特開 2022-180866 情報処理装置及びプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022180866

(43)【公開日】2022-12-07

(54)【発明の名称】情報処理装置及びプログラム

(51)【国際特許分類】

   G06V 30/242 20220101AFI20221130BHJP

【ＦＩ】

G06K9/62 610Z

【審査請求】未請求

【請求項の数】9

【出願形態】ＯＬ

(21)【出願番号】P 2021087600

(22)【出願日】2021-05-25

(71)【出願人】

【識別番号】000002897

【氏名又は名称】大日本印刷株式会社

(74)【代理人】

【識別番号】100114557

【弁理士】

【氏名又は名称】河野 英仁

(74)【代理人】

【識別番号】100078868

【弁理士】

【氏名又は名称】河野 登夫

(72)【発明者】

【氏名】西田 篤史

【テーマコード（参考）】

5B064

【Ｆターム（参考）】

5B064AA01

5B064AB19

5B064DA11

(57)【要約】      （修正有）

【課題】ルビに対応する文字列を特定することが可能な情報処理装置及びプログラムを提供する。
【解決手段】情報処理装置（コンピュータ）１は、文章中の本文の単語ごとのルビのまとまりを抽出する抽出部１０ａと、抽出部１０ａが抽出した各ルビのまとまりに対応する文章中の被ルビ文字列を特定する特定部１０ｂと、を備える。
【選択図】図１２

【特許請求の範囲】

【請求項1】

文章中の本文の単語ごとのルビのまとまりを抽出する抽出部と、
前記抽出部が抽出した各ルビのまとまりに対応する前記文章中の被ルビ文字列を特定する特定部と
を備える情報処理装置。

【請求項2】

前記抽出部は、文章中から本文とルビとを判別し、
判別したルビに基づいて前記ルビのまとまりを抽出する
ことを特徴とする請求項１に記載の情報処理装置。

【請求項3】

前記特定部は、前記ルビのまとまりの先頭ルビの座標値、末尾ルビの座標値、各座標値に対応する本文中の座標値または文字種に基づき、被ルビ文字列を特定する
ことを特徴とする請求項１又は２に記載の情報処理装置。

【請求項4】

前記抽出部が抽出したルビのまとまりと、前記特定部が特定した被ルビ文字列とを対応付けて記憶する
ことを特徴とする請求項１から３までのいずれかひとつに記載の情報処理装置。

【請求項5】

前記抽出部は、文章中の本文の単語ごとのルビのまとまりを学習した学習モデルに、文章を入力して、前記文章中の本文の単語ごとのルビのまとまりを抽出する
ことを特徴とする請求項１から４までのいずれかひとつに記載の情報処理装置。

【請求項6】

前記抽出部は、前記ルビの文字サイズから本文とルビとを判別し、
相互に隣接するルビ同士の間隔に基づき、前記ルビのまとまりを抽出する
ことを特徴とする請求項１から５までのいずれかひとつに記載の情報処理装置。

【請求項7】

前記特定部は、文字列と、他の文字列とを対応付けた辞書を参照して、前記抽出部が抽出した各ルビのまとまりに対応する前記文章中の被ルビ文字列を特定する
を備える請求項１から６までのいずれかひとつに記載の情報処理装置。

【請求項8】

前記特定部は、ウェブサーバ上の辞書を参照して、前記抽出部が抽出した各ルビのまとまりに対応する前記文章中の被ルビ文字列を特定する
を備える請求項１から７までのいずれかひとつに記載の情報処理装置。

【請求項9】

文章中の本文の単語ごとのルビのまとまりを抽出し、
抽出した各ルビのまとまりに対応する前記文章中の被ルビ文字列を特定する
処理をコンピュータに実行させるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理装置及びプログラムに関する。

【背景技術】

【0002】

近年、ＰＤＦ（Portable Document Format）ファイル等の画像データである文書（非構造化データ）内の文字を認識することにより、ＸＭＬ（Extensible Markup Language）ファイル等の文書（構造化データ）に変換する技術が広く使われるようになってきている。例えば特許文献１には、文書画像から文書内の文字を認識する識別部と、文書画像の各要素の構造を特定する特定部と、特定部が特定した構造に基づき、識別部が認識した文字の誤りを検出して正しい文字に補正する文字処理部とを備える情報処理装置が開示されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２０－１６６６５８号公報

【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、特許文献１に係る発明は、ルビに対応する文字列を特定することができないという問題がある。

【0005】

一つの側面では、ルビに対応する文字列を特定することが可能な情報処理装置等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】

一つの側面に係る情報処理装置は、文章中の本文の単語ごとのルビのまとまりを抽出する抽出部と、前記抽出部が抽出した各ルビのまとまりに対応する前記文章中の被ルビ文字列を特定する特定部とを備える。

【発明の効果】

【0007】

一つの側面では、ルビに対応する文字列を特定することが可能となる。

【図面の簡単な説明】

【0008】

【図1】コンピュータの構成例を示すブロック図である。

【図2】ルビのまとまりの抽出処理及び被ルビ文字列の特定処理を説明する説明図である。

【図3】構造化データを出力する処理を説明する説明図である。

【図4】文章の構造化処理を行う際の処理手順を示すフローチャートである。

【図5】ルビのまとまりを抽出する処理のサブルーチンの処理手順を示すフローチャートである。

【図6】被ルビ文字列を特定する処理のサブルーチンの処理手順を示すフローチャートである。

【図7】実施形態２のコンピュータの構成例を示すブロック図である。

【図8】ルビ辞書のレコードレイアウトの一例を示す説明図である。

【図9】ルビ検出器に関する説明図である。

【図10】実施形態２の文章の構造化処理を行う際の処理手順を示すフローチャートである。

【図11】実施形態２の被ルビ文字列を特定する処理のサブルーチンの処理手順を示すフローチャートである。

【図12】上述した形態のコンピュータの動作を示す機能ブロック図である。

【発明を実施するための形態】

【0009】

以下、本発明をその実施形態を示す図面に基づいて詳述する。

【0010】

（実施形態１）
実施形態１は、ルビが含まれる文章の構造化処理を行う形態に関する。

【0011】

本実施形態のシステムは、情報処理装置１を含む。情報処理装置１は、種々の情報に対する処理、記憶及び送受信を行う情報処理装置である。情報処理装置１は、例えばサーバ装置、パーソナルコンピュータまたは汎用のタブレットＰＣ（パソコン）等である。本実施形態において、情報処理装置１は、ルビを含む文章の構造化を行うパーソナルコンピュータであるものとし、以下では簡潔のためコンピュータ１と読み替える。

【0012】

本実施形態に係るコンピュータ１は、ルビが含まれる文章を取得し、取得した文章からルビのまとまりを抽出する。コンピュータ１は、抽出した各ルビのまとまりに対応する該文章の中の被ルビ文字列を特定する。コンピュータ１は、抽出した各ルビのまとまり、及び各ルビのまとまりに対応する被ルビ文字列に基づき、該文章の構造化処理を行う。コンピュータ１は、構造化処理を行って得られた構造化データを出力する。

【0013】

図１は、コンピュータ１の構成例を示すブロック図である。コンピュータ１は、制御部１１、記憶部１２、通信部１３、入力部１４、表示部１５及び読取部１６を含む。各構成はバスＢで接続されている。

【0014】

制御部１１はＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）等の演算処理装置を含み、記憶部１２に記憶された制御プログラム１Ｐを読み出して実行することにより、コンピュータ１に係る種々の情報処理、制御処理等を行う。なお、制御プログラム１Ｐは、単一のコンピュータ上で、または１つのサイトにおいて配置されるか、もしくは複数のサイトにわたって分散され、通信ネットワークによって相互接続された複数のコンピュータ上で実行されるように展開することができる。なお、図１では制御部１１を単一のプロセッサであるものとして説明するが、マルチプロセッサであっても良い。

【0015】

記憶部１２はＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等のメモリ素子を含み、制御部１１が処理を実行するために必要な制御プログラム１Ｐ又はデータ等を記憶している。また、記憶部１２は、制御部１１が演算処理を実行するために必要なデータ等を一時的に記憶する。通信部１３は通信に関する処理を行うための通信モジュールである。

【0016】

入力部１４は、マウス、キーボード、タッチパネル、ボタン等の入力デバイスであり、受け付けた操作情報を制御部１１へ出力する。表示部１５は、液晶ディスプレイ又は有機ＥＬ（electroluminescence）ディスプレイ等であり、制御部１１の指示に従い各種情報を表示する。

【0017】

読取部１６は、ＣＤ（Compact Disc）－ＲＯＭ又はＤＶＤ（Digital Versatile Disc）－ＲＯＭを含む可搬型記憶媒体１ａを読み取る。制御部１１が読取部１６を介して、制御プログラム１Ｐを可搬型記憶媒体１ａより読み取り、記憶部１２に記憶しても良い。また、ネットワーク等を介して他のコンピュータから制御部１１が制御プログラム１Ｐをダウンロードし、記憶部１２に記憶しても良い。さらにまた、半導体メモリ１ｂから、制御部１１が制御プログラム１Ｐを読み込んでも良い。

【0018】

コンピュータ１はコンピュータ単体で実行しても良いし、複数のコンピュータで分散して実行しても良いし、仮想マシンで分散して実行しても良い。

【0019】

図２は、ルビのまとまりの抽出処理及び被ルビ文字列の特定処理を説明する説明図である。ルビのまとまりは、文章中の文字に対し、単語単位または文字単位で振られるルビである。例えば、「文京区」である被ルビ文字列に対しては、ルビのまとまりが「ぶんきょうく」となる。

【0020】

図２Ａは、ルビのまとまりを抽出する処理を説明する説明図である。先ず、コンピュータ１の制御部１１は、ルビを含む文章の非構造化データを取得する。非構造化データは、テキストデータ（文字コード等）が付与されていない文章画像、または文章をスキャナで読み取ったＰＤＦファイル等である。なお、非構造化データは予め記憶部１２に記憶されても良く、または外部装置から取得されても良い。また、本実施形態では、非構造化データがＰＤＦファイルである例を説明するが、他の非構造化データにも同様に適用することができる。

【0021】

本実施形態では、ルビを含む文章のＰＤＦファイルの例を説明するが、これに限るものではない。例えば制御部１１は、雑誌・書籍等の版面データを取得した場合、取得した版面データに対して構造要素（タイトル、本文及びキャプション等）を特定する。制御部１１は、特定した構造要素に基づいて文章を抽出しても良い。

【0022】

制御部１１は、例えば、「ぶんきょうく きょういくきかん ちいき」ルビのまとまりが含まれる「文京区には、多くの教育機関がある地域である。」文章を取得した場合、例えば光学文字認識（OCR：Optical Character Recognition）技術を用いて該文章をそのまま読み取る。この場合、制御部１１は、「文ぶん京きょう区くには、多くの教きょう育いく機き関かんがある地ち域いきである」となった読取結果を出力するため、ルビと被ルビ文字との区別が付かなくなり、文章の構造化処理を実行することができないという問題がある。このような問題は、図２Ａに示す処理によって解決することができる。

【0023】

具体的には、制御部１１は、ＯＣＲ技術を用いて、取得したＰＤＦファイルに含まれている文章の書字方向（縦書き及び横書き等）、及び文章内の文字を認識する。制御部１１は、ＯＣＲ技術を用いて、認識した各文字の位置情報（例えば、座標）を検出する。

【0024】

図示のように、「ぶんきょうく きょういくきかん ちいき」ルビのまとまりが含まれる「文京区には、多くの教育機関がある地域である。」文章に対し、制御部１１はＯＣＲ技術を用いて、文章に含まれる各文字（ルビ及び被ルビ文字）の座標値を検出する。なお、図２では、紙面の左から右への方向がｘ軸の正方向であり、且つ、紙面の上から下への方向がｙ軸の正方向であるものとして説明する。例えば制御部１１は、（ｘ１,ｙ１）である「ぶ」の左上の座標値、及び（ｘ１’,ｙ１’）である「ぶ」の右下の座標値を検出する。制御部１１は、（ｘ２,ｙ２）である「ん」の左上の座標値、及び（ｘ２’,ｙ２’）である「ん」の右下の座標値を検出する。制御部１１は、（ｘ３,ｙ３）である「文」の左上の座標値、及び（ｘ３’,ｙ３’）である「文」の右下の座標値を検出する。

【0025】

次に、制御部１１は、文章内の文字の座標値に基づいてルビのまとまりを抽出する。具体的には、制御部１１は、各文字の左上の座標値と右下の座標値とに基づき、各文字の大きさ（文字サイズ）を算出する。例えば制御部１１は、「ぶ」に対し、計算式「ｘ１’－ｘ１」と「ｙ１’－ｙ１」とに基づき、「ぶ」の大きさ（横及び縦の長さ）を算出する。制御部１１は、算出した文字の大きさが他の文字（例えば、「文」）の大きさよりも所定の範囲以下である場合に、該文字をルビと判定する。例えば制御部１１は、算出した文字の大きさが他の文字の大きさの半分以下である場合、該文字をルビと判定しても良い。

【0026】

制御部１１は、該文字がルビと判定した場合、該ルビを含むルビのまとまりを抽出する。具体的には、制御部１１はルビの座標値に基づいて、該ルビと次のルビとのルビ同士の間隔を算出し、算出したルビ同士の間隔に基づいてルビのまとまりを抽出する。

【0027】

例えば制御部１１は、ルビ「ん」の左上のｘ座標値（ｘ２）と、ルビ「ん」の前のルビ「ぶ」の右上のｘ座標値（ｘ１’）との差（ｘ２－ｘ１’）を、「ぶ」と「ん」との間隔として算出する。制御部１１は、算出したルビ同士の間隔と、所定のルビ同士の間隔の距離閾値（例えば、１ｐｔ）とを比較する。制御部１１は、算出したルビ同士の間隔が所定の距離閾値以下である場合、「ぶ」及び「ん」が同一のルビのまとまりに含まれることを判定する。

【0028】

制御部１１は、ルビ「ん」とルビ「ん」の次のルビ「き」との間隔を算出し、「き」が同一のルビのまとまりに含まれるか否かを判定する。制御部１１は、ルビ同士の間隔が所定の距離閾値を超えるまで上述の処理を行い、ルビ同士の間隔が所定の距離閾値以下である複数のルビをルビのまとまりとして抽出する。

【0029】

なお、ルビのまとまりの抽出処理に関しては、上述した処理に限るものではない。例えば制御部１１は、ルビ同士の間隔それぞれを算出する。制御部１１は、算出したそれぞれのルビ同士の間隔から、間隔が小さいルビ同士をルビのまとまりとして抽出しても良い。

【0030】

なお、ルビのまとまりの抽出処理に関しては、上述したルビのまとまりの文字サイズ及び文字間隔を用いた抽出処理の方式に限るものではない。例えば、後述する実施形態２での学習モデルを用いる抽出処理の方式であっても良い。

【0031】

図２Ｂは、ルビのまとまりに対応する被ルビ文字列を特定する処理を説明する説明図である。コンピュータ１の制御部１１は、文章の書字方向、ルビのまとまりの先頭ルビの座標値、末尾ルビの座標値、及び各座標値に対応する本文中の座標値に基づき、ルビのまとまりに対応する被ルビ文字列を特定する。

【0032】

文章の書字方向が横書きである場合、ルビのまとまりの下側に所定の閾値により設定された範囲から被ルビ文字列を特定する。ます、制御部１１は、ルビのまとまりの先頭ルビの座標値、及び、ルビと被ルビ文字との所定の距離閾値（例えば、１ｐｔ）に基づき、先頭ルビに対応する被ルビ文字を特定する。例えば、抽出されたルビのまとまりが「ぶんきょうく」である場合、制御部１１は、先頭ルビ「ぶ」の左下のｙ座標値（ｙ１’）と、該先頭ルビの下側の文字「文」の左上のｙ座標値（ｙ３）との差（ｙ３－ｙ１’）を算出する。制御部１１は、算出した座標値の差と、ルビと被ルビ文字との所定の距離閾値とを比較する。制御部１１は、算出した座標値の差が所定の距離閾値以下である場合、文字「文」を「ぶ」に対応する被ルビ文字として特定する。

【0033】

次に、制御部１１は、ルビのまとまりの末尾ルビの座標値、及び、ルビと被ルビ文字との所定の距離閾値に基づき、末尾ルビに対応する被ルビ文字を特定する。上述したルビのまとまりが「ぶんきょうく」である例として、制御部１１は、末尾ルビ「く」の左下のｙ座標値（ｙ４’）と、該末尾ルビの下側の文字「区」の左上のｙ座標値（ｙ５）との差（ｙ５－ｙ４’）を算出する。制御部１１は、算出した座標値の差と所定の距離閾値とを比較する。制御部１１は、算出した座標値の差が所定の距離閾値以下である場合、文字「区」を「く」に対応する被ルビ文字として特定する。

【0034】

そして、制御部１１は、特定したルビのまとまりの先頭ルビに対応する被ルビ文字と、末尾ルビに対応する被ルビ文字との範囲内の文字列を、該ルビのまとまりに対応する被ルビ文字列として特定する。図示のように、ルビのまとまり「ぶんきょうく」に対応する被ルビ文字列「文京区」が特定される。

【0035】

また、文章の書字方向が縦書きである場合、ルビのまとまりの先頭ルビの座標値及び末尾ルビの座標値に基づいて、ルビのまとまりの左側に所定の閾値により設定された範囲から被ルビ文字列を特定する。なお、縦書きにおける特定処理は、横書きにおける特定処理と同様であるため、説明を省略する。

【0036】

図２Ｃは、被ルビ文字列の補正処理を説明する説明図である。コンピュータ１の制御部１１は、特定した被ルビ文字列の文字種に基づき、ルビのまとまりに対応する被ルビ文字列に対して補正処理を行う。文字種は、文字列で用いられている文字の表記形態であり、例えば数字、アルファベット大文字、アルファベット小文字、ひらがな、カタカナ及び漢字等が含まれる。制御部１１は、特定した被ルビ文字列に、文字種が漢字以外である文字が含まれていると判定した場合、被ルビ文字列に対して補正処理を行う。

【0037】

具体的には、制御部１１は、文字種が漢字以外である文字を該被ルビ文字列から除去する。図示のように、ルビのまとまりが「すなわ」である場合、図２Ｂでの被ルビ文字列の特定処理に従い、制御部１１は、「ば則ち」となった被ルビ文字列を特定する。制御部１１は、特定した被ルビ文字列中の各文字の文字種を判定する。制御部１１は、文字種がひらがなである「ば」及び「ち」を「ば則ち」から除去し、ひらがなを除去した「則」を被ルビ文字列として出力する。

【0038】

図３は、構造化データを出力する処理を説明する説明図である。コンピュータ１は、ルビを含む文章を取得する。図示のように、取得された文章が「文京区には、多くの教育機関、大規模病院、出版社、印刷会社などが集まっています。また、住宅地も多」である。コンピュータ１の制御部１１は、取得した文章から各ルビのまとまりを抽出し、抽出した各ルビのまとまりに対応する被ルビ文字列を特定する。なお、ルビのまとまりの抽出処理、及び被ルビ文字列の特定処理に関しては、図２での処理と同様であるため、説明を省略する。

【0039】

図示のように、文章中の被ルビ文字列「文京区」、「教育機関」、「大規模病院」、「出版社」、「印刷会社」及び「住宅地」は、それぞれに対応するルビのまとまり「ぶんきょうく」、「きょういくきかん」、「だいきぼびょういん」、「しゅっぱんしゃ」、「いんさつかいしゃ」及び「じゅうたくち」である。

【0040】

制御部１１は、特定した各ルビのまとまりと、各ルビのまとまりに対応する被ルビ文字列とを対応付けて構造化処理を行う。具体的には、制御部１１は、抽出した各ルビのまとまりに第１タグ（例えば、＜ｒｔ＞）を付与し、各ルビのまとまりに対応する被ルビ文字列に第２タグ（例えば、＜ｒｂ＞）を付与する。制御部１１は、ルビのまとまり及び第１タグと、該ルビのまとまりに対応する被ルビ文字列及び第２タグとに第３タグ（例えば、＜ｒｕｂｙ＞）を付与する。

【0041】

図示のように、制御部１１は、被ルビ文字列である「文京区」を＜ｒｂ＞及び＜／ｒｂ＞タグで囲み、ルビのまとまりである「ぶんきょうく」を＜ｒｔ＞及び＜／ｒｔ＞タグで囲む。また、制御部１１は、＜ｒｂ＞及び＜／ｒｂ＞タグで囲まれた被ルビ文字列「文京区」と、＜ｒｔ＞及び＜／ｒｔ＞タグで囲まれたルビのまとまり「ぶんきょうく」とを、＜ｒｕｂｙ＞及び＜／ｒｕｂｙ＞タグで囲む。このように、制御部１１は、それぞれの被ルビ文字列及び該被ルビ文字列に対応するルビのまとまりにタグを付与し、文章の構造化処理を行う。最後に、制御部１１は、文章の全体に＜ｔｅｘｔ＞及び＜／ｔｅｘｔ＞タグを付与する。

【0042】

なお、制御部１１は文章に対応付けて、構造化処理を行って得られた構造化データを記憶部１２に記憶しても良い。

【0043】

図４は、文章の構造化処理を行う際の処理手順を示すフローチャートである。コンピュータ１の制御部１１は、ルビを含む文章のＰＤＦファイルを記憶部１２から取得する（ステップＳ１０１）。なお、ＰＤＦファイルは通信部１３により外部装置から取得されても良い。制御部１１は、例えばＯＣＲ技術を用いて、文章の書字方向及び文章内の文字を認識する（ステップＳ１０２）。制御部１１は、認識した各文字の座標値を検出する（ステップＳ１０３）。

【0044】

制御部１１は、文章からルビのまとまりを抽出する処理のサブルーチンを実行する（ステップＳ１０４）。制御部１１は、抽出したルビのまとまりに対応する被ルビ文字列を特定する処理のサブルーチンを実行する（ステップＳ１０５）。なお、ルビのまとまりの抽出処理のサブルーチン及び被ルビ文字列の特定処理のサブルーチンに関しては後述する。

【0045】

制御部１１は、抽出したルビのまとまりと、特定した被ルビ文字列とを対応付けて記憶部１２に記憶する（ステップＳ１０６）。制御部１１は、抽出した各ルビのまとまりと、各ルビのまとまりに対応する被ルビ文字列とを対応付けて構造化処理を行う（ステップＳ１０７）。制御部１１は、例えばＸＭＬファイル等の形式で文章の構造化データを出力し（ステップＳ１０８）、処理を終了する。

【0046】

図５は、ルビのまとまりを抽出する処理のサブルーチンの処理手順を示すフローチャートである。コンピュータ１の制御部１１は、ステップＳ１０２の処理で認識された複数の文字から１つの文字を取得する（ステップＳ０１）。制御部１１は、取得した文字の左上の座標値と右下の座標値とに基づき、該文字の大きさ（文字サイズ）を算出する（ステップＳ０２）。制御部１１は、算出した文字の大きさが他の文字の大きさよりも所定の範囲以下であるか否かを判定する（ステップＳ０３）。

【0047】

制御部１１は、該文字の大きさが他の文字の大きさよりも所定の範囲以下であると判定した場合（ステップＳ０３でＹＥＳ）、該文字がルビであると判定（判別）する（ステップＳ０４）。例えば、所定の範囲が被ルビ文字の大きさの半分であり、制御部１１は、算出した文字の大きさが他の文字の大きさの半分以下である場合、該文字がルビであると判定しても良い。制御部１１は、該文字の大きさが他の文字の大きさよりも所定の範囲を超えたと判定した場合（ステップＳ０３でＮＯ）、該文字が本文であると判定（判別）し、ステップＳ０１の処理に戻る。

【0048】

制御部１１は、ルビの座標値に基づいて、該ルビと次のルビとのルビ同士の間隔を算出する（ステップＳ０５）。制御部１１は、算出したルビ同士の間隔が所定の距離閾値以下であるか否かを判定する（ステップＳ０６）。

【0049】

制御部１１は、算出したルビ同士の間隔が所定の距離閾値以下である場合（ステップＳ０６でＹＥＳ）、該ルビの次のルビを取得する（ステップＳ０７）。制御部１１は、ステップＳ０５の処理に遷移する。制御部１１は、算出したルビ同士の間隔が所定の距離閾値を超えた場合（ステップＳ０６でＮＯ）、ルビ同士の間隔が所定の距離閾値以下である複数のルビをルビのまとまりとして抽出する（ステップＳ０８）。

【0050】

制御部１１は、抽出したルビのまとまりの次の文字に移動し、次の文字が存在しているか否かを判定する（ステップＳ０９）。制御部１１は、次の文字が存在していると判定した場合（ステップＳ０９でＹＥＳ）、ステップＳ０１の処理に戻る。制御部１１は、次の文字が存在していないと判定した場合（ステップＳ０９でＮＯ）、抽出した各ルビのまとまりを記憶部１２に記憶する（ステップＳ１０）。例えば、制御部１１は、抽出した各ルビのまとまりに対してＩＤを割り振り、各ルビのまとまりのＩＤ及び座標値を記憶部１２に記憶する。制御部１１は、ルビのまとまりの抽出処理のサブルーチンを終了してリターンする。

【0051】

図６は、被ルビ文字列を特定する処理のサブルーチンの処理手順を示すフローチャートである。コンピュータ１の制御部１１は、文章の書字方向が横書きであるか否かを判定する（ステップＳ１１）。制御部１１は、文章の書字方向が横書きであると判定した場合（ステップＳ１１でＹＥＳ）、ルビのまとまりの先頭ルビの座標値、及び、ルビと被ルビ文字との所定の距離閾値（例えば、１ｐｔ）に基づき、先頭ルビの下側に該先頭ルビに対応する被ルビ文字を特定する（ステップＳ１２）。

【0052】

制御部１１は、ルビのまとまりの末尾ルビの座標値、及び、ルビと被ルビ文字との所定の距離閾値に基づき、末尾ルビの下側に該末尾ルビに対応する被ルビ文字を特定する（ステップＳ１３）。制御部１１は、制御部１１は、特定したルビのまとまりの先頭ルビに対応する被ルビ文字と、末尾ルビに対応する被ルビ文字との範囲内の文字列を、該ルビのまとまりに対応する被ルビ文字列として特定する（ステップＳ１４）。

【0053】

制御部１１は、特定した被ルビ文字列に含まれている各文字の文字種を判定する（ステップＳ１５）。例えば制御部１１は、文字を入力した場合に該文字の文字種を識別するよう学習済みの学習モデルを用いて、各文字の文字種を判定しても良い。または、制御部１１は、文字と文字種との対比表等を用いて、各文字の文字種を判定しても良い。

【0054】

制御部１１は、文字種が漢字以外である文字が含まれているか否かを判定する（ステップＳ１６）。制御部１１は、文字種が漢字以外である文字が被ルビ文字列に含まれていないと判定した場合（ステップＳ１６でＮＯ）、ルビ文字列を特定する処理のサブルーチンを終了してリターンする。

【0055】

制御部１１は、文字種が漢字以外である文字が被ルビ文字列に含まれていると判定した場合（ステップＳ１６でＹＥＳ）、文字種が漢字以外である文字を被ルビ文字列から除去することにより、被ルビ文字列に対して補正処理を行う（ステップＳ１７）。制御部１１は、被ルビ文字列を特定する処理のサブルーチンを終了してリターンする。

【0056】

制御部１１は、文章の書字方向が横書きでないと判定した場合（ステップＳ１１でＮＯ）、ルビのまとまりの先頭ルビの座標値、及び、ルビと被ルビ文字との所定の距離閾値に基づき、先頭ルビの左側に該先頭ルビに対応する被ルビ文字を特定する（ステップＳ１８）。制御部１１は、ルビのまとまりの末尾ルビの座標値、及び、ルビと被ルビ文字との所定の距離閾値に基づき、末尾ルビの左側に該末尾ルビに対応する被ルビ文字を特定する（ステップＳ１９）。制御部１１は、ステップＳ１４の処理に遷移する。

【0057】

本実施形態によると、文章に含まれる各ルビのまとまりを抽出し、抽出した各ルビのまとまりに対応する被ルビ文字列を特定することが可能となる。

【0058】

本実施形態によると、ルビを含む文章の非構造化データから構造化データに変換することにより、ルビ情報を紛失せずに文章と一緒に構造化することが可能となる。

【0059】

（実施形態２）
実施形態２は、人工知能（ＡＩ：Artificial Intelligence）を用いて、ルビのまとまりを抽出する形態に関する。なお、実施形態１と重複する内容については説明を省略する。

【0060】

図７は、実施形態２のコンピュータ１の構成例を示すブロック図である。なお、図１と重複する内容については同一の符号を付して説明を省略する。コンピュータ１は、大容量記憶部１７を含む。大容量記憶部１７は、例えばＨＤＤ（Hard disk drive:ハードディスク）、ＳＳＤ(Solid State Drive:ソリッドステートドライブ)等の記録媒体を備える。なお、本実施形態において記憶部１２及び大容量記憶部１７は一体の記憶装置として構成されていても良い。また、大容量記憶部１７は複数の記憶装置により構成されていても良い。更にまた、大容量記憶部１７はコンピュータ１に接続された外部記憶装置であっても良い。

【0061】

大容量記憶部１７には、ルビ検出器１７１及びルビ辞書１７２が記憶されている。ルビ検出器１７１は、文章中の本文の単語ごとのルビのまとまりを抽出する抽出器であり、機械学習により生成された学習済みモデルである。ルビ辞書１７２は、文字列と、他の文字列（ルビのまとまり）とを対応付けた辞書を記憶している。後述するように文章中の本文の単語ごとのルビのまとまりを抽出する際に、コンピュータ１はルビ辞書１７２を参照して、抽出したルビのまとまりに対応する文章中の被ルビ文字列を特定する。

【0062】

図８は、ルビ辞書１７２のレコードレイアウトの一例を示す説明図である。ルビ辞書１７２は、ルビのまとまり列及び被ルビ文字列列を記憶している。ルビのまとまり列は、ルビのまとまりを記憶している。被ルビ文字列列は、ルビのまとまりに対応する被ルビ文字列を記憶している。

【0063】

図９は、ルビ検出器１７１に関する説明図である。ルビ検出器１７１は、人工知能ソフトウェアの一部であるプログラムモジュールとして利用される。ルビ検出器１７１は、ルビを含む文章の画像が入力された場合に、該ルビのまとまりに関する情報を出力する学習モデルである。ルビのまとまりに関する情報は、例えばルビのまとまりが写っていると推定する領域（位置情報）と、その領域にルビのまとまりが写っている確率とを示す情報である。

【0064】

本実施の形態のルビ検出器１７１は、ＲＣＮＮ（Regions with Convolutional Neural Network）を用いて推定を行う。ルビ検出器１７１は、領域候補抽出部７３ａと、分類部７３ｂとを含む。分類部７３ｂは、図示を省略するニューラルネットワークを含む。ニューラルネットワークは、コンボリューション層、プーリング層および全結合層を含む。

【0065】

ルビ検出器１７１に、文章の画像が入力される。領域候補抽出部７３ａは、画像から様々なサイズの領域候補を抽出する。分類部７３ｂは、抽出された領域候補の特徴量を算出し、算出した特徴量に基づいて領域候補に写っている被写体がルビのまとまりであるか否かを分類する。ルビ検出器１７１は、領域候補の抽出と分類とを繰り返す。

【0066】

ルビ検出器１７１は、所定の閾値よりも高い確率でルビのまとまりが写っていると分類された領域候補について、領域の範囲（例えば、座標）、および、ルビのまとまりが写っている確率を出力する。図９に示す例では、９０パーセントの確率でルビのまとまりが写っている領域が検出されている。例えば領域範囲は、Ｘ座標値が１００～１１０であり、且つ、Ｙ座標値が１２０～１５０である。

【0067】

なお、ＲＣＮＮの代わりに、Ｆａｓｔ ＲＣＮＮ、Ｆａｓｔｅｒ ＲＣＮＮまたはＳＳＤ（Single Shot Multibook Detector）、ＹＯＬＯ（You Only Look Once）等の、任意の物体検出アルゴリズムを使用しても良い。

【0068】

図１０は、実施形態２の文章の構造化処理を行う際の処理手順を示すフローチャートである。コンピュータ１の制御部１１は、ルビを含む文章の画像を記憶部１２または大容量記憶部１７から取得する（ステップＳ１２１）。なお、文章のテキストデータが取得された場合、文章に対して画像化処理を行っても良い。

【0069】

制御部１１は、ルビが含まれる文章を入力した場合に、該ルビのまとまりに関する情報を出力する学習済みのルビ検出器１７１に、取得した文章の画像を入力して、該文章に含まれる各ルビのまとまりに関する情報を出力する（ステップＳ１２２）。出力されたルビのまとまりに関する情報には、ルビのまとまりが写っていると推定する領域の範囲（位置情報）が含まれる。

【0070】

制御部１１は、ルビ検出器１７１から出力された各ルビのまとまりの領域の範囲に基づき、例えばＯＣＲ技術を用いて、各ルビのまとまりの表示領域の画像を文字コードに変換し、ルビのまとまりを抽出する（ステップＳ１２３）。制御部１１は、抽出したルビのまとまりに対応する被ルビ文字列を特定する処理のサブルーチンを実行する（ステップＳ１２４）。なお、被ルビ文字列の特定処理のサブルーチンに関しては後述する。

【0071】

制御部１１は、抽出したルビのまとまりと、特定した被ルビ文字列とを対応付けて記憶部１２に記憶する（ステップＳ１２５）。制御部１１は、抽出した各ルビのまとまりと、各ルビのまとまりに対応する被ルビ文字列とを対応付けて構造化処理を行う（ステップＳ１２６）。制御部１１は、例えばＸＭＬファイル等の形式で文章の構造化データを出力し（ステップＳ１２７）、処理を終了する。

【0072】

図１１は、実施形態２の被ルビ文字列を特定する処理のサブルーチンの処理手順を示すフローチャートである。コンピュータ１の制御部１１は、ステップＳ１２３の処理（図１０）で抽出されたルビのまとまりを取得する（ステップＳ２１）。制御部１１は、大容量記憶部１７のルビ辞書１７２を照合し、取得したルビのまとまりに対応する文字列を取得する（ステップＳ２２）。制御部１１は、ルビ辞書１７２から取得された文字列に基づき、該ルビのまとまりが含まれる文章中の被ルビ文字列を特定する（ステップＳ２３）。制御部１１は、被ルビ文字列を特定する処理のサブルーチンを終了してリターンする。

【0073】

また、ウェブサーバ上の辞書を利用することにより、被ルビ文字列を特定することができる。例えばコンピュータ１は、ウェブサーバから提供された辞書のＡＰＩ（Application Programming Interface）を通じて、ルビのまとまりを検索キー（入力）として、該ルビのまとまりに対応する被ルビ文字列（出力）をウェブサーバ上の辞書から検索しても良い。なお、上述した被ルビ文字列の特定処理に限らず、実施形態１での被ルビ文字列の特定処理を利用しても良い。

【0074】

なお、本実施形態では、ルビのまとまりを検索キーとして、該ルビのまとまりに対応する被ルビ文字列をルビ辞書１７２から検索した例を説明したが、これに限るものではない。例えば、被ルビ文字列を検索キーとして、該被ルビ文字列に対応するルビのまとまりをルビ辞書１７２から検索しても良い。この場合、コンピュータ１は形態素解析を行い、先に文章から被ルビ文字列を抽出する。コンピュータ１はルビ辞書１７２を照合し、抽出した被ルビ文字列に対応するルビのまとまりを取得する。コンピュータ１は、ルビ辞書１７２から取得されたルビのまとまりに基づき、文章中から被ルビ文字列に対応するルビのまとまりを特定する。

【0075】

本実施形態によると、ルビ検出器１７１を用いて、文章中の本文の単語ごとのルビのまとまりを抽出することが可能となる。

【0076】

本実施形態によると、ルビ辞書１７２を用いて、ルビのまとまりに対応する被ルビ文字列を特定することが可能となる。

【0077】

（実施形態３）
図１２は、上述した形態のコンピュータ１の動作を示す機能ブロック図である。制御部１１が制御プログラム１Ｐを実行することにより、コンピュータ１は以下のように動作する。

【0078】

抽出部１０ａは、文章中の本文の単語ごとのルビのまとまりを抽出する。特定部１０ｂは、抽出部１０ａが抽出した各ルビのまとまりに対応する文章の中の被ルビ文字列を特定する。

【0079】

本実施の形態３は以上の如きであり、その他は実施の形態１から２と同様であるので、対応する部分には同一の符号を付してその詳細な説明を省略する。

【0080】

今回開示された実施形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。

【符号の説明】

【0081】

１ 情報処理装置（コンピュータ）
１１ 制御部
１２ 記憶部
１３ 通信部
１４ 入力部
１５ 表示部
１６ 読取部
１７ 大容量記憶部
１７１ ルビ検出器
７３ａ 領域候補抽出部
７３ｂ 分類部
１７２ ルビ辞書
１ａ 可搬型記憶媒体
１ｂ 半導体メモリ
１Ｐ 制御プログラム
１０ａ 抽出部
１０ｂ 特定部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】