特開 2024-3882 情報処理プログラム、情報処理装置及びデータ構造

(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】P2024003882

(43)【公開日】2024-01-16

(54)【発明の名称】情報処理プログラム、情報処理装置及びデータ構造

(51)【国際特許分類】

   G06F 16/35 20190101AFI20240109BHJP

   G06F 16/383 20190101ALI20240109BHJP

【ＦＩ】

G06F16/35

G06F16/383

【審査請求】未請求

【請求項の数】11

【出願形態】ＯＬ

(21)【出願番号】P 2022103210

(22)【出願日】2022-06-28

(71)【出願人】

【識別番号】503454713

【氏名又は名称】株式会社トピックメーカー

(74)【代理人】

【識別番号】100180758

【弁理士】

【氏名又は名称】荒木 利之

(72)【発明者】

【氏名】草薙 裕二

【テーマコード（参考）】

5B175

【Ｆターム（参考）】

5B175DA01

5B175FA01

5B175FA03

(57)【要約】

【課題】文書集合において利用者の所望する情報に辿り着くために案内する情報処理プログラム、情報処理装置及びデータ構造を提供する。
【解決手段】情報処理装置１は、複数の文書情報１１１から一の語句を含む一定の範囲の文を抽出し、当該一定の範囲の文の共起語と出現頻度から特徴量情報１１３を得る特徴量算出手段１０２と、当該一の語句と他の語句の当該特徴量情報１１３を比較することにより当該一の語句と当該他の語句の間の類似度を推定する類似度推定手段１０３と、当該一の語句と類似度の高い他の語句群を類似語集合情報１１５として生成する類似語集合生成手段１０４とを有する。
【選択図】図１

【特許請求の範囲】

【請求項1】

コンピュータを、
複数の文書情報から一の語句を含む一定の範囲の文を抽出し、当該一定の範囲の文の共起語と出現頻度から特徴量を得る特徴量算出手段と、
当該一の語句と他の語句の当該特徴量を比較することにより当該一の語句と当該他の語句の間の類似度を推定する類似度推定手段と、
当該一の語句と類似度の高い他の語句群を類似語集合として生成する類似語集合生成手段として機能させる情報処理プログラム。

【請求項2】

前記特徴量算出手段は、前記一の語句及び前記他の語句として、前記複数の文書情報において出現頻度が予め定めた値以上の語句を採用する請求項１に記載の情報処理プログラム。

【請求項3】

第１の語句の入力又は選択を受け付けると、前記類似語集合を参照し、当該第１の語句の類似語集合を表示するとともに、表示した類似語集合から第２の語句の選択を受け付けると、当該第２の語句の類似語集合を表示し、前記第１の語句及び前記第２の語句を履歴として表示する表示手段としてさらに機能させる請求項１に記載の情報処理プログラム。

【請求項4】

前記表示手段は、当該第２の語句と類似度の高い語句群のうち前記第１の語句と類似度の高い語句の表示方法を変更する請求項３に記載の情報処理プログラム。

【請求項5】

前記表示手段は、前記第１の語句、前記第２の語句又は前記第１の語句若しくは前記第２の語句と類似度の高い語句群のうち選択された語句を見出し語とする文書情報の内容を表示する請求項１から４のいずれか１項に記載の情報処理プログラム。

【請求項6】

前記表示手段は、前記第１の語句、前記第２の語句又は前記第１の語句若しくは前記第２の語句と類似度の高い語句群のうち選択された語句を含む文書情報の内容を表示する請求項１から４のいずれか１項に記載の情報処理プログラム。

【請求項7】

前記複数の文書情報は、複数の言語について用意され、前記語句は複数の言語において互いに訳語として関連付けられており、
前記類似語集合生成手段は、複数の言語のそれぞれの言語について動作を実行して、複数の言語のそれぞれについて類似語集合を生成し、
第１の言語において第１の語句の入力又は選択を受け付けると、前記類似語集合を参照し、当該第１の語句の類似語集合を表示するとともに、表示した類似語集合から第２の語句の訳語の選択を受け付けると、当該訳語に対応する第２の言語において当該第２の語句の類似語集合を表示する表示手段としてさらに機能させる請求項１に記載の情報処理プログラム。

【請求項8】

前記複数の文書情報に含まれる語句のうち出現頻度の高い語を第１の案内語とし、当該第１の案内語の類似語集合のうち前記出現頻度の高い語句であって、当該出現頻度の高い語句の類似語集合が前記第１の案内語の類似語集合と類似しない語句を第２の案内語として抽出し、前記第１の案内語及び前記第２の案内語の集合を前記第１の語句として用いる案内語情報とする案内語抽出手段としてさらに機能させる請求項１から４のいずれか１項に記載の情報処理プログラム。

【請求項9】

前記表示手段は、前記複数の文書情報の含まれる語句のうち出現頻度の高い語である第１の案内語と、当該第１の案内語の類似語集合のうち前記出現頻度の高い語句であって、当該出現頻度の高い語句の類似語集合が前記第１の案内語の類似語集合と類似しない語句である第２の案内語とを案内語として表示する請求項１から４のいずれか１項に記載の情報処理プログラム。

【請求項10】

複数の文書情報から一の語句を含む一定の範囲の文を抽出し、当該一定の範囲の文の共起語と出現頻度から特徴量を得る特徴量算出手段と、
当該一の語句と他の語句の当該特徴量を比較することにより当該一の語句と当該他の語句の間の類似度を推定する類似度推定手段と、
当該一の語句と類似度の高い他の語句群を類似語集合として生成する類似語集合生成手段とを有する情報処理装置。

【請求項11】

複数の文書情報から一の語句を含む一定の範囲の文を抽出し、当該一定の範囲の文の共起語と出現頻度から特徴量を得て、当該一の語句と他の語句の当該特徴量を比較することにより推定される当該一の語句と当該他の語句の間の類似度に基づいて、当該一の語句と類似度の高い他の語句群を含む類似語集合であって、
第１の語句の入力又は選択を受け付けた場合、前記類似語集合が参照され、当該第１の語句の類似語集合が表示されるとともに、表示された類似語集合から第２の語句の選択を受け付けた場合、当該第２の語句の類似語集合が表示され、前記第１の語句及び前記第２の語句が履歴として表示されるデータ構造。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理プログラム、情報処理装置及びデータ構造に関する。

【背景技術】

【0002】

情報を検索する際、インターネット検索が日常的に用いられている。しかし、検索可能な情報が膨大過ぎて、当該情報から人手で分かりやすい情報目次（インデックス）を作成することは困難である。当該情報は日々増大し、インデックスによらずに検索を行う以外に、所望の情報に辿り着く手段はなくなりつつある。

【0003】

また、検索の際に適切なキーワードを思いつかない場合、利用者は思いついたキーワードで何度も検索し、掲示された情報を見て、ようやく所望の情報にたどり着くという作業が必要となる。これらの課題を解決する手段として、情報をクラスタリングするとともに、利用者にとって必要な情報と不要な情報とを分別する技術がある。

【0004】

従来の技術として、利用者が所望しない文書を排除する場合、利用者の意図に沿わない分類をすることを減少する情報処理装置が提案されている（例えば、特許文献１参照）。

【0005】

特許文献１に開示された情報処理装置は、文書集合中の文書データ同士の距離を類似度等に基づいて計算し、閾値処理によって類似文書群（クラスタ）を生成し、利用者が、何らかの意図に基づいて、不可視状態とする指示を与えたクラスタに属する全文書を、一括して不可視状態にする。

【先行技術文献】

【特許文献】

【0006】

【特許文献1】特許第４４７７０３６号公報

【発明の概要】

【発明が解決しようとする課題】

【0007】

しかし、上記した特許文献１の情報処理装置は、文書集合をクラスタに分けて、利用者が不要とする文書集合を不可視状態とするものの、クラスタを辿って利用者が所望する情報に辿り着くために案内しないし、文書のインデックスを生成するものでもない。

【0008】

従って本発明の目的は、文書集合において利用者の所望する文書に辿り着くために案内する情報処理プログラム、情報処理装置及びデータ構造を提供することにある。

【課題を解決するための手段】

【0009】

本発明の一態様は、上記目的を達成するため、以下の情報処理プログラム、情報処理装置及びデータ構造を提供する。

【0010】

［１］コンピュータを、
複数の文書情報から一の語句を含む一定の範囲の文を抽出し、当該一定の範囲の文の共起語と出現頻度から特徴量を得る特徴量算出手段と、
当該一の語句と他の語句の当該特徴量を比較することにより当該一の語句と当該他の語句の間の類似度を推定する類似度推定手段と、
当該一の語句と類似度の高い他の語句群を類似語集合として生成する類似語集合生成手段として機能させる情報処理プログラム。
［２］前記特徴量算出手段は、前記一の語句及び前記他の語句として、前記複数の文書情報において出現頻度が予め定めた値以上の語句を採用する前記［１］に記載の情報処理プログラム。
［３］第１の語句の入力又は選択を受け付けると、前記類似語集合を参照し、当該第１の語句の類似語集合を表示するとともに、表示した類似語集合から第２の語句の選択を受け付けると、当該第２の語句の類似語集合を表示し、前記第１の語句及び前記第２の語句を履歴として表示する表示手段としてさらに機能させる前記［１］に記載の情報処理プログラム。
［４］前記表示手段は、当該第２の語句と類似度の高い語句群のうち前記第１の語句と類似度の高い語句の表示方法を変更する前記［３］に記載の情報処理プログラム。
［５］前記表示手段は、前記第１の語句、前記第２の語句又は前記第１の語句若しくは前記第２の語句と類似度の高い語句群のうち選択された語句を見出し語とする文書情報の内容を表示する前記［１］から［４］のいずれかに記載の情報処理プログラム。
［６］前記表示手段は、前記第１の語句、前記第２の語句又は前記第１の語句若しくは前記第２の語句と類似度の高い語句群のうち選択された語句を含む文書情報の内容を表示する前記［１］から［４］のいずれかに記載の情報処理プログラム。
［７］前記複数の文書情報は、複数の言語について用意され、前記語句は複数の言語において互いに訳語として関連付けられており、
前記類似語集合生成手段は、複数の言語のそれぞれの言語について動作を実行して、複数の言語のそれぞれについて類似語集合を生成し、
第１の言語において第１の語句の入力又は選択を受け付けると、前記類似語集合を参照し、当該第１の語句の類似語集合を表示するとともに、表示した類似語集合から第２の語句の訳語の選択を受け付けると、当該訳語に対応する第２の言語において当該第２の語句の類似語集合を表示する表示手段としてさらに機能させる請求項１に記載の情報処理プログラム。
［８］前記複数の文書情報に含まれる語句のうち出現頻度の高い語を第１の案内語とし、当該第１の案内語の類似語集合のうち前記出現頻度の高い語句であって、当該出現頻度の高い語句の類似語集合が前記第１の案内語の類似語集合と類似しない語句を第２の案内語として抽出し、前記第１の案内語及び前記第２の案内語の集合を前記第１の語句として用いる案内語情報とする案内語抽出手段としてさらに機能させる前記［１］から［４］のいずれかに記載の情報処理プログラム。
［９］前記表示手段は、前記複数の文書情報の含まれる語句のうち出現頻度の高い語である第１の案内語と、当該第１の案内語の類似語集合のうち前記出現頻度の高い語句であって、当該出現頻度の高い語句の類似語集合が前記第１の案内語の類似語集合と類似しない語句である第２の案内語とを案内語として表示する前記［１］から［４］のいずれかに記載の情報処理プログラム。
［１０］複数の文書情報から一の語句を含む一定の範囲の文を抽出し、当該一定の範囲の文の共起語と出現頻度から特徴量を得る特徴量算出手段と、
当該一の語句と他の語句の当該特徴量を比較することにより当該一の語句と当該他の語句の間の類似度を推定する類似度推定手段と、
当該一の語句と類似度の高い他の語句群を類似語集合として生成する類似語集合生成手段とを有する情報処理装置。
［１１］複数の文書情報から一の語句を含む一定の範囲の文を抽出し、当該一定の範囲の文の共起語と出現頻度から特徴量を得て、当該一の語句と他の語句の当該特徴量を比較することにより推定される当該一の語句と当該他の語句の間の類似度に基づいて、当該一の語句と類似度の高い他の語句群を含む類似語集合であって、
第１の語句の入力又は選択を受け付けた場合、前記類似語集合が参照され、当該第１の語句の類似語集合が表示されるとともに、表示された類似語集合から第２の語句の選択を受け付けた場合、当該第２の語句の類似語集合が表示され、前記第１の語句及び前記第２の語句が履歴として表示されるデータ構造。

【発明の効果】

【0011】

請求項１、１０、１１に係る発明によれば、文書集合において利用者の所望する文書に辿り着くために案内することができる。
請求項２に係る発明によれば、一の語句及び他の語句として、複数の文書情報において出現頻度が予め定めた値以上の語句を採用することができる。
請求項３に係る発明によれば、第１の語句及び第２の語句を履歴として表示することができる。
請求項４に係る発明によれば、第２の語句と類似度の高い語句群のうち第１の語句と類似度の高い語句の表示方法を変更することができる。
請求項５に係る発明によれば、語句を文書情報の見出しとすることができる。
請求項６に係る発明によれば、語句を文書情報に含まれる語句とすることができる。
請求項７に係る発明によれば、複数の言語の文書集合において利用者の所望する文書に辿り着くために案内することができる。
請求項８に係る発明によれば、案内語を抽出することができる。
請求項９に係る発明によれば、案内語を表示することができる。

【図面の簡単な説明】

【0012】

【図1】図１は、実施の形態に係る情報処理システムの構成の一例を示す概略図である。

【図2】図２は、実施の形態に係る情報処理装置の構成例を示すブロック図である。

【図3】図３は、文書情報の構成例を示す概略図である。

【図4】図４は、解析情報の構成例を示す概略図である。

【図5】図５は、類似度情報の構成例を示す概略図である。

【図6】図６は、類似語集合情報及び案内語情報の構成例を示す概略図である。

【図7】図７は、端末の表示部に表示される画面の構成の一例を示す概略図である。

【図8】図８は、端末の表示部に表示される画面の構成の他の例を示す概略図である。

【図9】図９は、端末の表示部に表示される画面の構成の他の例を示す概略図である。

【図10】図１０は、情報処理装置の準備動作の一例を示すフローチャートである。

【図11】図１１は、案内語抽出動作の一例を示すフローチャートである。

【図12】図１２は、インデックス生成動作の一例を示すフローチャートである。

【図13】図１３は、日本語による類似語集合情報及び英語による類似語集合情報の構成例を示す概略図である。

【発明を実施するための形態】

【0013】

［実施の形態］
（情報処理システムの構成）
図１は、実施の形態に係る情報処理システムの構成の一例を示す概略図である。

【0014】

この情報処理システム５は、情報処理装置１と、文書データベース２と、端末３とをネットワーク４によって互いに通信可能に接続することで構成される。端末３は、それぞれ利用者によって操作される。

【0015】

情報処理装置１は、例えば、サーバ型の情報処理装置であり、端末３の要求に応じて動作するものであって、本体内に情報を処理するための機能を有するＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やフラッシュメモリ等の電子部品を備える。

【0016】

文書データベース２は、例えば、ウィキペディア等の知識を解説するウェブページ、ツイッター等のテキストコンテンツを含むＳＮＳ（Ｓｏｃｉａｌ Ｎｅｔｗｏｒｋｉｎｇ Ｓｅｒｖｉｃｅ）等であり、複数の文書情報を格納し、情報処理装置１又は端末３の要求に応じて情報を読み出して提供する。

【0017】

端末３は、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）等の情報処理装置であって、本体内に情報を処理するための機能を有するＣＰＵやフラッシュメモリ等の電子部品を備える。

【0018】

ネットワーク４は、高速通信が可能な通信ネットワークであり、例えば、インターネットやＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等の有線又は無線の通信網である。

【0019】

（情報処理装置の構成）
図２は、実施の形態に係る情報処理装置１の構成例を示すブロック図である。

【0020】

情報処理装置１は、ＣＰＵ等から構成され、各部を制御するとともに、各種のプログラムを実行する制御部１０と、フラッシュメモリ等の記憶媒体から構成され情報を記憶する記憶部１１と、ネットワークを介して外部と通信する通信部１２とを備える。

【0021】

制御部１０は、後述する情報処理プログラム１１０を実行することで、文書取得手段１００、文書解析手段１０１、特徴量算出手段１０２、類似度算出手段１０３、類似語集合生成手段１０４、類似語表示手段１０５、案内語抽出手段１０６、語句選択受付手段１０７等として機能する。

【0022】

文書取得手段１００は、文書データベース２から文書情報を取得し、記憶部１１に文書情報１１１として格納する。なお、文書情報１１１は、見出し語と当該見出し語を説明するための本文（文書内容）を有するものとする。また、文書情報１１１は、他の言語に対する訳語をさらに有していてもよい。また、文書情報１１１は、必ずしも見出し語を有していなくともよく、見出し語を有していないケースについては後述する。

【0023】

文書解析手段１０１は、文書情報１１１の本文を形態素解析するとともに、語句の出現頻度、品詞等の集計を行い、文書情報１１１に対する解析情報１１２として記憶部１１に格納する。

【0024】

特徴量算出手段１０２は、解析情報１１２を参照し、出現頻度が予め定めた値以上の語句（見出し語）について、当該語句を含む予め定めた範囲の文を文書情報１１１全体から取得し、当該語句を中心として共起する語句に基づいて特徴量ベクトルを算出し、特徴量情報１１３として記憶部１１に格納する。

【0025】

類似度算出手段１０３は、２つの見出しの特徴量情報１１３から、語句（見出し語）間の類似度を算出して類似度情報１１４として記憶部１１に格納する。

【0026】

類似語集合生成手段１０４は、類似度情報１１４に基づいてある見出し語に対して類似度が高い見出し語を類似語として収集し、類似語集合情報１１５として記憶部１１に格納する。

【0027】

類似語表示手段１０５は、類似語集合情報１１５を参照し、任意の見出し語が選択された場合に当該見出し語の類似語集合を表示する。また、類似語表示手段１０５は、当該見出し語がある類似語集合から選択されたものである場合、選択元の類似語集合に含まれる見出し語を表示しない（表示方法を変更する）ようにしてもよい（後述するマスク表示。）。

【0028】

案内語抽出手段１０６は、検索を開始する際に選択する語句として適切な語句を案内語として抽出し、案内語情報１１６として記憶部１１に格納する。なお、案内語の抽出方法は後述する。

【0029】

語句選択受付手段１０７は、端末３に入力された操作内容に応じて語句の選択又は入力を受け付ける。

【0030】

記憶部１１は、制御部１０を上述した各手段１００－１０７として動作させる情報処理プログラム１１０、文書情報１１１、解析情報１１２、特徴量情報１１３、類似度情報１１４、類似語集合情報１１５、案内語情報１１６等を記憶する。

【0031】

図３は、文書情報１１１の構成例を示す概略図である。

【0032】

文書情報１１１は、文書情報を識別するための文書ＩＤと、文書情報のタイトルである見出し語と、文書情報の本文である文書内容と、見出し語の他言語タイトル及び当該他言語タイトルの文書情報へのリンクを含む訳語とを有する。

【0033】

図４は、解析情報１１２の構成例を示す概略図である。

【0034】

解析情報１１２は、文書情報の文書内容を形態素解析した結果であって、文書ＩＤと、見出し語と、文書内容での単語の出現頻度と、単語と、単語の読みであるよみと、単語の品詞とを有する。なお、図４に示す解析情報１１２は、単一の文書情報に関するものだが、文書情報１１１のすべての文書ＩＤの文書情報について解析情報１１２が用意されているものとする。

【0035】

図５は、類似度情報１１４の構成例を示す概略図である。

【0036】

類似度情報１１４は、主体となる見出し語１と、見出し語１の比較対象である見出し語２と、見出し語１と見出し語２との間の特徴量ベクトルにおける類似度とを有する。

【0037】

（情報処理装置の動作）
次に、本実施の形態の作用を、（１）準備動作、（２）インデックス生成動作に分けて説明する。

【0038】

（１）準備動作
（１－１）類似語集合生成動作
図１０は、情報処理装置の準備動作の一例を示すフローチャートである。

【0039】

まず、情報処理装置１の文書取得手段１００は、文書データベース２から文書情報を取得し、記憶部１１に文書情報１１１として格納する（Ｓ１）。図３に示すように、文書情報１１１は、見出し語と当該見出し語を説明するための本文（文書内容）を有し、さらに他の言語に対する訳語をさらに有する。訳語に対しても文書内容が用意され、訳語ＵＲＬにアクセスすることによりその内容を確認でき。また、訳語の本文も解析対象とすると、他の言語（英語等）の訳語の類似語集合を作ることが可能となり、見出し語と訳語の見出し語を相互リンクし、2つの類似語集合を結びつけることが可能となるが、ここでは記載を省略している。

【0040】

次に、文書解析手段１０１は、文書情報１１１の本文を目的に合わせて不要な記号、テキスト等を取り除く正規化を行った後、形態素解析するとともに、図４に示すように、品詞等の出現頻度等の集計を行い、見出し語に対する解析情報１１２として記憶部１１に格納する（Ｓ２）。なお、文書情報１１１が英語のように単語毎に予め分離されている言語の場合は品詞と出現頻度等の集計を行い、解析情報１１２を生成する。

【0041】

次に、特徴量算出手段１０２は、解析情報１１２の出現頻度を参照し、予め定めた値、例えば、３０以上の出現頻度を有する語句であって、本実施の形態では見出し語である語句を特徴量算出対象とする。次に、特徴量算出手段１０２は、当該語句が含まれる文を予め定めた範囲、例えば、当該語句が含まれる文が属する段落の文を取得し、当該語句の前後５つ以内に出現する語句（共起語）とその出現頻度から特徴量ベクトルを生成し、特徴量情報１１３として記憶部１１に格納する（Ｓ３）。当該前後５つ以内に出現する語句は、当該語句との文中での近さも考慮され、当該語句の概念を表す要素として考慮される。特徴量の計算において、文の区切り方や近さの最適な範囲等は、解析対象のコーパスによって異なってくる。具体的な計算方法としては、言語ベクトルの機械学習エンジンを使って共起語とその出現頻度からベクトル化する。

【0042】

次に、類似度算出手段１０３は、２つの見出し語の特徴量情報１１３を比較し、見出し語間の類似度を算出して、図５に示すように、類似度情報１１４として記憶部１１に格納する（Ｓ４）。具体的には、２つの見出し語間の特徴量情報１１３のベクトルの距離を算出して正規化し類似度とする。

【0043】

次に、類似語集合生成手段１０４は、類似度情報１１４に基づいてある見出し語に対して類似度が高い順に予め定めた数の見出し語を、又は予め定めた類似度以上の見出し語を類似語（語句群）として収集し、後述する図６に示すように、類似語集合情報１１５として記憶部１１に格納する（Ｓ５）。

【0044】

（１－２）案内語抽出動作
また、案内語抽出手段１０６は、最初に選択する語句として適切な語句を案内語として抽出し、案内語情報１１６として記憶部１１に格納する。なお、案内語の抽出方法は以下の手順で行う。

【0045】

図１１は、案内語抽出動作の一例を示すフローチャートである。

【0046】

まず、案内語抽出手段１０６は、解析情報１１２から全文書情報（又はあるカテゴリに含まれる文書情報）の本文中で、使用されている語句の内、見出し語や見出しとしてふさわしい専用語辞書等の語句の出現頻度を得る（Ｓ１１）。次に、出現頻度の高い語句順に、これを見出し語（第１の案内語）とした類似語を類似語集合情報１１５から一定数、例えば３００個得る（Ｓ１２）。次に、この３００個の中で、（Ｓ１１）の出現頻度が高くかつ類似度が比較的低い順に一定数、例えば２０個の語句を得る（Ｓ１３）。

【0047】

次に、案内語抽出手段１０６は、取得した２０個の語句を、今度は見出し語として、それぞれ３００個の類似語を得る（Ｓ１４）。ここで、（Ｓ１２）で得た３００個の類似語と、（Ｓ１４）で得た２０の見出し語の各３００個の類似語を比較する（Ｓ１５）。

【0048】

次に、案内語抽出手段１０６は、比較によって、（Ｓ１２）の類似語と重複した語が一定比率、例えば４割を超えた場合（Ｓ１６；Ｙｅｓ）、は（Ｓ１３）の２０のリストから省いてゆく（Ｓ１７）。省いた結果、２０から残った語句（第２の案内語）を、（Ｓ１２）の見出し語をカテゴリー名とした案内語のグループとして案内語情報１１６に登録する（Ｓ１８）。

【0049】

さらに、案内語抽出手段１０６は、語の出現頻度順に（Ｓ１２）から（Ｓ１７）のステップを繰り返す（Ｓ１９）。ただし、作成した案内語の中に、すでに登録した語が出てきた場合は、登録しない。

【0050】

以上のような案内語抽出ステップは、出現頻度の高い語句を重視することで、その語句が、ベクトル空間において他の多数の語句の中心に位置するものである可能性が高い、という意味を有している。また、ある語句と似ているが中心となるキーワードとそれなりに距離を持つ語句を得るため、（Ｓ１６）のステップによって、類似しているが重複用語が少ない語句を選んでいる。従って、案内語がある特定のカテゴリーの基本重要用語の集合となる。

【0051】

上記準備動作の結果、類似語集合情報１１５及び案内語情報１１６が生成され、以下の図６に示すように、これらの情報を用いて互いに類似する（関連する）見出し語を辿ることができる。

【0052】

図６は、類似語集合情報１１５及び案内語情報１１６の構成例を示す概略図である。

【0053】

類似語集合情報１１５は、見出し語毎に類似語集合情報１１５_１、類似語集合情報１１５_２、類似語集合情報１１５_３…が生成されており、例えば、類似語集合情報１１５_１が読み出された場合、見出し語１の類似語として含まれる見出し語５、見出し語１２、見出し語５１…が表示され、このうち見出し語５が選択された場合、類似語集合情報１１５_５が読み出される。

【0054】

以降、同様に、類似語集合情報１１５_５が読み出された場合、見出し語５の類似語として含まれる見出し語８、見出し語１０３…が表示され、このうち見出し語１０３が選択された場合、類似語集合情報１１５_１０３が読み出される。なお、ここで、見出し語１は、既に表示したため、マスク表示する（又は表示しない）。

【0055】

また、類似語集合情報１１５_１０３が読み出された場合、見出し語１０３の類似語として含まれる見出し語４６、見出し語１００…が表示される。なお、ここで、見出し語５は、既に表示したため、マスク表示する（又は表示しない）。

【0056】

また、案内語情報１１６は、一例として、カテゴリー毎に案内語情報１１６Ａ、１１６Ｂ、１１６Ｃ…が生成されており、例えば、案内語情報１１６Ａが読み出された場合、案内語として含まれる見出し語１、見出し語１２、見出し語５１…が表示され、このうち見出し語１が選択された場合、見出し語１の類似語集合情報１１５_１の内容が表示される。

【0057】

上記の見出し語を辿る動作は、途切れなく連続的ににインデックスを生成することとなり、これを以下に「（２）インデックス生成動作」として具体的に説明する。

【0058】

（２）インデックス生成動作
図１２は、インデックス生成動作の一例を示すフローチャートである。

【0059】

まず、端末３の利用者は、インデックス生成動作を開始すべく、端末３を操作して情報処理装置１にアクセスする。端末３は、情報処理装置１にインデックス生成要求を送信する。なお、「インデックス生成動作」は、利用者が明示的にインデックスを生成するという意思を有している必要はなく、また、情報処理装置１が明示的にインデックスを生成する必要もなく、見出し語を辿って所望の見出し語及び当該見出し語の本文の内容に辿り着く動作であればよく、その結果として見出し語の検索履歴がインデックスとして生成されていればよい。

【0060】

情報処理装置１の類似語表示手段１０５は、端末３からインデックス生成要求を受信すると、一つ目の見出し語を入力又は選択するための画面を端末３の表示部に表示すべく情報を送信する（Ｓ２１）。端末３は、情報を受信して以下の図７に示す画面を表示する。

【0061】

図７は、端末３の表示部に表示される画面の構成の一例を示す概略図である。

【0062】

画面１０５ａは、トップ画面として表示される画面であり、類似語を検索するための最初の語句を入力するための単語入力欄１０５ａ_１と、以前の検索履歴を表示する履歴表示欄１０５ａ_２と、案内語を表示する案内語表示欄１０５ａ_３とを有する。

【0063】

利用者は、端末３の表示部に表示された画面１０５ａを確認し、端末３を操作して、入力欄１０５ａ_１に単語を入力、又は案内語表示欄１０５ａ_３に表示された案内語を選択して実行キーを押して検索を開始する。なお、履歴表示欄１０５ａ_２に表示された検索履歴から単語を選択してもよい。端末３は、操作内容に応じて語句の入力又は選択要求を情報処理装置１に送信する。ここでは、一例として、「ウイルス」という語が入力又は案内語から選択されたものとする。

【0064】

情報処理装置１の語句選択受付手段１０７は、端末３から語「ウイルス」の入力を受け付け（Ｓ２２）、類似語表示手段１０５は、類似語集合情報１１５を参照し、入力された「ウイルス」を見出し語とする類似語集合を、図８に示すように、端末３の表示部に表示処理する（Ｓ２３）。

【0065】

図８は、端末３の表示部に表示される画面の構成の他の例を示す概略図である。

【0066】

画面１０５ｂは、「ウイルス」の類似語の検索結果として表示される画面であり、検索語を表示し、他の検索語も入力可能な単語入力欄１０５ｂ_１と、検索語「ウイルス」である見出し１０５ｂ_２と、類似語１０５ｂ_３、１０５ｂ_４…とを有する。類似語１０５ｂ_３は、類似語１０５０ｂ_３と、類似語１０５０ｂ_３を見出しとする文書情報１１１へのリンク１０５１ｂ_３と、類似語１０５０ｂ_３の訳語であって当該訳語を見出しとする他言語（英語）の類似語の検索結果画面へと遷移するための訳語１０５２ｂ_３と、見出し１０５ｂ２と類似語１０５０ｂ_３との類似度１０５３ｂ_３とを有し、類似語１０５ｂ_４以降も同様の構成を有する。

【0067】

情報処理装置１の語句選択受付手段１０７は、端末３から例えば類似語「レトロウイルス」の入力を受け付け（Ｓ２６；Ｙｅｓ）、類似語表示手段１０５は、類似語集合情報１１５を参照し、選択された「レトロウイルス」を見出し語とする類似語集合を、端末３の表示部に表示処理する（Ｓ２３）。類似語の選択受付と表示処理は単数又は複数回繰り返すことができる。

【0068】

画面１０５ｃは、画面１０５ｂに表示された類似語のうち類似語１０５０ｂ_４である「レトロウイルス」を選択した後、表示された画面において類似語として表示された「インターフェロン」、以降同様に「拮抗薬」、「モノアミン酸化酵素阻害薬」を選択した後に表示される画面である。なお、画面１０５ｃは、検索語を表示し、他の検索語も入力可能な単語入力欄１０５ｃ_１と、検索語又は選択された類似語の履歴であって、類似語集合から生成されたインデックスとなるインデックス表示１０５ｃ_２と、検索語「モノアミン酸化酵素阻害薬」である見出し１０５ｃ_３と、類似語１０５ｃ_４…とを有する。

【0069】

また、画面１０５ｃを表示するまでに表示された類似語は（Ｓ２４；Ｙｅｓ）、類似語表示手段１０５により、既表示類似語１０５ｃ‘としてマスク表示される（Ｓ２５）。また、他の表示方法と差別化できればマスク表示以外の表示方法を用いてもよいし、表示しないものであってもよい。

【0070】

利用者は、画面１０５ｃにおいてさらに他の類似語を選択してもよいが、「モノアミン酸化酵素阻害薬」の本文の内容を確認したい場合は見出し１０５ｃ_３を押下操作することで「モノアミン酸化酵素阻害薬」を見出しとする文書情報１１１へアクセス可能である。端末３は押下操作を受け付けた場合、情報処理装置１に見出し「モノアミン酸化酵素阻害薬」の選択要求を送信する。

【0071】

情報処理装置１の語句選択受付手段１０７は、端末３から見出し「モノアミン酸化酵素阻害薬」の本文表示要求を受け付け（Ｓ２７；Ｙｅｓ）、文書情報１１１のうち該当する情報の本文の内容を端末３の表示部に表示処理する（Ｓ２８）。

【0072】

図９は、端末３の表示部に表示される画面の構成の他の例を示す概略図である。

【0073】

画面１０５ｄは、見出し「モノアミン酸化酵素阻害薬」の本文内容を表示する画面であり、見出し１０５ｄ_１と、本文１０５ｄ_２とを有する。

【0074】

利用者は、画面１０５ｄにおいて本文１０５ｄ_２の内容を確認する。

【0075】

（実施の形態の効果）
上記した実施の形態によれば、文書情報１１１から見出し語を含む文を抽出して、見出し語の共起語と出現頻度を解析して特徴量情報１１３を生成し、特徴量情報１１３のそれぞれの類似度を算出することで、見出し語に類似する他の見出し語の集合を類似語集合情報１１５として生成し、ある見出し語が選択されると、当該見出し語の類似語を表示し、順次見出し語を辿ることができるようにしたため、膨大な文書情報１１１の集合において利用者の所望する情報に辿り着くために案内することができる。また、見出し語の履歴がインデックスとなり、当該インデックスを即座に表示することができる。

【0076】

また、出現頻度の高い語、つまり、ベクトル空間において他の多数の語の中心に位置するものである可能性が高い語と、当該語と似ているがそれなりに距離を持つ用語を採用することで案内語情報１１６を生成し、当該案内語情報１１６から見出し語を選択可能にしたため、利用者の所望する見出し語に辿り着きやすい検索開始に適切な語を案内語として提供することができる。

【0077】

なお、案内語情報１１６の効果を試算してみると、次のようになる。最初の案内語として、例えば１００の類似語を表示したとする。１００の類似語が選択され、選択された語句を見出し語とした１００の類似語を表示するようにし、表示した類似語のうち最初の見出し語の類似語と重複しない語句が３割あったとすれば、最初の案内語から、３０００の語句を表示することができることになる。さらに、この３０００の語句が選択され、それぞれ１００個の用語を表示し、これまで表示した語句との重複を省いて、それぞれ２０の語句が残ったとすると、３０００×２０＝６万の語句の表示がされることになる。つまり、案内語が１００個あれば、２回の選択操作で６００万の語句に辿りつくことが可能であることになる。

【0078】

また、案内語情報１１６の生成例として、以下のようなものが挙げられる。日本語のウィキペディアにおいて、出現頻度がトップクラスの人名例として、徳川家康やナポレオンがある。これらの人名は、多数の記事に登場する。「徳川家康」の類似語としては、織田信長、豊臣秀吉、武田信玄、上杉謙信等々が抽出される。このうち徳川家康の類似語集合と豊臣秀吉の類似語集合は、語句が７割近く重複するため、案内語情報には採用しない。一方、織田信長、武田信玄、上杉謙信の類似語集合は、徳川家康の類似語集合と、重複語句が５割以下であるため、案内語情報に採用できる。

【0079】

同じ戦国武将であっても、徳川家康と少し離れた武将の人名が案内語情報に採用され、当該案内語をきっかけとして類似語を表示することで、さらに周辺の武将の人名を表示することができる。こうして戦国時代から江戸時代にかけての武将や大名、徳川家の将軍たちの広範囲の目次が、たったひとつの人名「徳川家康」から表示されることになる。案内語情報１１６の各武将たちの名前は、この時代を象徴する名前となり、利用者の記憶を蘇らせることができる。

【0080】

［他の実施の形態］
なお、本発明は、上記実施の形態に限定されず、本発明の趣旨を逸脱しない範囲で種々な変形が可能である。

【0081】

上記実施の形態では、単一の言語において見出し語を辿ってインデックスを生成する例を示したが、図３に示したように文書情報１１１において見出し語に対して訳語（例えば、英語の見出し語）が対応付けられており、かつ、当該訳語が英語の複数の文書情報で用いられている場合、英語の複数の文書情報中において同様に類似語集合情報１１５を生成可能であり、訳語を利用することで日本語の類似語集合情報１１５と英語の類似語集合情報１１５ｅとを相互にアクセス可能にしてインデックスを生成するようにしてもよい。

【0082】

図１３は、日本語による類似語集合情報１１５及び英語による類似語集合情報１１５ｅの構成例を示す概略図である。

【0083】

類似語集合情報１１５は、日本語の文書情報１１１に基づいて生成された情報であり、見出し語毎に類似語集合情報１１５_１、類似語集合情報１１５_２、類似語集合情報１１５_３…が生成されており、例えば、類似語集合情報１１５_１が読み出された場合、見出し語１の類似語として含まれる見出し語５、見出し語１２、見出し語５１…が表示され、このうち見出し語５が選択された場合、類似語集合情報１１５_５が読み出される。以降、同様に、類似語集合情報１１５_５が読み出された場合、見出し語５の類似語として含まれる見出し語８、見出し語１０３…が表示され、このうち見出し語１０３が選択された場合、類似語集合情報１１５_１０３が読み出される。

【0084】

また、類似語集合情報１１５ｅは、英語の文書情報１１１ｅに基づいて生成された情報であり、見出し語毎に類似語集合情報１１５ｅ_１、類似語集合情報１１５ｅ_２、類似語集合情報１１５ｅ_３…が生成されている。日本語の類似語集合情報１１５_１０３において見出し語４６の訳語が選択された場合（図８に示す訳語１０５２ｂ_３が選択操作された場合）、英語の見出し語であるｉｎｄｅｘ４６の類似語集合情報１１５ｅ_４６が読み出され、類似語として含まれるｉｎｄｅｘ５１、ｉｎｄｅｘ８８、ｉｎｄｅｘ９０…が表示される。このうちｉｎｄｅｘ８８が選択された場合、類似語集合情報１１５ｅ_８８が読み出される。以降、同様に、類似語集合情報１１５ｅ_８８が読み出された場合、ｉｎｄｅｘ８８の類似語として含まれるｉｎｄｅｘ６、ｉｎｄｅｘ９、ｉｎｄｅｘ１０８…が表示され、このうちｉｎｄｅｘ６が選択された場合、類似語集合情報１１５ｅ_６が読み出される。

【0085】

また、英語の類似語集合情報１１５ｅ_６においてｉｎｄｅｘ６の訳語（日本語）が選択された場合、日本語の見出し語である見出し語７８の類似語集合情報１１５_７８が読み出され、類似語として含まれる見出し語４、見出し語１１、見出し語２７…が表示される。

【0086】

上記は、２つの言語間に限定されるものではなく、訳語が予め用意されていれば、複数の言語において相互に類似語集合情報１１５間でアクセス可能にインデックスを生成するようにしてもよい。

【0087】

なお、ある見出し語に対して表示される類似語一覧は、言語によって解析するコーパス（文書情報）が異なるため、言語によってそれぞれ異なったものになる。つまり、複数の言語において見出しとなっている語句の意味が同じであっても、その語句を定義する文はそれぞれ大きく異なる（例えば、日本の「音楽」の概念と、米国の「music」の概念は異なっており、歴史も解釈も異なる。）。つまり、複数の言語それぞれのコーパス、コンテンツ、そして類似語というように容易に相互リンクを構成することができる。この仕組みにより、語句の訳語が存在すれば、他言語の見出し語を介して、世界中の文化、知識について、相互リンクでき、それぞれのインデックスを共有することができる。類似語集合情報１１５は、見出し語となる語句の言語、ひいてはその国々の文化、知識の集合と考えることができ、大げさに言えば、その集合した世界の知識をつなぎ、共有できることとなる。

【0088】

また、例えば、上記実施の形態では文書情報１１１として見出し語と本文が明示的に示されたものについて説明したが、見出し語が明示的に示されていないもの（本文のみで構成されたもの。例えば、Ｔｗｉｔｔｅｒ（登録商標）のツイートようにテキストのみで構成された文書情報）に対しても同様に適用可能である。この場合、本文から抽出される出現頻度の高い語句、一定数現れ始めた新出の語句を見出し語のように扱う。さらに、例えば判例データベースにおいては、一定数以上出現する語句を見出し語のように使う。あるいはニュースなどにおいては、ニュース用語集を使う、論文においては各論文ジャンルにおける既存の専用辞書を使うなどの方法が提案される。

【0089】

また、類似語集合情報１１５の生成は、語句選択受付手段１０７が語句の選択を受け付ける前であればよく、コンピュータの性能が十分に高性能であれば、リアルタイムで生成されるものであってもよいし、予め生成されるものであってもよい。

【0090】

上記実施の形態では制御部１０の各手段１００～１０７の機能をプログラムで実現したが、各手段の全て又は一部をＡＳＩＣ等のハードウエアによって実現してもよい。また、上記実施の形態で用いたプログラムをＣＤ－ＲＯＭ等の記録媒体に記憶して提供することもできる。また、上記実施の形態で説明した上記ステップの入れ替え、削除、追加等は本発明の要旨を変更しない範囲内で可能である。

【符号の説明】

【0091】

１ ：情報処理装置
２ ：文書データベース
３ ：端末
４ ：ネットワーク
５ ：情報処理システム
１０ ：制御部
１１ ：記憶部
１２ ：通信部
１００ ：文書取得手段
１０１ ：文書解析手段
１０２ ：特徴量算出手段
１０３ ：類似度算出手段
１０４ ：類似語集合生成手段
１０５ ：類似語表示手段
１０６ ：案内語抽出手段
１０７ ：語句選択受付手段
１１０ ：情報処理プログラム
１１１ ：文書情報
１１２ ：解析情報
１１３ ：特徴量情報
１１４ ：類似度情報
１１５ ：類似語集合情報
１１６ ：案内語情報

【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】