JP7633522B2 - 情報処理プログラム、情報処理方法、および情報処理装置 - Google Patents

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。

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。

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。

特開２００８－２６２５０６号公報 特開２０１８－１９５３０５号公報

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。

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。

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。

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。

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。 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。 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９は、情報処理装置１００の動作の一例を示す説明図（その１）である。 図１０は、情報処理装置１００の動作の一例を示す説明図（その２）である。 図１１は、情報処理装置１００の動作の一例を示す説明図（その３）である。 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。

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。

（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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

（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。

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。

（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。

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。

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。

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。

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。

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。

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。

（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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

（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。

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。

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。

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。

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。

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。

（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。

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。

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。

（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。

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。

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。

（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。

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。

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。

（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。

（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。

（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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

（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。

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。

（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。

（８－２）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。

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。

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。

（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。

（８－４）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。

（８－５）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。

（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。

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。

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。

（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。

（９－３）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。

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。

（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。

（１０－３）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。

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。

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。

（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。

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）。

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）。

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）。

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）。

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。

（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。

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）。

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）。

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）。

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。

（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。

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）。

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）。

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。

（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。

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）。

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）。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

（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。

（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。

（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。

（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。

（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。

（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。

（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。

（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。

（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。

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

Claims (6)

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。
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、ことを特徴とする請求項１に記載の情報処理プログラム。
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、ことを特徴とする請求項２に記載の情報処理プログラム。
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。
5. 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。
6. 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。

Images