JP4274490B2 - 検索装置、検索プログラムおよび検索方法 - Google Patents

Description

本発明は、検索装置、検索プログラムおよび検索方法に関する。特に本発明は、予め定められた文字数の文字列を文書の索引語とした索引データベースを用いた検索装置、検索プログラムおよび検索方法に関する。

Ｗｅｂ上またはサーバに記憶された複数の文書の中から、Ｎ−ｇｒａｍ索引データベースを用いて目的の文書を検索する検索装置が知られている（例えば、非特許文献１参照。）。Ｎ−ｇｒａｍ索引データベースは、Ｎ（２以上の整数。）個の文字を組み合わせた複数の文字列を索引語とし、複数の索引語のそれぞれに対応させて当該索引語を含む文書を記憶する。検索装置は、検索語を索引語の文字数の検索文字列に分割して、検索文字列のそれぞれについて、当該検索文字列を含む文書をＮ−ｇｒａｍ索引データベースを用いて検索する。このようなＮ−ｇｒａｍ索引データベースを用いた検索装置によれば、検索語と完全一致しない類似語（例えば検索語と一文字違いの文字列）も検索することができるので、検索漏れを少なくすることができる。

小川泰嗣、「擬似頻度法：ｎ−ｇｒａｍ索引のための高速な日本語文書のランキング検索法」、電子情報通信学会論文誌、電子情報通信学会、２０００年１０月、Ｖｏｌ．Ｊ８３−Ｄ−Ｉ Ｎｏ．１０、ｐｐ．１０４３−１０５４

ところで、検索語が他の単語を構成する語を含んでいる場合、Ｎ−ｇｒａｍ索引を用いた検索装置は、多くのノイズを含んだ検索結果を出力する。また、Ｎ−ｇｒａｍ索引を用いた検索装置は、索引語の文字数Ｎを長くすれば検索結果の適合率を上げることができるが、索引語のパターンが取り得る文字種類のＮ乗となり爆発的に増えるので、効率が悪くなる。

そこで本発明は、上記の課題を解決することのできる検索装置、検索プログラムおよび検索方法を提供することを目的とする。この目的は特許請求の範囲における独立項に記載の特徴の組み合わせにより達成される。また従属項は本発明の更なる有利な具体例を規定する。

上記課題を解決するために、本発明の第１の形態においては、複数の文書の中から、指定された検索語に応じた文書を検索する検索装置であって、複数の文書のそれぞれにおいて、予め定められた索引文字数分連続する各文字列を当該文書の各索引語とした索引データベースを記憶する索引語記憶部と、検索語に含まれる、索引文字数の長さの第１検索文字列と、第１検索文字列に対して予め定められたオフセット文字数分ずれた位置にある索引文字数分の長さの第２検索文字列とを含む検索語ペアを少なくとも１つ生成する検索語ペア生成部と、それぞれの検索語ペアについて、第１検索文字列および第２検索文字列の両方を索引語とする文書を索引データベースから検索する検索部と、それぞれの検索語ペアの第１検索文字列および第２検索文字列がそれぞれの文書に含まれる頻度またはそれぞれの文書に含まれるか否かに基づいて、それぞれの文書を検索結果に含めるべき度合を示すスコアを算出する算出部と、複数の文書のそれぞれのスコアに基づいて、複数の文書の中から検索結果として出力すべき文書を選択する選択部と、選択部が選択した文書を検索結果として出力する出力部とを備える検索装置、当該検索装置として情報処理装置を機能させる検索プログラム、および、当該検索装置によって文書を検索する検索方法を提供する。

本発明の第２の形態においては、複数の文書の中から、指定された検索語に応じた文書を検索する検索装置であって、複数の文書のそれぞれにおいて、予め定められた索引文字数分連続する各文字列を当該文書の各索引語とした索引データベースを記憶する索引語記憶部と、検索語に含まれる、索引文字数の長さの検索文字列を少なくとも１つ生成する生成部と、それぞれの検索文字列を索引語とする文書を索引データベースから検索する部分検索部と、それぞれの検索文字列がそれぞれの文書に含まれる頻度またはそれぞれの文書に含まれるか否かに基づいて、それぞれの文書を検索結果に含めるべき度合を示すスコアを算出する算出部と、検索語がより長い場合により大きく、検索語がより短い場合により小さいスコアの閾値を生成する閾値生成部と、複数の文書の中から、閾値より大きいスコアを有する文書を検索結果として出力すべき文書として選択する選択部と、選択部が選択した文書を出力する出力部とを備える検索装置、当該検索装置として情報処理装置を機能させる検索プログラム、および、当該検索装置によって文書を検索する検索方法を提供する。

本発明の第３の形態においては、複数の文書の中から、指定された検索語に応じた文書を検索する検索装置であって、複数の文書のそれぞれにおいて、予め定められた索引文字数分連続する各文字列を当該文書の各索引語とした索引データベースを記憶する索引語記憶部と、複数の文書の中から、検索語を含む文書を検索する完全検索部と、検索語に含まれる、索引文字数の長さの検索文字列を少なくとも１つ生成する生成部と、それぞれの検索文字列を索引語とする文書を索引データベースから検索する部分検索部と、それぞれの検索文字列がそれぞれの文書に含まれる頻度またはそれぞれの文書に含まれるか否かに基づいて、それぞれの文書を検索結果に含めるべき度合を示すスコアを算出する算出部と、複数の文書のそれぞれのスコアに基づいて、複数の文書の中から検索結果として出力すべき文書を選択する選択部と、検索語が予め定められた基準文字数未満であることを条件として完全検索部が検索した文書を検索結果として出力し、検索語が基準文字数以上であることを条件として完全検索部が検索した文書および選択部が選択した文書を検索結果として出力する出力部とを備える検索装置、当該検索装置として情報処理装置を機能させる検索プログラム、および、当該検索装置によって文書を検索する検索方法を提供する。

なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではなく、これらの特徴群のサブコンビネーションもまた、発明となりうる。

本発明によれば、適合率の高い検索を効率よく行うことができる。

以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではなく、また実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

図１は、実施形態に係る検索装置１０の構成を示す。検索装置１０は、複数の文書の中から、指定された検索語に応じた文書を検索する。検索装置１０は、索引語記憶部１２と、入力部１４と、検索語ペア生成部１６と、検索部１８と、算出部２０と、選択部２２と、出力部２４とを備える。

索引語記憶部１２は、複数の文書のそれぞれにおいて、予め定められた索引文字数分連続する各文字列を当該文書の各索引語とした索引データベースを記憶する。索引語記憶部１２は、一例として、２文字分連続する各文字列を当該文書の各索引語とした索引データベースを記憶する。これに代えて、索引語記憶部１２は、３、４等の他の文字数分連続する文字列を索引語としてもよい。索引語記憶部１２は、検索対象の複数の文書を解析して作成された索引データベースを記憶する。索引語記憶部１２は、検索対象の文書として新規な文書が追加された場合、当該新規な文書を解析した結果を、索引データベースに反映する。

入力部１４は、指定された検索語を入力する。一例として、当該検索装置１０が検索サーバである場合、入力部１４は、端末によって利用者により指定された検索語を、ネットワーク等を介して入力してよい。

検索語ペア生成部１６は、指定された検索語に含まれる、索引文字数の長さの第１検索文字列と、第１検索文字列に対して予め定められたオフセット文字数分ずれた位置にある索引文字数分の長さの第２検索文字列とを含む検索語ペアを少なくとも１つ生成する。検索語ペア生成部１６は、一例として、"ＡＢＣＤ"の４文字の検索語を入力する場合、索引文字数が２、オフセット文字数が１と定められていれば、検索語ペアとして（ＡＢ、ＢＣ）および検索語ペア（ＢＣ、ＣＤ）を生成し、索引文字数が２、オフセット文字数が２と定められていれば、検索語ペアとして（ＡＢ、ＣＤ）を生成してよい。

検索部１８は、それぞれの検索語ペアについて、第１検索文字列および第２検索文字列の両方を索引語とする文書を索引データベースから検索する。検索部１８は、一例として、第１検索文字列が"ＡＢ"、第２検索文字列が"ＢＣ"である検索語ペアについて、"ＡＢ"および"ＢＣ"の両者を含む文書を索引データベースから検索してよい。そして、検索部１８は、複数の検索語ペアを入力する場合、それぞれの検索語ペアについて、第１検索文字列および第２検索文字列の両者を含む文書を検索してよい。

算出部２０は、それぞれの検索語ペアの第１検索文字列および第２検索文字列がそれぞれの文書に含まれる頻度またはそれぞれの文書に含まれるか否かに基づいて、それぞれの文書を検索結果に含めるべき度合を示すスコアを算出する。本実施形態において、検索部１８は、当該文書に含まれている検索文字列の頻度に基づき、当該文書と検索語との関連性が高いほど大きくなるスコアを算出する。算出部２０は、一例として、検索語と最も関連性が高い文書のスコアを１００％として表し、他の文書のスコアを、検索語と最も関連性が高い文書との相対値（１００％〜０％）で表してよい。

選択部２２は、複数の文書のそれぞれのスコアに基づいて、複数の文書の中から検索結果として出力すべき文書を選択する。出力部２４は、選択部２２が選択した文書を検索結果として出力する。一例として、当該検索装置１０が検索サーバである場合、出力部２４は、検索結果をネットワークを介して端末に送信してよいし、また、検索結果を含むページを端末に送ってよい。また、コンピュータ装置が当該検索装置１０として機能している場合、出力部２４は、画面上に検索結果を表示してもよい。

図２は、索引語記憶部１２に記憶される索引データベースの一例を示す。索引語記憶部１２は、一例として、図２に示すような、２−ｇｒａｍ索引に対応した索引データベースを記憶してよい。２−ｇｒａｍ索引に対応した索引データベースは、２個の文字を組み合わせた文字列を索引語とする。当該索引データベースは、一例として、検索対象言語（例えば日本語）における全ての文字の組み合わせの文字列を、索引語としてよい。これに代えて、索引データベースは、一例として、いずれかの文書に含まれる文字列を索引語とし、いずれにも含まれない文字列を索引語としなくてもよい。

当該索引データベースは、一例として、それぞれ索引語に対応して、当該索引語を含む文書数と、当該索引語を含む文書と、当該索引語を含む各文書における当該索引語の頻度と、各文書中における当該索引語の位置と、各文書中についての当該索引語に応じた部分スコアとを記憶する。

索引データベースは、対応する索引語が含まれる文書が複数存在する場合、１つの索引語に対して複数の文書を記憶する。そして、索引データベースは、対応する索引語が含まれる文書が複数存在する場合、当該索引語を含む各文書に対応させて、頻度、位置および部分スコアを記憶する。また、索引データベースは、１つの文書中に同一の索引語が複数含まれていた場合、当該文書中における索引語の位置を複数記憶してよい。

索引データベースは、一例として、図２に示すように、索引語"ＡＡ"について、索引語"ＡＡ"を含む文書数（例えば２個）と、索引語"ＡＡ"を含む文書（例えば文書名Ｄ１、文書名Ｄ２）とを記憶してよい。さらに、索引データベースは、索引語"ＡＡ"を含む第１の文書（例えば文書名Ｄ１）について、索引語"ＡＡ"の頻度（例えば１回）と、索引語"ＡＡ"の文書中における位置（１文字目）と、索引語"ＡＡ"の部分スコア（例えばｎ１）とを記憶し、索引語"ＡＡ"を含む第２の文書（例えば文書名Ｄ２）について、索引語"ＡＡ"の頻度（例えば２回）と、索引語"ＡＡ"の文書中における位置（１文字目、７文字目）と、索引語"ＡＡ"の部分スコア（例えばｎ２）とを記憶してよい。

部分スコアは、当該文書と当該索引語との関連性が高いほど大きくなるパラメータであり、索引語の発生頻度に基づき算出される。部分スコアは、一例として、下記式（１）で示すＴＦＩＤＦ値であってよい。

ＴＦＩＤＦ（ｔ，ｘ）＝ ｔｆ（ｔ，ｘ）×ｉｄｆ（ｔ） …（１）

式（１）において、ＴＦＩＤＦ（ｔ，ｘ）は、文書ｘにおける索引語ｔのＴＦＩＤＦ値を示す。式（１）のｔｆ（ｔ，ｘ）は下記式（２）で表され、ｉｄｆ（ｔ）は下記式（３）で表される。

ｔｆ（ｔ，ｘ）＝ｌｏｇ（１＋ＯｃｃＮｏ（ｔ，ｘ））／ｌｏｇ（１＋ａｖｇ．ＯｃｃＮｏ（ｘ）） …（２）
ｉｄｆ（ｔ）＝ｌｏｇ（｜Ｄ｜／｜Ｄｔ｜） …（３）

式（２）において、ＯｃｃＮｏ（ｔ，ｘ）は、文書ｘにおける索引語ｔの頻度を示し、ａｖｇ．ＯｃｃＮｏ（ｘ）は、文書ｘに含まれる各索引語の頻度の平均を示す。式（３）において、｜Ｄ｜は、検索対象となる全文書数を示す。｜Ｄｔ｜は、索引語ｔが含まれている文書数を示す。

このようなＴＦＩＤＦ値により部分スコアを表すことにより、検索装置１０は、当該文書と当該索引語との関連性を、他の索引語および他の文書と比較可能な値とすることができる。なお、検索部１８は、検索時において、索引データベースに記憶された頻度等に基づき部分スコアを算出してよい。これに代えて、検索部１８は、検索時において、検索に先立って予め算出された部分スコアを、索引データベースから読み出してもよい。

図３は、検索語および検索語ペアの一例を示す。検索語ペア生成部１６は、一例として、第１検索文字列と第２検索文字列とで構成される検索語ペアを、指定された検索語に対して少なくとも１つ生成してよい。索引語が２文字分連続する文字列である場合には、検索語ペア生成部１６は、一例として、検索語に含まれる２文字の第１検索文字列と、検索語に含まれる当該第１検索文字列から１文字ずれた位置（オフセット文字数＝１）ずれた位置の２文字の第２検索文字列と、を含む検索語ペアを生成してよい。また、検索語ペア生成部１６は、一例として、検索語に含まれる２文字の第１検索文字列と、検索語に含まれる当該第１検索文字列から２文字ずれた位置（オフセット文字数＝２）の２文字の第２検索文字列と、を含む検索語ペアを生成してよい。さらに、索引語が２文字分連続する文字列である場合には、検索語ペア生成部１６は、一例として、１つの検索語に対して、オフセット文字列＝１およびオフセット文字列＝２の２つのパターンの検索語ペアを、生成してもよい。

また、検索語ペア生成部１６は、１つの検索語に対して、複数の検索語ペアを生成してもよい。この場合において、複数の検索語ペアのそれぞれに含まれる第１検索文字列は、指定された検索語の先頭から１文字ずつずらしながら索引文字数の長さの複数の文字列を選択したうちの１の文字列である。また、この場合において、第２検索文字列は、対応する第１検索文字列に対して予め定められたオフセット文字数分ずれた位置にある索引文字数分の長さの文字列である。

このような検索語ペア（第１検索文字列および第２検索文字列）を用いることにより、検索装置１０によれば、索引データベースの索引語を長くせずに、適切な文書を選択する割合である適合率を高くすることができる。

図４は、実施形態に係る検索装置１０の処理の流れを示す。まず、入力部１４は、利用者等により指定された検索語を入力する（Ｓ１１）。入力部１４は、例えば文字列"ＡＢＣＤＥＦＧ"の検索語を入力してよい。

次に、検索語ペア生成部１６は、指定された検索語についての検索語ペアを生成する（Ｓ１２）。例えば、入力部１４が検索語として"ＡＢＣＤＥＦＧ"を入力し、索引文字数が２、オフセット文字数が２と定められている場合、検索語ペア生成部１６は、検索語ペアとして（ＡＢ、ＣＤ）、（ＢＣ、ＤＥ）、（ＣＤ、ＥＦ）、（ＤＥ、ＦＧ）を生成してよい。

次に、検索部１８は、Ｓ１２で生成した検索語ペア毎に、ステップＳ１４〜Ｓ１５のループ処理を行う（Ｓ１３、Ｓ１６）。検索語ペアとして（ＡＢ、ＣＤ）、（ＢＣ、ＤＥ）、（ＣＤ、ＥＦ）、（ＤＥ、ＦＧ）が生成されている場合、検索部１８は、（ＡＢ、ＣＤ）、（ＢＣ、ＤＥ）、（ＣＤ、ＥＦ）、（ＤＥ、ＦＧ）のそれぞれについて、ステップＳ１４〜Ｓ１５のループ処理を行う（Ｓ１３、Ｓ１６）。

当該ループ処理において、検索部１８は、検索語ペアの第１検索文字列を索引語として、索引語記憶部１２に記憶された索引データベースを用いて文書を検索する（Ｓ１４）。すなわち、検索部１８は、複数の文書の中から、第１検索文字列を含む文書を検索する。例えば、検索語ペア（ＡＢ、ＣＤ）であれば、検索部１８は、第１検索文字列（ＡＢ）を含む文書を検索する。

次に、検索部１８は、検索語ペアの第２検索文字列を索引語として、索引語記憶部１２の索引データベースを用いて文書を検索する（Ｓ１５）。すなわち、検索部１８は、複数の文書の中から、第２検索文字列を含む文書を検索する。例えば、検索語ペア（ＡＢ、ＣＤ）であれば、検索部１８は、第２検索文字列（ＣＤ）を含む文書を検索する。なお、ステップＳ１５において、検索部１８は、検索語ペアについて、文書中に含まれる第１検索文字列からオフセット文字数分ずれた位置に第２検索文字列を含むことを条件として、当該文書を抽出してよい。例えば、検索語ペア（ＡＢ、ＣＤ）であれば、検索部１８は、文字列"ＡＢ"に連続する文字列"ＣＤ"を含む文書を検索してよい。これにより、検索部１８は、第１検索文字列の先頭文字から第２検索文字列の末尾文字まで連続する文字列を含む文書を抽出することができる。

各検索語ペアについてのステップＳ１４およびＳ１５の処理が終了すると、次に、算出部２０は、それぞれの検索語ペアの第１検索文字列および第２検索文字列がそれぞれの文書に含まれる頻度またはそれぞれの文書に含まれるか否かに基づいて、各文書に対してスコアを算出する（Ｓ１７）。

ステップＳ１７において、算出部２０は、一例として、それぞれの文書について、それぞれの検索語ペアの第１検索文字列に応じた部分スコアおよび第２検索文字列の部分スコアに基づいて、当該文書のスコアを算出してよい。一例として、算出部２０は、それぞれの文書について、それぞれの検索語ペアについての第１検索文字列に応じた部分スコアおよび第２検索文字列に応じた部分スコアのうちより小さい部分スコアに基づいて、当該文書のスコアを算出してよい。

検索語ペアとして（ＡＢ、ＣＤ）、（ＢＣ、ＤＥ）、（ＣＤ、ＥＦ）、（ＤＥ、ＦＧ）が生成されている場合、"ＡＢ"の部分スコアがＳ_ＡＢ、"ＢＣ"の部分スコアがＳ_ＢＣ、"ＣＤ"の部分スコアがＳ_ＣＤ、"ＤＥ"の部分スコアがＳ_ＤＥ、"ＥＦ"の部分スコアがＳ_ＥＦ、"ＦＧ"の部分スコアがＳ_ＦＧであれば、検索部１８は、下記式（４）によりそれぞれの文書のスコアＳを算出してよい。

Ｓ＝ｍｉｎ（Ｓ_ＡＢ，Ｓ_ＣＤ）＋ｍｉｎ（Ｓ_ＢＣ，Ｓ_ＤＥ）＋ｍｉｎ（Ｓ_ＣＤ，Ｓ_ＥＦ）＋ｍｉｎ（Ｓ_ＤＥ，Ｓ_ＦＧ） …（４）
なお、式（４）において、"ｍｉｎ（Ｘ，Ｙ）"は、ＸまたはＹのいずれか小さい値を表している。

これにより、算出部２０は、それぞれの文書について、第１検索文字列の先頭文字から第２検索文字列の末尾文字まで連続する文字列により文書を検索した場合におけるスコアに、より近いスコアを算出することができる。これに代えて、算出部２０は、それぞれの検索語ペアについての第１検索文字列に応じた部分スコアおよび第２検索文字列に応じた部分スコアの平均値または乗算値等の、第１検索文字列および第２検索文字列の部分スコアを用いた演算に基づいて、当該文書のスコアを算出してよい。

さらに、１つの検索語に対して複数の検索語ペアを生成した場合には、ステップＳ１７において、算出部２０は、各文書について、それぞれの検索語ペアについて算出したスコア（例えば、第１検索文字列を索引語とした場合の部分スコアおよび第２検索文字列を索引語とした場合の部分スコアのうちの小さい方の値）を合成（例えば、加算または平均）した値を、当該文書のスコアとしてよい。

次に、選択部２２は、複数の文書のそれぞれのスコアに基づいて、複数の文書の中から検索結果として出力すべき文書を選択する（Ｓ１８）。選択部２２は、一例として、複数の文書をスコアの上位から順に並び替えて、予め設定された数の文書を上位から選択してよい。これに代えて、選択部２２は、予め定められた閾値以上のスコアの文書を選択してもよい。

次に、出力部２４は、選択部２２が選択した文書を検索結果として出力する（Ｓ１９）。出力部２４は、一例として、選択した文書または当該文書を利用者が取得するための情報（例えば、文書の格納場所を示した情報）を出力してよい。

以上のように検索装置１０によれば、検索語ペアの第１検索文字列および第２検索文字列が文書に含まれる頻度または文書に含まれるか否かに基づいて、それぞれの文書のスコアを算出するので、索引データベースの索引語の文字数を長くすることなく、効率よく適合率を高くすることができる。

図５は、変形例に係る検索装置１０の構成を示す。なお、図５に示す検索装置１０は、図１に示した検索装置１０と略同一の機能および構成を採るので、検索装置１０と略同一の構成要素については図面中に同一の符号を付けて、以下相違点を除き説明を省略する。

変形例に係る検索装置１０は、索引語記憶部１２と、入力部１４と、文書記憶部５２と、完全検索部５４と、第１算出部５６と、生成部５８と、部分検索部６０と、第２算出部６２と、選択部２２と、出力部２４とを備える。なお、検索装置１０は、生成部５８、部分検索部６０および第２算出部６２に代えて、実施形態に係る検索語ペア生成部１６、検索部１８および算出部２０を備えてもよい。

文書記憶部５２は、指定された検索語に完全に一致する文字列を複数の文書から検索するための索引データベースを記憶する。文書記憶部５２が記憶する索引データベースは、索引語記憶部１２が記憶する索引データベースと共通とされてよい。完全検索部５４は、複数の文書の中から、指定された検索語を含む文書を文書記憶部５２に記憶された索引データベースから検索する。すなわち、完全検索部５４は、複数の文書の中から検索語を含む文書を検索する。第１算出部５６は、検索語がそれぞれの文書に含まれる頻度に基づいて、複数の文書のそれぞれについて当該文書のスコアを算出する。

生成部５８は、検索語に含まれる、索引文字数の長さの検索文字列を少なくとも１つ生成する。部分検索部６０は、生成部５８により生成されたそれぞれの検索文字列を索引語とする文書を索引語記憶部１２に記憶された索引データベースから検索する。すなわち、部分検索部６０は、複数の文書の中から検索文字列を含む文書を検索する。第２算出部６２は、それぞれの検索文字列がそれぞれの文書に含まれる頻度またはそれぞれの文書に含まれるか否かに基づいて、それぞれの文書を検索結果に含めるべき度合を示すスコアを算出する。なお、生成部５８は図１に示す検索語ペア生成部１６の機能を含んでよく、部分検索部６０は図１に示す検索部１８の機能を含んでよく、第２算出部６２は図１に示す算出部２０の機能を含んでよい。

文字数検出部６４は、検索語の文字数を検出する。閾値生成部６６は、検索語の文字数に基づき、検索語がより長い場合により大きく、検索語がより短い場合により小さいスコアの閾値を生成する。閾値生成部６６は、一例として、第１算出部５６により生成されたスコアに基づき、閾値を生成する。

選択部２２は、部分検索部６０が検索した複数の文書の中から、閾値生成部６６により生成された閾値より大きいスコアを有する文書を、検索結果として出力すべき文書として選択する。出力部２４は、検索語が予め定められた基準文字数未満であることを条件として完全検索部５４が検索した文書を検索結果として出力し、検索語が基準文字数以上であることを条件として完全検索部５４が検索した文書および選択部２２が選択した文書を検索結果として出力する。これに対して、例えば一文字挿入または一文字置換等をした類似語の場合、文字数がより短い方が変更部分の割合が大きくなりスコアが低くなる。従って、選択部２２は、検索語の文字数がより短い場合に閾値を小さくして、検索語の文字数が短い場合であっても、適切な文書を選択する割合である適合率を高くすることができる。なお、生成部５８、部分検索部６０および第２算出部６２は、検索語が予め定められた基準文字数以上であることを条件として、検索文字列の生成、部分検索およびスコア算出をしてよい。

図６は、日本語の複数の文書を検索した場合における、検索語の長さ（文字数）に対する文書のスコアの一例を示す。図６のＡは、検索語の長さ（文字数）に対して、検索語に完全に一致する文字列を含む文書のスコア群のうち最も低いスコアの一例を示す。図６のＢは、検索語の長さ（文字数）に対して、検索語に一文字挿入した文字列を含む文書のスコア群のうち最も低いスコアの一例を示す。図６のＣは、検索語の長さ（文字数）に対して、検索語を一文字置換した文字列を含む文書のスコア群のうち最も低いスコアの一例を示す。図６のＤは、検索語の長さ（文字数）に対する閾値生成部６６により設定された閾値の一例を示す。

検索語に完全に一致する文字列を含む文書のスコア群のうち最も低いスコア（完全一致最低スコア）は、検索語の長さ（文字数）に関わらず略一定となる。従って、閾値生成部６６は、第１算出部５６により算出された検索語を含む文書のスコアに基づいて、閾値を生成してよい。これにより、選択部２２は、検索語と検索対象となる複数の文書との関係に従って適切に閾値を設定するので、検索漏れを少なくするとともに適合率を高くすることができる。

また、検索語に一文字挿入した文字列および検索語を一文字置換した文字列を含む文書のスコア群のうち最も低いスコア（一文字変更最低スコア）は、完全一致最低スコアより低い。従って、閾値生成部６６は、検索語を含む全文書のスコアの最小値より小さい閾値を生成してよい。これにより、選択部２２は、検索語と完全一致する文字列を含む文書を確実に選択することができる。

さらに、一文字変更最低スコアは、検索語が長くなるに従って挿入または置き換えられた文字の占める割合が小さくなり、検索語が長くなるに従って完全一致最低スコアに近付く。すなわち、一文字変更最低スコアは、検索語の長さの１次式を分母とし、検索語の長さが長くなるに従って完全一致最低スコアに向かって漸増する双曲線等の関数で表される。このことから、閾値生成部６６は、検索語の長さの１次式を分母とし、検索語の長さが大きくなるにしたがって最小値に向かって漸増する関数を用いて閾値を生成してよい。これにより、閾値生成部６６は、検索語の長さに応じた適切な閾値で文書を選択することができるので、検索漏れを少なくするとともに適合率を高くすることができる。

また、一文字変更最低スコアは、検索語が非常に短い場合に著しく低くなる。例えば、一文字置換した文字列を含む文書のスコア群のうち最も低いスコア（図６のＣ）は、検索語が６文字の場合よりも５文字の場合の方が急激に低くなっており、さらに、４文字以下の場合には、スコアの算出ができない。この結果、検索語が非常に短い場合、部分検索部６０は、ノイズが多く含まれた検索結果を出力する。

従って、出力部２４は、基準文字数を４から６の間とし、より好ましくは５としてよい。そして、出力部２４は、検索語の文字数が４、５または６未満（好ましくは５）であることを条件として完全検索部５４が検索した文書を検索結果として出力し、検索語が検索語の文字数が４、５または６（好ましくは５）以上であることを条件として完全検索部５４が検索した文書および選択部２２が選択した文書を検索結果として出力する。これにより、出力部２４は、検索語が３、４または５の場合における適合率を高くすることができる。

閾値生成部６６は、一例として、下記式（５）により、閾値Ｔを生成してよい。
Ｔ＝Ｓ_Ｌ−（Ｓ_Ｌ×Ｋ／（Ｋ×（Ｗ−５））） …（５）
（ただし、検索語の長さは５文字より大きい）
Ｓ_Ｌ＝検索語に完全に一致する文字列を含む文書のスコア群のうち最も低いスコア
Ｗ＝検索語の長さ
Ｋ＝係数（例えば、２）

図７は、変形例に係る検索装置１０の処理の流れを示す。まず、入力部１４は、利用者等により指定された検索語を入力する（Ｓ３１）。次に、完全検索部５４は、文書記憶部５２に記憶された索引データベースを用いて、複数の文書の中から検索語を含む文書を検索する（Ｓ３２）。この場合において、完全検索部５４は、索引語記憶部１２に記憶された索引データベースを用いて検索語を含む文書を検索してもよい。次に、第１算出部５６は、完全検索部５４により検索されたそれぞれの文書について、当該文書のスコアを算出する（Ｓ３４）。

次に、文字数検出部６４は、検索語が予め定められた基準文字数未満であるか否かを判断する（Ｓ３５）。文字数検出部６４は、検索語が基準文字数未満である場合には処理をＳ４３に移し、検索語が基準文字数以上である場合には処理をＳ３６に移す。

次に、生成部５８は、検索語に含まれる、索引文字数の長さの検索文字列を少なくとも１つ生成する（Ｓ３６）。次に、部分検索部６０は、Ｓ３６により生成された検索文字列毎に、ステップＳ３８の処理を行う（Ｓ３７、Ｓ３９）。ステップＳ３８において、部分検索部６０は、それぞれの検索文字列を索引語とする文書を索引語記憶部１２に記憶された索引データベースから検索する。すなわち、部分検索部６０は、複数の文書の中から、検索文字列を含む文書を検索する。

各検索文字列についてのステップＳ３８の処理が終了すると、次に、第２算出部６２は、それぞれの検索文字列がそれぞれの文書に含まれる頻度またはそれぞれの文書に含まれるか否かに基づいて、それぞれの文書を検索結果に含めるべき度合を示すスコアを算出する（Ｓ４０）。なお、検索装置１０は、ステップＳ３６からステップＳ４０の処理に代えて、図４に示したステップＳ１２からステップＳ１７の処理を行ってもよい。

次に、閾値生成部６６は、検索語の文字数に基づき閾値を生成する（Ｓ４１）。次に、選択部２２は、部分検索部６０が検索した複数の文書の中から、閾値より大きいスコアを有する文書を、検索結果として出力すべき文書として選択する（Ｓ４２）。次に、出力部２４は、検索語が基準文字数未満であることを条件として完全検索部５４が検索した文書を検索結果として出力し、検索語が基準文字数以上であることを条件として完全検索部５４が検索した文書および選択部２２が選択した文書を検索結果として出力する（Ｓ４３）。

以上の処理を行う検索装置１０によれば、文字数に応じて閾値を適応的に変化させて文書を選択するので、検索漏れを少なくするとともに適合率を高くすることができる。さらに、検索装置１０は、検索語の文字数が短い場合、完全検索による検索結果を出力するので、さらに適合率を高くすることができる。

図８は、検索結果の表示例を示す。出力部２４は、一例として、高いスコアの文書から順に、完全検索部５４が検索した検索した文書および選択部２２が選択した文書を出力してよい。出力部２４は、例えば表示部に表示画面９０を表示する場合であれば、選択された文書のサマリー９２と、当該文書のスコアを示したスコア表示９４とを、上位から順に表示してよい。

また、出力部２４は、完全検索部５４が検索した検索した文書と、選択部２２が選択した文書とを、当該検索装置１０の利用者が識別可能に出力してよい。出力部２４は、例えば表示部に表示画面９０を表示する場合であれば、完全検索部５４により検索された文書であるか否か（すなわち、検索語に一致する文字列を含む文書であるか否か）を示す完全一致識別表示９６を、サマリー９２とともに表示してよい。これにより、検索装置１０によれば、検索語と完全一致する文字列を含んだ文書であるか否かを利用者に提供することができる。

図９は、本実施形態に係るコンピュータ１９００のハードウェア構成の一例を示す。本実施形態に係るコンピュータ１９００は、ホスト・コントローラ２０８２により相互に接続されるＣＰＵ２０００、ＲＡＭ２０２０、グラフィック・コントローラ２０７５、及び表示装置２０８０を有するＣＰＵ周辺部と、入出力コントローラ２０８４によりホスト・コントローラ２０８２に接続される通信インターフェイス２０３０、ハードディスクドライブ２０４０、及びＣＤ−ＲＯＭドライブ２０６０を有する入出力部と、入出力コントローラ２０８４に接続されるＲＯＭ２０１０、フレキシブルディスク・ドライブ２０５０、及び入出力チップ２０７０を有するレガシー入出力部とを備える。

ホスト・コントローラ２０８２は、ＲＡＭ２０２０と、高い転送レートでＲＡＭ２０２０をアクセスするＣＰＵ２０００及びグラフィック・コントローラ２０７５とを接続する。ＣＰＵ２０００は、ＲＯＭ２０１０及びＲＡＭ２０２０に格納されたプログラムに基づいて動作し、各部の制御を行う。グラフィック・コントローラ２０７５は、ＣＰＵ２０００等がＲＡＭ２０２０内に設けたフレーム・バッファ上に生成する画像データを取得し、表示装置２０８０上に表示させる。これに代えて、グラフィック・コントローラ２０７５は、ＣＰＵ２０００等が生成する画像データを格納するフレーム・バッファを、内部に含んでもよい。

入出力コントローラ２０８４は、ホスト・コントローラ２０８２と、比較的高速な入出力装置である通信インターフェイス２０３０、ハードディスクドライブ２０４０、ＣＤ−ＲＯＭドライブ２０６０を接続する。通信インターフェイス２０３０は、ネットワークを介して他の装置と通信する。ハードディスクドライブ２０４０は、コンピュータ１９００内のＣＰＵ２０００が使用するプログラム及びデータを格納する。ＣＤ−ＲＯＭドライブ２０６０は、ＣＤ−ＲＯＭ２０９５からプログラム又はデータを読み取り、ＲＡＭ２０２０を介してハードディスクドライブ２０４０に提供する。

また、入出力コントローラ２０８４には、ＲＯＭ２０１０と、フレキシブルディスク・ドライブ２０５０、及び入出力チップ２０７０の比較的低速な入出力装置とが接続される。ＲＯＭ２０１０は、コンピュータ１９００が起動時に実行するブート・プログラムや、コンピュータ１９００のハードウェアに依存するプログラム等を格納する。フレキシブルディスク・ドライブ２０５０は、フレキシブルディスク２０９０からプログラム又はデータを読み取り、ＲＡＭ２０２０を介してハードディスクドライブ２０４０に提供する。入出力チップ２０７０は、フレキシブルディスク・ドライブ２０５０や、例えばパラレル・ポート、シリアル・ポート、キーボード・ポート、マウス・ポート等を介して各種の入出力装置を接続する。

ＲＡＭ２０２０を介してハードディスクドライブ２０４０に提供されるプログラムは、フレキシブルディスク２０９０、ＣＤ−ＲＯＭ２０９５、又はＩＣカード等の記録媒体に格納されて利用者によって提供される。プログラムは、記録媒体から読み出され、ＲＡＭ２０２０を介してコンピュータ１９００内のハードディスクドライブ２０４０にインストールされ、ＣＰＵ２０００において実行される。

コンピュータ１９００にインストールされ、コンピュータ１９００を検索装置１０として機能させるプログラムは、索引語記憶モジュールと、入力モジュールと、検索語ペア生成モジュールと、検索モジュールと、算出モジュールと、選択モジュールと、出力モジュールとを備える。これらのプログラム又はモジュールは、ＣＰＵ２０００等に働きかけて、コンピュータ１９００を、索引語記憶部１２、入力部１４、検索語ペア生成部１６、検索部１８、算出部２０、選択部２２、出力部２４としてそれぞれ機能させる。

また、コンピュータ１９００にインストールされ、コンピュータ１９００を変形例に係る検索装置１０として機能させるプログラムは、索引語記憶モジュールと、入力モジュールと、文書記憶モジュールと、完全検索モジュールと、第１算出モジュールと、生成モジュールと、部分検索モジュールと、第２算出モジュールと、文字数検出モジュールと、閾値生成部、選択モジュールと、出力モジュールとを備える。これらのプログラム又はモジュールは、ＣＰＵ２０００等に働きかけて、コンピュータ１９００を、索引語記憶部１２、入力部１４、文書記憶部５２、完全検索部５４、第１算出部５６、生成部５８、部分検索部６０、第２算出部６２、文字数検出部６４、閾値生成部６６、選択部２２、出力部２４としてそれぞれ機能させる。

以上に示したプログラム又はモジュールは、外部の記憶媒体に格納されてもよい。記憶媒体としては、フレキシブルディスク２０９０、ＣＤ−ＲＯＭ２０９５の他に、ＤＶＤやＣＤ等の光学記録媒体、ＭＯ等の光磁気記録媒体、テープ媒体、ＩＣカード等の半導体メモリ等を用いることができる。また、専用通信ネットワークやインターネットに接続されたサーバシステムに設けたハードディスク又はＲＡＭ等の記憶装置を記録媒体として使用し、ネットワークを介してプログラムをコンピュータ１９００に提供してもよい。

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。

本発明の実施形態に係る検索装置１０の構成を示す。 索引語記憶部１２に記憶される索引データベースの一例を示す。 検索語および検索語ペアの一例を示す。 実施形態に係る検索装置１０の処理の流れを示す。 本発明の変形例に係る検索装置１０の構成を示す。 日本語の複数の文書を検索した場合における、検索語の長さ（文字数）に対する文書のスコアの一例を示す。 変形例に係る検索装置１０の処理の流れを示す。 検索結果の表示例を示す。 本発明の実施形態に係るコンピュータ１９００のハードウェア構成の一例を示す。

符号の説明

１０ 検索装置
１２ 索引語記憶部
１４ 入力部
１６ 検索語ペア生成部
１８ 検索部
２０ 算出部
２２ 選択部
２４ 出力部
５２ 文書記憶部
５４ 完全検索部
５６ 第１算出部
５８ 生成部
６０ 部分検索部
６２ 第２算出部
６４ 文字数検出部
６６ 閾値生成部
９０ 表示画面
９２ サマリー
９４ スコア表示
９６ 完全一致識別表示
１９００ コンピュータ
２０００ ＣＰＵ
２０１０ ＲＯＭ
２０２０ ＲＡＭ
２０３０ 通信インターフェイス
２０４０ ハードディスクドライブ
２０５０ フレキシブルディスク・ドライブ
２０６０ ＣＤ−ＲＯＭドライブ
２０７０ 入出力チップ
２０７５ グラフィック・コントローラ
２０８０ 表示装置
２０８２ ホスト・コントローラ
２０８４ 入出力コントローラ
２０９０ フレキシブルディスク
２０９５ ＣＤ−ＲＯＭ

Claims (14)

1. 複数の文書の中から、指定された検索語に応じた文書を検索する検索装置であって、
   前記検索語に含まれる、検索文字列を少なくとも１つ生成する生成部と、
   前記複数の文書の中から前記検索文字列を含む文書を検索する部分検索部と、
   それぞれの前記検索文字列がそれぞれの文書に含まれる頻度またはそれぞれの文書に含まれるか否かに基づいて、それぞれの文書を検索結果に含めるべき度合を示すスコアを算出する算出部と、
   前記検索語がより長い場合により大きく、前記検索語がより短い場合により小さい前記スコアの閾値を生成する閾値生成部と、
   前記複数の文書の中から、前記閾値より大きい前記スコアを有する文書を検索結果として出力すべき文書として選択する選択部と、
   前記選択部が選択した文書を出力する出力部と
   を備える検索装置。
2. 前記複数の文書の中から、前記検索語を含む文書を検索する完全検索部と、
   前記算出部は、前記検索語がそれぞれの文書に含まれる頻度に基づいて、当該文書の前記スコアを更に算出し、
   前記閾値生成部は、前記検索語を含む文書の前記スコアに基づいて、前記閾値を生成する
   請求項１に記載の検索装置。
3. 前記閾値生成部は、前記検索語を含む全文書の前記スコアの最小値より小さい前記閾値を生成する
   請求項２に記載の検索装置。
4. 前記閾値生成部は、前記検索語の長さの１次式を分母とし、前記検索語の長さが大きくなるにしたがって前記最小値に向かって漸増する関数を用いて前記閾値を生成する
   請求項３に記載の検索装置。
5. 前記複数の文書のそれぞれにおいて、予め定められた索引文字数分連続する各文字列を当該文書の各索引語とした索引データベースを記憶する索引語記憶部をさらに備え、
   前記生成部は、前記検索語に含まれる、前記索引文字数の長さの検索文字列を少なくとも１つ生成し、
   前記部分検索部は、それぞれの前記検索文字列を索引語とする文書を前記索引データベースから検索する
   請求項１から４の何れかに記載の検索装置。
6. 前記複数の文書の中から、前記検索語を含む文書を検索する完全検索部をさらに備え、
   前記出力部は、前記検索語が予め定められた基準文字数未満であることを条件として前記完全検索部が検索した文書を検索結果として出力し、前記検索語が前記基準文字数以上であることを条件として前記完全検索部が検索した文書および前記選択部が選択した文書を検索結果として出力する
   請求項１から５の何れかに記載の検索装置。
7. 前記出力部は、前記完全検索部が検索した検索した文書と、前記選択部が選択した文書とを、当該検索装置の利用者が識別可能に出力する
   請求項６に記載の検索装置。
8. 前記基準文字数は４から６の間である
   請求項６または７に記載の検索装置。
9. 複数の文書の中から、指定された検索語に応じた文書をコンピュータにより検索する検索プログラムであって、
   前記コンピュータを、
   前記検索語に含まれる、検索文字列を少なくとも１つ生成する生成部と、
   前記複数の文書の中から前記検索文字列を含む文書を検索する部分検索部と、
   それぞれの前記検索文字列がそれぞれの文書に含まれる頻度またはそれぞれの文書に含まれるか否かに基づいて、それぞれの文書を検索結果に含めるべき度合を示すスコアを算出する算出部と、
   前記検索語がより長い場合により大きく、前記検索語がより短い場合により小さい前記スコアの閾値を生成する閾値生成部と、
   前記複数の文書の中から、前記閾値より大きい前記スコアを有する文書を検索結果として出力すべき文書として選択する選択部と、
   前記選択部が選択した文書を出力する出力部
   として機能させる検索プログラム。
10. 前記コンピュータを、
    前記複数の文書の中から、前記検索語を含む文書を検索する完全検索部としてさらに機能させ、
    前記出力部は、前記検索語が予め定められた基準文字数未満であることを条件として前記完全検索部が検索した文書を検索結果として出力し、前記検索語が前記基準文字数以上であることを条件として前記完全検索部が検索した文書および前記選択部が選択した文書を検索結果として出力する
    請求項９に記載の検索プログラム。
11. 前記コンピュータを、
    前記複数の文書のそれぞれにおいて、予め定められた索引文字数分連続する各文字列を当該文書の各索引語とした索引データベースを記憶する索引語記憶部としてさらに機能させ、
    前記生成部は、前記検索語に含まれる、前記索引文字数の長さの検索文字列を少なくとも１つ生成し、
    前記部分検索部は、それぞれの前記検索文字列を索引語とする文書を前記索引データベースから検索する
    請求項９又は１０に記載の検索プログラム。
12. 複数の文書の中から、指定された検索語に応じた文書をコンピュータにより検索する検索方法であって、
    前記検索語に含まれる、検索文字列を少なくとも１つ生成する生成段階と、
    前記複数の文書の中から前記検索文字列を含む文書を検索する部分検索段階と、
    それぞれの前記検索文字列がそれぞれの文書に含まれる頻度またはそれぞれの文書に含まれるか否かに基づいて、それぞれの文書を検索結果に含めるべき度合を示すスコアを算出する算出段階と、
    前記検索語がより長い場合により大きく、前記検索語がより短い場合により小さい前記スコアの閾値を生成する閾値生成段階と、
    前記複数の文書の中から、前記閾値より大きい前記スコアを有する文書を検索結果として出力すべき文書として選択する選択段階と、
    前記選択段階が選択した文書をする出力段階と
    を備える検索方法。
13. 前記複数の文書の中から、前記検索語を含む文書を検索する完全検索段階をさらに備え、
    前記出力段階は、前記検索語が予め定められた基準文字数未満であることを条件として前記完全検索段階により検索した文書を検索結果として出力し、前記検索語が前記基準文字数以上であることを条件として前記完全検索段階により検索した文書および前記選択段階により選択した文書を検索結果として出力する
    請求項１２に記載の検索方法。
14. 前記コンピュータは、
    前記複数の文書のそれぞれにおいて、予め定められた索引文字数分連続する各文字列を当該文書の各索引語とした索引データベースを記憶しており、
    前記生成段階は、前記検索語に含まれる、前記索引文字数の長さの検索文字列を少なくとも１つ生成し、
    前記部分検索段階は、それぞれの前記検索文字列を索引語とする文書を前記索引データベースから検索する
    請求項１２又は１３に記載の検索方法。

Images