特許 6190904 類似文書検索装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】6190904

(24)【登録日】2017年8月10日

(45)【発行日】2017年8月30日

(54)【発明の名称】類似文書検索装置

(51)【国際特許分類】

   G06F 17/30 20060101AFI20170821BHJP

【ＦＩ】

   G06F17/30 350C

   G06F17/30 170A

【請求項の数】11

【全頁数】21

(21)【出願番号】特願2016-38678(P2016-38678)

(22)【出願日】2016年3月1日

【審査請求日】2016年3月1日

(73)【特許権者】

【識別番号】596100812

【氏名又は名称】京セラコミュニケーションシステム株式会社

(74)【代理人】

【識別番号】100092956

【弁理士】

【氏名又は名称】古谷 栄男

(74)【代理人】

【識別番号】100101018

【弁理士】

【氏名又は名称】松下 正

(72)【発明者】

【氏名】井出 有加

(72)【発明者】

【氏名】谷口 友浩

(72)【発明者】

【氏名】平田 巧

【審査官】 吉田 誠

(56)【参考文献】

【文献】 特開２０１２−１９４６９０（ＪＰ，Ａ）

【文献】 特開平１１−１１０３９５（ＪＰ，Ａ）

【文献】 特開２００８−１２３１１１（ＪＰ，Ａ）

【文献】 特開２０００−２４２６４６（ＪＰ，Ａ）

【文献】 特開２０１３−１９１１９４（ＪＰ，Ａ）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ０６Ｆ １７／３０

(57)【特許請求の範囲】

【請求項1】

文書が記録され、当該文書に対応付けて文書中の重要単語が対象語として抽出され当該対象語の重要度を記録した記録部に記録されている文書の内、対象文書に類似する文書を検索するために、当該対象文書を取得するための対象文書取得手段と、
前記対象文書中に含まれる前記各対象語について、少なくとも前記対象語の前記対象文書における出現頻度に基づいて、基本重要度を算出する基本重要度算出手段と、
前記対象文書中の前記各対象語のうち２つの対象語を選択し、これら２つの対象語が前記対象文書および他の文書の双方に出現するかどうかに基づいて、当該２つの対象語の間の関連度を算出し、対象語と他の対象語の基本重要度と両対象語の関連度とに基づいて、当該対象語の基本重要度を修正し、重要度を算出する重要度算出手段と、
前記対象語の数に対応する多次元空間を想定し、当該多次元空間において、前記対象文書の対象語の重要度と記録部に記録されている各文書の対象語の重要度を要素とするベクトルを想定し、前記対象文書と記録部に記録されている各文書におけるベクトルがなす角度に基づいて、類似度を算出する類似度算出手段と、
前記対象文書と記録部に記録されている文書との類似度に基づいて、前記対象文書に類似する文書を抽出する文書抽出手段と、
を備えた類似文書検索装置。

【請求項2】

類似文書検索装置をコンピュータによって実現するための類似文書検索プログラムであって、コンピュータを、
文書が記録され、当該文書に対応付けて文書中の重要単語が対象語として抽出され当該対象語の重要度を記録した記録部の文書の内、対象文書に類似する文書を検索するために、当該対象文書を取得するための対象文書取得手段と、
前記対象文書中に含まれる前記各対象語について、少なくとも前記対象語の前記対象文書における出現頻度に基づいて、基本重要度を算出する基本重要度算出手段と、
前記対象文書中の前記各対象語のうち２つの対象語を選択し、これら２つの対象語が前記対象文書および他の文書の双方に出現するかどうかに基づいて、当該２つの対象語の間の関連度を算出し、対象語と他の対象語の基本重要度と両対象語の関連度とに基づいて、当該対象語の基本重要度を修正し、重要度を算出する重要度算出手段と、
前記対象語の数に対応する多次元空間を想定し、当該多次元空間において、前記対象文書の対象語の重要度と記録部に記録されている各文書の対象語の重要度を要素とするベクトルを想定し、前記対象文書と記録部に記録されている各文書におけるベクトルがなす角度に基づいて、類似度を算出する類似度算出手段と、
前記対象文書と記録部に記録されている文書との類似度に基づいて、前記対象文書に類似する文書を抽出する文書抽出手段として機能させるための類似文書検索プログラム。

【請求項3】

請求項１の装置または請求項２のプログラムにおいて、
前記基本重要度算出手段は、前記対象語の当該文書における出現頻度および前記対象語が当該文書以外の文書において出現する頻度の逆数である逆文書頻度に基づいて基本重要度を算出することを特徴とする装置またはプログラム。

【請求項4】

請求項１〜３のいずれかの装置またはプログラムにおいて、
前記重要度算出手段は、
算出対象である２つの対象語が２つの文書の双方において共に出現するかどうか、前記２つの文書の基本類似度、および前記２つの対象語の逆文書頻度に基づいて、前記２つの対象語の関連度を算出するものであり、
前記２つの文書の基本類似度は、前記対象語の数に対応する多次元空間を想定し、当該多次元空間において、それぞれの文書の対象語の基本重要度を要素とするベクトルを想定し、前記２つの文書におけるベクトルがなす角度に基づいて算出されることを特徴とする装置またはプログラム。

【請求項5】

請求項１〜４のいずれかの装置またはプログラムにおいて、
前記関連度は、下式に基づいて算出されることを特徴とする装置またはプログラム。

【数1】

【請求項6】

比較すべき２つの文書における、各文書中の対象語を抽出する対象語抽出手段と、
前記２つの文書のそれぞれにおいて、少なくとも各対象語の当該文書における出現頻度に基づいて、各対象語の基本重要度を算出する基本重要度算出手段と、
前記文書中の前記各対象語のうち２つの対象語を選択し、これら２つの対象語が前記２つの文書の双方に出現するかどうかに基づいて、当該２つの対象語の間の関連度を算出し、対象語と他の対象語の基本重要度と両対象語の関連度とに基づいて、当該対象語の基本重要度を修正し、重要度を算出する重要度算出手段と、
前記対象語の数に対応する多次元空間を想定し、当該多次元空間において、それぞれの文書の対象語の重要度を要素とするベクトルを想定し、前記２つの文書におけるベクトルがなす角度に基づいて、類似度を算出する類似度算出手段と、
を備えた文書間類似度算出装置。

【請求項7】

コンピュータによって文書間類似度算出装置を実現するための文書間類似度算出プログラムであって、コンピュータを、
比較すべき２つの文書における、各文書中の対象語を抽出する対象語抽出手段と、
前記２つの文書のそれぞれにおいて、少なくとも各対象語の当該文書における出現頻度に基づいて、各対象語の基本重要度を算出する基本重要度算出手段と、
前記文書中の前記各対象語のうち２つの対象語を選択し、これら２つの対象語が前記２つの文書の双方に出現するかどうかに基づいて、当該２つの対象語の間の関連度を算出し、対象語と他の対象語の基本重要度と両対象語の関連度とに基づいて、当該対象語の基本重要度を修正し、重要度を算出する重要度算出手段と、
前記対象語の数に対応する多次元空間を想定し、当該多次元空間において、それぞれの文書の対象語の重要度を要素とするベクトルを想定し、前記２つの文書におけるベクトルがなす角度に基づいて、類似度を算出する類似度算出手段として機能させるための文書間類似度算出プログラム。

【請求項8】

請求項６の装置または請求項７のプログラムにおいて、
前記基本重要度算出手段は、前記対象語の当該文書における出現頻度および前記対象語が当該文書以外の文書において出現する頻度の逆数である逆文書頻度に基づいて基本重要度を算出することを特徴とする装置またはプログラム。

【請求項9】

請求項６〜８のいずれかの装置またはプログラムにおいて、
前記重要度算出手段は、
算出対象である２つの対象語が２つの文書の双方において共に出現するかどうか、前記２つの文書の基本類似度、および前記２つの対象語の逆文書頻度に基づいて、前記２つの対象語の関連度を算出するものであり、
前記２つの文書の基本類似度は、前記対象語の数に対応する多次元空間を想定し、当該多次元空間において、それぞれの文書の対象語の基本重要度を要素とするベクトルを想定し、前記２つの文書におけるベクトルがなす角度に基づいて算出されることを特徴とする装置またはプログラム。

【請求項10】

請求項６〜９のいずれかの装置またはプログラムにおいて、
前記関連度は、下式に基づいて算出されることを特徴とする装置またはプログラム。

【数1】

【請求項11】

請求項１〜１０のいずれかの装置またはプログラムにおいて、
前記装置は、サーバ装置として構築されていることを特徴とする装置またはプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

この発明は、文書の類似度に基づいて文書を検索する装置に関するものである。

【背景技術】

【0002】

キーワードを入力して、これに合致する文書を検索する装置が用いられている（たとえば、特許文献１）。目的とする文書に合致する適切なキーワードを入力することにより、必要な文書を検索することができる。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１０−２４４１８７

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、上記の従来技術では、キーワードを入力して検索を行うものであるため、キーワードの選択が適切にできなければ、所望の検索結果を得ることができなかった。たとえば、ある文書に類似性の高い文書を検索する場合、ある文書からキーワードを抽出しなければならず、面倒であり、キーワード抽出にスキルが必要であった。

【0005】

この発明は上記のような問題点を解決して、キーワードを選択する必要なく適切な検索を行うことのできる類似文書検索装置を提供することを目的とする。

【課題を解決するための手段】

【0006】

この発明の独立して適用可能ないくつかの特徴を列挙する。

【0007】

(1)(2)この発明に係る類似文書検索装置は、文書が記録され、当該文書に対応付けて文書中の重要単語が対象語として抽出され当該対象語の重要度を記録した記録部に記録されている文書の内、対象文書に類似する文書を検索するために、当該対象文書を取得するための対象文書取得手段と、前記対象文書中に含まれる前記各対象語について、少なくとも前記対象語の前記対象文書における出現頻度に基づいて、基本重要度を算出する基本重要度算出手段と、対象語と関連する他の対象語の基本重要度に基づいて、当該対象語の基本重要度を修正し、重要度を算出する重要度算出手段と、前記対象語の数に対応する多次元空間を想定し、当該多次元空間において、前記対象文書の対象語の重要度と記録部に記録されている各文書の対象語の重要度を要素とするベクトルを想定し、前記対象文書と記録部に記録されている各文書におけるベクトルがなす角度に基づいて、類似度を算出する類似度算出手段と、前記対象文書と記録部に記録されている文書との類似度に基づいて、前記対象文書に類似する文書を抽出する文書抽出手段とを備えている。

【0008】

したがって、文書を入力することにより、当該文書を構成する対象語の重要度に基づいて、当該文書に類似する文書を検索することができる。

【0009】

(3)この発明に係る類似文書検索装置は、基本重要度算出手段が、前記対象語の当該文書における出現頻度および前記対象語が当該文書以外の文書において出現する頻度の逆数である逆文書頻度に基づいて基本重要度を算出することを特徴としている。

【0010】

したがって、より精度よく基本重要度を算出することができる。

【0011】

(4)この発明に係る類似文書検索装置は、重要度算出手段が、算出対象である２つの対象語が２つの文書の双方において共に出現するかどうか、前記２つの文書の基本類似度、および前記２つの対象語の逆文書頻度に基づいて、前記２つの対象語の関連度を算出するものであり、前記２つの文書の基本類似度は、前記対象語の数に対応する多次元空間を想定し、当該多次元空間において、それぞれの文書の対象語の基本重要度を要素とするベクトルを想定し、前記２つの文書におけるベクトルがなす角度に基づいて算出されることを特徴としている。

【0012】

したがって、より精度よく類似度を判定することができる。

【0013】

(5)(6)この発明に係る類似文書検索装置は、文書が記録され、当該文書に対応付けて文書中の重要単語が対象語として抽出され当該対象語の重要度を記録した記録部に記録されている文書の内、対象文書に類似する文書を検索するために、当該対象文書を取得するための対象文書取得手段と、前記対象文書中に含まれる前記各対象語について、少なくとも前記対象語の前記対象文書における出現頻度に基づいて、基本重要度を算出する基本重要度算出手段と、前記対象文書における各対象語の重要度と、記録部に記録されている各文書における各対象語の重要度に基づいて、前記対象文書に類似する文書を抽出する文書抽出手段とを備えた類似文書検索装置である。

【0014】

したがって、文書を入力することにより、当該文書を構成する対象語の重要度に基づいて、当該文書に類似する文書を検索することができる。

【0015】

(7)(8)この発明に係る文書間類似度算出装置は、比較すべき２つの文書における、各文書中の対象語を抽出する対象語抽出手段と、前記２つの文書のそれぞれにおいて、少なくとも各対象語の当該文書における出現頻度に基づいて、各対象語の基本重要度を算出する基本重要度算出手段と、対象語と関連する他の対象語の基本重要度に基づいて、当該対象語の基本重要度を修正し、重要度を算出する重要度算出手段と、前記対象語の数に対応する多次元空間を想定し、当該多次元空間において、それぞれの文書の対象語の重要度を要素とするベクトルを想定し、前記２つの文書におけるベクトルがなす角度に基づいて、類似度を算出する類似度算出手段とを備えている。

【0016】

したがって、２つの文書の類似度を判定することができる。

【0017】

(9)この発明に係る文書間類似度算出装置は、基本重要度算出手段が、前記対象語の当該文書における出現頻度および前記対象語が当該文書以外の文書において出現する頻度の逆数である逆文書頻度に基づいて基本重要度を算出することを特徴としている。

【0018】

したがって、より精度よく基本重要度を算出することができる。

【0019】

(10)この発明に係る文書間類似度算出装置は、重要度算出手段が、算出対象である２つの対象語が２つの文書の双方において共に出現するかどうか、前記２つの文書の基本類似度、および前記２つの対象語の逆文書頻度に基づいて、前記２つの対象語の関連度を算出するものであり、前記２つの文書の基本類似度は、前記対象語の数に対応する多次元空間を想定し、当該多次元空間において、それぞれの文書の対象語の基本重要度を要素とするベクトルを想定し、前記２つの文書におけるベクトルがなす角度に基づいて算出されることを特徴としている。

【0020】

したがって、より正確に文書間の類似度を判定することができる。

【0021】

(11)この発明に係る装置は、サーバ装置として構築されていることを特徴としている。

【0022】

したがって、サーバ・クライアントのシステムにて運用することができる。

【0023】

「対象文書取得手段」は、実施形態においては、ステップＳ１２がこれに対応する。

【0024】

「基本重要度算出手段」は、実施形態においては、ステップＳ１５がこれに対応する。

【0025】

「重要度算出手段」は、実施形態においては、ステップＳ１７がこれに対応する。

【0026】

「類似度算出手段」は、実施形態においては、ステップＳ１８がこれに対応する。

【0027】

「文書抽出手段」は、実施形態においては、ステップＳ２２がこれに対応する。

【0028】

「プログラム」とは、ＣＰＵにより直接実行可能なプログラムだけでなく、ソース形式のプログラム、圧縮処理がされたプログラム、暗号化されたプログラム等を含む概念である。

【図面の簡単な説明】

【0029】

【図1】この発明の一実施形態による類似文書検索装置の機能ブロック図である。

【図2】この発明の一実施形態によるシステム構成図である。

【図3】サーバ装置Ｓのハードウエア構成である。

【図4】類似文書検索サーバプログラム４６、類似文書検索端末プログラム６６のフローチャートである。

【図5】類似文書検索サーバプログラム４６のフローチャートである。

【図6】類似文書検索サーバプログラム４６のフローチャートである。

【図7】類似文書検索サーバプログラム４６のフローチャートである。

【図8】類似文書検索サーバプログラム４６のフローチャートである。

【図9】文書登録画面を示す図である。

【図10】図１０Ａは、抽出した単語のＤＦ値およびＩＤＦ値を示す図である。図１０Ｂは、抽出した対象語のＤＦ値およびＩＤＦ値を示す図である。

【図11】図１１Ａは、各文書の各対象語について算出した基本重要度を示す図である。図１１Ｂは、各文書の各対象語について算出した重要度を示す図である。

【図12】関連度の算出式を示す図である。

【図13】重要度の算出式を示す図である。

【図14】類似文書検索サーバプログラム４６のフローチャートである。

【図15】算出された文書間の類似度を示す図である。

【図16】類似文書検索サーバプログラム４６、類似文書検索端末プログラム６６のフローチャートである。

【図17】文書検索画面を示す図である。

【図18】算出された対象文書との類似度を示す図である。

【図19】類似文書検索結果の画面である。

【図20】文書間の類似関連度を示す画面である。

【図21】類似度判定サーバプログラム、類似度判定端末プログラムのフローチャートである。

【図22】類似度判定画面を示す図である。

【発明を実施するための形態】

【0030】

１．システムの構成
図１に、この発明の一実施形態による類似文書検索装置をサーバ装置Ｓとして構築したシステムの機能ブロック図を示す。記録部１４には、文書Ｄ１、Ｄ２・・・が記録されている。さらに、この各文書Ｄ１、Ｄ２・・・のそれぞれに対応して、文書中に表れる単語（対象語）Ｈ１、Ｈ２・・・の重要度Ｇが記録されている。

【0031】

端末装置Ｔからは、類似文書を検索する元になる文書（対象文書）が、サーバ装置Ｓに対して送信される。対象文書自体ではなく、対象文書に対するリンク情報等であってもよい。

【0032】

サーバ装置Ｓの対象文書取得手段２は、この対象文書を取得する。基本重要度算出手段４は、取得した対象文書中に含まれる対象語のそれぞれについて、少なくとも当該対象語の対象文書中における出現頻度に基づいて、基本重要度を算出する。重要度算出手段６は、当該対象文書中の対象語と関連する他の対象語の基本重要度に基づいて、当該対象語の基本重要度を修正し重要度を算出する。

【0033】

類似度算出手段８は、前記対象語の数に対応する多次元空間を想定し、当該多次元空間において、前記対象文書の対象語の重要度を要素とする対象文書ベクトルを想定する。さらに、当該多次元空間において、前記記録部１４に記録されている各文書の対象語の重要度を要素とする文書ベクトルを想定する。類似度算出手段８は、対象文書ベクトルと各文書の文書ベクトルのなす角度に基づいて、対象文書と各文書の類似度を算出する。

【0034】

文書抽出手段１０は、対象文書に対して類似度の高い文書を抽出する。送信手段１２は、抽出した文書あるいは当該文書に対するリンク情報を、端末装置Ｔに送信する。

【0035】

端末装置Ｔは、これを受けて、対象文書に類似する文書を取得することができる。

【0036】

図２に、システム構成を示す。サーバ装置Ｓに対し、端末装置Ｔ１、Ｔ２・・・Ｔｎが接続されている。この実施形態では、ＬＡＮによって、サーバ装置Ｓと端末装置Ｔ１、Ｔ２・・・Ｔｎが接続される。なお、インターネットなどを介して接続されるものであってもよい。

【0037】

図３に、サーバ装置Ｓのハードウエア構成を示す。ＣＰＵ３０には、メモリ３２、ディスプレイ３４、ハードディスク３８、ＤＶＤ−ＲＯＭドライブ４０、通信回路４２、キーボード／マウス４３が接続されている。通信回路４２は、ＬＡＮに接続するための回路である。ハードディスク３８には、オペレーティングシステム４４、類似文書検索サーバプログラム４６が記録されている。類似文書検索サーバプログラム４６は、オペレーティングシステム４４と協働してその機能を発揮するものである。

【0038】

これらプログラムは、ＤＶＤ−ＲＯＭ４８に記録されていたものを、ＤＶＤ−ＲＯＭドライブ４０を介して、ハードディスク３８にインストールしたものである。

【0039】

端末装置Ｔのハードウエア構成も同様である。ただし、端末装置Ｔにおいては、ハードディスク５８に、類似文書検索サーバプログラム４６に代えて、類似文書検索端末プログラム６６が記録されている点が異なる。

【0040】

２．文書登録処理
この実施形態では、予め、サーバ装置Ｓのハードディスク３８に、文書を記録し、文書中の対象語の基本重要度を算出して記録するようにしている。あわせて、当該基本重要度を関連する対象語の基本重要度に基づいて修正し、重要度を算出して、これも記録するようにしている（文書登録処理）。

【0041】

類似文書検索サーバプログラム４６、類似文書検索端末プログラム６６における文書登録処理のフローチャートを、図４に示す。端末装置ＴのＣＰＵ５０（以下、端末装置Ｔと省略することがある）は、サーバ装置Ｓにアクセスし、文書登録のための画面を要求する（ステップＳ１）。

【0042】

サーバ装置ＳのＣＰＵ３０（以下、サーバ装置Ｓと省略することがある）は、これを受けて、文書登録のための画面を返信する（ステップＳ１１）。端末装置Ｔは、受信した文書登録画面を、ディスプレイ５４に表示する（ステップＳ２）。

【0043】

図９に、端末装置Ｔにおいて表示された文書登録画面を示す。画面の右側には、当該端末装置Ｔに記録されているファイルが示されている。この実施形態では、ファイル名とアイコン８４が表示されている。また、画面の左側には、登録したいファイルを入力するための入力領域８０が示されている。

【0044】

端末装置Ｔの操作者は、登録したいファイルのアイコン８４を、マウス６３によって選択し、この入力領域８０にもってくる（ドラッグアンドドロップ）。操作者が決定ボタン８６をクリックすると、端末装置Ｔは、入力領域８０に入れられたファイルを、サーバ装置Ｓに送信する（ステップＳ３）。

【0045】

サーバ装置Ｓは、送信されてきたファイルを受信し、ハードディスク３８に記録する（ステップＳ１２）。ハードディスク３８には、既にファイルが記録されているので、これらファイルに追加して、受信したファイルを記録する。

【0046】

サーバ装置Ｓは、受信したファイルおよび既に記録済みのファイルの全てを対象として、ステップＳ１３以下の処理を実行する。なお、この処理には時間を要するので、ステップＳ１２における文書の記録のみを行っておき、たとえば１日１回（夜間など）にまとめて実行するようにしてもよい。

【0047】

ステップＳ１３において、サーバ装置Ｓは、全文書（受信したファイルおよび記録済みのファイル）について、形態素解析を行い、各文書ごとに名詞のみを単語（私、コンピュータ、車・・・など）として抽出する。ここでは、文書は、Ｂ1〜ＢDまで、Ｄ個記録されているものとする。

【0048】

続いて、サーバ装置Ｓは、抽出した単語のうち重要であると思われるものを対象語として抽出する（ステップＳ１４）。対象語の抽出処理の詳細を、図５に示す。

【0049】

サーバ装置Ｓは、全文書について抽出した単語のそれぞれについて、以下の処理を繰り返して行う。まず、目的とする単語について、当該単語が出現する文書の数ｄを算出する（ステップＳ１４２）。このｄを、全文書の数Ｄで除して、文書頻度であるＤＦ値を求める（ステップＳ１４３）。つまり、ＤＦ＝ｄ／Ｄとして算出し、記録する。なお、ＤＦ値は、当該単語が特定の文書にのみ現れる特異な単語であるか、多くの文書において現れる一般的な単語であるかを示す指標である。ＤＦ値が小さいほど、特異性が高いということができる。

【0050】

続いて、ＤＦ値の逆数のｌｏｇをとって、逆文書頻度であるＩＤＦ値を求める（ステップＳ１４４）。つまり、ＩＤＦ＝ｌｏｇ（Ｄ／ｄ）として算出し、記録する。ＩＤＦ値は、ＤＦ値の逆数を基礎としているので、ＩＤＦ値が大きいほど、当該単語の特異性が高いということができる。

【0051】

上記の処理を全ての単語について行う（ステップＳ１４１、Ｓ１４５）。これにより、図１０Ａに示すように、各単語についてのＤＦ値とＩＤＦ値を得ることができる。

【0052】

次に、サーバ装置Ｓは、上記単語のうち、特異性の高い単語を抽出する。この実施形態では、ＤＦ値が所定値以下（たとえば、０．１以下）の単語を抽出するようにしている（ステップＳ１４６）。あるいは、ＤＦ値が小さい単語の上位所定個（上位１０％など）を抽出するようにしてもよい。

【0053】

サーバ装置Ｓは、抽出した単語を、対象語として記録する。このようにして記録された対象語を図１０Ｂに示す。単語Ｗ２が対象語Ｔ１として、単語Ｗ３が対象語Ｔ２として、単語Ｗ５が対象語Ｔ３として抽出されている。このようにして、単語のうち、特異性の高いものが対象語として抽出されることになる。

【0054】

次に、サーバ装置Ｓは、上記にて抽出した各対象語について、それぞれの文書における基本重要度を算出する（図４、ステップＳ１５）。基本重要度算出の詳細を、図６に示す。

【0055】

サーバ装置Ｓは、目的とする文書において、各対象語の出現回数を算出する（ステップＳ１５２）。たとえば、文書Ｂ１において、対象語Ｔ１、Ｔ２、Ｔ３・・・が何回登場するかを計数する。算出した出現回数を、ｔ1,1、ｔ1,2、ｔ1,3・・・として記録する。

【0056】

次に、目的とする文書における各対象語の出現回数の合計ｔallを求める（ステップＳ１５３）。さらに、対象語の出現頻度であるＴＦ値を算出する（ステップＳ１５４）。この実施形態では、ＴＦ＝ｔk,j／ｔallとして（つまり、目的とする文書における対象語の出現回数を、目的とする文書における全対象語の出現回数合計で除して）算出する。このＴＦ値が高いほど、当該対象語が当該文書において重要性の高い単語であると判断できる。なお、目的とする文書において当該対象語が出現しない場合には、ＴＦ値は０となる。

【0057】

さらに、サーバ装置Ｓは、各対象語のＴＦ値とＩＤＦ値とを乗じて、基本重要度としてのＴＦ−ＩＤＦ値を算出し、記録する（ステップＳ１５５）。

【0058】

以上の処理を、目的とする文書を変えながら全ての文書について繰り返し（ステップＳ１５１、Ｓ１５６）、各文書の各対象語について、基本重要度を算出する。算出された基本重要度を、図１１Ａに示す。

【0059】

続いて、サーバ装置Ｓは、各文書において、対象語と対象語との間の関連度を算出する（図４、ステップＳ１６）。この実施形態では、異なる２つの文書の双方において、ともに両対象語が登場する場合、この両対象語の関連度があるものとしている。さらに、その関連度の度合いは、前記２つの文書の類似度が高いほど大きく、また、前記２つの対象語のＩＤＦ値が高いほど大きくなるとして算出している。

【0060】

図７に、関連度算出の詳細を示す。まず、サーバ装置Ｓは、全ての対象語のなかから目的とする対象語（目的対象語）と目的対象語以外の対象語（関連対象語）を選択する（ステップＳ１６２、Ｓ１６３）。ここで、目的文書の目的対象語と関連対象語は、関連度を算出したい対象語である。

【0061】

次に、サーバ装置Ｓは、２つの文書を選択し、当該文書の双方において、目的対象語と関連対象語がともに出現するかどうかを判断する（ステップＳ１６５）。この条件を満たさない場合（たとえば、一方の文書においては目的対象語と関連対象語が共に出現するが他方の文書では一方しか出現しないなどの場合）には、両文書において目的対象語と関連対象語の関連度ｒは見いだされないものとする（ステップＳ１７０）。

【0062】

ステップＳ１６５の条件を満たす場合、サーバ装置Ｓは、一方の文書ｉと他方の文書ｊの基本類似度Ｒijを算出する（ステップＳ１６６）。この基本類似度は、対象語の数（種類数）と同じ次元の多次元空間を想定し、各対象語の基本重要度を要素としたベクトルを設定し、一方の文書におけるベクトルと他方の文書におけるベクトルのなす角度によって算出する。たとえば、両文書における対象語の基本重要度が全く同じであれば、両ベクトルは一致し角度は０度となる。角度が小さいほど、類似度Ｒijが高いということができる。

【0063】

次に、サーバ装置Ｓは、目的対象語と関連対象語のＩＤＦ値の平均値を算出する（ステップＳ１６７）。さらに、サーバ装置Ｓは、基本類似度ＲijとＩＤＦ値の平均値を乗じ、一方の文書ｉと他方の文書ｊにおける目的対象語と関連対象語の関連度ｒを算出する（ステップＳ１６８）。

【0064】

サーバ装置Ｓは、文書の組合せを変えながら（ステップＳ１６４）、関連度ｒを加算していく（ステップＳ１６８）。これを全ての文書の組合せについて繰り返し、目的対象語と関連対象語の関連度ｒを得る。図１２に、上記処理を数式にて示す。

【0065】

サーバ装置Ｓは、目的対象語を変えて、全ての対象語について上記の処理を繰り返す（ステップＳ１６２、Ｓ１６９）。このようにして、目的文書における対象語の全ての組合せについて関連度を算出する。

【0066】

続いて、サーバ装置Ｓは、各文書の対象語の基本重要度を、他の対象語との関連度に基づいて修正し、各文書の対象語の重要度を算出する（図４、ステップＳ１７）。図８に、重要度算出の詳細を示す。

【0067】

サーバ装置Ｓは、目的とする文書について、目的対象語の基本重要度をハードディスク３８から読み出す（ステップＳ１７３）。次に、当該目的文書において、目的対象語以外の全ての対象語（関連対象語）の基本重要度を読出し、目的対象語との関連度によって重み付けをして平均値を算出する（ステップＳ１７４）。続いて、サーバ装置Ｓは、目的対象語の基本重要度に上記の平均値を加算して、重要度を算出し、記録する（ステップＳ１７５）。

【0068】

このようにして、目的対象語の基本重要度を、関連対象語の基本重要度によって修正している。この際、どの程度の修正を施すかは、関連対象語との関連度に応じるようにしている。上記の処理を数式にて示すと、図１３のようになる。

【0069】

サーバ装置Ｓは、上記のようにして、目的文書について、目的対象語の重要度を算出すると、目的対象語を変えて、この処理を繰り返す（ステップＳ１７２）。全ての対象語について重要度を算出すると、サーバ装置Ｓは、目的文書を変えて、上記の処理を繰り返す（ステップＳ１７１、Ｓ１７６）。

【0070】

以上のようにして、サーバ装置Ｓは、全ての文書の全ての対象語について重要度を算出し記録する。図１１Ｂに記録された重要度を示す。図１１Ａの基本重要度と比べると、周辺対象語による修正が加算されているため、値が大きくなっている。

【0071】

なお、記録済みの文書については、既に重要度が算出されて記録されているが、新たな文書が登録されたことにより重要度が変化するので、上記のように新たに再計算を行って更新するようにしている。

【0072】

次に、サーバ装置Ｓは、各文書間の類似度を算出して記録する（図４、ステップＳ１８）。図１４に、類似度算出処理の詳細を示す。

【0073】

サーバ装置Ｓは、類似度を算出する２つの文書について、各対象語の重要度を成分とするベクトルを生成する（ステップＳ１８２）。すなわち、対象語の数に等しい多次元空間を想定し、この空間内において対応する対象語の重要度を成分とするベクトルを生成する。

【0074】

次に、サーバ装置Ｓは、両ベクトルのなす角度を算出して、両文書間の類似度を算出する（ステップＳ１８３）。サーバ装置Ｓは、この処理を、全ての文書の組合せについて繰り返す（ステップＳ１８１、Ｓ１８４）。図１５に、このようにしてハードディスク３８に記録された文書間の類似度を示す。

【0075】

この実施形態においては、上記のように、基本重要度を関連対象語の基本重要度によって修正するようにしている。これは、以下のような理由によるものである。

【0076】

図１１Ａに示すように、基本重要度が極めて小さい対象語もある。たとえば、文書Ｂ３と文書Ｂ４においては、基本重要度が０となる対象語もある。このような場合、対象語の基本重要度によって、２つの文書の類似度を比較しようとすると、重要度０の対象語が考慮されないことになる。

【0077】

一方で、対象語の中には、互いに関連性の高いものもある。たとえば、対象語「知的財産」と対象語「特許」は、関連性の高い対象語である。この時、「特許」については基本重要度が算出されているものの、「知的財産」については当該文書において用いられていなければ基本重要度＝０となる。このような場合に、「知的財産」の基本重要度を、関連する「特許」の基本重要度によって修正加算することが適切である。そこで、この実施形態では、両文書の類似度を算出するための重要度を以上のようにして算出している。

【0078】

３．文書検索処理
図１６に、類似文書検索サーバプログラム４６、類似文書検索端末プログラム６６の文書検索処理におけるフローチャートを示す。この実施形態においては、文書（対象文書）を入力することにより、この文書に類似する文書を検索することができるようにしている。

【0079】

端末装置ＴのＣＰＵ５０は、サーバ装置Ｓにアクセスし、文書検索のための画面を要求する（ステップＳ５）。

【0080】

サーバ装置ＳのＣＰＵ３０は、これを受けて、文書検索のための画面を返信する（ステップＳ２０）。端末装置Ｔは、受信した文書検索画面を、ディスプレイ５４に表示する（ステップＳ６）。

【0081】

図１７に、端末装置Ｔにおいて表示された文書検索画面を示す。画面の右側には、当該端末装置Ｔに記録されているファイルが示されている。この実施形態では、ファイル名とアイコン９４が表示されている。また、画面の左側には、検索の元となるファイル（対象文書という）を入力するための入力領域９０が示されている。

【0082】

端末装置Ｔの操作者は、検索の元となるファイルのアイコン９４を、マウス６３によって選択し、この入力領域９０にもってくる（ドラッグアンドドロップ）。操作者が決定ボタン９６をクリックすると、端末装置Ｔは、入力領域９０に入れられたファイルを、サーバ装置Ｓに送信する（ステップＳ７）。

【0083】

サーバ装置Ｓは、送信されてきたファイルを受信する（ステップＳ１２）。なお、端末装置Ｔからファイル自体ではなく、リンク情報が送信されたきた場合には、当該リンク情報に基づいてファイルを取得する。

【0084】

ステップＳ１３において、サーバ装置Ｓは、受信したファイル（対象文書）について、形態素解析を行い、名詞のみを単語として抽出する。

【0085】

次に、サーバ装置Ｓは、上記単語の中から、ハードディスク３８に記録されている対象語を抽出し、各対象語について基本重要度（TF-IDF値）を算出する（ステップＳ１５）。基本重要度の算出は、図６に示す処理と同様である。ただし、ここでは、対象文書についてのみ、各対象語の基本重要度を算出する。

【0086】

さらに、サーバ装置Ｓは、対象文書における各対象語の基本重要度を関連度によって修正し、重要度を算出する（ステップＳ１７）。重要度算出処理は、図８に示す処理と同様である。ただし、ここでは、対象文書についてのみ、各対象語の重要度を算出する。

【0087】

続いて、サーバ装置Ｓは、対象文書と既に記録されている文書（記録文書）のそれぞれとの間の類似度を算出する（ステップＳ１８）。類似度算出処理は、図１４に示す処理と同様である。ただし、ここでは、対象文書との間の類似度のみを算出する。算出された類似度を、図１８に示す。

【0088】

次に、サーバ装置Ｓは、記録文書のうち、類似度の高いものを所定個選択する（ステップＳ２２）。続いて、サーバ装置Ｓは、選択した記録文書のそれぞれについて、対象文書と記録文書に共通して現れる対象語を抽出する。抽出した対象語について、ＤＦ値（図１０Ｂ参照）の高いものから所定個（たとえば１０個）を選択して共通対象語とする（ステップＳ２３）。

【0089】

さらに、サーバ装置Ｓは、対象文書と選択した記録文書のそれぞれとの間において、一方にのみ現れる対象語を抽出する。さらに、これら対象語のうち、出現しない文書において、重要度が０でないもの（すなわち、関連対象語との関連度によって重要度が修正されたもの）を抽出する。抽出した対象語について、ＤＦ値の高いものから所定個（たとえば１０個）を選択して共通関連語とする（ステップＳ２３）。

【0090】

サーバ装置Ｓは、選択した記録文書に基づいて検索結果画面を生成し、端末装置Ｔに送信する（ステップＳ２３）。端末装置Ｔは、これを受けて、ディスプレイ３４に表示する（ステップＳ８）。

【0091】

図１９に、端末装置Ｔにおいて表示された検索結果画面を示す。画面上部には、対象文書を表示するための領域１００が設けられている。この領域１００には、対象文書の第１頁のサムネイル画像１０２、タイトル１０４、対象語（ＤＦ値の高いものから所定個）１０６が表示されている。

【0092】

画面下部には、検索された記録文書が類似度の高い順に示されている。各記録文書について、記録文書の第１頁のサムネイル画像１１０（記録文書に対するリンク付き）、タイトル１１２が表示されている。また、ステップＳ２３にて選択された共通関連語１１６が表示され、共通対象語が共通キーワード１１４として表示されている。

【0093】

操作者は、サムネイル画像１１０をクリックすることにより、記録文書をサーバ装置Ｓから取得して閲覧することができる。

【0094】

さらに、操作者が関連資料相関図ボタン１２０をクリックすると、端末装置Ｔは、サーバ装置Ｓに対して相関図要求を送信する。これを受けて、サーバ装置Ｓは、相関図を生成し、端末装置Ｔに返信する。

【0095】

端末装置Ｔにおいて表示された相関図を、図２０に示す。画面下部には、記録文書について、その文書番号（文書は１〜Ｎまでの番号が付されて記録されている）を付した丸印とともに、所定の類似度以上の文書の丸印間について、線で結んでいる。また、対象文書を最も明るい色にて表示し（図においては４７番の文書）、類似度が低くなるほど暗い色にて表現するようにしている。

【0096】

このような相関図により、対象文書に直接関連する文書だけでなく、間接的に関連する文書も一目で把握することができる。なお、文書の丸印をクリックすると、当該文書の情報（文書名や文書へのリンク）が表示される。

【0097】

なお、対象文書をサーバ装置Ｓにおいて文書として登録する場合には、図４の文書登録の処理を行えばよい。

【0098】

上記の例では、記録文書以外の文書を対象文書として検索を行う場合について説明した。しかし、記録文書を対象文書として検索を行うようにしてもよい。この場合には、既に文書間の類似度は算出済みであるから、記録された類似度を用いて迅速に検索結果を出力することができる。

【0099】

４．その他
(1)上記実施形態においては、予め、記録文書間の類似度を算出して記録するようにしている。しかし、対象文書と類似する記録文書を検索するだけであれば、記録文書間の類似度は記録しておく必要はない。

【0100】

(2)上記実施形態では、基本重要度を関連する周辺対象語の基本重要度によって修正して重要度を算出し、これに基づいて文書間の類似度を算出している。しかし、基本重要度自体を重要度として用いて、文書間の類似度を算出するようにしてもよい。

【0101】

(3)上記実施形態では、端末装置Ｔから対象文書を送信し、サーバ装置Ｓにて類似文書を検索し、検索結果を端末装置Ｔに返信するようにしている。しかし、一台のＰＣにおいて、対象文書の指定、検索を行うようにしてもよい。

【0102】

(4)上記実施形態では、対象文書に類似する記録文書を検索するようにしている。しかし、これに代えて、あるいはこれに加えて、複数の文書間（たとえば２つの文書間）の類似度を判定するようにしてもよい。

【0103】

文書間の類似度判定の処理を図２１に示す。端末装置Ｔは、サーバ装置Ｓに対して、判定画面の要求を行う（ステップＳ４１）。これを受けて、サーバ装置Ｓは、判定画面を端末装置Ｔに送信する（ステップＳ３１）。端末装置Ｔは、これをディスプレイ５４に表示する（ステップＳ４２）。

【0104】

図２２に、端末装置Ｔにおいて表示される類似度判定画面を示す。画面の右側には、当該端末装置Ｔに記録されているファイルが示されている。この実施形態では、ファイル名とアイコン２９４が表示されている。また、画面の左側には、類似度を判定したい２つのファイル（文書）を入力するための入力領域２９０が示されている。

【0105】

端末装置Ｔの操作者は、類似度を判定したい２つのファイルのアイコン２９４を、マウス６３によって選択し、この入力領域２９０にもってくる（ドラッグアンドドロップ）。操作者が決定ボタン２９６をクリックすると、端末装置Ｔは、入力領域２９０に入れられた２つのファイルを、サーバ装置Ｓに送信する（ステップＳ４３）。

【0106】

サーバ装置Ｓは、２つのファイル（第１の文書、第２の文書）を受信して取得する（ステップＳ１２）。ファイルが直接送られてきている場合には、それを直接受信し、リンク情報の場合にはリンク先から取得する。

【0107】

次に、サーバ装置Ｓは、第１の文書、第２の文書のそれぞれについて、形態素解析を行い、単語（名詞）を抽出する（ステップＳ１３）。

【0108】

次に、サーバ装置Ｓは、上記単語の中から、ハードディスク３８に記録されている対象語を抽出し、各対象語について基本重要度（TF-IDF値）を算出する（ステップＳ１５）。基本重要度の算出は、図６に示す処理と同様である。ただし、ここでは、第１の文書、第２の文書についてのみ、各対象語の基本重要度を算出する。

【0109】

さらに、サーバ装置Ｓは、第１の文書、第２の文書における各対象語の基本重要度を関連度によって修正し、重要度を算出する（ステップＳ１７）。重要度算出処理は、図８に示す処理と同様である。ただし、ここでは、第１の文書、第２の文書についてのみ、各対象語の重要度を算出する。

【0110】

続いて、サーバ装置Ｓは、第１の文書と第２の文書の間の類似度を算出する（ステップＳ１８）。類似度算出処理は、図１４に示す処理と同様である。ただし、ここでは、第１の文書と第２の文書との間の類似度のみを算出する。

【0111】

サーバ装置Ｓは、判定結果として類似度を、端末装置Ｔに送信する（ステップＳ３２）。端末装置Ｔは、受信した類似度を、ディスプレイ５４に表示する（ステップＳ４４）。

【0112】

なお、このように複数の文書間の類似度を比較する場合、サーバ装置Ｓに記録されている文書数が多いほど、当該類似度は精度よく判定することが可能となる。

【0113】

(5)上記実施形態では、記録文書をサーバ装置Ｓに記録している。しかし、他の装置に記録するようにしてもよい。

【要約】      （修正有）

【課題】キーワードを選択する必要なく適切な検索を行うことのできる類似文書検索装置を提供する。
【解決手段】記録部１４には、文書Ｄ１、Ｄ２・・・と、文書中に表れる単語（対象語）の重要度が、各文書に対応して記録されている。基本重要度算出手段４は、端末装置Ｔから送られてきた対象文書中に含まれる対象語のそれぞれについて、少なくとも当該対象語の対象文書中における出現頻度に基づいて、基本重要度を算出する。重要度算出手段６は、当該対象文書中の対象語と関連する他の対象語の基本重要度に基づいて、当該対象語の基本重要度を修正し重要度を算出する。類似度算出手段８は、前記対象語の数に対応する多次元空間、および各文書の対象語の重要度を要素とする文書ベクトルを想定し、対象文書と各文書のベクトルのなす角度に基づいて、対象文書と各文書の類似度を算出する。文書抽出手段１０は、対象文書に対して類似度の高い文書を抽出する。
【選択図】図１

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】

【図20】

【図21】

【図22】