JP2006171969A - 文書処理装置 - Google Patents

Abstract

【課題】特定の属性を有するキーワードを出力可能な文書処理装置を提供する。
【解決手段】処理対象の医療レポートが入力されると、文書処理装置１０は、まず、医療レポートを構成する文字列を形態素解析部１１に与え、形態素解析部１１が当該文字列を単語に分割して単語リストを生成する。そして、単語抽出部１３が、シソーラス検索部１２によって特定された単語リスト中の選択単語のシソーラスコードが抽出条件に適合するか否かを判定し、適合する場合、当該選択単語を抽出してキーワードとして出力する。
【選択図】図２

Description

本発明は、処理対象の文書を特徴づけるキーワードを出力する文書処理装置に関する。

従来より、文書の内容を特徴づけるキーワードを出力する文書処理装置が情報検索システム等で用いられている。当該文書処理装置においては、文書を構成する文字列を形態素解析により単語に分割して単語群を生成し、ＴＦ−ＩＤＦ（Term Frequency - Inverse Document Frequency）値等の重み指標値が所定値以上の単語を当該単語群から抽出して文書のキーワードとしている（例えば、非特許文献１参照）。

なお、特許文献１には複合語の処理に関する技術が、特許文献２には漢字のルビ付けに関する技術が開示されている。

北 研二、他２名、「情報検索アルゴリズム」、初版、共立出版株式会社、２００２年１月、ｐ．２７−４９ 特開平１０−２５４８８２号公報 特開平１１−２３２２６８号公報

しかし、従来の文書処理装置においては、特定の属性を有するキーワードを出力することが困難であり、これに起因して、キーワードの属性に基づいて文書を構造化することも困難であった。

本発明は、この問題を解決するためになされたもので、特定の属性を有するキーワードを出力可能な文書処理装置を提供することを目的とする。

上記課題を解決するため、請求項１の発明は、処理対象の文書を特徴づけるキーワードを出力する文書処理装置であって、単語を階層的に整理したシソーラスと、与えられた文字列を単語に分割して単語群を生成する分割手段と、前記分割手段により生成された単語群に含まれる単語について、前記シソーラスに対する検索を行い、前記シソーラスの階層構造上の位置である階層位置を特定する特定手段と、前記分割手段により生成された単語群から、前記特定手段により特定された階層位置が抽出条件に適合する単語を抽出する抽出手段とを備え、処理対象の文書が入力されると、処理対象の文書を構成する文字列を前記分割手段に与え、前記分割手段により生成された単語群から前記抽出手段が抽出した単語に基づくキーワードを出力する。

請求項２の発明は、請求項１に記載の文書処理装置において、キーワードとともに、キーワードの基礎となった単語の階層位置をキーワードの階層位置として出力する。

請求項３の発明は、請求項１または請求項２に記載の文書処理装置において、前記分割手段により生成された単語群に含まれる単語が接辞であるか否かを判定する判定手段をさらに備え、前記抽出手段により抽出された単語が、前記判定手段により接辞と判定された単語の語幹である場合、当該語幹に当該接辞を付加した派生語をキーワードとして出力する。

請求項４の発明は、請求項１または請求項２に記載の文書処理装置において、前記抽出手段により抽出された単語をキーワードとして出力する。

請求項５の発明は、請求項１ないし請求項４のいずれかに記載の文書処理装置において、前記分割手段が文字列を単語に分割する場合に参照する辞書を、複数の辞書の間で切り替え可能である。

請求項６の発明は、請求項１ないし請求項５のいずれかに記載の文書処理装置において、前記分割手段が、文書を単語に分割して生成した単語群に含まれる複合語をさらに単純語に分割し、前記特定手段が、前記複合語の階層位置を、前記シソーラスに含まれる前記単純語の階層位置のひとつ下の階層位置と特定する。

請求項７の発明は、請求項６に記載の文書処理装置において、前記分割手段が、文字列を単語に分割する場合に参照する辞書を、基本的な単語を含む基本辞書と、前記基本辞書よりも多くの単語を含む詳細辞書との間で切り替え可能であり、前記詳細辞書を参照して処理対象の文書を構成する文字列を単語に分割し、前記基本辞書を参照して前記複合語を前記単純語に分割する。

請求項８の発明は、請求項６または請求項７に記載の文書処理装置において、前記特定手段が、前記シソーラスに含まれる前記単純語が複数存在する場合に、前記複合語の階層位置を、前記シソーラスに含まれる前記単純語のうちで、前記複合語の中で最後方に位置する単純語の階層位置のひとつ下の階層位置と特定する。

請求項９の発明は、請求項１ないし請求項８のいずれかに記載の文書処理装置において、前記分割手段が文字列を単語に分割する場合に参照する辞書に異表記の対応の情報が保持されており、前記分割手段が、当該異表記の対応の情報を参照して、異表記語を同一の単語として処理する。

請求項１０の発明は、請求項９に記載の文書処理装置において、前記抽出手段が、前記分割手段により同一の単語として処理された異表記語の表記を特定の表記に統一して抽出する。

請求項１１の発明は、請求項１ないし請求項１０のいずれかに記載の文書処理装置において、前記分割手段により生成された単語群に含まれる単語の重み指標値を算出し、前記特定手段が、所定値以上の重み指標値を有する単語のみ処理の対象とする。

請求項１２の発明は、請求項１ないし請求項１０のいずれかに記載の文書処理装置において、前記分割手段により生成された単語群に含まれる単語のうち、前記抽出手段により抽出されなかった単語を前記シソーラスに追加可能である。

請求項１ないし請求項１２の発明によれば、特定の属性を有する単語を文書から抽出できるので、特定の属性を有する適切なキーワードを出力可能である。

請求項２の発明によれば、階層位置によって表現されるキーワードの属性を利用して文書の構造化が可能になる。

請求項３の発明によれば、接辞を付加した派生語をキーワードとして出力可能であるので、さらに適切なキーワードを出力可能である。

請求項５の発明によれば、辞書の切り替えにより、分割手段により生成される単語群を変化させ、抽出手段により抽出される単語も変化させることができる。これにより、辞書を適切に選択して適切なキーワードを出力可能となる。

請求項６ないし請求項８の発明によれば、シソーラスに含まれない複合語の階層位置を特定可能となるので、シソーラスに含まれない複合語に基づくキーワードを出力可能となる。

請求項７の発明によれば、シソーラスに複合語を追加しないで詳細辞書に複合語を追加しても、追加した複合語に基づくキーワードを出力可能であるので、辞書のメンテナンスを行う場合にシソーラスのメンテナンスを行う必要がない。

請求項８の発明によれば、日本語の特徴に基づいて階層位置が特定されるので、階層位置を適切に特定可能である。

請求項９または請求項１０の発明によれば、異表記語を辞書に登録しなくても、分割手段が異表記語を含む文字列を適切に単語に分割可能であるので、辞書を簡略化可能である。

請求項１０の発明によれば、表記が異なる同一単語が異なるキーワードとして出力されることを防止可能である。

請求項１１の発明によれば、所定値以上の重み指標値を有する単語に基づくキーワードが出力されるので、文書を特徴づけないノイズがキーワードに含まれることが少なくなる。

請求項１２の発明によれば、前記分割手段により生成された単語群に含まれる所望の単語をシソーラスに追加可能であるので、以降において所望の単語に基づくキーワードを出力可能となる。

｛１ 第１実施形態｝
＜１．１ 構成＞
＜１．１．１ 文書処理システムの全体構成＞
図１は、本発明の第１実施形態に係る文書処理装置１０を含む文書処理システム１の構成を示すブロック図である。

図１に示すように、文書処理システム１は、入力された文書を処理して文書データベース５１１へ格納する文書処理サーバ５１と、文書処理サーバ５１による処理の対象となる文書の入力端末となる文書入力クライアント５２とを備える。文書処理サーバ５１および文書入力クライアント５２は、少なくともＣＰＵおよびメモリを備えるコンピュータであり、ネットワークＮにより通信可能に接続される。

文書処理サーバ５１では、インストールされた文書処理プログラム５１２をコンピュータが実行することにより、文書処理装置１０の機能が実現される。文書処理装置１０は、入力された処理対象の文書を特徴づけるキーワードを出力する。文書処理装置１０は、望ましくは、キーワードとともに、当該キーワードの属性の情報を出力し、この属性の情報を用いて文書を構造化する機能を有する。

文書入力クライアント５２は、キーボードやポインティングデバイス等の入力装置５２１を用いて操作者が入力した文書を、ネットワークＮを介して文書処理サーバ５１へ送出する。

文書処理システム１においては、望ましくは、文書処理サーバ５１にＷＷＷ（World Wide Web）サーバが実装され、文書入力クライアント５２にＷＷＷブラウザがインストールされる。そして、文書入力のためのＧＵＩ（Graphical User Interface）画面を記述したＨＴＭＬ（Hyper Text Markup Language）ソースを文書処理サーバ５１から文書入力クライアント５２へ転送することにより、文書入力クライアント５２の表示装置（不図示）上に文書入力のためのＧＵＩ画面を表示させ、操作者へ文書入力環境を提供することが望ましい。ただし、この方法による操作者への文書入力環境の提供は必須ではなく、他の方法以外を用いてもよい。

なお、文書処理装置１０が処理対象とする文書は制限されないが、以下では、医療従事者である医師が入力した医療レポートを処理対象とする文書処理装置を例として説明を進める。

＜１．１．２ 文書処理装置の構成＞
以下では、第１実施形態に係る文書処理装置１０の構成について、図２のブロック図を参照しながら説明する。

図２に示すように、文書処理装置１０は、形態素解析部１１と、シソーラス検索部１２と、単語抽出部１３とを備える。これらは、コンピュータが文書処理プログラム５１２を実行することにより実現される機能を表現した機能ブロックである。さらに、文書処理装置１０は、単語が登録された形態素解析用の辞書１５と、単語を階層的に整理したシソーラス１９とを保持している。

ここで、シソーラス１９の階層構造について、図３を参照しながら説明する。図３に例示するように、シソーラス１９の階層構造における最上位の階層は大分類となっており、大分類の各々からは、第１階層、第２階層および第３階層に含まれる単語が順次分岐している。シソーラス１９では、概念の上下関係に基づいて単語が体系化され、概念的に上位の単語（上位語）が階層構造上で上位に位置し、概念的に下位の単語（下位語）が階層構造上で下位に位置するように、単語が階層的に整理されている。例えば、ある大分類が「病気」を表す場合、その下層には、第１階層のノードに「消化器の病気」、第２階層のノードに「胃の病気」、第３階層のノードに「胃潰瘍」に係る単語が整理される。また、シソーラス１９の階層構造上の位置（以下では、「階層位置」と略記する）は、所定の規則に従って与えられる記号であるシソーラスコードによって特定される。例えば、上述の「病気」「消化器の病気」「胃の病気」および「胃潰瘍」に係る単語の階層位置は、それぞれ、「A」「A-10」「A-10-20」および「A-10-20-30」というシソーラスコードによって特定される。ここで、「A」は大分類を特定する指標であり、「10」「20」および「30」等の数字は同一階層内の階層位置を示す指標である。また、ハイフン「-」は、階層間の移行を示す指標である。なお、シソーラス１９においては、特定の単語が複数の上位語を有することも許容されているので、階層位置が複数のシソーラスコードによって特定されることもありうる。

続いて、形態素解析部１１、シソーラス検索部１２および単語抽出部１３について説明する。

形態素解析部１１は、与えられた文字列を、文字列の構成単位である単語（形態素）に分割して単語リスト（単語群）を生成する。形態素解析部１１は、文字列を単語に分割する場合に、辞書１５を参照し、辞書１５に登録されている単語に基づいて形態素解析を行う。形態素解析部１１により生成される単語リストに含まれる各単語は、辞書１５に登録されている単語となっている。

シソーラス検索部１２は、単語リストに含まれる単語について、シソーラス１９に対する検索を行い、階層位置の一表現であるシソーラスコードを特定する。

単語抽出部１３は、所定の抽出条件を参照して、単語リストから、シソーラス検索部１２によって特定されたシソーラスコードが抽出条件に適合する単語を抽出する。そして、文書処理装置１０では、単語抽出部１３により抽出された単語が、そのままキーワードとして出力される。

第１実施形態に係る文書処理装置１０は、入力された医療レポートを特徴づけるキーワードを出力するので、単語抽出部１３における抽出条件は、「病気」に関係する単語を抽出できるように設定される。これは、図３に示されたシソーラス１９の階層構造の例で言えば、「病気」という大分類に含まれる単語（図３の範囲ＲＧ１に含まれる単語）を抽出することを意味しており、シソーラスコードが「A」で始まる階層位置にある単語を抽出することを意味している。もちろん、文書処理装置１０では、抽出条件を変化させることにより、出力するキーワードの属性を変化させることが可能である。例えば、文書処理装置１０が処理対象とする文書を消化器医が入力した医療レポートに限定し、出力するキーワードも消化器の病気に関係する単語に限定する場合、「消化器の病気」に係る単語の下位語（図３の範囲ＲＧ２に含まれる単語）を単語抽出部１３で抽出する、すなわち、シソーラスコードが「A-10」で始まる階層位置にある単語を単語抽出部１３で抽出するようにすればよい。

さらに、文書処理装置１０では、抽出条件をさらに複雑に設定することも可能であり、例えば、シソーラスコードが「A」で始まる階層位置にある単語は抽出するが、例外として、シソーラスコードが「A-20」で始まる階層位置にある単語は抽出対象から除外するという抽出条件も設定可能である。また、文書処理装置１０では、抽出条件を複数設定することも可能であり、例えば、シソーラスコードが「A-10」で始まる階層位置にある単語を抽出するという抽出条件と、シソーラスコードが「A-30-10」で始まる階層位置にある単語を抽出するという抽出条件とを設定することもできる。

また、文書処理装置１０は、望ましくは、キーワードのシソーラスコードすなわちキーワードの属性を利用して医療レポートを構造化し、しかる後に文書データベース５１１に格納する。この構造化の具体的態様は制限されないが、例えば、図４に示すように、医療レポートのＵＲＩ（Uniform Resource Identifier）をリソース１０１、キーワードをリテラル１０２、シソーラスコードに基づいて決められる属性（ここでは、diagnosys）をプロパティ１０３として、ＲＤＦ（Resource Description Framework）で叙述することにより、医療レポートを構造化可能である。このようなＲＤＦによる構造化は、構造の動的変化に柔軟に対応可能であるので、入力される医療レポートの傾向に変化がある場合等にも柔軟に対応可能である。

＜１．２ 文書処理装置の動作＞
以下では、第１実施形態に係る文書処理装置１０の動作について、図５のフローチャートを参照しながら説明する。

図５に示すように、処理対象の医療レポートが入力されると、文書処理装置１０は、まず、医療レポートを構成する文字列を形態素解析部１１に与え（ステップＳ１０１）、形態素解析部１１が当該文字列を単語に分割して単語リストを生成する（ステップＳ１０２）。

続くステップＳ１０３〜Ｓ１０８では、形態素解析部１１が生成した単語リストに含まれる単語ごとに、キーワードの基礎となる単語としての抽出要否が判定される。

当該判定においては、まず、単語リストからひとつの単語を選択し（ステップＳ１０３）、シソーラス検索部１２が、選択した単語（以下では、「選択単語」と略記する）について、シソーラス１９に対する検索を行う（ステップＳ１０４）。続いて、選択単語がシソーラス１９に含まれるか否かによって処理の分岐が行われ（ステップＳ１０５）、含まれる場合、ステップＳ１０６への移行が行われ、含まれない場合、ステップＳ１０８への移行が行われる。ステップＳ１０５により、シソーラス１９に含まれない単語はキーワードとして出力されないことになる。

ステップＳ１０６では、単語抽出部１３が、シソーラス検索部１２によって特定された選択単語のシソーラスコードが抽出条件に適合するか否かを判定し、適合する場合、選択単語を抽出してキーワードとして出力するとともに、選択単語のシソーラスコードをキーワードのシソーラスコードとして出力し（ステップＳ１０７）、適合しない場合、ステップＳ１０８への移行が行われる。これにより、文書処理装置１０は、単語リストから単語抽出部１３が抽出した単語をキーワードとして出力するとともに、キーワードとなった単語のシソーラスコードをキーワードのシソーラスコードとして出力することになる。

ステップＳ１０８では、単語リストに含まれる全ての単語について、ステップＳ１０３〜Ｓ１０８の処理が完了したか否かにより処理の分岐が行われ、完了している場合、動作フローが終了し、完了していない場合、ステップＳ１０３へ戻り、別の単語を選択単語として再びステップＳ１０３〜Ｓ１０８の処理が行われる。

このような動作フローにより、例えば、「胃潰瘍の疑いがある」という医療レポートが文書処理装置１０に入力されると、形態素解析部１１は、「胃潰瘍」「の」「疑い」「が」「ある」の５単語からなる単語リストを生成する。続いて、シソーラス検索部１２は、単語リストのうち、シソーラス１９に含まれる単語についてシソーラスコードを特定し、単語抽出部１３は、シソーラス検索部１２が特定したシソーラスコードが抽出条件（例えば、シソーラスコードが「A」で始まるという抽出条件）に適合する「胃潰瘍」を抽出する。しかる後に、文書処理装置１０は、「胃潰瘍の疑いがある」という医療レポートを特徴づけるキーワードとして「胃潰瘍」を出力する。さらに、文書処理装置１０は、「胃潰瘍」というキーワードとともに、シソーラスコード「A-10-20-30」を出力する。

このような第１実施形態の文書処理装置１０では、特定の階層位置を有する、すなわち、特定の属性を有する単語を医療レポートから抽出してキーワードとして出力可能であるので、特定の属性を有する適切なキーワードを出力可能である。

｛２ 第２実施形態｝
本発明の第２実施形態に係る文書処理装置２０は、第１実施形態に係る文書処理装置１０と同様に、文書処理システム１に組み込まれている。このため、第１実施形態の文書処理システム１の全体構成についての説明は第２実施形態にも当てはまる。

しかし、文書処理装置２０は、文書処理装置１０と異なり、接頭語や接尾語等の接辞が付加された派生語をキーワードとして出力可能に構成されている。以下では、当該文書処理装置２０の構成および動作について説明するが、文書処理装置１０と同様の構成についての詳細説明は省略する。

＜２．１ 文書処理装置の構成＞
以下では、第２実施形態に係る文書処理装置２０の構成について、図６のブロック図を参照しながら説明する。

図６に示すように、文書処理装置２０は、形態素解析部２１と、シソーラス検索部２２と、単語抽出部２３と、接辞判定部２４とを備える。これらは、コンピュータが文書処理プログラム５１２を実行することにより実現される機能を表現した機能ブロックである。さらに、文書処理装置２０は、辞書２５と、シソーラス２９と、接辞が登録されたテーブル２８とを保持している。ここで、形態素解析部２１、シソーラス検索部２２および単語抽出部２３は、それぞれ、文書処理装置１０の形態素解析部１１、シソーラス検索部１２および単語抽出部１３に相当し、辞書２５およびシソーラス２９は、それぞれ、文書処理装置１０の辞書１５およびシソーラス１９に相当する。

接辞判定部２４は、テーブル２８を参照して、単語リストに含まれる単語が接辞であるか否かを判定する。例えば、文書処理装置２０では、接辞判定部２４が、単語リストに含まれる各単語について、テーブル２８に登録された接頭語（「左」「右」「上」「中」「下」等）を参照しながら、接頭語であるか否かを判定する。接辞判定部２４により接辞と判定された単語は、シソーラス検索部２２および単語抽出部２３の処理対象から除外される。

そして、文書処理装置２０では、単語抽出部２３により抽出された単語が、接辞判定部２４により接辞と判定された単語の語幹である場合、単語抽出部２３により抽出された単語（語幹）に、接辞判定部２４により接辞と判定された単語（接辞）を付加した派生語をキーワードとして出力する。例えば、文書処理装置２０は、単語抽出部２３により抽出された単語の直前の単語が、接辞判定部２４により接頭語と判定されている場合、単語抽出部２３により抽出された単語の前に当該接頭語を付加した派生語をキーワードとして出力する。または、文書処理装置２０は、単語抽出部２３により抽出された単語の直後の単語が、接辞判定部２４により接尾語と判定されている場合、単語抽出部２３により抽出された単語の後に当該接尾語を付加した派生語をキーワードとして出力する。

＜２．２ 文書処理装置の動作＞
以下では、第２実施形態に係る文書処理装置２０の動作について、図７および図８のフローチャートを参照しながら説明する。

文書処理装置２０の動作は、文書処理装置１０の動作と類似しており、図７および図８に示すステップＳ２０１〜Ｓ２０８は、図５のステップＳ１０１〜Ｓ１０８に相当する。ただし、文書処理装置２０では、選択単語について、シソーラス２９に対する検索を行う（ステップＳ２０４）のに先立って、選択単語が接辞であるか否かに基づいて処理の分岐を行う点（ステップＳ２０９）；および（２）キーワードの出力（ステップＳ２０７，Ｓ２１２）に先立って、選択単語がステップＳ２０４で接辞と判定された単語の語幹であるか否かに基づいて処理の分岐を行う点（ステップＳ２１１）が、文書処理装置１０と異なっている。

より詳しく説明すると、ステップＳ２０９では、選択単語が接辞であるか否かの判定が接辞判定部２４で行われる。ステップＳ２０９において、選択単語が接辞と判定された場合、選択単語が接辞であるという情報が記憶され（ステップＳ２１０）、しかる後にステップＳ２０８への移行が行われ、接辞でないと判定された場合、ステップＳ２０４への移行が行われる。ステップＳ２０９の処理の分岐により、接辞判定部２４が接辞と判定した単語は、シソーラス検索部２２および単語抽出部２３の処理対象から除外される。

一方、ステップＳ２１１では、選択単語が、ステップＳ２０９で接辞と判定された単語の語幹であるか否かによって処理の分岐が行われる。ステップＳ２１１において、選択単語が語幹である場合、選択単語を抽出し、接辞を付加した派生語をキーワードとして出力するとともに、選択単語のシソーラスコードをキーワードのシソーラスコードとして出力する（ステップＳ２１２）。一方、ステップＳ２１１において、選択単語が語幹でない場合、文書処理装置１０と同様に、選択単語をキーワードとして出力するとともに、選択単語のシソーラスコードをキーワードのシソーラスコードとして出力する（ステップＳ２０７）。したがって、文書処理装置２０では、選択単語が、ステップＳ２０９で判定された接辞の語幹である場合、選択単語そのものではなく、選択単語に基づく派生語をキーワードとして出力することになる。

このような動作フローにより、例えば、「右頚動脈に異常が見られる」という医療レポートが文書処理装置２０に入力されると、形態素解析部２１は、「右」「頚動脈」「に」「異常」「が」「見」「られる」の７単語からなる単語リストを生成する。続いて、接辞判定部２４が「右」を接辞（接頭語）と判定し、シソーラス検索部２２は、「右」を除外した「頚動脈」「に」「異常」「が」「見」「られる」のうち、シソーラス２９に含まれる単語についてシソーラスコードを特定し、単語抽出部２３は、シソーラス検索部２２が特定したシソーラスコードが抽出条件に適合する「頚動脈」を抽出する。この「頚動脈」は、接辞判定部２４が接頭語と判定した「右」の語幹であるので、文書処理装置２０は、「右頚動脈に異常が見られる」という医療レポートを特徴づけるキーワードとして、「頚動脈」の頭に「右」を付加した「右頚動脈」を出力する。さらに、文書処理装置２０は、「右頚動脈」というキーワードとともに、「頚動脈」のシソーラスコードを、「右頚動脈」のシソーラスコードとして出力する。

このような第２実施形態の文書処理装置２０でも、文書処理装置１０と同様に、特定の階層位置を有する、すなわち、特定の属性を有する単語に基づくキーワードを出力可能であるので、特定の属性を有する適切なキーワードを出力可能である。加えて、文書処理装置２０は、接辞を付加した派生語をキーワードとして出力可能であるので、さらに適切なキーワードを出力可能である。

｛３ 第３実施形態｝
本発明の第３実施形態に係る文書処理装置３０は、第１実施形態に係る文書処理装置１０と同様に、文書処理システム１に組み込まれている。このため、第１実施形態の文書処理システム１の全体構成についての説明は第３実施形態にも当てはまる。

しかし、文書処理装置３０は、文書処理装置１０と異なり、形態素解析部により生成された単語リストに含まれる単語がシソーラスに含まれない場合でも、当該単語に基づくキーワードを出力可能である。以下では、当該文書処理装置３０の構成および動作について説明するが、文書処理装置１０と同様の構成についての詳細説明は省略する。

＜３．１ 文書処理装置の構成＞
以下では、第３実施形態に係る文書処理装置３０の構成について、図９のブロック図を参照しながら説明する。

図９に示すように、文書処理装置３０は、形態素解析部３１と、シソーラス検索部３２と、単語抽出部３３とを備える。これらは、コンピュータが文書処理プログラム５１２を実行することにより実現される機能を表現した機能ブロックである。さらに、文書処理装置３０は、基本辞書３６と、詳細辞書３７と、シソーラス３９とを保持している。ここで、形態素解析部３１、シソーラス検索部３２および単語抽出部３３は、それぞれ、文書処理装置１０の形態素解析部１１、シソーラス検索部１２および単語抽出部１３に相当し、シソーラス３９は、文書処理装置１０のシソーラス１９に相当する。

文書処理装置３０では、文書処理装置１０と異なり、形態素解析部３１が文字列を単語に分割する場合に参照する形態素解析用の辞書を、複数の辞書の間で切り替え可能である。より具体的には、形態素解析部３１は、基本的な単語を含む基本辞書３６と、基本辞書３６よりも多くの単語を含む詳細辞書３７とを切り替え可能である。この詳細辞書３７には、基本辞書３６に登録されている単語に加えて、多数の複合語（専門用語等）が登録されている。このように形態素解析部３１が複数の辞書を切り替えて参照することを可能とすることにより、形態素解析部３１により生成される単語リストを変化させ、単語抽出部３３により抽出される単語を変化させることができる。これにより、辞書を適切に選択して適切なキーワードを出力することが可能となる。

＜３．２ 文書処理装置の動作＞
以下では、第３実施形態に係る文書処理装置３０の動作について、図１０および図１１のフローチャートを参照しながら説明する。

文書処理装置３０の動作は、文書処理装置１０の動作と類似しており、図１０に示すステップＳ３０１〜Ｓ３０８は、図５のステップＳ１０１〜Ｓ１０８に相当している。ただし、文書処理装置３０では、（１）ステップＳ３０２において形態素解析部３１が参照する辞書が詳細辞書３７となっている点；および（２）選択単語がシソーラス３９に含まれない場合（ステップＳ３０５で”NO”）、選択単語のシソーラスコードの推定処理を行い（ステップＳ３０９）、しかる後にステップＳ３０８への移行が行われる点が、文書処理装置１０と異なっている。

続いて、ステップＳ３０９のシソーラスコードの推定処理について、図１１を参照しながら説明する。

図１１に示すように、シソーラスコードの推定処理においては、最初に、形態素解析部３１が、基本辞書３６を参照して、選択単語をさらに単語に分割する（ステップＳ３２１）。先述したように、形態素解析部３１が選択単語を含む単語リストを生成するときに参照した辞書は詳細辞書３７であるので、選択単語は詳細辞書３７にのみ登録されている複合語である場合がある。したがって、ステップＳ３２１においては、複合語である選択単語が、基本辞書３６に登録されている基本的な単語からなる複数の単純語に分割される場合がある。例えば、詳細辞書３７に「急性胃潰瘍」が登録されており、基本辞書３６に「急性」「胃潰瘍」が登録されている場合、「急性胃潰瘍」という複合語の選択単語が、ステップＳ３２１において、「急性」「胃潰瘍」という２つの単純語に分割される場合がある。これは、形態素解析の処理結果すなわち生成する単語リストの具体的内容が、参照する辞書に登録されている単語（語彙）に依存していることによるものである。すなわち、詳細辞書３７を参照して形態素解析を行うことにより得られた単語リストに含まれる単語が、基本辞書３６を参照して形態素解析行うことにより、複数の単語の結合である複合語と判定される場合があることによるものである。

そこで、シソーラスコードの推定処理においては、ステップＳ３２２で、選択単語が複数の単純語に分割されたか否かに基づいて処理の分岐を行い、複数の単純語に分割された場合、シソーラス検索部３２が、当該複数の単純語の各々について、シソーラス３９に対する検索を行い（ステップＳ３２４）、複数の単純語のいずれかがシソーラス３９に含まれる場合、ステップＳ３２５へ移行し、含まれない場合、シソーラスコードの推定処理を終了する。一方、ステップＳ３２２において、選択単語が複数の単純語に分割されなかった場合、シソーラスコードの推定処理を終了する。

ステップＳ３２５では、シソーラス検索部３２が選択単語のシソーラスコードを推定する。例えば、選択単語「急性胃潰瘍」が、「急性」「胃潰瘍」の２つの単純語に分割され、そのうちのひとつである「胃潰瘍」がシソーラス３９に含まれる場合、シソーラス検索部３２は、複合語である選択単語「急性胃潰瘍」の階層位置を、単純語「胃潰瘍」の階層位置のひとつ下の階層位置であると推定（特定）する。そして、シソーラス検索部３２は、「胃潰瘍」のシソーラスコードが「A-10-20-30」である場合、「急性胃潰瘍」のシソーラスコードを、ひとつ下の階層位置であることを示す「A-10-20-30-99」であると推定する。

また、上記例において、「急性」「胃潰瘍」の両方（一般的には複数の単純語）がシソーラス３９に含まれる場合、シソーラス検索部３２は、選択単語「急性胃潰瘍」の階層位置を、シソーラス３９に含まれる「急性」「胃潰瘍」の中で最後方に位置する単純語「胃潰瘍」の階層位置のひとつ下の階層位置であると推定する。そして、シソーラス検索部３２は、「胃潰瘍」のシソーラスコードが「A-10-20-30」である場合、「急性胃潰瘍」のシソーラスコードを、ひとつ下の階層位置であることを示す「A-10-20-30-99」であると推定する。複数の単純語がシソーラス３９に含まれる場合のこのような処理は、前方の語が後方の語を修飾するという日本語の特徴に基づき、シソーラスコードを適切に特定可能とするために行われている。

ここで、再び、図１１のフローチャートに戻って説明を行う。

ステップＳ３２５に続いて、推定したシソーラスコードが抽出条件に適合するか否かが判定され（ステップＳ３２６）、適合する場合、選択単語を抽出してキーワードとして出力するとともに、推定された選択単語のシソーラスコードをキーワードのシソーラスコードとして出力し（ステップＳ３２７）、しかる後に、シソーラスコードの推定処理の動作フローを終了する。一方、ステップＳ３２６において、シソーラスコードが抽出条件に適合しない場合、キーワードの出力は行わないで、シソーラスコードの推定処理の動作フローを終了する。

このような第３実施形態の文書処理装置３０でも、特定の階層位置を有する、すなわち、特定の属性を有する単語を医療レポートから抽出してキーワードとして出力可能であるので、特定の属性を有する適切なキーワードを出力可能である。加えて、文書処理装置３０では、シソーラス３９に含まれない複合語の階層位置を特定可能となるので、シソーラス３９に含まれない複合語に基づくキーワードを出力可能となる。さらに、これにより、シソーラス３９に複合語を追加しないで詳細辞書３７に複合語を追加しても、追加した複合語に基づくキーワードを出力可能であるので、辞書のメンテナンスを行う場合にシソーラス３９のメンテナンスを行う必要がなく、辞書のメンテナンスが容易になる。

｛４ 第４実施形態｝
本発明の第４実施形態に係る文書処理装置４０は、第１実施形態に係る文書処理装置１０と同様に、文書処理システム１に組み込まれている。このため、第１実施形態の文書処理システム１の全体構成についての説明は第４実施形態にも当てはまる。

しかし、文書処理装置４０は、文書処理装置１０と異なり、医療レポート中の異表記語の表記を統一してキーワードとして出力可能である。以下では、当該文書処理装置４０の構成および動作について説明するが、文書処理装置１０と同様の構成についての詳細説明は省略する。

＜４．１ 文書処理装置の構成＞
以下では、第４実施形態に係る文書処理装置４０の構成について、図１２のブロック図を参照しながら説明する。

図１２に示すように、文書処理装置４０は、形態素解析部４１と、シソーラス検索部４２と、単語抽出部４３とを備える。これらは、コンピュータが文書処理プログラム５１２を実行することにより実現される機能を表現した機能ブロックである。さらに、文書処理装置４０は、辞書４５と、シソーラス４９とを保持している。ここで、形態素解析部４１、シソーラス検索部４２および単語抽出部４３は、それぞれ、文書処理装置１０の形態素解析部１１、シソーラス検索部１２および単語抽出部１３に相当し、辞書４５およびシソーラス４９は、それぞれ、文書処理装置１０の辞書１５およびシソーラス１９に相当する。

文書処理装置４０では、文書処理装置１０と異なり、形態素解析用の辞書４５が、形態素解析の基礎となる単語の情報のみならず、異表記情報４５１も保持している。異表記情報４５１は、１文字または複数文字ごとに、漢字とその読み仮名とを対応させた情報であり、異表記の対応の情報となっている。例えば、異表記情報４５１は、「胃潰瘍」という単語で言えば、「胃」という漢字に「い」、「潰」という漢字に「かい」、「瘍」という漢字に「よう」という読み仮名を対応させた情報となっている。

また、文書処理装置４０では、文書処理装置１０と異なり、形態素解析部４１は、文字列を単語に分割する場合に辞書４５が保持している異表記情報４５１を参照し、異表記語を同一の単語として処理して形態素解析を行っている。例えば、形態素解析部４１は、「胃潰瘍」「胃かいよう」「胃かい瘍」および「い潰瘍」等の異表記語を同一の単語として処理している。このように、辞書４５が異表記情報４５１を保持し、形態素解析部４１が当該異表記情報４５１を参照することにより、異表記語を辞書４５に登録しなくても形態素解析部４１が異表記語を含む文字列を適切に単語に分割可能であるので、辞書４５を簡略化可能である。

なお、上述の例では、異表記情報４５１が、漢字とひらがなとを対応させた情報である例を示したが、漢字とカタカナとを対応させた情報や、新字体と旧字体とを対応させた情報であってもよい。

さらに、文書処理装置４０では、文書処理装置１０と異なり、シソーラス検索部４２がシソーラス４９に対する検索を行うのに先立って、異表記語の表記が特定の表記に変換される。例えば、形態素解析部４１が生成した単語群に含まれる単語が「胃潰瘍」「胃かいよう」「胃かい瘍」「い潰瘍」のいずれであっても、シソーラス検索部４２によるシソーラス４９に対する検索は、「胃潰瘍」という特定の表記で行われる。

加えて、文書処理装置４０では、単語抽出部４３が抽出する単語における表記が特定の表記に統一される。例えば、形態素解析部４１が生成した単語群に含まれる単語が、「胃潰瘍」「胃かいよう」「胃かい瘍」「い潰瘍」のいずれであっても、単語抽出部４３が抽出する単語（キーワード）は「胃潰瘍」に統一して出力される。

＜４．２ 文書処理装置の動作＞
以下では、第４実施形態に係る文書処理装置４０の動作について、図１３のフローチャートを参照しながら説明する。

文書処理装置４０の動作は、文書処理装置１０の動作と類似しており、図１３に示すステップＳ４０１〜Ｓ４０８は、図５のステップＳ１０１〜Ｓ１０８に相当している。ただし、文書処理装置４０では、形態素解析部４１が生成した単語リストから選択単語を選択するのに先立って、表記を漢字表記に統一する処理を行う点（ステップＳ４０９）が、文書処理装置４０と異なっている。

より詳しく説明すると、ステップＳ４０９では、異表記情報４５１に基づいて、単語リストに含まれる単語のかな表記を漢字表記に統一する処理が行われ、しかる後にステップＳ４０３への移行が行われる。これにより、先述したように、シソーラス検索部４２によるシソーラス４９に対する検索が漢字表記により行われるとともに、単語抽出部４３が抽出する単語における表記が漢字表記に統一されることになる。

このような第４実施形態の文書処理装置４０でも、特定の階層位置を有する、すなわち、特定の属性を有する単語を医療レポートから抽出してキーワードとして出力可能であるので、特定の属性を有する適切なキーワードを出力可能である。加えて、文書処理装置４０では、表記が異なる同一単語を異なるキーワードとして出力することを防止可能である。

｛５．変形例｝
◎文書処理装置の処理対象について；
第１〜第４実施形態では、医療レポートを特徴づけるキーワードを文書処理装置１０（２０，３０，４０）が出力する例を示したが、医療レポート以外の医療に関する文書や、学術分野、産業分野および生活分野における各種文書を特徴づけるキーワードを出力するために文書処理装置１０（２０，３０，４０）が用いられることも妨げられない。

◎抽出条件について；
第１〜第４実施形態では、抽出条件が固定された場合を例示したが、抽出条件を可変に設定可能としてもよい。

◎重み指標値の利用について；
上述の第１〜第４実施形態では、シソーラス検索部１２（２２，３２，４２）は、形態素解析部１１（２１，３１，４１）が生成した単語リストの全ての単語についてシソーラス１９（２９，３９，４９）に対する検索を行ったが、単語リストに含まれる各単語についてＴＦ−ＩＤＦ（Term Frequency - Inverse Document Frequency）値等の重み指標値を算出し、当該重み指標値が所定位置以上の単語についてのみシソーラス１９（２９，３９，４９）に対する検索を行うようにしてもよい。なお、ここで言う「重み指標値」は、当該文書を特徴づける度合いを示すパラメータであればよく、ＴＦ−ＩＤＦ値以外であってもよい。これにより、所定値以上の指標値を有する単語に基づくキーワードが出力されるので、文書を特徴づけないノイズがキーワードに含まれることが少なくなる。

◎シソーラスの編集について：
上述の第１〜第４実施形態では、シソーラス１９（２９，３９，４９）の編集については触れなかったが、形態素解析部１１（２１，３１，４１）により生成された単語リストに含まれる単語のうち、単語抽出部１３（２３，３３，４３）が抽出しなかった単語をシソーラス１９（２９，３９，４９）に追加できるようにしてもよい。この場合、抽出条件に含まれる最上位階層のひとつ下の階層に単語を追加することが望ましい。これにより、単語リストに含まれる所望の単語をシソーラスに追加可能であるので、以降において当該所望の単語に基づくキーワードを出力可能となる。

◎第１〜第４実施形態の組み合わせについて；
なお、上述の第１〜第４実施形態の技術を組みあせて文書処理装置に適用してもよい。

第１実施形態に係る文書処理装置１０を含む文書処理システム１の構成を示すブロック図である。 第１実施形態に係る文書処理装置１０の構成を示すブロック図である。 シソーラス１９の階層構造の例を示す図である。 医療レポートの構造化の例を示す図である。 第１実施形態に係る文書処理装置１０の動作を示すフローチャートである。 第２実施形態に係る文書処理装置２０の構成を示すブロック図である。 第２実施形態に係る文書処理装置２０の動作を示すフローチャートである。 第２実施形態に係る文書処理装置２０の動作を示すフローチャートである。 第３実施形態に係る文書処理装置３０の構成を示すブロック図である。 第３実施形態に係る文書処理装置３０の動作を示すフローチャートである 第３実施形態に係る文書処理装置３０の動作を示すフローチャートである。 第３実施形態に係る文書処理装置４０の構成を示すブロック図である。 第４実施形態に係る文書処理装置４０の動作を示すフローチャートである。

符号の説明

１ 文書処理システム
１０，２０，３０，４０ 文書処理装置
１１，２１，３１，４１ 形態素解析部
１２，２２，３２，４２ シソーラス検索部
１３，２３，３３，４３ 単語抽出部
１５，２５，４５ 辞書
１９，２９，３９，４９ シソーラス
３６ 基本辞書
３７ 詳細辞書

Claims (12)

1. 処理対象の文書を特徴づけるキーワードを出力する文書処理装置であって、
   単語を階層的に整理したシソーラスと、
   与えられた文字列を単語に分割して単語群を生成する分割手段と、
   前記分割手段により生成された単語群に含まれる単語について、前記シソーラスに対する検索を行い、前記シソーラスの階層構造上の位置である階層位置を特定する特定手段と、
   前記分割手段により生成された単語群から、前記特定手段により特定された階層位置が抽出条件に適合する単語を抽出する抽出手段と、
   を備え、
   処理対象の文書が入力されると、処理対象の文書を構成する文字列を前記分割手段に与え、前記分割手段により生成された単語群から前記抽出手段が抽出した単語に基づくキーワードを出力することを特徴とする文書処理装置。
2. 請求項１に記載の文書処理装置において、
   キーワードとともに、キーワードの基礎となった単語の階層位置をキーワードの階層位置として出力することを特徴とする文書処理装置。
3. 請求項１または請求項２に記載の文書処理装置において、
   前記分割手段により生成された単語群に含まれる単語が接辞であるか否かを判定する判定手段をさらに備え、
   前記抽出手段により抽出された単語が、前記判定手段により接辞と判定された単語の語幹である場合、当該語幹に当該接辞を付加した派生語をキーワードとして出力することを特徴とする文書処理装置。
4. 請求項１または請求項２に記載の文書処理装置において、
   前記抽出手段により抽出された単語をキーワードとして出力することを特徴とする文書処理装置。
5. 請求項１ないし請求項４のいずれかに記載の文書処理装置において、
   前記分割手段が文字列を単語に分割する場合に参照する辞書を、複数の辞書の間で切り替え可能であることを特徴とする文書処理装置。
6. 請求項１ないし請求項５のいずれかに記載の文書処理装置において、
   前記分割手段が、文書を単語に分割して生成した単語群に含まれる複合語をさらに単純語に分割し、
   前記特定手段が、前記複合語の階層位置を、前記シソーラスに含まれる前記単純語の階層位置のひとつ下の階層位置と特定することを特徴とする文書処理装置。
7. 請求項６に記載の文書処理装置において、
   前記分割手段が、
   文字列を単語に分割する場合に参照する辞書を、基本的な単語を含む基本辞書と、前記基本辞書よりも多くの単語を含む詳細辞書との間で切り替え可能であり、
   前記詳細辞書を参照して処理対象の文書を構成する文字列を単語に分割し、前記基本辞書を参照して前記複合語を前記単純語に分割することを特徴とする文書処理装置。
8. 請求項６または請求項７に記載の文書処理装置において、
   前記特定手段が、
   前記シソーラスに含まれる前記単純語が複数存在する場合に、
   前記複合語の階層位置を、前記シソーラスに含まれる前記単純語のうちで、前記複合語の中で最後方に位置する単純語の階層位置のひとつ下の階層位置と特定することを特徴とする文書処理装置。
9. 請求項１ないし請求項８のいずれかに記載の文書処理装置において、
   前記分割手段が文字列を単語に分割する場合に参照する辞書に異表記の対応の情報が保持されており、
   前記分割手段が、当該異表記の対応の情報を参照して、異表記語を同一の単語として処理することを特徴とする文書処理装置。
10. 請求項９に記載の文書処理装置において、
    前記抽出手段が、前記分割手段により同一の単語として処理された異表記語の表記を特定の表記に統一して抽出することを特徴とする文書処理装置。
11. 請求項１ないし請求項１０のいずれかに記載の文書処理装置において、
    前記分割手段により生成された単語群に含まれる単語の重み指標値を算出し、
    前記特定手段が、所定値以上の重み指標値を有する単語のみ処理の対象とすることを特徴とする文書処理装置。
12. 請求項１ないし請求項１０のいずれかに記載の文書処理装置において、
    前記分割手段により生成された単語群に含まれる単語のうち、前記抽出手段により抽出されなかった単語を前記シソーラスに追加可能であることを特徴とする文書処理装置。
    

Images