場合(ステップS1404:No)、情報処理装置100は、ステップS1401の処理に戻る。一方で、すべてのドキュメントを選択している場合(ステップS1404:Yes)、情報処理装置100は、第1生成処理を終了する。
Next, the
(第2生成処理手順)
次に、図15を用いて、情報処理装置100が実行する、第2生成処理手順の一例について説明する。第2生成処理は、例えば、図3に示したCPU301と、メモリ302や記録媒体305などの記憶領域と、ネットワークI/F303とによって実現される。
(Second generation process procedure)
Next, an example of a procedure of the second generation process executed by the
図15は、第2生成処理手順の一例を示すフローチャートである。図15において、情報処理装置100は、複数の区切り部分に含まれるまだ選択していない区切り部分の中から、計測対象の区切り部分を選択する(ステップS1501)。
FIG. 15 is a flowchart showing an example of the second generation process procedure. In FIG. 15, the
次に、情報処理装置100は、選択した計測対象の区切り部分に対して形態素解析を実行し、計測対象の区切り部分に出現する1以上の単語を抽出する(ステップS1502)。そして、情報処理装置100は、抽出した1以上の単語に基づいて、選択した計測対象の区切り部分に関する部分頻度管理テーブル500を生成する(ステップS1503)。
Next, the
次に、情報処理装置100は、すべての区切り部分を、計測対象の区切り部分として選択したか否かを判定する(ステップS1504)。ここで、まだ選択していない区切り部分がある場合(ステップS1504:No)、情報処理装置100は、ステップS1501の処理に戻る。一方で、すべての区切り部分を選択している場合(ステップS1504:Yes)、情報処理装置100は、第2生成処理を終了する。
Next, the
ここで、情報処理装置100は、図12~図15の各フローチャートの一部ステップの処理の順序を入れ替えて実行してもよい。
Here, the
以上説明したように、情報処理装置100によれば、対象の文書を特定の条件に従って分割した複数の部分を取得することができる。情報処理装置100によれば、取得した複数の部分のそれぞれの部分に含まれるそれぞれの語句についての、部分の特徴語としての第1の尤度に基づいて、それぞれの部分の中から、部分の特徴語を抽出することができる。情報処理装置100によれば、抽出した特徴語を纏めた特徴語集合に含まれるそれぞれの特徴語についての、対象の文書の特徴語としての第2の尤度に基づいて、特徴語集合の中から、対象の文書の特徴語を決定することができる。これにより、情報処理装置100は、対象の文書の特徴語を精度よく決定することができる。
As described above, the
情報処理装置100によれば、それぞれの部分に含まれるそれぞれの語句について、部分に語句が出現する頻度の多さに基づく評価値と、複数の部分のうち、語句が出現する部分の数の多さに基づく評価値とに基づいて、第1の尤度を算出することができる。情報処理装置100によれば、算出した第1の尤度に基づいて、それぞれの部分の中から、部分の特徴語を抽出することができる。情報処理装置100によれば、それぞれの特徴語について、対象の文書に特徴語が出現する頻度の多さに基づく評価値と、対象の文書を含む複数の文書のうち、特徴語が出現する文書の数の多さに基づく評価値とに基づいて、第2の尤度を算出することができる。情報処理装置100によれば、算出した第2の尤度に基づいて、特徴語集合の中から、対象の文書の特徴語を決定することができる。これにより、情報処理装置100は、第1の尤度と第2の尤度とを精度よく算出することができ、対象の文書の特徴語を精度よく決定することができる。
According to the
情報処理装置100によれば、それぞれの部分に含まれる語句のうち、算出した第1の尤度が閾値以上である語句を、部分の特徴語として抽出することができる。これにより、情報処理装置100は、対象の文書の特徴語の候補を絞り込むことができる。
According to the
情報処理装置100によれば、取得した複数の部分のそれぞれの部分に含まれるそれぞれの語句について、第1の尤度を算出することができる。情報処理装置100によれば、対象の文書に含まれるそれぞれの語句について、第2の尤度を算出することができる。情報処理装置100によれば、算出した第1の尤度と、算出した第2の尤度とに基づいて、対象の文書に含まれる語句の中から、対象の文書の特徴語を決定することができる。これにより、対象の文書の特徴語を絞り込む動作を省略し、処理量の低減化を図ることができる。
According to the
情報処理装置100によれば、対象の文書をページ単位で分割することにより得られる複数の部分を取得することができる。これにより、情報処理装置100は、対象の文書に比較的多く含まれる特徴的ではない語句を、それぞれ比較的少量ずつ含む複数の部分を取得し易くすることができる。
According to the
情報処理装置100によれば、対象の文書に含まれるキーワード前後で対象の文書を分割することにより得られる複数の部分を取得することができる。これにより、情報処理装置100は、対象の文書に比較的多く含まれる特徴的ではない語句を、それぞれ比較的少量ずつ含む複数の部分を取得し易くすることができる。
According to the
情報処理装置100によれば、対象の文書を含む複数の文書に基づいて、取得した複数の部分のそれぞれの部分の中から、当該部分の特徴語を抽出することができる。これにより、情報処理装置100は、それぞれの部分の特徴語を精度よく抽出することができる。
According to the
なお、本実施の形態で説明した情報処理方法は、予め用意されたプログラムをPCやワークステーションなど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。本実施の形態で説明した情報処理プログラムは、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。記録媒体は、ハードディスク、フレキシブルディスク、CD(Compact Disc)-ROM、MO(Magneto Optical disc)、DVD(Digital Versatile Disc)などである。また、本実施の形態で説明した情報処理プログラムは、インターネットなどのネットワークを介して配布してもよい。 The information processing method described in this embodiment can be realized by executing a prepared program on a computer such as a PC or a workstation. The information processing program described in this embodiment is recorded on a computer-readable recording medium and is executed by the computer reading it from the recording medium. The recording medium may be a hard disk, a flexible disk, a CD (Compact Disc)-ROM, an MO (Magneto Optical disc), a DVD (Digital Versatile Disc), or the like. The information processing program described in this embodiment may also be distributed via a network such as the Internet.
上述した実施の形態に関し、さらに以下の付記を開示する。 The following additional notes are provided with respect to the above-described embodiment.
(付記1)対象の文書を特定の条件に従って分割した複数の部分を取得し、
取得した前記複数の部分のそれぞれの部分に含まれるそれぞれの語句についての、前記部分の特徴を表す特徴語としての第1の尤度に基づいて、前記それぞれの部分の中から、前記部分の特徴を表す特徴語を抽出し、
抽出した前記特徴語を纏めた特徴語集合に含まれるそれぞれの特徴語についての、前記対象の文書の特徴を表す特徴語としての第2の尤度に基づいて、前記特徴語集合の中から、前記対象の文書の特徴を表す特徴語を決定する、
処理をコンピュータに実行させることを特徴とする情報処理プログラム。
(Appendix 1) Obtain multiple parts by dividing the target document according to specific conditions,
extracting, from each of the acquired plurality of parts, a feature word that represents a feature of the part, based on a first likelihood of each word contained in each of the acquired plurality of parts being a feature word that represents a feature of the part;
determining, from the feature word set, a feature word that represents a feature of the target document, based on a second likelihood, for each feature word included in a feature word set that summarizes the extracted feature words, as a feature word that represents a feature of the target document;
An information processing program that causes a computer to execute a process.
(付記2)前記抽出する処理は、
前記それぞれの部分に含まれるそれぞれの語句について、前記部分に前記語句が出現する頻度の多さに基づく評価値と、前記複数の部分のうち、前記語句が出現する部分の数の多さに基づく評価値とに基づいて、前記第1の尤度を算出し、算出した前記第1の尤度に基づいて、前記それぞれの部分の中から、前記部分の特徴を表す特徴語を抽出し、
前記決定する処理は、
前記それぞれの特徴語について、前記対象の文書に前記特徴語が出現する頻度の多さに基づく評価値と、前記対象の文書を含む複数の文書のうち、前記特徴語が出現する文書の数の多さに基づく評価値とに基づいて、前記第2の尤度を算出し、算出した前記第2の尤度に基づいて、前記特徴語集合の中から、前記対象の文書の特徴を表す特徴語を決定する、ことを特徴とする付記1に記載の情報処理プログラム。
(Additional Note 2) The extraction process includes:
calculating the first likelihood for each word included in each of the portions based on an evaluation value based on a frequency at which the word appears in the portion and an evaluation value based on a number of portions in which the word appears among the plurality of portions, and extracting, from each of the portions, a characteristic word that represents a characteristic of the portion based on the calculated first likelihood;
The process of determining includes:
An information processing program as described in
(付記3)前記抽出する処理は、
前記それぞれの部分に含まれる語句のうち、算出した前記第1の尤度が閾値以上である語句を、前記部分の特徴を表す特徴語として抽出する、ことを特徴とする付記2に記載の情報処理プログラム。
(Additional Note 3) The extraction process includes:
An information processing program as described in
(付記4)取得した前記複数の部分のそれぞれの部分に含まれるそれぞれの語句について、前記部分に前記語句が出現する頻度の多さに基づく評価値と、前記複数の部分のうち、前記語句が出現する部分の数の多さに基づく評価値とに基づいて、前記部分の特徴を表す特徴語としての第1の尤度を算出し、
前記対象の文書に含まれるそれぞれの語句について、前記対象の文書に前記語句が出現する頻度の多さに基づく評価値と、前記対象の文書を含む複数の文書のうち、前記語句が出現する文書の数の多さに基づく評価値とに基づいて、前記対象の文書の特徴を表す特徴語としての第2の尤度を算出し、
算出した前記第1の尤度と、算出した前記第2の尤度とに基づいて、前記対象の文書に含まれる語句の中から、前記対象の文書の特徴を表す特徴語を決定する、
処理を前記コンピュータに実行させることを特徴とする付記1~3のいずれか一つに記載の情報処理プログラム。
(Supplementary Note 4) For each word included in each of the acquired multiple parts, a first likelihood is calculated as a feature word representing a feature of the part, based on an evaluation value based on a frequency at which the word appears in the part and an evaluation value based on a number of parts in which the word appears among the multiple parts;
calculating a second likelihood for each term contained in the target document as a characteristic word representing a characteristic of the target document based on an evaluation value based on a frequency at which the term appears in the target document and an evaluation value based on a number of documents in which the term appears among a plurality of documents including the target document;
determining, based on the calculated first likelihood and the calculated second likelihood, a feature word representing a feature of the target document from among words and phrases contained in the target document;
4. The information processing program according to
(付記5)前記複数の部分は、前記対象の文書をページ単位で分割することにより得られる、ことを特徴とする付記1~4のいずれか一つに記載の情報処理プログラム。
(Appendix 5) The information processing program described in any one of
(付記6)前記複数の部分は、前記対象の文書に含まれるキーワード前後で前記対象の文書を分割することにより得られる、ことを特徴とする付記1~5のいずれか一つに記載の情報処理プログラム。
(Appendix 6) The information processing program described in any one of
(付記7)前記抽出する処理は、
前記対象の文書を含む複数の文書に基づいて、取得した前記複数の部分のそれぞれの部分の中から、前記部分の特徴を表す特徴語を抽出する、ことを特徴とする付記1~6のいずれか一つに記載の情報処理プログラム。
(Additional Note 7) The extraction process includes:
An information processing program described in any one of
(付記8)対象の文書を特定の条件に従って分割した複数の部分を取得し、
取得した前記複数の部分のそれぞれの部分に含まれるそれぞれの語句についての、前記部分の特徴を表す特徴語としての第1の尤度に基づいて、前記それぞれの部分の中から、前記部分の特徴を表す特徴語を抽出し、
抽出した前記特徴語を纏めた特徴語集合に含まれるそれぞれの特徴語についての、前記対象の文書の特徴を表す特徴語としての第2の尤度に基づいて、前記特徴語集合の中から、前記対象の文書の特徴を表す特徴語を決定する、
処理をコンピュータが実行することを特徴とする情報処理方法。
(Appendix 8) Obtaining multiple parts obtained by dividing the target document according to specific conditions,
extracting, from each of the acquired plurality of parts, a feature word that represents a feature of the part, based on a first likelihood of each word contained in each of the acquired plurality of parts being a feature word that represents a feature of the part;
determining, from the feature word set, a feature word that represents a feature of the target document, based on a second likelihood of each feature word included in a feature word set that summarizes the extracted feature words as a feature word that represents a feature of the target document;
An information processing method characterized in that the processing is executed by a computer.
(付記9)対象の文書を特定の条件に従って分割した複数の部分を取得し、
取得した前記複数の部分のそれぞれの部分に含まれるそれぞれの語句についての、前記部分の特徴を表す特徴語としての第1の尤度に基づいて、前記それぞれの部分の中から、前記部分の特徴を表す特徴語を抽出し、
抽出した前記特徴語を纏めた特徴語集合に含まれるそれぞれの特徴語についての、前記対象の文書の特徴を表す特徴語としての第2の尤度に基づいて、前記特徴語集合の中から、前記対象の文書の特徴を表す特徴語を決定する、
制御部を有することを特徴とする情報処理装置。
(Appendix 9) Obtaining multiple parts obtained by dividing the target document according to specific conditions,
extracting, from each of the acquired plurality of parts, a feature word that represents a feature of the part, based on a first likelihood of each word contained in each of the acquired plurality of parts being a feature word that represents a feature of the part;
determining, from the feature word set, a feature word that represents a feature of the target document, based on a second likelihood, for each feature word included in a feature word set that summarizes the extracted feature words, as a feature word that represents a feature of the target document;
An information processing device comprising a control unit.
100 情報処理装置
110 文書
111,901 部分
121,130,911,1001,1111 一覧
200 情報処理システム
201 文書蓄積装置
202 クライアント装置
210 ネットワーク
300 バス
301 CPU
302 メモリ
303 ネットワークI/F
304 記録媒体I/F
305 記録媒体
400 全体頻度管理テーブル
500 部分頻度管理テーブル
600 重要単語管理テーブル
700 記憶部
701 取得部
702 分割部
703 第1抽出部
704 第2抽出部
705 出力部
800 ドキュメント群
810 ページ群
900 ドキュメント
921,1020 符号
1010 重要単語群
1100 検索画面
1101 入力欄
1110 サムネイル画像
REFERENCE SIGNS
302
304 Recording medium I/F
305 Recording medium 400 Total frequency management table 500 Partial frequency management table 600 Important word management table 700
Claims (6)
取得した前記複数の部分のそれぞれの部分に含まれるそれぞれの語句についての、前記部分の特徴を表す特徴語としての第1の尤度に基づいて、前記それぞれの部分の中から、前記部分の特徴を表す特徴語を抽出し、
抽出した前記特徴語を纏めた特徴語集合に含まれるそれぞれの特徴語についての、前記対象の文書の特徴を表す特徴語としての第2の尤度に基づいて、前記特徴語集合の中から、前記対象の文書の特徴を表す特徴語を決定する、
処理をコンピュータに実行させることを特徴とする情報処理プログラム。 Obtaining multiple parts by dividing the target document according to specific conditions;
extracting, from each of the acquired plurality of parts, a feature word that represents a feature of the part, based on a first likelihood of each word contained in each of the acquired plurality of parts being a feature word that represents a feature of the part;
determining, from the feature word set, a feature word that represents a feature of the target document, based on a second likelihood, for each feature word included in a feature word set that summarizes the extracted feature words, as a feature word that represents a feature of the target document;
An information processing program that causes a computer to execute a process.
前記それぞれの部分に含まれるそれぞれの語句について、前記部分に前記語句が出現する頻度の多さに基づく評価値と、前記複数の部分のうち、前記語句が出現する部分の数の多さに基づく評価値とに基づいて、前記第1の尤度を算出し、算出した前記第1の尤度に基づいて、前記それぞれの部分の中から、前記部分の特徴を表す特徴語を抽出し、
前記決定する処理は、
前記それぞれの特徴語について、前記対象の文書に前記特徴語が出現する頻度の多さに基づく評価値と、前記対象の文書を含む複数の文書のうち、前記特徴語が出現する文書の数の多さに基づく評価値とに基づいて、前記第2の尤度を算出し、算出した前記第2の尤度に基づいて、前記特徴語集合の中から、前記対象の文書の特徴を表す特徴語を決定する、ことを特徴とする請求項1に記載の情報処理プログラム。 The extraction process includes:
calculating the first likelihood for each word included in each of the portions based on an evaluation value based on a frequency at which the word appears in the portion and an evaluation value based on a number of portions in which the word appears among the plurality of portions, and extracting, from each of the portions, a characteristic word that represents a characteristic of the portion based on the calculated first likelihood;
The process of determining includes:
The information processing program described in claim 1, characterized in that for each of the feature words, the second likelihood is calculated based on an evaluation value based on the frequency with which the feature word appears in the target document and an evaluation value based on the number of documents in which the feature word appears among a plurality of documents including the target document, and a feature word that represents a characteristic of the target document is determined from the set of feature words based on the calculated second likelihood.
前記それぞれの部分に含まれる語句のうち、算出した前記第1の尤度が閾値以上である語句を、前記部分の特徴を表す特徴語として抽出する、ことを特徴とする請求項2に記載の情報処理プログラム。 The extraction process includes:
3. The information processing program according to claim 2, further comprising: extracting, from among the words contained in each of the portions, a word for which the calculated first likelihood is equal to or greater than a threshold value as a characteristic word representing a characteristic of the portion.
前記対象の文書に含まれるそれぞれの語句について、前記対象の文書に前記語句が出現する頻度の多さに基づく評価値と、前記対象の文書を含む複数の文書のうち、前記語句が出現する文書の数の多さに基づく評価値とに基づいて、前記対象の文書の特徴を表す特徴語としての第2の尤度を算出し、
算出した前記第1の尤度と、算出した前記第2の尤度とに基づいて、前記対象の文書に含まれる語句の中から、前記対象の文書の特徴を表す特徴語を決定する、
処理を前記コンピュータに実行させることを特徴とする請求項1~3のいずれか一つに記載の情報処理プログラム。 calculating a first likelihood for each word included in each of the acquired plurality of parts as a characteristic word representing a characteristic of the part, based on an evaluation value based on a frequency at which the word appears in the part and an evaluation value based on a number of parts in which the word appears among the plurality of parts;
calculating a second likelihood for each term contained in the target document as a characteristic term representing a characteristic of the target document based on an evaluation value based on a frequency at which the term appears in the target document and an evaluation value based on a number of documents in which the term appears among a plurality of documents including the target document;
determining, based on the calculated first likelihood and the calculated second likelihood, a feature word representing a feature of the target document from among words and phrases contained in the target document;
4. The information processing program according to claim 1, which causes the computer to execute a process.
取得した前記複数の部分のそれぞれの部分に含まれるそれぞれの語句についての、前記部分の特徴を表す特徴語としての第1の尤度に基づいて、前記それぞれの部分の中から、前記部分の特徴を表す特徴語を抽出し、
抽出した前記特徴語を纏めた特徴語集合に含まれるそれぞれの特徴語についての、前記対象の文書の特徴を表す特徴語としての第2の尤度に基づいて、前記特徴語集合の中から、前記対象の文書の特徴を表す特徴語を決定する、
処理をコンピュータが実行することを特徴とする情報処理方法。 Obtaining multiple parts by dividing the target document according to specific conditions;
extracting, from each of the acquired plurality of parts, a feature word that represents a feature of the part, based on a first likelihood of each word contained in each of the acquired plurality of parts being a feature word that represents a feature of the part;
determining, from the feature word set, a feature word that represents a feature of the target document, based on a second likelihood, for each feature word included in a feature word set that summarizes the extracted feature words, as a feature word that represents a feature of the target document;
An information processing method characterized in that the processing is executed by a computer.
取得した前記複数の部分のそれぞれの部分に含まれるそれぞれの語句についての、前記部分の特徴を表す特徴語としての第1の尤度に基づいて、前記それぞれの部分の中から、前記部分の特徴を表す特徴語を抽出し、
抽出した前記特徴語を纏めた特徴語集合に含まれるそれぞれの特徴語についての、前記対象の文書の特徴を表す特徴語としての第2の尤度に基づいて、前記特徴語集合の中から、前記対象の文書の特徴を表す特徴語を決定する、
制御部を有することを特徴とする情報処理装置。 Obtaining multiple parts by dividing the target document according to specific conditions;
extracting, from each of the acquired plurality of parts, a feature word that represents a feature of the part, based on a first likelihood of each word or phrase contained in each of the acquired plurality of parts being a feature word that represents a feature of the part;
determining, from the feature word set, a feature word that represents a feature of the target document, based on a second likelihood of each feature word included in a feature word set that summarizes the extracted feature words as a feature word that represents a feature of the target document;
An information processing device comprising a control unit.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021124759A JP7633522B2 (en) | 2021-07-29 | 2021-07-29 | Information processing program, information processing method, and information processing device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021124759A JP7633522B2 (en) | 2021-07-29 | 2021-07-29 | Information processing program, information processing method, and information processing device |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2023019784A JP2023019784A (en) | 2023-02-09 |
| JP7633522B2 true JP7633522B2 (en) | 2025-02-20 |
Family
ID=85159138
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021124759A Active JP7633522B2 (en) | 2021-07-29 | 2021-07-29 | Information processing program, information processing method, and information processing device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7633522B2 (en) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011242844A (en) | 2010-05-14 | 2011-12-01 | Ricoh Co Ltd | Device, method, program and system for keyword extraction |
| JP2016045552A (en) | 2014-08-20 | 2016-04-04 | 富士通株式会社 | Feature extraction program, feature extraction method, and feature extraction apparatus |
| JP2016126748A (en) | 2014-12-26 | 2016-07-11 | Kddi株式会社 | Labeling apparatus, method and program |
| JP2020170334A (en) | 2019-04-03 | 2020-10-15 | 京セラドキュメントソリューションズ株式会社 | Image processing system and image processing program |
| CN112347229B (en) | 2020-11-12 | 2021-07-20 | 润联软件系统(深圳)有限公司 | Answer extraction method and device, computer equipment and storage medium |
-
2021
- 2021-07-29 JP JP2021124759A patent/JP7633522B2/en active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011242844A (en) | 2010-05-14 | 2011-12-01 | Ricoh Co Ltd | Device, method, program and system for keyword extraction |
| JP2016045552A (en) | 2014-08-20 | 2016-04-04 | 富士通株式会社 | Feature extraction program, feature extraction method, and feature extraction apparatus |
| JP2016126748A (en) | 2014-12-26 | 2016-07-11 | Kddi株式会社 | Labeling apparatus, method and program |
| JP2020170334A (en) | 2019-04-03 | 2020-10-15 | 京セラドキュメントソリューションズ株式会社 | Image processing system and image processing program |
| CN112347229B (en) | 2020-11-12 | 2021-07-20 | 润联软件系统(深圳)有限公司 | Answer extraction method and device, computer equipment and storage medium |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2023019784A (en) | 2023-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103430172B (en) | Search device, search method and program | |
| CN102576358A (en) | Word pair acquisition device, word pair acquisition method, and program | |
| JP2010073114A6 (en) | Image information retrieving apparatus, image information retrieving method and computer program therefor | |
| JPWO2007108529A1 (en) | Information extraction system, information extraction method, information extraction program, and information service system | |
| Pletschacher et al. | Europeana newspapers OCR workflow evaluation | |
| US20130254190A1 (en) | Search device, search method, and computer program product | |
| JP2004341753A (en) | Search support apparatus, search support method, and program | |
| JP2006072744A (en) | Document processing apparatus, control method thereof, program, and storage medium | |
| KR100706389B1 (en) | Image retrieval method and device considering similarity between images | |
| JP5199768B2 (en) | Tagging support method and apparatus, program, and recording medium | |
| US9378248B2 (en) | Retrieval apparatus, retrieval method, and computer-readable recording medium | |
| US20210295033A1 (en) | Information processing apparatus and non-transitory computer readable medium | |
| KR102007437B1 (en) | Apparatus for classifying contents and method for using the same | |
| JP2010211688A (en) | Document editing apparatus, data processing method and program | |
| JP7633522B2 (en) | Information processing program, information processing method, and information processing device | |
| JP6488399B2 (en) | Information presentation system and information presentation method | |
| JP2004240488A (en) | Document management device | |
| JP4135659B2 (en) | Format conversion device and file search device | |
| US10990338B2 (en) | Information processing system and non-transitory computer readable medium | |
| JP2009151390A (en) | Information analyzing device and information analyzing program | |
| JP2013222418A (en) | Passage division method, device and program | |
| JP5461344B2 (en) | Data classification device, data classification method, and data classification program | |
| JP5153390B2 (en) | Related word dictionary creation method and apparatus, and related word dictionary creation program | |
| JP7131075B2 (en) | search processor and program | |
| JP2007011973A (en) | Information search apparatus and information search program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240404 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20250107 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20250120 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7633522 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |