JP2000231560A - 文書自動分類方式 - Google Patents

Abstract

(57)【要約】 【課題】 電子化文書の登録や検索の際に利用可能なツ
リー構造の分類を自動的に作成する。 【解決手段】 電子化文書に付与されたキーワードの頻
度を自動計算すると共にキーワード間の関連付けを行
う。この頻度が大きいキーワードに上位ディレクトリ
（例：プリンタ）を付与し、このキーワードに関連する
即ち同一文書に出現するキーワードを下位ディレクトリ
として作成する（例：設計書、議事録、カメラなど）。
これによって関連性を有するキーワードのツリー構造が
得られる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は文書自動方式に関
し、より詳しくは、ツリー構造をもった文書自動分類方
式に関するもので、各種文書処理システム例えば文書フ
ァイリングシステム、光学読取装置を備えたいわゆる光
ファイルシステム、文書データベースなど広く応用が可
能である。

【０００２】

【従来の技術】コンピュータ関連技術の急速な発展によ
り、文書は書類や冊子体ばかりでなくコンピュータで処
理可能な文書いわゆる電子化文書が広く利用されてい
る。例えば、ワードプロセッサ等で作成された文字コー
ドからなるドキュメント、スキャナ等によるイメージデ
ータをＯＣＲ（光学文字読取装置）等で文字コード化し
たドキュメント、商用データベースなどからダウンロー
ドされたテキスト形式ドキュメントなどである。

【０００３】電子化文書はコンピュータでの処理が可能
なため、文書の管理例えば登録、検索、流通、保存、大
量文書の取扱などの各段階で従来の書類よりも利便性が
向上すると期待されている。しかし、実際の利用には多
くの課題が残っている。特に後日の検索の容易性・正確
性（即ち高い適合率および再現率）のために、文書の登
録には書誌的事項の他に分類やキーワードなど内容を表
現する索引を付与することが多い。

【０００４】一方、文書内容の索引技術は、大量の電子
化文書を扱う商用データベースなどの大規模データベー
スの管理システムとして発達してきた。このような大規
模データベースでは、メモ程度のキーワード付与では後
の検索時に目的とする文書が呼び出せなくなる恐れが大
きいので、単なるキーワードではなく同義語をまとめて
一つの索引語としたり、上位概念と下位概念との関係に
あるキーワードは、ツリー構造にするなど統制語として
シソーラスにされるのが一般的である。この場合、シソ
ーラスの作成は人手によるしか方法がなかった。またそ
のシソーラスに基づく索引作業も人手に頼らざるをえな
かった。

【０００５】上記課題の一部を解決するために、電子化
文書に自動でキーワードや分類を付与したものは多くが
知られている（例えば、特開平５−３４２２７２号公
報、特開平８−１６６９６５号公報など）。これらは、
所期の目的は達しているが、キーワードを自動的にツリ
ー構造に分類するものは開示していない。

【０００６】

【発明が解決しようとする課題】本発明は、上記問題点
を解決しようとするもので、電子化文書からキーワード
を取得し、この取得したキーワードの関連性を付与する
と共に、関連するキーワード間で、ツリー構造を自動的
に作成することにより、電子化文書の登録や管理を容易
にすることを目的としてなされたものである。

【０００７】

【課題を解決するための手段】請求項１の発明は、複数
の電子化文書に対して各文書毎のキーワードを抽出し、
各キーワードに対して該キーワードが抽出された文書の
数より該キーワードの出現頻度を求め、各キーワードに
対して該キーワードを含む文書の数から該キーワードに
対する文書間の関連度を求め、前記キーワードの出現頻
度と文書間の関連度とから、前記文書をツリー構造に自
動的に分類するようにしたものである。

【０００８】請求項２の発明は、請求項１の発明におい
て、文書が複数のキーワードを有しかつキーワードが複
数のツリー構造のノードに該当するときは、該当するノ
ードに登録するようにしたものである。

【０００９】

【発明の実施の形態】図１は、本発明をパーソナルコン
ピュータ等の文書処理機器に適用した例を説明するため
のフローチャートで、以下、順を追って説明する。

【００１０】文書入力（Ｓ１１） 入力される文書は、ワードプロセッサ等で作成された文
字コードからなるドキュメント、スキャナ等によるイメ
ージデータをＯＣＲ（光学文字読取装置）等で文字コー
ド化したドキュメント、商用データベースなどからダウ
ンロードされたテキスト形式ドキュメントなどでデータ
形式は問わない。要は、コンピュータで処理可能なデー
タ形式であればよい。

【００１１】キーワード抽出（Ｓ１２） キーワードを抽出する方法や手段は種々知られている。
例えば、索引付与者が文書を読解して人手で付与する方
法、キーワード辞書をテーブルとして作成しておきこれ
に合致するキーワードをコンピュータ等で自動的に付与
する方法、漢字、片仮名、アルファベット文字および特
殊文字を語幹として切出し、これらをキーワードとする
方法などがある。本発明では、キーワード抽出方法に特
に限定はなく、それぞれの文書のキーワードが利用可能
であればよい。

【００１２】自動分類（Ｓ１３） 前記ステップＳ１２で抽出されたキーワードを取得し
て、ツリー構造のディレクトリを作成し、自動的に分類
を付与する。勿論、書誌的事項例えば著者名、所属機
関、所属部署、著者ＩＤ番号、作成年月日なども同時に
登録してもよい。この自動分類は、本発明の要点である
ので、詳細は図２以降において説明する。

【００１３】文書検索（Ｓ１５） 文書登録（Ｓ１４）後、必要な文書を取り出すために検
索する。本発明によって作成したツリー構造のキーワー
ドを用いて、効率のよい検索を行う。検索システムには
特に限定はなく、各種のＤＢＭＳ（データベース管理シ
ステム）やパーソナルコンピュータ用のデータベースソ
フトウェア、ファイル管理ソフトウェアなどが利用可能
である。要は、ツリー構造での検索が可能であれば良
い。

【００１４】表示（Ｓ１６） 前記文書検索ステップで選択された文書を、表示装置で
確認する。なお、この表示装置は必ずしも必要ではな
い。

【００１５】印刷（Ｓ１７） 前記文書検索ステップで選択された文書を、印刷装置で
印刷して出力する。出力は、印刷に限ることなく、転送
など任意に選ぶことができる。

【００１６】図２は、キーワード頻度テーブルを作成ま
たは追加する例を説明するためのフローチャートであ
る。まず、登録対象の電子化文書の数をカウントする
（Ｓ２１）。登録すべき文書の有無の確認（Ｓ２２）が
済んだら、第１番目の文書に付与された第１番目のキー
ワードを取得し、表２に示したキーワード頻度テーブル
にあるかどうか確認する（Ｓ２３）。なお、文書に付与
されたキーワードは、例えば、表１のようになってい
る。表１の例では８つの文書にそれぞれ数個のキーワー
ドが付与されている。この付与方法は上述のごとく自動
的に付与してもよいし、索引者が付与するようにしても
よい。

【００１７】

【表１】

【００１８】

【表２】

【００１９】キーワード頻度テーブルに、キーワードが
登録されていなければ、新たにそのキーワードを登録し
（Ｓ２４）、頻度を１とする（Ｓ２５）。キーワード頻
度テーブルは、表２の様に頻度が大きい順に並べて、表
示し得るようにした方が良い。

【００２０】キーワード頻度テーブルにキーワードが登
録されていれば、単に、該当するキーワードの頻度を１
だけカウントアップすればよい（Ｓ２６）。

【００２１】該当文書に次のキーワードがあるかどうか
確認し（Ｓ２７）、次のキーワードがあればステップＳ
２３へ進み、なければステップＳ２２に進む。

【００２２】ステップＳ２２で次の文書がなければ、こ
の処理は終了する。なお、同一キーワードが同一文書に
複数個あった場合も、その個数を数えてその頻度をカウ
ントアップしてもよい。

【００２３】図３は、キーワード関連テーブルをマトリ
ックスに作成する例を説明するためのフローチャートで
ある。キーワード関連マトリックスは例えば表３のよう
に作成する。前述のキーワード頻度テーブル（表２参
照）に、登録されたキーワードを軸として表４に示すよ
うな正方行列を作る。ただし、対角成分を境として対称
な成分は数値が同一になるのでこの表では利用しない。
また、対角成分も同一キーワード同志になるので用いな
い（Ｓ３１）。

【００２４】

【表３】

【００２５】

【表４】

【００２６】マトリックス（即ち行列）が作成された
ら、文書に付与された全てのキーワードを取得する（Ｓ
３２）。

【００２７】前記文書から取得したキーワード間の各組
合わせがマトリックスにあるかどうか確認する（Ｓ３
３）。

【００２８】キーワード間の組合せでマトリックスの位
置（成分）に一致するものがあれが、表３のマトリック
スの該当する位置（成分）の数値を１増やす（Ｓ３
４）。

【００２９】一致する組合わせのキーワードがなけれ
ば、次の文書のキーワードの組合せ一致を確認するため
にステップＳ３５へ進む。

【００３０】次の文書があるかどうか確認する（Ｓ３
３）。次の文書がなければ、この処理は終了する。つぎ
の文書があればステップＳ３２へ戻る。

【００３１】図４は、ディレクトリ作成の例を説明する
フローチャートである。前記キーワード頻度テーブル
（表２参照）で、最も頻度の高いキーワードを取得し
（Ｓ４１）、取得カウントを１増やす（Ｓ４２）。取得
カウントがしきい値に達したかどうかをチェックする
（Ｓ４３）。しきい値は手動で設定しても良いし、前記
キーワード頻度テーブルなどを参照して自動計算して設
定するなどしても良い。しきい値に達した場合は、この
処理は終了する。

【００３２】取得カウントがしきい値に達していない場
合は、ステップＳ４４へ進み、前記ステップＳ４１で取
得した最上位のキーワードのディレクトリを作成する。
これは上位ディレクトリとなる。ディレクトリ名は任意
に選ぶことができるが、簡単のためにはキーワードと同
じ名称にする（Ｓ４４）。

【００３３】上位ディレクトリの作成が終了したら、下
位に関連するディレクトリを作成する。下位ディレクト
リとなるキーワードは、前記キーワード関連テーブル
（表３）を参照して作成する。表３の例では、関連が１
以上のもの、即ち、「設計書」、「議事録」、「カメ
ラ」、「設計計画」、「販売計画」、「ライブラリ」、
「テスト」が下位ディレクトリとなる（Ｓ４５）。

【００３４】以上の処理を、取得カウントがしきい値に
達するまで上記処理を繰り返す。また、さらに下位のデ
ィレクトリを作る場合は、別のしきい値を設定して、上
記と同様に処理すればよい。

【００３５】ディレクトリは、例えば、図５で示すツリ
ー構造となる。前述の表２の例ではプリンタというキー
ワードが最上位にあるので、「プリンタ」の名称で上位
ディレクトリを作成する（Ｓ４１）。

【００３６】「プリンタ」というキーワードの下位に
は、図５に示すキーワードが関連する。この関連は、表
３のキーワード関連テーブルから求めることができる。
第１行のキーワード「プリンタ」に対する関連度が、頻
度として記録されているので、頻度１以上が「関連度あ
り」となる。関連度がない文書即ち頻度が０（ゼロ）の
文書や、その他「関連度あり」と判定されなかった文書
のＩＤ番号を記録できるように「分類不能」というディ
レクトリを作っておく。

【００３７】表４は、ディレクトリ番号が記された各デ
イレクトリ番号と上位ディレクトリ番号を示すものであ
る。「プリンタ」ディレクトリは、上位ディレクトリが
ないので、「０（ゼロ）」と表示され、「カメラ」ディ
レクトリの上位ディレクトリは「プリンタ」ディレクト
リであるから、そのディレクトリＩＤ「１」が記されて
いる。

【００３８】図６は、各ディレクトリ即ちキーワードに
対応する文書のＩＤ番号を付けて、文書を分類したもの
を概念的に示したものである。図７は、図６に示した分
類処理の例を説明するためのフローチャートで、以下、
図７に示したフローチャートに基づいて説明する。

【００３９】図７において、最初の文書からキーワード
を取得し（Ｓ７１）、次の文書があれば次ステップ（Ｓ
７３）に進み、なければこの処理は終了する。

【００４０】取得した各キーワードの名称と各ディレク
トリの名称で、一致するものがあるかどうか比較する
（Ｓ７４）。一致するものがあれば、文書とディレクト
リの関連を付ける。

【００４１】関連付けの方法は、表５の例で説明する。
表５は、文書ＩＤ番号とディレクトリＩＤの関連を示す
文書管理テーブルである。文書とディレクトリの関連付
けは、上記文書管理テーブルにディレクトリＩＤを記録
することにより行うことができる。表５では文書ＩＤ番
号が0001,0002,0003,0005,0007,0008である文書が、デ
ィレクトリＩＤ１に記録されていることを示している。

【００４２】

【表５】

【００４３】ＩＤ番号0001の文書は、次のディレクトリ
ＩＤとして３が記されているが、これはディレクトリＩ
Ｄ３の「議事録」ディレクトリにも文書ＩＤ番号0001が
記録されており、さらにディレクトリＩＤ５の「設計計
画」ディレクトリにも記録されていることを示してい
る。

【００４４】ＩＤ番号0004の文書は、上位ディレクトリ
ＩＤ２「設計書」に記録され、その下位ディレクトリＩ
Ｄ４「カメラ」にも記録されていることを示している。

【００４５】ＩＤ番号0006の文書には、上位ディレクト
リＩＤ１または２に記録がないので、文書管理テーブル
には０（ゼロ）と記録されている。下位ディレクトリに
も該当がないのでその記録は０「ゼロ」となっている。

【００４６】この処理をディレクトリの数の分繰り返し
たら（Ｓ７６）、次の文書のキーワードを取得する（Ｓ
７１）。比較・関連付け処理が全ては終了していない場
合は、ディレクトリとキーワードの比較・関連付けの処
理を繰り返す（Ｓ７３−Ｓ７６）。

【００４７】この関連付け処理を全ての文書について行
うと、図６に示したような関係となる。図６中文書番号
0006が分類不能のディレクトリに記録されているが、こ
れはこの文書には「プリンタ」というキーワードが付与
されていないためである。

【００４８】

【発明の効果】上述のように、本発明では、文書とディ
レクトリの関連付けがツリー構造で行われ、検索時に
は、上記ディレクトリのツリー構造により関連する文書
が呼び出せるので、ヒット率が向上する。

【００４９】本発明は、ワードプロセッサ等で作成され
た文字コードからなるドキュメント、スキャナ等による
イメージデータをＯＣＲ（光学文字読取装置）等で文字
コード化したドキュメント、商用データベースなどから
ダウンロードされたテキスト形式ドキュメントの管理に
好適で、ドキュメントの登録、検索に便利である。

【００５０】人手によることなく自動的にツリー構造の
索引が作成されるので、文書登録時の索引作業が不要に
なる。

【図面の簡単な説明】

【図１】 本発明をパーソナルコンピュータ等の文書処
理機器に適用した例を説明するフローチャートである。

【図２】 キーワード頻度テーブルを作成または追加す
る例を説明するフローチャートである。

【図３】 キーワード関連テーブルをマトリックスに作
成する例を説明するフローチャートである。

【図４】 ディレクトリ作成の例を説明するフローチャ
ートである。

【図５】 ディレクトリ構造の例を説明する図である。

【図６】 ディレクトリ構造へ文書を分類した例を説明
する図である。

【図７】 ディレクトリへの文書分類処理を説明する図
である。

Claims (2)

【特許請求の範囲】
1. 【請求項１】 複数の電子化文書に対して各文書毎のキ
   ーワードを抽出し、 各キーワードに対して該キーワードが抽出された文書の
   数より該キーワードの出現頻度を求め、 各キーワードに対して該キーワードを含む文書の数から
   該キーワードに対する文書間の関連度を求め、 前記キーワードの出現頻度と文書間の関連度とから、前
   記文書をツリー構造に分類することを特徴とする文書自
   動分類方式。
2. 【請求項２】 請求項１に記載された文書自動分類方式
   において、文書が複数のキーワードを有しかつキーワー
   ドが複数のツリー構造のノードに該当するときは、該当
   するノードに登録するようにしたことを特徴とする文書
   自動分類方式。