JP2006072744A - 文書処理装置、その制御方法、プログラム、及び記憶媒体 - Google Patents

Abstract

【課題】 複数の検索手法にとって文書を検索する場合に、可及的に迅速且つ高精度に検索できるようにする。
【解決手段】 複数の検索手法にそれぞれ対応して、検索対象の文書を複数のブロックに分割し、分割された各ブロックの文字列に基づいて複数の検索手法に対応する前記検索対象の文書のインデックスをそれぞれ生成すると共に、検索要求用のクエリーを生成するための文書中の文字列を検索手法に応じて複数のブロックに分割し、分割された各ブロックの文字列に基づいて検索要求用のクエリーを生成して検索する。
【選択図】 図８

Description

本発明は、文書処理装置、その制御方法、プログラム、及び記憶媒体に関し、特に、複数の検索手法によって文書を検索する文書処理装置等に関する。

従来、所望の文書（文書データ）を検索する場合の基本的な検索手法として、与えられたキーワード（検索要求用のクエリー）が文書中に記述されているか否かで検索を行うキーワード検索が知られているが、このキーワード検索では、所望の文書を迅速に検索することが困難であるため、各種の検索手法の検索エンジンが考案されている。

例えば、所望の文書を検索する検索エンジンとして、キーワード間の関係や構文情報の類似度を用いた検索エンジン、文書の内容を特徴付ける文書ベクトルを用いた検索エンジンなどが考案されている。また、内容を特徴付ける意味、分野、単語そのものを次元として、その特徴量を値とすることでベクトル表現し、文書ベクトル間の内積値等を用いて文書間の類似度を求める検索エンジンも考案されている。さらに、各種の検索手法に係る複数の検索エンジンを搭載し、この複数の検索エンジンを切り替えて検索したり、複数の検索エンジンによる検索結果から総合的に検索したりするものも考案されている。

また、与えられたキーワードをｎ文字の部分文字列に分割し、これら部分文字列の組み合わせを全て有する文書を探し出すことにより、検索対象の文書を絞り込む検索手法も考案されている（特許文献１参照）。

さらに、レイアウト情報付き文書の各テキストブロック毎に、そのテキストブロックの末尾文とそのテキストブロックに連続する可能性のある他のテキストブロックの先頭文を結合した文を形態素解析し、その結合文の自然さを評価するすることにより最も自然なテキストブロックの接続順を調査し、ブロック順を再配置する技術も開発されている（特許文献２参照）。
特開平０５−１７４０６４号公報 特開平１１−０１５８２６号公報

しかしながら、複数の検索手法により文書を検索する文書検索装置では、効率よく高精度に検索できる文書（文書の内容や種類等）が各検索エンジン毎に異なっているにも拘らず、従来は、どの検索エンジンで検索する場合にも、単に文書全体を１つの検索対象としてインデックスを作成していた。

このため、１つの文書に複数の話題が記載された文書を検索対象とした場合において、文書全体を１つの検索対象として作成されたインデックスを用いて文書ベクトル検索に係る検索エンジンで検索した場合は、高精度に検索することができなかった。また、全文検索やキーワードの関係や構文情報を検索する検索エンジンでは、検索対象の文書の情報量が多い場合には、迅速に検索することができなかった。

そこで、本発明は、複数の検索手法によって文書を検索する場合に、可及的に迅速且つ高精度に検索できるようにすることを目的とする。

上記目的を達成するため、本発明は、複数の検索手法によって文書を検索するための文書処理装置において、前記複数の検索手法にそれぞれ対応して、検索対象の文書を複数のブロックに分割する分割手段と、前記分割手段により分割された各ブロックの文字列に基づいて前記複数の検索手法に対応する前記検索対象の文書のインデックスをそれぞれ生成する生成手段とを有している。

また、本発明は、複数の検索手法によって文書を検索するための文書処理装置において
、検索要求用のクエリーを生成するための文書中の文字列を検索手法に応じて複数のブロックに分割する分割手段と、前記分割手段により分割された各ブロックの文字列に基づいて検索要求用のクエリーを生成する生成手段とを有している。

本発明によれば、複数の検索手法にそれぞれ対応して検索対象の文書を複数のブロックに分割し、それら各ブロックの文字列に基づいて複数の検索手法に対応する前記検索対象の文書のインデックスを生成すること等により、複数の検索手法によって文書を検索する場合に可及的に迅速且つ高精度に検索できるようになる。

以下、図面を参照しながら本発明を実施するための最良の形態を説明する。

［第１の実施の形態］
図１は、本発明の実施の形態に係る文書処理装置としての文書検索装置の概略構成を示すブロック図である。

この文書検索装置は、パーソナルコンピュータ等のコンピュータにより構成され、各種の検索手法に係る複数の検索エンジンを搭載している。図１に示したように、この文書検索装置は、中央処理装置１、記憶装置２、入力装置３、表示装置４、記憶媒体読取装置５、及び画像読取装置６を有し、これらデバイスを用いて、検索対象となる文書データ（画像データを含む）についてインデックスを作成するインデキシング機能と、作成されたインデックスを用いて文書検索処理を行う文書検索機能とを実現している。

中央処理装置１は、ＣＰＵ、ＭＰＵ等により構成され、記憶装置２に格納されたプログラムに従ってインデキシング処理、文書検索処理等の本実施の形態における各種の処理を実行する。記憶装置２は、ハードディスク等により構成され、検索対象となる文書データやアノテーション付き画像データ、プログラムや辞書（基本ベクトル辞書等）を収納したデータベース等が記憶される。入力装置３は、キーボード、マウス等により構成され、各種のデータやコマンドの入力に利用される。表示装置４は、液晶ディスプレイ等により構成され、文書検索結果等が表示される。記憶媒体読取装置５は、フロッピー（登録商標）ディスク（登録商標）、ＣＤ−ＲＯＭ、ＲＯＭ、磁気テープ等の記録媒体に記憶されたプログラム（図４，５，６，７，９，１０，１５，１６のフローチャートに対応する制御プログラム、及び複数の検索エンジンを含む）やデータ等を読み取って記憶装置２に格納する。画像読取装置６は、スキャナ等により構成され、原稿等に形成された画像を光学的に読み取り、電子的な画像データに変換して入力する。この画像読取装置６は、画像データの中から文字列を認識し、文字コードに変換するＯＣＲ（Ｏｐｔｉｃａｌ Ｃｈａｒａｃｔｅｒ Ｒｅａｄｅｒ）機能を有している。

図１に示した文書検索装置は、スタンドアローン型のものだけでなく、図２に示したように、ＬＡＮ等のネットワークＮ上のサーバ装置１００，２００、クライアント装置１０１，１０２，２０１，２０２に適用することができ、図３に示したように、インターネット３００に接続された端末４００、不図示のサーバ装置に適用することもできる。なお、図２のサーバ装置１００，２００は、文書データベースを有しており、文書データをクライアント装置１０１，１０２，２０１，２０２に提供するものである。図２の構成においては、以下に示す検索装置として、サーバ装置１００，２００およびクライアント装置１０１，１０２，２０１，２０２のいずれがその機能を有するものであってもよいが、検索手法（検索エンジン）の選択処理はクライアント装置１０１，１０２，２０１，２０２で行うものとする。以下に示す実施の形態では、検索に関しては、文書画像のブロック分割処理、検索結果の表示をクライアント装置１０１，１０２，２０１，２０２が行い、検索処理に関してはサーバ装置１００，２００が行うものとする（すなわちサーバ装置１００，２００が検索エンジンとして機能するものとする）。また、インデキシング処理に関しては、インデックスの作成までの処理をクライアント装置１０１，１０２，２０１，２０２が行い、インデックスの登録をサーバ装置１００，２００側が行うものとする。

＜検索処理の概要＞
次に、検索処理の概要を、図４のクライアント装置１０１，１０２，２０１,２０２の動作処理フローチャートに基づいて説明する。

この検索処理では、文書画像データを取得する画像取得処理（ステップＳ４０１）と、文書画像データを解析する文書画像解析処理（ステップＳ４０２）と、テキストブロック最適化処理（ステップＳ４０３）と、検索処理（ステップＳ４０４）と、検索結果を表示する検索結果表示処理（ステップＳ４０５）とが実行される。

ここで、画像取得処理（ステップＳ４０１）は、スキャナなどの画像読取装置６で文書画像をスキャンすることによって得られた文書画像データを取得する処理である。文書画像解析処理（ステップＳ４０２）は、ステップＳ４０１で得られた文書画像データから写真画像ブロックやテキストブロック（文字列のブロック）を取得する処理であり、テキストブロックを取得するためにＯＣＲ機能により文字列を認識する。

ステップＳ４０３の前の段階で、後述する異なる検索手法を有する検索エンジンの中からユーザが予め所望の検索エンジンを選択する。テキストブロック最適化処理（ステップＳ４０３）は、ステップＳ４０２で得られたテキストブロックを複数の検索エンジンの中から予め指定された検索エンジンの特性に合わせてブロック結合、またはブロック分割することによりテキストブロックを最適化する処理である。検索処理（ステップＳ４０４）は、ステップＳ４０３で得られたテキストブロックをサーバ装置１００，２００の文書データベースに対する問い合わせの言葉（クエリー）として文書検索の指令を行う処理である。また、検索結果表示処理（ステップＳ４０５）は、ステップＳ４０４のサーバ装置１００，２００における検索処理の結果である文書のリストを受信し、図１１に示すようにクエリーに対する一致度の高い順に表示装置４に一覧表示する（または、記憶装置２に格納する）処理である。

＜インデキシング処理（文書検索のためのインデックス（索引）の作成処理）の概要＞
次に、インデキシング処理の概要を、図５のクライアント装置１０１，１０２，２０１,２０２の動作処理フローチャートに基づいて説明する。

このインデキシング処理では、文書画像データを取得する画像取得処理（ステップＳ５０１）と、文書画像データを解析する文書画像解析処理（ステップＳ５０２）と、全ての検索エンジンに対するインデキシング処理が終了したか否かを判定するインデキシング終了判定処理（ステップＳ５０３）と、各検索エンジンに対応するテキストブロック最適化処理（ステップＳ５０４）と、各検索エンジンに対応するインデキシング処理（ステップＳ５０５）とが実行される。

ここで、文書画像取得処理（ステップＳ５０１）は、スキャナなどの画像読取装置６で文書画像をスキャンすることによって得られた文書画像データを取得する処理であり、文書画像解析処理（ステップＳ５０２）は、ステップＳ５０１で得られた文書画像データから写真画像ブロックやテキストブロックを取得する処理であり、テキストブロックを取得するためにＯＣＲ機能により文字列を認識する。

インデキシング終了判定処理（ステップＳ５０３）は、当該文書検索装置に搭載された全ての検索エンジンに対してインデキシング処理が終了しているか否かを判定する処理であり、テキストブロック最適化処理（ステップＳ５０４）は、ステップＳ５０２で得られたテキストブロックを、現在着目している検索エンジンの特性に合わせて結合または分割して最適化する処理であり、インデキシング処理（ステップＳ５０５）は、最適化されたテキストブロックからインデックス（インデックスファイル、インデックステーブル）を作成し、複数の検索手法に対応してそれぞれ作成されたインデックスをサーバ装置１００，２００に送信し、サーバ装置１００，２００側の記憶装置２に文書画像とともに登録する処理である。

＜テキストブロック最適化処理の詳細＞
次に、図４のステップＳ４０３、図５のステップＳ５０４におけるテキストブロック最適化処理の詳細を、図６のクライアント装置１０１，１０２，２０１,２０２の動作処理フローチャート、図８のデータ例に基づいて説明する。本実施の形態では、分割されたテキストブロックに基づいてクエリーおよびインデックスが作成される。そして、テキストブロックの最適化の処理は、作成したクエリーおよびインデックスが検索手法に応じて適切に作成されるための処理である。

このテキストブロック最適化処理では、中央処理装置１は、まず、図４のステップＳ４０２、図５のステップＳ５０２での文書画像データの解析結果、すなわち写真ブロック、テキストブロックを取得する（図６のステップＳ６０１）。例えば、図８（ａ）に示した文書画像データを解析したとすると、解析結果として、図８（ｂ）において枠で囲った部分のような写真ブロック、テキストブロックを取得する。次に、中央処理装置１は、取得した全てのテキストブロックについて最適化処理を終了したか否かを判別する（ステップＳ６０２）。図８の例では、「テキスト１」、「テキスト１−１」、「テキスト１−２」、「テキスト２」、「テキスト２−１」、「テキスト２−２」、「テキスト３、テキスト３−１、テキスト３−２」の各テキストブロックについて以下の最適化処理処理（ブロック分割、またはブロック結合）を順次行い、その都度、ステップＳ６０１で取得した全てのテキストブロックについて最適化処理を終了したか否かを判別する。

最適化処理を終了していない場合、中央処理装置１は、最適化処理を未だ行っていない１つのテキストブロックに着目し、この着目したテキストブロックについてブロック分割を行うべきか否かを、検索エンジンの特性に応じて判定する（ステップＳ６０３）。例えば、フレーズまたは単語単位で検索を行う検索エンジン（キーリレーション検索：例えば、「モバイル」「関連機器」「の」「市場」「規模」と分割された単語間の関連性に基づいて類似した文書を検索する検索を指す）を用いて処理する場合は、文単位でインデックスを作成した場合に効率良く検索を行えるので、中央処理装置１は、着目したテキストブロックについてさらに詳細にブロック分割を行うべきであると判定し（ステップＳ６０３）、１文単位のテキストブロックにするようにブロック分割を行う（ステップＳ６０４）。図８の例では、「テキスト１」、「テキスト１−１」、「テキスト１−２」、「テキスト２」、「テキスト２−１」、「テキスト２−２」、「テキスト３」、「テキスト３−１」、「テキスト３−２」がそれぞれ文であるとすると、「テキスト３、テキスト３−１、テキスト３−２」のテキストブロックには、３つの文が存在するため、この「テキスト３、テキスト３−１、テキスト３−２」のテキストブロックについては、図８（ｃ）に示したように、「テキスト３」、「テキスト３−１」、「テキスト３−２」の３つの文単位のブロックに分割する。

中央書処理装置１は、着目したテキストブロックについてブロック分割を行うべきでないと判定した場合は、更に、着目したテキストブロックについて、次のテキストブロック（最適化処理を未だ行っていないテキストブロック）と結合すべきか否かを、検索エンジンの特性に応じて判定する（ステップＳ６０５）。例えば、単語の概念を表現する多次元意味属性を判断する概念ベクトル検索を行う検索エンジンの場合は、同一の単語が含まれていなかったとしても類似する意味を有する単語あるいは話題（概念ベクトル）が同じテキストブロック内に存在した方が効率良く、且つ高精度に検索できる。そのため、着目したテキストブロックと次のテキストブロックに係る意味や話題が同一又は類似する場合は、同じ話題のものを同一のブロックとした方が効率がよい。よってテキストブロックを同一の話題である可能性が高いと予想される１文単位よりブロックの大きな段落を１つの単位とすべきである。よって１文単位よりブロックの大きな段落ごとにブロック化するために分割に係る上記テキストブロックを結合すべきであると判定し（ステップＳ６０５）、これらテキストブロックを結合する（ステップＳ６０６）。

図８の例では、「テキスト１」と「テキスト１−２」と「テキスト１−２」のテキストブロックは同じ話題（概念ベクトル）、同様に「テキスト２」と「テキスト２−２」と「テキスト２−２」のテキストブロックは同じ話題であるとすると、図８（ｅ）に示したように、「テキスト１」と「テキスト１−２」と「テキスト１−２」のテキストブロックを結合し、同様に「テキスト２」と「テキスト２−２」と「テキスト２−２」のテキストブロックを結合する。

なお、ここで述べる概念ベクトル検索では、たとえば、『モバイル関連機器の市場規模』というクエリーの検索要求がなされたとすると、「モバイル」「機器」「市場」のキーワードに基づいて文書概念ベクトルが生成され、各ベクトル間の類似判定がなされ、その結果、クエリーに係るキーワードを含まなくとも内容全体が類似している文書が検索されることとなる。

同様に、図８（ｃ）に示すように、例えば文書中の単語の存在の有無のみによって文書の類似性を判断するベクトル検索の場合は、キーリレーション検索および概念ベクトル検索より大きい単位で文書をブロック化する（例えば、文書全体を１つのブロックとして文書の類似性を判断する）べきである。

＜フレーズ検索処理＞
次に、図４のステップＳ４０４におけるサーバ装置１００，２００側の検索処理（類似検索処理）の１例としてのフレーズ検索処理を、図７、図１２に基づいて説明する。

このフレーズ検索処理では、クエリー単語取得処理（図７のステップＳ７０１）と、クエリー単語間関係取得処理（ステップＳ７０２）と、類似度算出処理（ステップＳ７０３）とが実行される。

クエリー単語取得処理（ステップＳ７０１）は、図４のステップＳ４０３で最適化されたテキストブロックの文書データを形態素解析し、その解析結果に基づいてクエリー単語を取得する処理である。

例えば、図４のステップＳ４０３で最適化されたテキストブロックの文書データが、図１２（ａ）に示すように「画像を印刷する。」である場合は、この「画像を印刷する。」という文字列を形態素解析して、「画像」、「を」、「印刷する。」という３つのクエリー単語を取得する。

クエリー単語間関係取得処理（ステップＳ７０２）は、ステップＳ７０１で取得したクエリー単語の構文情報を取得する処理である。例えば、上記のようにクエリー単語として、「画像」、「を」、「印刷する。」を取得した場合は、クエリー単語間関係取得処理（ステップＳ７０２）では、『「画像」が「印刷する」に係る』という構文情報を取得する。

類似度算出処理（ステップＳ７０３）は、ステップＳ７０１、Ｓ７０２でそれぞれ取得した画像データ中の単語間の関連性（検索条件）と、文書データベース中の検索対象の各登録文書に係る単語間の関連性を比較して、類似度を算出する処理である。

例えば、図１２（ｂ）の文書１に関しては、単語「画像」と単語「印刷する（句であるがここでは説明の簡略化のため単語とする）」が含まれ、「画像」が「印刷する」に係っていることと、「高速」が「印刷する」に係っていることが示されており、「画像」が「印刷する」に係っている点でクエリーと検索対象が類似している。

従って、完全に類似しているフレーズを含んでいる基準類似度を１とし、例えば、単語が含まれていないことによる減点を０．７、単語間距離が異なる場合の減点を１単語につき０．１、単語の係り先が異なる場合の減点を０．５とすると、文書１は、類似したフレーズを含んでいる類似度＝１−単語が含まれていないことによる減点（０）−関連性による減点（単語間距離がクエリーと比較して２単語異なるので０．２の減点）＝０．８となる。また、図１２（ｂ）の文書２は、同様に、類似度＝１−単語による減点（０）−関連性による減点（係り先が違うので０．５の減点）＝０．５となる。

従って、図４のステップＳ４０５では、類似度の大きい図１２（ｂ）に示した文書１が検索結果として表示装置２に表示されるか、あるいは文書２よりリストの上位に表示されることになる。

＜概念検索処理＞
次に、図４のステップＳ４０４におけるサーバ装置１００，２００側の検索処理（類似検索処理）の１例としての概念検索処理を、図１０のフローチャートに基づいて説明する。

この概念検索処理では、クエリー言語解析結果取得処理（ステップＳ１００１）と、クエリーベクトル生成処理（ステップＳ１００２）と、類似度算出処理（ステップＳ１００３）とが実行される。

ここで、クエリー言語解析結果取得処理（ステップＳ１００１）は、図４のステップＳ４０３で最適化されたテキストブロックの文字列を形態素解析し、その解析結果に基づいてクエリー単語を取得する処理である。

クエリーベクトル生成処理（ステップＳ１００２）は、ステップＳ１００１で取得したクエリー単語の特徴ベクトルであるクエリーベクトルを生成する処理であり、類似度算出処理（ステップＳ１００３）は、ステップＳ１００２で生成されたクエリーベクトルと、記憶装置２に格納された文書データ毎の文書ベクトルとを比較して類似度を算出し、類似度の高い文書を検索結果としてリストアップする処理である。

＜概念検索の登録処理＞
次に、図５のステップＳ５０５のサーバ装置１００，２００側のインデキシング処理（概念検索の登録処理）を、図９、図１３、図１４に基づいて説明する。

この概念検索登録処理では、言語解析結果取得処理（ステップＳ９０１）と、文書ベクトル生成処理（ステップＳ９０２）と、インデックス登録処理（ステップＳ９０３）とが実行される。

ここで、文書（文書データ）は、記憶装置２に登録される段階で、言語解析結果取得処理（ステップＳ９０１）が施され、登録文書に含まれる単語が取得される。次に、文書ベクトル生成処理（ステップＳ９０２）において、ステップＳ９０１で取得された各単語を基本ベクトル辞書で検索することにより単語毎の次元別の特徴量を得て、その特徴量の総和から文書ベクトルが生成される。次に、インデックス登録処理（ステップＳ９０３）において、ステップＳ９０２で生成された文書ベクトルが、対応する文書（文書データ）又は文書の識別子と対応付けてサーバ装置１００，２００側の記憶装置２に登録される。

図１３は、基本ベクトル辞書の構成例を示した図である。図１３に示すように、基本ベクトル辞書には、単語毎に、ベクトル表現時のそれぞれの次元（Ｄｉｍ．）に応対した特徴量が格納されている。次元は、その単語本来の意味によって分類された基準や、その単語の使用分野に応じて分類された基準等が採用される。図１３では、「単語１」の「Ｄｉｍ．０１」の特徴量は「０」であり、「Ｄｉｍ．０２」の特徴量は「２３」であることが示されている。このように、基本ベクトル辞書から１つの単語におけるそれぞれの次元（Ｄｉｍ．）の特徴量を得ることが可能となる。特徴量は、その単語が使用されることにより、その文書がその分類基準（＝次元）をどれくらい特徴付ける可能性があるかを示す値と解釈することが可能である。文書を構成する全ての単語から得られた分類基準別（次元別）の特徴量から、文書全体の特徴量が分類基準を次元とするベクトルで表現される。

その後のインデックス登録処理（ステップＳ１０３）では、上記のベクトルをノルム＝１で正規化した値を文書ベクトルとし、その文書ベクトルを図１４に示すようなインデックステーブルに格納する。図１４では、「文書ＩＤ＝６９４７」の文書ベクトルの「Ｄｉｍ．０１」の特徴量は、０．１８３であり、「Ｄｉｍ．０２」の特徴量は、０．２１４であることが示されている。

このように第１の実施の形態では、複数の検索手法にそれぞれ対応して、検索対象の文書を複数のブロックに分割し、分割された各ブロックの文字列に基づいて複数の検索手法に対応する前記検索対象の文書のインデックスをそれぞれ生成すると共に、検索要求用のクエリーを生成するための文書中の文字列を検索手法に応じて複数のブロックに分割し、分割された各ブロックの文字列に基づいて検索要求用のクエリーを生成しているので、複数の検索手法によって文書を検索する場合に、可及的に迅速且つ高精度に検索することが可能となる。

［第２の実施の形態］
図１５は、第２の実施の形態における検索処理を示すフローチャートである。

この検索処理では、文書画像データを取得する画像取得処理（ステップＳ１５０１）と、文書画像データを解析する文書画像解析処理（ステップＳ１５０２）と、検索１に対するテキストブロック最適化処理（ステップＳ１５０３）と、検索１処理（ステップＳ１５０４）と、検索２に対するテキストブロック最適化処理（ステップＳ１５０３）と、検索２処理（ステップＳ１５０４）と、検索結果を表示する検索結果表示処理（ステップＳ１５０５）とが実行される。

ここで、画像取得処理（ステップＳ１５０１）は、スキャナなどの画像読取装置６で文書画像をスキャンすることによって得られた文書画像データを取得する処理であり、文書画像解析処理（ステップＳ１５０２）は、ステップＳ１５０１で得られた文書画像データから写真画像ブロックやテキストブロックを取得する処理であり、検索１に対するテキストブロック最適化処理（ステップＳ１５０３）は、ステップＳ１５０２で得られたテキストブロックを検索１に係る検索エンジンの特性に応じてブロック結合または分割し最適化を行う処理であり、検索１処理（ステップＳ１５０４）は、ステップＳ１５０３で得られたテキストブロックをクエリーとして、検索１に係る検索エンジンで検索を行う処理であり、検索２に対するテキストブロック最適化処理（ステップＳ１５０５）は、ステップＳ１５０２で得られたテキストブロックを検索２に係る検索エンジンの特性に応じてブロック結合または分割し最適化を行う処理であり、検索２処理（ステップＳ１５０６）は、ステップＳ１５０５で得られたテキストブロックをクエリーとして検索２に係る検索エンジンで検索または絞込検索を行う処理であり、検索結果表示処理（ステップＳ１５０７）は、ステップＳ１５０４、ステップＳ１５０６で得られた検索結果から図１１に示すように検索結果リストを一致度の高い順に表示装置４に一覧表示する、または、記憶装置２に格納する処理である。

このように、第２の実施の形態では、２つの検索エンジン毎にテキストブロックの最適化を行い、これら最適化されたテキストブロックをクエリーとして２つの検索エンジンを協働させて文書を検索しているので、１つの検索エンジンだけで文書検索を行う第１の実施の形態よりも一層、高精度に文書検索を行うことが可能となる。なお、３つ以上の検索エンジンを同様に協働させて文書を検索することも可能である。

［第３の実施の形態］
図１６は、第３の実施の形態における検索処理を示すフローチャートである。

この検索処理では、文書画像データを取得する画像取得処理（ステップＳ１６０１）と、文書画像データを解析する文書画像解析処理（ステップＳ１６０２）と、検索１、又は検索２に係る検索手法を選択する選択処理（ステップＳ１６０３）と、検索１、又は検索２に対するテキストブロック最適化処理（ステップＳ１６０４、Ｓ１６０６）と、検索１処理、又は検索２処理（ステップＳ１６０５、Ｓ１６０７）と、検索１処理、又は検索２処理で得られた検索結果を表示する検索結果表示処理（ステップＳ１６０８）とが実行される。

ここで、画像取得処理（ステップＳ１６０１）は、スキャナなどの画像読取装置６で文書画像をスキャンすることにより得られた文書画像データを取得する処理であり、文書画像解析処理（ステップＳ１６０２）は、ステップＳ１６０１で得られた文書画像データから写真画像ブロックやテキストブロックを取得する処理である。

選択処理（ステップＳ１６０３）は、ステップＳ１６０２で得られたテキストブロックの特徴に応じて、検索１、又は検索２に係る検索手法を自動的に選択する処理であり、検索１に対するテキストブロック最適化処理（ステップＳ１６０４）は、検索１に係る検索手法が選択された場合に、ステップＳ１６０２で得られたテキストブロックを検索１に係る検索エンジンの特性に応じてブロック結合または分割して最適化を行う処理であり、検索１処理（ステップＳ１６０５）は、ステップＳ１６０４で得られたテキストブロックをクエリーとして検索１に係る検索エンジンで検索を行う処理である。また、検索２に対するテキストブロック最適化処理（ステップＳ１６０６）は、検索２に係る検索手法が選択された場合に、ステップＳ１６０２で得られたテキストブロックを検索２に係る検索エンジンの特性に応じてブロック結合または分割し最適化を行う処理であり、検索２処理（ステップＳ１６０７）は、ステップＳ１６０６で得られたテキストブロックをクエリーとして検索２に係る検索エンジンで検索を行う処理である。

このように、第３の実施の形態では、文書画像データの解析により得られたテキストブロックの特徴に応じて、自動的に検索エンジンを選択し、その選択した検索エンジンの特性に応じてテキストブロックをブロック結合または分割して最適化し、この最適化されたテキストブロックをクエリーとして選択に係る検索エンジンで文書を検索しているので、ユーザは、検索要求用のクエリーを生成するための文書の内容に応じた適切な検索エンジンを指定する必要がなくなり、利便性が向上する。なお、第３の実施の形態は、３つ以上の検索エンジンを搭載している場合にも適用することができる。

また、本発明は、上述した実施形態の装置に限定されず、複数の機器から構成されるシステムに適用しても、１つの機器から成る装置に適用してもよい。前述した実施形態の機能を実現するソフトウェアのプログラムコードを記憶した記憶媒体をシステムあるいは装置に供給し、そのシステムあるいは装置のコンピュータ（またはＣＰＵやＭＰＵ）が記憶媒体に格納されたプログラムコードを読み出し実行することによっても、完成されることは言うまでもない。

この場合、記憶媒体から読み出されたプログラムコード自体が前述した実施形態の機能を実現することになり、そのプログラムコードを記憶した記憶媒体は本発明を構成することになる。プログラムコードを供給するための記憶媒体としては、例えば、フロッピー（登録商標）ディスク、ハードディスク、光ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、ＣＤ−Ｒ、磁気テープ、不揮発性のメモリカード、ＲＯＭを用いることができる。また、コンピュータが読み出したプログラムコードを実行することにより、前述した実施形態の機能が実現されるだけではなく、そのプログラムコードの指示に基づき、コンピュータ上で稼動しているＯＳなどが実際の処理の一部または全部を行い、その処理によって前述した実施形態の機能が実現される場合も含まれることは言うまでもない。

さらに、記憶媒体から読み出されたプログラムコードが、コンピュータに挿入された機能拡張ボードやコンピュータに接続された機能拡張ユニットに備わるメモリに書き込まれた後、次のプログラムコードの指示に基づき、その拡張機能を拡張ボードや拡張ユニットに備わるＣＰＵなどが処理を行って実際の処理の一部または全部を行い、その処理によって前述した実施形態の機能が実現される場合も含まれることは言うまでもない。

本発明の実施の形態に係る文書処理装置としての文書検索装置の概略構成を示すブロック図である。 上記文書検索装置を適用した通信ネットワーク例を示す図である（ＬＡＮ等）。 上記文書検索装置を適用した通信ネットワーク例を示す図である（インターネット）。 第１の実施の形態に係る文書検索処理を示すフローチャートである。 インデキシング処理を示すフローチャートである。 文書検索処理、及びインデキシング処理の過程におけるテキストブロックの最適化処理の詳細を示すフローチャートである。 類似検索の１例であるフレーズ検索処理の詳細を示すフローチャートである。 テキストブロックの最適化処理例を示す図である。 類似検索の１例である概念検索処理に係るインデックス登録処理を示すフローチャートである。 概念検索処理の詳細を示すフローチャートである。 文書検索結果例を示す図である。 フレーズ検索処理のクエリー、及び文書のデータ例を示す図である。 概念検索処理で用いる基本ベクトル辞書の構成例を示す図である。 概念検索処理に係るインデックステーブル例を示す図である。 第２の実施の形態に係る文書検索処理を示すフローチャートである。 第３の実施の形態に係る文書検索処理を示すフローチャートである。

符号の説明

１…中央処理装置
２…記憶装置
３…入力装置
４…表示装置
５…記憶媒体読取装置
６…画像読取装置
１００，２００…サーバ装置
１０１，１０２，２０１，２０２…クライアント装置
４００…端末

Claims (12)

1. 複数の検索手法によって文書を検索するための文書処理装置において、
   前記複数の検索手法にそれぞれ対応して、検索対象の文書を複数のブロックに分割する分割手段と、
   前記分割手段により分割された各ブロックの文字列に基づいて前記複数の検索手法に対応する前記検索対象の文書のインデックスをそれぞれ生成する生成手段と、
   を有することを特徴とする文書処理装置。
2. 複数の検索手法によって文書を検索するための文書処理装置において、
   検索要求用のクエリーを生成するための文書中の文字列を検索手法に応じて複数のブロックに分割する分割手段と、
   前記分割手段により分割された各ブロックの文字列に基づいて検索要求用のクエリーを生成する生成手段と、
   を有することを特徴とする文書処理装置。
3. 前記検索手法が単語間の関連性に基づいて文書を検索する第１の検索手法の場合、前記分割手段は、前記文書中の文字列を文単位でテキストブロックに分割することを特徴とする請求項１または２に記載の文書処理装置。
4. 前記検索手法が単語の概念に基づいて文書を検索する第２の検索手法の場合、前記分割手段は、前記第１の検索手法の場合より大きい単位で前記文書中の文字列を分割することを特徴とする請求項３に記載の文書処理装置。
5. 前記検索手法が文書中の単語の存在の有無のみによって文書を検索する第３の検索手法の場合、前記分割手段は、前記第２の検索手法より大きい単位で前記文書中の文字列を分割することを特徴とする請求項４に記載の文書処理装置。
6. 複数の検索手法によって文書を検索するための文書処理装置の制御方法において、
   検索対象の文書中の文字列を検索手法応じて複数のブロックに分割する分割工程と、
   前記分割工程により分割された各ブロックの文字列に基づいてインデックスを生成する生成工程と、
   を有することを特徴とする文書処理装置の制御方法。
7. 複数の検索手法によって文書を検索するための文書処理装置の制御方法において、
   検索要求用のクエリーを生成するための文書中の文字列を検索エンジンの特性に応じて複数のブロックに分割する分割工程と、
   前記分割工程により分割された各ブロックの文字列に基づいて検索要求用のクエリーを生成する生成工程と、
   を有することを特徴とする文書処理装置の制御方法。
8. 前記検索手法が単語間の関連性に基づいて文書を検索する第１の検索手法の場合、前記分割工程において、文単位で前記文書中の文字列をテキストブロックに分割することを特徴とする請求項６または７に記載の文書処理装置の制御方法。
9. 前記検索手法が単語の概念に基づいて文書を検索する第２の検索手法の場合、前記分割工程において、前記第１の検索手法の場合より大きい単位で前記文書中の文字列を分割することを特徴とする請求項８に記載の文書処理装置の制御方法。
10. 前記検索手法が文書中の単語の存在の有無のみによって文書を検索する第３の検索手法の場合、前記分割工程において、前記第２の検索手法より大きい単位で前記文書中の文字列を分割することを特徴とする請求項９に記載の文書処理装置の制御方法。
11. 請求項６ないし請求項１０のいずれか１項に記載の文書処理装置の制御方法を実行するプログラム。
12. 請求項１１に記載のプログラムを記憶した記憶媒体。

Images