特許 7672593 文書処理装置、プログラム及び文書処理方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2025-04-24

(45)【発行日】2025-05-07

(54)【発明の名称】文書処理装置、プログラム及び文書処理方法

(51)【国際特許分類】

   G06F 40/295 20200101AFI20250425BHJP

   G06F 40/205 20200101ALI20250425BHJP

【ＦＩ】

G06F40/295

G06F40/205

【請求項の数】 6

(21)【出願番号】P 2024570420

(86)(22)【出願日】2023-04-11

(86)【国際出願番号】 JP2023014760

(87)【国際公開番号】W WO2024214188

(87)【国際公開日】2024-10-17

【審査請求日】2024-11-27

【早期審査対象出願】

(73)【特許権者】

【識別番号】000006013

【氏名又は名称】三菱電機株式会社

(74)【代理人】

【識別番号】100116964

【弁理士】

【氏名又は名称】山形 洋一

(74)【代理人】

【識別番号】100120477

【弁理士】

【氏名又は名称】佐藤 賢改

(74)【代理人】

【識別番号】100135921

【弁理士】

【氏名又は名称】篠原 昌彦

(74)【代理人】

【識別番号】100203677

【弁理士】

【氏名又は名称】山口 力

(72)【発明者】

【氏名】金井 美岬

(72)【発明者】

【氏名】斉藤 辰彦

(72)【発明者】

【氏名】小路 悠介

【審査官】齊藤 貴孝

(56)【参考文献】

【文献】特開２０１０－１０２６６８（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｆ ４０／００－４０／５８

(57)【特許請求の範囲】

【請求項1】

文書データで示される文書から、一まとまりの複数の文字をそれぞれが含む複数の文字ブロックを特定する文字ブロック特定部と、
前記複数の文字ブロックの各々の種別である文字ブロック種別を判定する文字ブロック種別判定部と、
複数の文字ブロック種別の各々から抽出すべき文字列である抽出対象文字列を示すメタデータ抽出条件情報に従って、前記複数の文字ブロックに含まれる一つの文字ブロックに対して判定された前記文字ブロック種別における前記抽出対象文字列に一致する文字列を、前記一つの文字ブロックからメタデータとして抽出するメタデータ抽出部と、を備え、
前記文字ブロック種別判定部は、二以上の文字ブロック種別の各々が有する特徴に対する加算値を示す文字ブロック種別判定情報を参照して、前記複数の文字が前記特徴を有する場合に前記加算値を合計したスコアを、前記二以上の文字ブロック種別の各々で算出し、前記複数の文字ブロックの内、前記二以上の文字ブロック種別に含まれる一つの文字ブロック種別における前記スコアの最も高い文字ブロックを、前記一つの文字ブロック種別と判定し、前記複数の文字ブロックの内、前記二以上の文字ブロック種別の何れとも判定されなかった文字ブロックを、前記二以上の文字ブロック種別以外の文字ブロック種別と判定すること
を特徴とする文書処理装置。

【請求項2】

メタデータが既に抽出されている文書データを蓄積文書データとして記憶する文書情報記憶部をさらに備え、
前記特徴には、前記蓄積文書データとの関係が含まれること
を特徴とする請求項１に記載の文書処理装置。

【請求項3】

前記メタデータ抽出部は、前記メタデータ抽出条件情報において、前記抽出対象文字列として、文字列情報に含まれている文字列が示されている場合には、前記文字列情報に含まれている前記文字列に一致する文字列を、前記一つの文字ブロックからメタデータとして抽出すること
を特徴とする請求項１又は２に記載の文書処理装置。

【請求項4】

メタデータが既に抽出されている文書データを蓄積文書データとして記憶する文書情報記憶部をさらに備え、
前記メタデータ抽出部は、前記文字ブロックを特定した前記文書データに前記蓄積文書データが類似する場合に、前記蓄積文書データに含まれている特定の文字列と一致する文字列を、前記文字ブロックを特定した前記文書データから抽出すること
を特徴とする請求項１に記載の文書処理装置。

【請求項5】

コンピュータを、
文書データで示される文書から、一まとまりの複数の文字をそれぞれが含む複数の文字ブロックを特定する文字ブロック特定部、
前記複数の文字ブロックの各々の種別である文字ブロック種別を判定する文字ブロック種別判定部、及び、
複数の文字ブロック種別の各々から抽出すべき文字列である抽出対象文字列を示すメタデータ抽出条件情報に従って、前記複数の文字ブロックに含まれる一つの文字ブロックに対して判定された前記文字ブロック種別における前記抽出対象文字列に一致する文字列を、前記一つの文字ブロックからメタデータとして抽出するメタデータ抽出部、として機能させ、
前記文字ブロック種別判定部は、二以上の文字ブロック種別の各々が有する特徴に対する加算値を示す文字ブロック種別判定情報を参照して、前記複数の文字が前記特徴を有する場合に前記加算値を合計したスコアを、前記二以上の文字ブロック種別の各々で算出し、前記複数の文字ブロックの内、前記二以上の文字ブロック種別に含まれる一つの文字ブロック種別における前記スコアの最も高い文字ブロックを、前記一つの文字ブロック種別と判定し、前記複数の文字ブロックの内、前記二以上の文字ブロック種別の何れとも判定されなかった文字ブロックを、前記二以上の文字ブロック種別以外の文字ブロック種別と判定すること
を特徴とするプログラム。

【請求項6】

文字ブロック特定部が、文書データで示される文書から、一まとまりの複数の文字をそれぞれが含む複数の文字ブロックを特定し、
文字ブロック種別判定部が、前記複数の文字ブロックの各々の種別である文字ブロック種別を判定し、
メタデータ抽出部が、複数の文字ブロック種別の各々から抽出すべき文字列である抽出対象文字列を示すメタデータ抽出条件情報に従って、前記複数の文字ブロックに含まれる一つの文字ブロックに対して判定された前記文字ブロック種別における前記抽出対象文字列に一致する文字列を、前記一つの文字ブロックからメタデータとして抽出する文書処理方法であって、
前記文字ブロック種別判定部は、二以上の文字ブロック種別の各々が有する特徴に対する加算値を示す文字ブロック種別判定情報を参照して、前記複数の文字が前記特徴を有する場合に前記加算値を合計したスコアを、前記二以上の文字ブロック種別の各々で算出し、前記複数の文字ブロックの内、前記二以上の文字ブロック種別に含まれる一つの文字ブロック種別における前記スコアの最も高い文字ブロックを、前記一つの文字ブロック種別と判定し、前記複数の文字ブロックの内、前記二以上の文字ブロック種別の何れとも判定されなかった文字ブロックを、前記二以上の文字ブロック種別以外の文字ブロック種別と判定すること
を特徴とする文書処理方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、文書処理装置、プログラム及び文書処理方法に関する。

【背景技術】

【0002】

従来から、文書内の各文字行に対して、事前に定義したメタデータが持つと推測される特徴を満たすかどうかを分析してスコアリングし、最高のスコアをつけたキーワードを、文書内のメタデータ識別子に対応するメタデータとして抽出する技術が提案されている（例えば、特許文献１参照）。

【先行技術文献】

【特許文献】

【0003】

【文献】特許第５３８００４０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、従来の技術では処理対象の文書データ及び事前に定義した辞書のみを用いてメタデータが抽出されている。このため、例えば、関連する製品型番が英数字で表現されるという特徴がある場合に、表記が類似している資料番号が誤って抽出されてしまうという可能性がある。

【0005】

そこで、本開示の一又は複数の態様は、文書データからより適切にメタデータを抽出できるようにすることを目的とする。

【課題を解決するための手段】

【0006】

本開示の一態様に係る文書処理装置は、文書データで示される文書から、一まとまりの複数の文字をそれぞれが含む複数の文字ブロックを特定する文字ブロック特定部と、前記複数の文字ブロックの各々の種別である文字ブロック種別を判定する文字ブロック種別判定部と、複数の文字ブロック種別の各々から抽出すべき文字列である抽出対象文字列を示すメタデータ抽出条件情報に従って、前記複数の文字ブロックに含まれる一つの文字ブロックに対して判定された前記文字ブロック種別における前記抽出対象文字列に一致する文字列を、前記一つの文字ブロックからメタデータとして抽出するメタデータ抽出部と、を備え、前記文字ブロック種別判定部は、二以上の文字ブロック種別の各々が有する特徴に対する加算値を示す文字ブロック種別判定情報を参照して、前記複数の文字が前記特徴を有する場合に前記加算値を合計したスコアを、前記二以上の文字ブロック種別の各々で算出し、前記複数の文字ブロックの内、前記二以上の文字ブロック種別に含まれる一つの文字ブロック種別における前記スコアの最も高い文字ブロックを、前記一つの文字ブロック種別と判定し、前記複数の文字ブロックの内、前記二以上の文字ブロック種別の何れとも判定されなかった文字ブロックを、前記二以上の文字ブロック種別以外の文字ブロック種別と判定することを特徴とする。

【0007】

本開示の一態様に係るプログラムは、コンピュータを、文書データで示される文書から、一まとまりの複数の文字をそれぞれが含む複数の文字ブロックを特定する文字ブロック特定部、前記複数の文字ブロックの各々の種別である文字ブロック種別を判定する文字ブロック種別判定部、及び、複数の文字ブロック種別の各々から抽出すべき文字列である抽出対象文字列を示すメタデータ抽出条件情報に従って、前記複数の文字ブロックに含まれる一つの文字ブロックに対して判定された前記文字ブロック種別における前記抽出対象文字列に一致する文字列を、前記一つの文字ブロックからメタデータとして抽出するメタデータ抽出部、として機能させ、前記文字ブロック種別判定部は、二以上の文字ブロック種別の各々が有する特徴に対する加算値を示す文字ブロック種別判定情報を参照して、前記複数の文字が前記特徴を有する場合に前記加算値を合計したスコアを、前記二以上の文字ブロック種別の各々で算出し、前記複数の文字ブロックの内、前記二以上の文字ブロック種別に含まれる一つの文字ブロック種別における前記スコアの最も高い文字ブロックを、前記一つの文字ブロック種別と判定し、前記複数の文字ブロックの内、前記二以上の文字ブロック種別の何れとも判定されなかった文字ブロックを、前記二以上の文字ブロック種別以外の文字ブロック種別と判定することを特徴とする。

【0008】

本開示の一態様に係る文書処理方法は、文字ブロック特定部が、文書データで示される文書から、一まとまりの複数の文字をそれぞれが含む複数の文字ブロックを特定し、文字ブロック種別判定部が、前記複数の文字ブロックの各々の種別である文字ブロック種別を判定し、メタデータ抽出部が、複数の文字ブロック種別の各々から抽出すべき文字列である抽出対象文字列を示すメタデータ抽出条件情報に従って、前記複数の文字ブロックに含まれる一つの文字ブロックに対して判定された前記文字ブロック種別における前記抽出対象文字列に一致する文字列を、前記一つの文字ブロックからメタデータとして抽出する文書処理方法であって、前記文字ブロック種別判定部は、二以上の文字ブロック種別の各々が有する特徴に対する加算値を示す文字ブロック種別判定情報を参照して、前記複数の文字が前記特徴を有する場合に前記加算値を合計したスコアを、前記二以上の文字ブロック種別の各々で算出し、前記複数の文字ブロックの内、前記二以上の文字ブロック種別に含まれる一つの文字ブロック種別における前記スコアの最も高い文字ブロックを、前記一つの文字ブロック種別と判定し、前記複数の文字ブロックの内、前記二以上の文字ブロック種別の何れとも判定されなかった文字ブロックを、前記二以上の文字ブロック種別以外の文字ブロック種別と判定することを特徴とする。

【発明の効果】

【0009】

本開示の一又は複数の態様によれば、より適切にメタデータを抽出できるようになる。

【図面の簡単な説明】

【0010】

【図1】実施の形態１に係る文書処理装置の構成を概略的に示す構成図である。

【図2】実施の形態１における文字ブロック種別判定情報の一例を示す概略図である。

【図3】文字列ＤＢに記憶されている組織情報の一例を示す概略図である。

【図4】文字列ＤＢに記憶されている製品情報の一例を示す概略図である。

【図5】メタデータ抽出条件情報の一例を示す概略図である。

【図6】ＰＣの構成を概略的に示すブロック図である。

【図7】実施の形態１に係る文書処理装置の動作を示すフローチャートである。

【図8】文字ブロック種別判定部での動作の詳細を示すフローチャートである。

【図9】処理対象の文書データで示されている文書の例を示す概略図である。

【図10】文字ブロック特定結果の例を示す概略図である。

【図11】実施の形態２に係る文書処理装置の構成を概略的に示す構成図である。

【図12】実施の形態２における文字ブロック種別判定情報の一例を示す概略図である。

【発明を実施するための形態】

【0011】

実施の形態１．
図１は、実施の形態１に係る文書処理装置１００の構成を概略的に示す構成図である。
文書処理装置１００は、文字ブロック種別判定情報記憶部１０１と、文字列ＤＢ（ＤａｔａＢａｓｅ）１０２と、メタデータ抽出条件情報記憶部１０３と、文字ブロック特定部１０４と、文字ブロック種別判定部１０５と、メタデータ抽出部１０６とを備える。

【0012】

文字ブロック種別判定情報記憶部１０１は、文字ブロックの種別を判定するための情報である文字ブロック種別判定情報を記憶する。文字ブロック種別判定情報は、二以上の文字ブロック種別の各々が有する特徴に対する加算値を示す。文字ブロックは、後述のように文書データで示される文書から特定された文字のまとまりである。言い換えると、文字ブロックは、一まとまりの複数の文字を含む。

【0013】

図２は、実施の形態１における文字ブロック種別判定情報の一例を示す概略図である。
図２に示されている文字ブロック種別判定情報１０１ａは、ＩＤ列１０１ｂと、文字ブロック種別列１０１ｃと、特徴列１０１ｄと、スコア加算値列１０１ｅとを備えるテーブル形式の情報である。

【0014】

ＩＤ列１０１ｂは、文字ブロック種別判定情報１０１ａの各々の行を識別するための識別情報であるＩＤ（ＩＤｅｎｔｉｆｉｃａｔｉｏｎ）を格納する。

【0015】

文字ブロック種別列１０１ｃは、文字ブロックの種別である文字ブロック種別を格納する。
特徴列１０１ｄは、文字ブロック種別の特徴を格納する。
スコア加算値列１０１ｅは、文字ブロックが、同じ行の特徴を有する場合に、同じ行の文字ブロック種別のスコアとして加算する値である加算値を格納する。

【0016】

文字ブロック種別判定情報１０１ａにより、文字ブロック種別毎に、文字ブロックが有する特徴と、文字ブロックがその特徴を有する場合に、その文字ブロック種別のスコアとして加算する加算値とが対応付けられる。

【0017】

図１に戻り、文字列ＤＢ１０２は、メタデータとして実在する文字列を示す文字列情報を記憶する文字列情報記憶部である。例えば、文字列ＤＢ１０２は、実際に組織に存在する所属名、及び、実際に存在する製品番号を記憶する。

【0018】

図３は、文字列ＤＢ１０２に記憶されている組織情報の一例を示す概略図である。
図３に示されている組織情報１０２ａは、ＩＤ列１０２ｂと、部列１０２ｃと、課列１０２ｄと、略称列１０２ｅとを有するテーブル形式の情報である。

【0019】

ＩＤ列１０２ｂは、組織情報１０２ａの各々の行を識別するためのＩＤを格納する。
部列１０２ｃは、組織（例えば、会社）の部の名称を格納する。
課列１０２ｄは、組織の課の名称を格納する。課は、部に含まれる所属先であるものとする。
略称列１０２ｅは、同じ行の課の名称の略称を格納する。
組織情報１０２ａからは、部の名称、課の名称及び課の略称を特定することができる。

【0020】

図４は、文字列ＤＢ１０２に記憶されている製品情報の一例を示す概略図である。
図４に示されている製品情報１０２ｆは、ＩＤ列１０２ｇと、製品型番列１０２ｈとを有するテーブル形式の情報である。
ＩＤ列１０２ｇは、製品情報１０２ｆの各々の行を識別するためのＩＤを格納する。
製品型番列１０２ｈは、製品の型番を格納する。
製品情報１０２ｆからは、製品の型番を特定することができる。

【0021】

図１に戻り、メタデータ抽出条件情報記憶部１０３は、メタデータとして抽出する文字列を抽出する条件を示すメタデータ抽出条件情報を記憶する。メタデータ抽出条件情報は、複数の文字ブロック種別の各々から抽出すべき文字列である抽出対象文字列を示す。

【0022】

図５は、メタデータ抽出条件情報の一例を示す概略図である。
図５に示されているメタデータ抽出条件情報１０３ａは、ＩＤ列１０３ｂと、メタデータ種別列１０３ｃと、抽出対象となる文字ブロック種別列１０３ｄと、抽出対象から抽出する文字列列１０３ｅとを有するテーブル形式の情報である。

【0023】

ＩＤ列１０３ｂは、メタデータ抽出条件情報１０３ａの各々の行を識別するためのＩＤを格納する。
メタデータ種別列１０３ｃは、抽出対象から抽出される文字列のメタデータとしての種別であるメタデータ種別を格納する。
抽出対象となる文字ブロック種別列１０３ｄは、同じ行の抽出対象から抽出する文字列列１０３ｅで特定される文字列を抽出する対象である抽出対象となる文字ブロックの文字ブロック種別を格納する。
抽出対象から抽出する文字列列１０３ｅは、同じ行の抽出対象となる文字ブロック種別列１０３ｄで特定される文字ブロック種別の文字ブロックから抽出される文字列を示す抽出対象文字列情報を格納する。抽出対象文字列情報で示される文字列が、抽出対象文字列となる。

【0024】

メタデータ抽出条件情報１０３ａにより、文字ブロックから抽出する文字列と、その文字列を抽出する文字ブロックの文字ブロック種別とが特定される。

【0025】

図１に戻り、文字ブロック特定部１０４は、文書データで示される文書から文字ブロックを特定する。
例えば、文字ブロック特定部１０４は、枠線がある場合には、枠線で示される枠内の文字列を文字ブロックとして特定すればよい。

【0026】

また、文字ブロック特定部１０４は、枠線がない場合には、文字間の空白の幅、行間の空白の高さ、又は、行間のアラインメント（例えば、中央揃え、左揃え、右揃え）の種類に基づいて、文字ブロックを特定すればよい。
具体的には、文字ブロック特定部１０４は、文字間の空白の幅が予め定められた閾値よりも広い場合、又は、文字間の空白の幅が、他の箇所の文字間の空白の幅から変化する場合に、文字ブロックが切れると判断する。
また、文字ブロック特定部１０４は、行間の空白の高さが予め定められた閾値よりも広い場合、又は、行間の空白の高さが、他の箇所の行間の空白の高さから変化する場合に、文字ブロックが切れると判断する。
さらに、文字ブロック特定部１０４は、行間のアライメントが変化する場合に、文字ブロックが切れると判断する。
そして、文字ブロック特定部１０４は、以上の判断を、適宜組み合わせることで、文字のまとまりである文字ブロックを特定する。

【0027】

文字ブロック種別判定部１０５は、複数の文字ブロックの各々の種別である文字ブロック種別を判定する。
例えば、文字ブロック種別判定部１０５は、文字ブロック特定部１０４が特定した文字ブロックが、文字ブロック種別判定情報記憶部１０１に登録されている特徴を満たすか否かによって、文字ブロック種別毎にスコアを算出し、算出されたスコアに基づいて、タイトル、作成者、本文等の文字ブロック種別を判定する。

【0028】

具体的には、文字ブロック種別判定部１０５は、文字ブロック種別判定情報を参照して、文字ブロックに含まれている複数の文字が、文字ブロック種別判定情報で示されている特徴を有する場合に、文字ブロック種別判定情報で示される加算値を合計したスコアを、文字ブロック種別の各々で算出する。そして、文字ブロック種別判定部１０５は、複数の文字ブロックの内、文字ブロック種別判定情報で示されている二以上の文字ブロック種別の内の一つの文字ブロック種別におけるスコアの最も高い文字ブロックを、その一つの文字ブロック種別と判定する。また、文字ブロック種別判定部１０５は、複数の文字ブロックの内、その二以上の文字ブロック種別の何れとも判定されなかった文字ブロックを、その二以上の文字ブロック種別以外の文字ブロック種別と判定する。

【0029】

メタデータ抽出部１０６は、メタデータ抽出条件情報記憶部１０３に記憶されているメタデータ抽出条件情報に従って、文字ブロック種別における抽出対象文字列に一致する文字列を、その文字ブロック種別と判定された文字ブロックからメタデータとして抽出する。
なお、メタデータ抽出部１０６は、メタデータ抽出条件情報において、抽出対象文字列として、文字列ＤＢ１０２に含まれている文字列が示されている場合には、文字列ＤＢ１０２に記憶されている情報に含まれているその文字列に一致する文字列を、文字ブロックからメタデータとして抽出する。

【0030】

次に、実施の形態１に係る文書処理装置１００のハードウェア構成を説明する。
実施の形態１に係る文書処理装置１００は、図６に示されているようなＰＣ１０により構成することができる。
ＰＣ１０は、プロセッサ１１と、メモリ１２と、補助記憶装置１３と、ディスプレイ１４と、入力Ｉ／Ｆ（ＩｎｔｅｒＦａｃｅ）１５と、通信Ｉ／Ｆ１６とを備える。

【0031】

プロセッサ１１は、文書処理装置１００全体を制御する。例えば、プロセッサ１１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等である。プロセッサ１１は、マルチプロセッサでもよい。また、文書処理装置１００は、処理回路を有してもよい。

【0032】

メモリ１２は、文書処理装置１００の主記憶装置である。例えば、メモリ１２は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等である。
補助記憶装置１３は、文書処理装置１００の永続的な記憶装置である。例えば、補助記憶装置１３は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、又はＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等である。

【0033】

ディスプレイ１４は、各種画面画像を表示する。
入力Ｉ／Ｆ１５は、各種指示の入力を受け付ける。入力Ｉ／Ｆ１５は、例えば、キーボード及びマウス等である。
通信Ｉ／Ｆ１６は、例えば、インターネット等のネットワークを介して、他の装置とデータの送受を行うインタフェースである。例えば、通信Ｉ／Ｆ１６は、ＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃｏｎｔｒｏｌｌｅｒ）等である。

【0034】

以上に記載された文字ブロック特定部１０４、文字ブロック種別判定部１０５及びメタデータ抽出部１０６は、メモリ１２と、メモリ１２に格納されているプログラムを実行するプロセッサ１１とにより実現することができる。

【0035】

このようなプログラムは、ネットワークを通じて提供されてもよく、また、記録媒体に記録されて提供されてもよい。即ち、このようなプログラムは、例えば、プログラムプロダクトとして提供されてもよい。

【0036】

文字ブロック種別判定情報記憶部１０１、文字列ＤＢ（ＤａｔａＢａｓｅ）１０２及びメタデータ抽出条件情報記憶部１０３は、補助記憶装置１３により実現することができる。

【0037】

次に、実施の形態１に係る文書処理装置１００の動作について説明する。
図７は、実施の形態１に係る文書処理装置１００の動作を示すフローチャートである。
まず、文字ブロック特定部１０４は、文書データで示される文書から文字ブロックを特定する（Ｓ１０）。ここで、文字ブロック特定部１０４は、特定された文字ブロックについて、文字ブロックの中心座標と、文字列と、その書体情報とを関連付ける文字ブロック情報を生成する。ここでの書体情報は、文字ブロック種別の判定に使用する情報が含まれていればよい。例えば、図２に示されている例では、書体情報は、「フォントサイズ」及び「太文字であること」である。

【0038】

次に、文字ブロック種別判定部１０５は、文字ブロック情報で示される文字ブロック毎に、文字ブロック種別判定情報記憶部１０１及び文字列ＤＢ１０２に記憶されている情報を参照することで、文字ブロック種別を判定する（Ｓ１１）。ここでの処理については、図８を用いて詳細に説明する。

【0039】

次に、メタデータ抽出部１０６は、メタデータ抽出条件情報記憶部１０３及び文字列ＤＢ１０２に記憶されている情報を参照し、文字ブロック情報で示される文字ブロックの文字列から、メタデータを抽出する（Ｓ１２）。メタデータ抽出部１０６は、メタデータ抽出条件情報で示されている抽出対象となる文字ブロック種別に対応する文字ブロックに含まれている文字列から、メタデータ抽出条件情報で示されている、抽出対象から抽出する文字列を、メタデータとして抽出する。

【0040】

図８は、文字ブロック種別判定部１０５での動作の詳細を示すフローチャートである。
まず、文字ブロック種別判定部１０５は、文字ブロック種別判定情報記憶部１０１に記憶されている文字ブロック種別判定情報を参照して、文字ブロック情報で示されている文字ブロック毎にスコアを算出する（Ｓ２０）。

【0041】

次に、文字ブロック種別判定部１０５は、文字ブロック種別毎に、ステップＳ２０で算出されたスコアが最も高い文字ブロックを、その文字ブロック種別と判定する（Ｓ２１）。このとき複数の文字ブロック種別が割り振られる文字ブロックがあってもよい。いずれの文字ブロック種別も割り振られなかった文字ブロックについては、文字ブロック種別判定部１０５は、文字ブロック種別「本文（ＢＯＤＹ）」と判定する。

【0042】

図９及び図１０を用いて、文書処理装置１００の動作例を説明する。
図９は、処理対象の文書データで示されている文書の例を示す概略図である。
図１０は、図９に示されている文書に対する文字ブロックの特定結果の例を示す概略図である。

【0043】

まず、文字ブロック特定部１０４は、図９に示されている文書に対して、図１０に示されている文字ブロックＢ１～Ｂ８を特定して、文字ブロックＢ１～Ｂ８のそれぞれから、文字ブロックの中心座標、文字列及びその書体情報を特定する。

【0044】

次に、文字ブロック種別判定部１０５は、文字ブロックＢ１～Ｂ８のそれぞれに対して、文字ブロック種別を判定する。

【0045】

文字ブロック種別判定部１０５の具体的な動作の一例を示す。
ここでは、図２に示されている文字ブロック種別判定情報１０１ａ、図３に示されている組織情報１０２ａ及び図４に示されている製品情報１０２ｆに基づいて、文字ブロック種別を判定する例を説明する。

【0046】

まず、図１０に示されている文字ブロックＢ４の文字ブロック種別「ＡＵＴＨＯＲ」のスコアは、図２におけるＩＤ１、ＩＤ２及びＩＤ６の特徴に該当するため、１．０＋０．８＋１．０＋１／２＝３．３となる。
また、文字ブロックＢ５の文字ブロック種別「ＡＵＴＨＯＲ」のスコアは、図２におけるＩＤ１、ＩＤ２、ＩＤ５及びＩＤ６の特徴に該当するため、１．０＋０．８＋１．０＋０．５＋１／１＝４．３となる。

【0047】

同様にして、文字ブロック種別判定部１０５は、他の文字ブロックＢ１～Ｂ３及びＢ６～Ｂ８に対して、文字ブロック種別「ＡＵＴＨＯＲ」のスコアを算出する。
そして、文字ブロック種別「ＡＵＴＨＯＲ」のスコアが最も高い文字ブロックは、文字ブロックＢ５であるため、文字ブロック種別判定部１０５は、文字ブロックＢ５を文字ブロック種別「ＡＵＴＨＯＲ」と判定する。

【0048】

同様にして、文字ブロック種別判定部１０５は、文字ブロック種別「ＴＩＴＬＥ」に対しても、全ての文字ブロックＢ１～Ｂ８のそれぞれにおいてスコアを算出して、文字ブロックＢ１を文字ブロック種別「ＴＩＴＬＥ」と判定する。

【0049】

そして、文字ブロック種別判定部１０５は、文字ブロック種別「ＡＵＴＨＯＲ」及び文字ブロック種別「ＴＩＴＬＥ」の何れとも判定されなかった文字ブロックＢ２～Ｂ４及びＢ６～Ｂ８を文字ブロック種別「ＢＯＤＹ」と判定する。

【0050】

次に、メタデータ抽出部１０６の具体的な動作の一例を示す。
ここでは、上記のように、図１０に示されている文字ブロックＢ１～Ｂ８に対して、図２に示されている文字ブロック種別判定情報１０１ａ、図３に示されている組織情報１０２ａ及び図４に示されている製品情報１０２ｆに基づいて、文字ブロック種別が判定されているものとして説明する。
また、メタデータ抽出条件情報記憶部１０３には、メタデータ抽出条件情報１０３ａが記憶されているものとして説明する。

【0051】

メタデータ抽出条件情報１０３ａでは、抽出対象から抽出する文字列である「人物名」、「組織名」及び「日付の表現」は、文字ブロック種別「ＡＵＴＨＯＲ」から抽出されることになっているため、メタデータ抽出部１０６は、文字列ＤＢ１０２に記憶されている情報を参照することで、文字ブロックＢ５から人物名「高橋」、組織名「一技課」及び日付表現「２０２２／０４／０１」を抽出する。

【0052】

また、メタデータ抽出条件情報１０３ａでは、抽出対象から抽出する文字列である「製品型番」は、文字ブロック種別「ＢＯＤＹ」から抽出されることになっているため、メタデータ抽出部１０６は、文字ブロックＢ２～Ｂ４及びＢ６～Ｂ８から、製品情報１０２ｆに記憶されている製品型番を抽出する。ここでは、文字ブロックＢ７から「ＡＡ１２３４Ｂ」が抽出される。

【0053】

以上のように、実施の形態１では、メタデータ抽出条件情報１０３ａを参照して、メタデータとして抽出する文字列が含まれている文字ブロックの文字ブロック種別が特定されるため、より適切にメタデータを抽出することができる。

【0054】

実施の形態２．
上述した実施の形態１では、メタデータの判定にメタデータとして実在する文字列を記憶している文字列ＤＢ１０２を用いているが、実施の形態は、このような例に限定されない。例えば、メタデータの判定に、既にメタデータが抽出されている文書データを利用することもできる。この構成を実施の形態２として説明する。

【0055】

図１１は、実施の形態２に係る文書処理装置２００の構成を概略的に示す構成図である。
文書処理装置２００は、文字ブロック種別判定情報記憶部２０１と、文字列ＤＢ１０２と、メタデータ抽出条件情報記憶部１０３と、文字ブロック特定部１０４と、文字ブロック種別判定部２０５と、メタデータ抽出部２０６と、文書情報ＤＢ２０７とを備える。

【0056】

実施の形態２に係る文書処理装置２００の文字列ＤＢ１０２、メタデータ抽出条件情報記憶部１０３及び文字ブロック特定部１０４は、実施の形態１に係る文書処理装置１００の文字列ＤＢ１０２、メタデータ抽出条件情報記憶部１０３及び文字ブロック特定部１０４と同様である。

【0057】

文書情報ＤＢ２０７は、既にメタデータが抽出されている文書データについて、文書データと、抽出されたメタデータとを関連付けて記憶する文書情報記憶部である。文書情報ＤＢ２０７に記憶されている文書データを蓄積文書データともいう。

【0058】

文字ブロック種別判定情報記憶部２０１は、文字ブロック種別判定情報を記憶する。実施の形態２における文字ブロック種別判定情報は、文書情報ＤＢ２０７に記憶されている文書データとの関係に基づいて、文字ブロックの種別を判定するための情報も含んでいる。

【0059】

図１２は、実施の形態２における文字ブロック種別判定情報の一例を示す概略図である。
図１２に示されている文字ブロック種別判定情報２０１ａは、ＩＤ列２０１ｂと、文字ブロック種別列２０１ｃと、特徴列２０１ｄと、スコア加算値列２０１ｅとを備えるテーブル形式の情報である。

【0060】

ここで、実施の形態２における文字ブロック種別判定情報２０１ａのＩＤ列２０１ｂ、文字ブロック種別列２０１ｃ、特徴列２０１ｄ及びスコア加算値列２０１ｅは、実施の形態１における文字ブロック種別判定情報１０１ａのＩＤ列１０１ｂ、文字ブロック種別列１０１ｃ、特徴列１０１ｄ及びスコア加算値列１０１ｅと同様である。
但し、実施の形態２における文字ブロック種別判定情報２０１ａでは、ＩＤ１０及びＩＤ１１に示されているように、文書情報ＤＢ２０７に記憶されている文書データとの関係に基づいて、文字ブロックの種別を判定するための情報が含まれている。

【0061】

ここで、例えば、処理対象の文書データで示される文書と、文書情報ＤＢ２０７に記憶されている文書データで示される文書のいずれにも出現する単語の数を算出し、処理対象の文書データで示される文書に出現する全単語数に占める、文書情報ＤＢ２０７に記憶されている文書データで示される文書にも出現する単語数が閾値を超える場合に、これらの文書データが類似していると判定することができる。なお、文書データの類似の判断は、別の方法で判断されてもよい。

【0062】

文字ブロック種別判定部２０５は、文字ブロック特定部１０４が特定した文字ブロックが、文字ブロック種別判定情報記憶部２０１に登録されている特徴を満たすか否かによって、文字ブロック種別毎にスコアを算出し、算出されたスコアに基づいて、タイトル、作成者、本文等の文字ブロック種別を判定する。
実施の形態２では、文字ブロック種別判定部２０５は、文書情報ＤＢ２０７に記憶されている文書データも参照して、文字ブロック種別の判定を行う。

【0063】

メタデータ抽出部２０６は、メタデータ抽出条件情報記憶部１０３に記憶されているメタデータ抽出条件情報に従って、文字ブロック種別における抽出対象文字列に一致する文字列を、対応する文字ブロックからメタデータとして抽出する。

【0064】

ここで、実施の形態２では、メタデータ抽出部２０６は、メタデータ抽出対象となっている文書データに蓄積文書データが類似する場合に、蓄積文書データに含まれている特定の文字列と一致する文字列を、その文書データから抽出する。

【0065】

具体的には、実施の形態２では、メタデータ抽出部２０６は、文書情報ＤＢ２０７に記憶されている文書データ及びメタデータを参照して、例えば、処理対象の文書データと類似する文書データを文書情報ＤＢ２０７で検索し、その類似する文書データの作成者の名前が文字列に含まれているか否かを判定することで、特定された文字ブロックからメタデータを抽出してもよい。

【0066】

以上のように、実施の形態２によれば、既にメタデータが抽出されている文書データを利用することで、より適切にメタデータを抽出することができる。

【符号の説明】

【0067】

１００，２００ 文書処理装置、 １０１，２０１ 文字ブロック種別判定情報記憶部、 １０２ 文字列ＤＢ、 １０３ メタデータ抽出条件情報記憶部、 １０４ 文字ブロック特定部、 １０５，２０５ 文字ブロック種別判定部、 １０６，２０６ メタデータ抽出部、 ２０７ 文書情報ＤＢ。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】