JP7350674B2 - 情報処理装置、情報処理方法、およびプログラム - Google Patents

Description

本発明の実施形態は、情報処理装置、情報処理方法、およびプログラムに関する。

技術標準などの文書では、人が理解しやすいように、数値範囲などの規定を表によって示すことが多い。しかし、表の構造は様々であるため、対応関係にある表を自動的に検出することは困難である。

例えば、ソフトウェア、検索サイトなどの検索機能を用いて、所望の文字列を検出することはできる。しかし、表の各セルが示す内容が、電子文書内に記載され、表自体には示されていないこともあり得る。また、表内の見出しの位置が、各表で異なることもあり得る。ゆえに、対応関係にある表を自動的に検出しようとしても、対応関係にないと誤検知されてしまうことが多々ある。そのため、人が目視して表の対応関係を確認するといったことが行われているが、当該確認にも非常に時間がかかる。

特許第６３３８０３６号公報 特開２０１９－１４９１２５号公報 特開２０１９－１１７４８４号公報

本発明の一実施形態は、対応関係にある表を検出するために、表に含まれていない属性を補完可能な情報処理装置を提供する。

本発明の一実施形態としての情報処理装置は、補完部を備える。前記補完部は、第１の表、および、前記第１の表を含む電子文書、の少なくともいずれかの記載に基づき、前記第１の表に含まれていない属性を補完する。

本発明の一実施形態に係る情報処理装置の一例を示すブロック図。 判定対象とされる表の第１の例を示す図。 判定対象とされる表の第２の例を示す図。 解析部の処理のフローの一例を示す図。 変換部の処理のフローの一例を示す図 判定対象とされる表の第１の例の分割後の図。 判定対象とされる表の第２の例の分割後の図。 判定対象とされる表の第２の例の補完後の図。 グラフスキーマの一例を示す図。 判定対象とされる表の第３の例を示す図。 判定対象とされる表の第３の例の補完後の図。 判定部の処理のフローの一例を示す図。 本発明の一実施形態におけるハードウェア構成の一例を示すブロック図。

以下、図面を参照しながら、本発明の実施形態について説明する。

（本発明の一実施形態）
図１は、本発明の一実施形態に係る情報処理装置の一例を示すブロック図である。本実施形態に関する情報処理装置１は、入出力部１１と、解析部１２と、変換部１３と、属性情報生成部１４と、判定部１５と、記憶部１６と、を備える。解析部１２は、文書構造解析部１２１と、テキスト解析部１２２と、テーブル構造解析部１２３と、を備える。変換部１３は、分割部１３１と、補完部１３２と、を備える。判定部１５は、抽出部１５１と、編集距離算出部１５２と、集合類似度算出部１５３と、を備える。

情報処理装置１は、対応関係にある表を検出するために、表に含まれていない属性を補完するなどの変換を行う。そして、変換後の表に基づいて、表同士が対応関係にあるかどうかを判定する。これにより、属性の名称の省略などによって対応関係にあるにもかかわらず、対応関係にないと判定されることを防ぐ。

情報処理装置１の処理の対象とされる表は、一つ以上の主体（Ｓｕｂｊｅｃｔ）に対する一つ以上の属性（Ａｔｔｒｉｂｕｔｅ）の値（Ｖａｌｕｅ）を示すものとする。なお、主体も表の属性の一つとみなしてもよい。属性は、主体の性質、特徴などを示すものであり、例えば、主体を限定するような条件も属性に含まれる。例えば、厚さが閾値以上の部材Ａに対して要求される硬度の値が表のセルに示されている場合、「部材Ａ」が主体であり、「厚さが閾値以上」および「要求される硬度」が属性に該当する。

情報処理装置１は、具体的には、一方の表のいずれかのセルに係る主体および属性と、他方の表のいずれかのセルに係る主体および属性と、に基づき、二つの表が対応関係にあるかを判定する。しかし、比較され得る表の構造は、同一ではなく様々であることを想定する。

例えば、各主体または各属性は、行または列の見出しに記載されるが、どちらに記載されているかは表によって異なる。また、行見出しは、本来、１列目の各セルであり、列見出しは、本来、１行目の各セルである。そして、各主体の各属性に関する値が、２行目以降かつ２列目以降の各セルに記載される。しかし、見出しが１列目または１行目でない場合もあり得る。

また、見出しが複数の行または列にまたがる場合もある。例えば、列見出しが２行にわたって設けられ、列見出しの１行目の各セルが結合されて、結合されたセル（結合セル）に各属性の共通事項が記載され、列見出しの２行目の各セルに、各属性の非共通項が記載されているといったことも多い。また、属性が、列見出しと行見出しの両方に記載されている場合もある。

図２は、判定対象とされる表の第１の例を示す図である。図２に示された第１の表は、「ＳＭ４００Ｂ」という鋼材についての規定を示したものである。第１の表の主体は、「ＳＭ４００Ｂ」である。図２では、表の左から１列目から３列目までと、５列目と、が行見出しとして用いられ、「降伏点または耐力」、「鋼材の厚さ」、「４０を超え７５以下」などといった属性が行見出しに記載されている。主体に対する各属性の値は４列目に示されている。

図３は、処理対象の表の第２の例を示す図である。図３に示された第２の表は、複数の鋼材の降伏点または耐力についての規定を示したものである。すなわち、第２の表には、複数の主体が示されている。図３には、図２に示された「ＳＭ４００Ｂ」という鋼材についての規定も含まれている。しかし、「降伏点または耐力」は表のタイトルとして、電子文書内の文章中に記載されており、表には示されていない。

図３の表では、上から１行目と２行目が列見出しとして用いられており、「鋼材の厚さ」、「４０を超え７５以下」という属性は、図３では列見出しに記載されている。また、ＳＭ４００ＡとＳＭ４００Ｂという二つの異なる主体に関するレコードが、一つの行に結合されている。また、鋼材の厚さが１６ｍｍ以下のＳＭ４００Ａ、ＳＭ４００Ｂ、およびＳＭＢ４００Ｃの降伏点又は耐力の値（図３では２４５以上）を示す各セルは、一つのセルに結合されている。

また、図２および３の例では、主体または属性に係る事項の各名称が完全に一致していない。例えば、図２の表では数値の単位に括弧がつけられているが、図３の表では括弧がつけられていない。

図２および図３の表が「ＳＭ４００Ｂ」という共通の文字列を含んでいることから、図２および図の表が「ＳＭ４００Ｂ」に関する表であることは、推定可能である。しかし、図３の表には「降伏点または耐力」という属性が省略されているため、図３が「降伏点または耐力」という属性に関する値を示していることを認識することができない。

また、列見出しまたは行見出しを比較することも考えられるが、図２では属性が行見出しに記載されており、図３では属性が列見出しに記載されているため、一致しない。

このように、表の構造が異なると、同一の主体に関する表であることは認識できても、対応関係にあるかどうかまでは判別することが難しい。しかし、情報処理装置１は、このような表同士であっても、対応関係にあることを判別する。

なお、情報処理装置１の処理の対象とされる表は電子文書に記載されているとする。当該電子文書は、ＨＴＭＬ（Ｈｙｐｅｒ Ｔｅｘｔ Ｍａｒｋｕｐ Ｌａｎｇｕａｇｅ）ファイル、ＰＤＦ（Ｐｏｒｔａｂｌｅ Ｄｏｃｕｍｅｎｔ Ｆｏｒｍａｔ）ファイルなどといった解析可能なものであればよい。例えば、インターネット上のサイトのページであってもよい。なお、電子文書が、図２および３に示したような技術文書に限られるわけではない。また、表に示される主体も、特に限られるものではない。

情報処理装置１の内部構成について説明する。なお、図１に示された内部構成は例であり、図１に示されていない構成要素が情報処理装置１に存在してもよい。また、図１に示された情報処理装置１の各構成要素が、細分化されてもよいし、集約されてもよい。また、図１に示された各構成要素が、情報処理装置１は別の装置に含まれていてもよい。例えば、変換部を含み表の変換を行う装置と、判定部を含み判定を行う装置と、が別々に設けられていてもよい。また、例えば、解析部１２、変換部１３、属性情報生成部１４、および判定部１５がそれぞれ個別の装置であってもよい。また、例えば、ネットワークエリアストレージなどといった記憶装置に情報処理装置１の処理に関するデータが格納されていてもよい。すなわち、記憶部１６が情報処理装置１の外部に存在していてもよい。

入出力部１１は、情報処理装置１とは別の装置などから、処理に必要な情報を取得し、処理結果を出力する。なお、入出力される情報は特に限られるものではない。例えば、情報処理装置１によって解析される電子文書、判定対象の表を識別するための識別子（ＩＤ）などを取得する。

解析部１２は、電子文書に含まれる文章および表を解析する。図４は、解析部１２の処理のフローの一例を示す図である。本フローは、電子文書が入出力部１１に入力された場合に開始されることを想定する。

解析部１２が入出力部１１を介して、電子文書を取得する（Ｓ１０１）。解析部１２の文書構造解析部１２１は、当該電子文書から、文章と表を分離する（Ｓ１０２）。分離の方法は、公知の手法でよい。例えば、電子文書がＰＤＦファイルの場合、文書または表を抽出する様々な抽出ソフトおよびコマンドが公開されており、それらを用いてもよい。

解析部１２のテキスト解析部１２２は、分離された表および文章それぞれに対し、テキスト解析を行う（Ｓ１０３）。例えば、所定の文字列を検索することにより、表に対する説明文を検出する。「表」、「説明」などといった文字列が検出された場合、当該文字列を含む文は、当該分の前後にある表の内容を説明していると推定される。そのため、そのような文字列を含む文を検出する。所定の文字列は正規表現で表されていてもよい。例えば、「表」という文字と、任意の数字と、から成る文字列が検索されてもよい。

また、ＨＴＭＬなどの電子文書では、ソースコードに表のタイトルなどが明示されている。そのため、テキスト解析部１２２は、電子文書のソースコードから、表のタイトルなどとされる文字列を抽出してもよい。

解析部１２のテーブル構造解析部１２３は、抽出された表の構造を特定する（Ｓ１０４）。ＨＴＭＬ、ＰＤＦなどの電子文書では、ソースコードに、表の見出しなどを示すタブなどが含まれている。そのため、テーブル構造解析部１２３は、電子文書のソースコードに基づいて、見出し、結合セルなどの位置を検出してもよい。

解析部１２が処理結果を記憶部１６に格納し（Ｓ１０５）、本フローは終了する。例えば、電子文書の名称、表のタイトル、表に対する説明文などといった、解析されたテキストに係るテキスト情報１６１が格納される。また、抽出された表、およびその構造などを示すテーブル情報１６２が、当該表を含んでいた電子文書と対応付けて記憶されてもよい。このようにして、電子文書が入出力部１１に入力される度に本フローが実施されて、記憶部１６に情報が蓄積されていく。

しかし、前述のように、記憶部１６に蓄積された表は、その構造が様々であり、対象関係を判別しにくい。そこで、変換部１３が、対象関係を判別しやすくするように、記憶部１６に記憶された表を解析結果に基づいて変換する。

図５は、変換部１３の処理のフローの一例を示す図である。本フローは、解析部１２の処理が行われた後に実施される。なお、解析部１２の処理の実施の度に行われてもよいし、解析部１２の処理が複数回行われた後にまとめて実行されてもよい。

変換部１３の分割部１３１は、記憶部１６に記憶された表を取得し（Ｓ２０１）、当該表の結合セルを分割する（Ｓ２０２）。分割によって、各行が有するセルの数は同じとなり、各列が有するセルの数も同じとなる。例えば、図２の「鋼材の厚さ（ｍｍ）」と記載されたセルは、６行のセルに分割される。分割された各セルには、分割前の結合されていたセルの記載が登録される。

例えば、ＨＴＭＬなどの電子文書のソースコードには、セルの結合について示されている。分割部１３１は、テーブル構造解析部１２３による解析結果に基づいて、ソースコードから結合セルを認識し、分割してもよい。また、隣接するセルの数などに基づいて分割が行われてもよい。

また、表に含まれているテキストに基づいて、結合セルを認識してもよい。例えば、テキスト解析の結果、改行を意味する改行コードが含まれているセルが検出された場合に、当該セルを改行コードごとに分割するとしてもよい。また、例えば、主体および属性となり得る単語を予め登録しておき、一つのセルに登録された単語が複数含まれている場合に、それらの単語ごとにセルを分割してもよい。例えば、図３の表には、「ＳＭ４００ＡＳＭ４００Ｂ」という文字列を示すセルがある。分割部１３１は、当該セルを「ＳＭ４００Ａ」を示すセルと、「ＳＭ４００Ｂ」を示すセルと、に分割してもよい。

分割の際に行および列のいずれを増やすかは、主体および属性が行および列のいずれに記載されているかにより判断されてもよい。例えば、図３においては、「ＳＭ４００Ａ」と「ＳＭ４００Ｂ」と同一上位概念に属するＳＭ４００Ｃなどが、列方向に記載されている。ゆえに、図３の前述のセルを、「ＳＭ４００Ａ」を示すセルと、「ＳＭ４００Ｂ」を示すセルと、に分割する場合は、行が増やされる。

図６および７は、結合セルの分割後の表の例を示す図である。図６は、判定対象とされる表の第１の例の分割後の図である。図７は、判定対象とされる表の第２の例の分割後の図である。なお、見出しを明確に示すために、各図の変換された表の値を示すセルは空欄にしている。図２および３に示された表が対応関係にあるかを判定する場合、図２および３に示された表を比較するのではなく、図６および７に示された分割後の表が比較される。

これにより、各セルに係る見出しを認識することができる。しかし、前述のように、主体および属性が省略されていることもあり得る。例えば、図３の例では「降伏点または耐力」という属性が省略されていたため、分割後の図７の表でも「降伏点または耐力」という属性が含まれていない。そこで、補完部１３２が省略されている主体および属性を補完する（Ｓ２０３）。

例えば、補完部１３２は、テキスト解析結果により得られた表の説明文に基づき、補完を行う。例えば、図３の例では、表のタイトルが「降伏点または耐力」であった。補完部１３２は、「降伏点または耐力」という文字列が表の見出しに示されていないため、当該文字列を補完することを決定する。

図８は、判定対象とされる表の第２の例の補完後の図である。「降伏点または耐力」という属性を示すセルが、全て列の見出しに追加されている。タイトル、表の説明文などで示されているにも関わらず、表に記載されていない属性は、全てのセルに係る属性であるために表では省略されていると考えられる。そのため、全ての行見出しまたは列見出しに省略されている属性を追加してもよい。

また、表の説明文が得られなかった場合、説明文に補完すべき属性が示されていない場合などもあり得る。そのような場合、表に含まれる主体、または、当該主体の上位概念、に関する表に含まれ得る属性を示す属性情報を参照して、省略されている属性を補完する。上位概念および上位概念に属する主体は予め定められているとする。

図９は、グラフスキーマの一例を示す図である。グラフスキーマは、属性情報の一種であり、属性が表の見出しに記載されているときの位置関係を示すグラフである。グラフスキーマは、予め生成され、記憶部１６に記憶されている属性情報１６３に含まれているとする。なお、補完のために用いられるグラフスキーマを、特にマスタのグラフスキーマと記載する。

図９のグラフスキーマは、図２および３の表に示された主体である「ＳＭ４００Ｂ」が属する上位概念である「鋼板」に関するグラフスキーマである。そのため、「鋼板」が最上位に記載されている。

なお、「ＳＭ４００Ｂ」に対するグラフスキーマがあってもよいし、「ＳＭ４００Ｂ」の上位概念であって「鋼板」の下位概念の「ＳＭ４００材」に対するグラフスキーマがあってもよい。

グラフスキーマの最上位の配下に、属性が記載される。本説明では、グラフスキーマの最上位に記載された主体または上位概念に直下に配置された属性を「独立属性」と記載する。図９の例では、独立属性として、「溶鋼分析値」、「降伏又は耐力」、「引張強さ」、「伸び」、「衝撃試験」が示されている。

独立属性は、見出しに表記される際に、列見出しならば左右に、行見出しなら上下に、記載されるものである。言い換えれば、各独立属性は、同じ行または列に記載されないものである。例えば、ＳＭ４００Ｂの「引張強さ」および「伸び」に係る値というものは存在できず、「引張強さ」と「伸び」は独立属性と言える。

各独立属性の配下には、さらに属性が記載される。本説明では、独立属性の配下に記載された属性を「従属属性」と記載する。従属属性は、独立属性と同じ行または列に記載されることが多い属性である。言い換えれば、列見出しならば独立属性の上下に、行見出しなら独立属性の左右に、記載されるものである。独立属性と従属属性との間には、関係性はなくともよい。図９の例では、「降伏又は耐力」という独立属性とは直接関係のない属性である「厚さ」が、「引張強さ」などの従属属性として示されている。これは、「厚さ」が主体に関する属性であり、例えば、「厚さ」が１６以下のＳＭ４００Ｂの「引張強さ」に係る値というものが存在できるからである。

図１０は、判定対象とされる表の第３の例を示す図である。図１０の表には、炭素（Ｃ）、ケイ素（Ｓｉ）、マンガン（Ｍｎ）、リン（Ｐ）、および硫黄（Ｓ）が、属性として示されている。しかし、「化学成分」という属性は記載されていない。また、表の上に記載された説明文にも、「化学成分」という単語は含まれていない。このような場合において、グラフスキーマを用いることにより、当該表に対して「化学成分」という属性名を補完する。

図１１は、判定対象とされる表の第３の例の補完後の図である。前述の通り、分割部１３１によって結合セルが分割されている。また、補完部１３２によって、溶鋼分析値と、化学成分と、が行見出しに追加されている。

補完部１３２は、マスタのグラフスキーマを参照し、炭素（Ｃ）などの属性が「化学成分」という独立属性に従属していることを認識する。そして、「化学成分」という属性が図１０の表に示されていないことをテキスト解析結果により、認識する。補完部１３２は、「化学成分」という属性を追加するために、炭素（Ｃ）などが列見出しに記載されていることから、列見出しの行を追加する。そして、炭素（Ｃ）などの従属属性が示されている列かつ追加された行の各セルに、「化学成分」という記載を追加している。

また、図１０に示すように、図１０の表には、「鋼板は、７．の試験を行い、その溶鋼分析値は下の表による」という説明文がある。そのため、前述の通り、補完部１３２は、「溶鋼分析値」という属性を追加し、グラフスキーマに基づいて、「化学成分」という属性が「溶鋼分析値」という属性に従属していることを認識し、「化学成分」という属性を変換された表に追加してもよい。

あるいは、補完部１３２は、マスタのグラフスキーマから、「化学成分」という属性が「溶鋼分析値」という独立属性にだけ従属していることを認識し、「溶鋼分析値」という属性をさらに追加してもよい。

また、補完部１３２は、マスタのグラフスキーマの属性の名称に基づいて類似すると判断された表に記載の属性の名称を、マスタのグラフスキーマの属性の名称に変更してもよい。これにより、属性の表記ゆらぎをなくしてもよい。表記の類似は、レーベンシュタイン距離などの公知の手法に基づいて判定すればよい。

このようにして、補完部１３２が、表および当該表を含む電子文書の少なくともいずれかの記載に基づき、当該表に含まれていない属性を補完することによって、対応関係にある表が対応関係にないと誤判定されることを防ぐことができる。

変換部１３が処理結果を記憶部１６に格納し（Ｓ２０４）、本フローは終了する。例えば、変換された表などを示す変換テーブル情報１６４が、変換前の表を示すテーブル情報１６２と対応付けて記憶されてもよい。なお、変換された表が、入出力部１１を介して、出力されてもよい。変換された表を出力して、ユーザの確認および修整を受け付けてもよい。例えば、ユーザが変換された表に基づいて、表の対応関係を判定することも考えられる。

なお、マスタのグラフスキーマは、予め記憶部１６に記憶されていてもよいし、解析部１２の処理の結果に基づいて生成および更新されてもよい。本実施形態では、属性情報生成部１４がマスタのグラフスキーマを生成および更新する。

属性情報生成部１４は、主体または当該主体の上位概念が同一の表の行見出しおよび列見出しを取得し、含まれる属性をカウントする。属性の記載数が閾値を超えた場合、マスタのグラフスキーマに記載する。なお、カウントの際、レーベンシュタイン距離などに基づいて、表の属性の名称を変換してもよい。

また、行見出しの記載の方向（上下）と、列見出しの記載の方向（左右）と、に基づいて、属性の従属関係を決定してもよい。

また、表の記載だけでなく、表の説明文からグラフスキーマを生成してもよい。例えば、図２に示したように、「表１がＳＭＢ４００の降伏点、耐力、引張強さ及び伸びについて説明する」という説明文がテキスト解析部１２２により検出されていたとする。属性情報生成部１４は、当該説明文の単語を抽出して、「“表１”、“ＳＭＢ４００”、“降伏点”、“耐力”、“引張強さ”、“伸び”、“説明する”」を取得する。そして、属性情報生成部１４は、取得された単語同士の係り受けなどから、主体と属性を推定してもよい。

係り受けのルールは、予め登録しておく。例えば、「ＳＭ４００Ａ」、「ＳＭ４００Ｂ」などといった主体となり得る候補を予め登録しておくことにより、主体を推定することができる。また、主体の後に「の」という文字があった場合は、その後に属性が記載されていることを予め登録しておく。また、「及び」という語が並列表記を意味していることを登録しておく。これにより、分割部１３１は、「ＳＭ４００Ｂ」という文字列が、「降伏点」、「耐力」、「引張強さ」、および「伸び」に掛けられているということを認識する。すなわち、「降伏点」、「耐力」、「引張強さ」、および「伸び」が、主体である「ＳＭ４００Ｂ」に対する属性であり、並列表記されていることから独立属性であることを認識する。

このようにして、属性情報生成部１４は、マスタのグラフスキーマを生成する。また、属性情報生成部１４は、表ごとに、個別のグラフスキーマを生成してもよい。

判定部１５は、表同士に含まれる属性に基づき、当前表同士の対応関係についての判定を行う。判定部１５は、変換部１３によって変換された表を用いて判定を行う。ゆえに、省略されていた属性も補完されているため、補完されていない表を用いた場合よりも判定の精度が向上する。

図１２は、判定部１５の処理のフローの一例を示す図である。本フローは、表の識別子、タイトルなどといった表を識別する情報が入出力部１１に入力された場合に開始されることを想定する。

判定部１５が、入出力部１１を介して、二つの表（指定対象）の指定を受け付ける（Ｓ３０１）。ここでは、二つの表を第１の表と第２の表と記載する。判定部１５の抽出部１５１は、記憶部１６から、第１の表の変換された表と、第２の表の変換された表と、を抽出する（Ｓ３０２）。

なお、一つの表が指定されて、指定された表と対応する表が抽出されてもよい。例えば、解析部１２および変換部１３によって処理された表と対応関係にある表が、判定部１５よって自動的に検出されてもよい。その場合は、記憶部１６から順に一つの表を抽出して、抽出された表ごとに本フローを繰り返し実行すればよい。

次に、判定の対象とするセルを、第１および第２の変換された表から一つずつ選択する（Ｓ３０３）。当該選択は、第１および第２の表の未だ選択されたことのないセルの組み合わせであればよい。各セルが順番に選択されてもよいし、未だ選択されたことのないセルの組み合わせをランダムに選択してもよい。

編集距離算出部１５２は、選択セルの編集距離を算出し、共通主体および共通属性を判明させる（Ｓ３０４）。具体的には、第１の表の選択セルに係る主体および属性それぞれと、第２の表の選択セルに係る主体および属性それぞれと、の編集距離を算出する。そして、算出された編集距離に基づいて、第１の表の選択セルと、第２の表の選択セルと、の両方に共通する主体および属性を検出する。これにより、表記ゆれなどによって、異なる主体および属性と認識されることを防ぐ。

なお、セルに係る主体および属性は、当該セルが属する列の見出しと、当該セルが属する行の見出しと、の少なくとも一つに記載の主体および属性とする。例えば、図６の太枠で示したセルに係る主体および属性は、点線の枠で囲まれた主体および属性で表される。例えば、｛降伏点または耐力、鋼材の厚さ、４０を超え７５以下、ＳＭ４００Ｂ、機械的性質｝と表され得る。また、図８の太枠で示したセルに係る主体および属性は、同様に、｛降伏点または耐力、鋼材の厚さ、４０を超え７５以下、ＳＭ４００Ｂ｝と表され得る。

なお、セルに係る主体および属性は、列および行のいずれか一方の見出しに記載の主体および属性としてもよい。

編集距離は、レーベンシュタイン距離など、公知の算出方法を用いればよい。共通主体および共通属性と認識するための閾値なども適宜に定めてよい。また、補完部１３２が既に表記ゆれを修正している場合は、編集距離は算出されずに、完全に一致するもののみを共通主体または共通属性としてもよい。

集合類似度算出部１５３は、第１の表の選択セルと、第２の表の選択セルと、の集合類似度を算出する（Ｓ３０５）。具体的には、第１の表の選択セルに係る主体および属性を第１の表の選択セルに係る集合とみなし、第２の表の選択セルに係る主体および属性を第２の表の選択セルに係る集合とみなして、集合類似度を算出する。各セルに係る属性は、各セルが属する行および列の見出しに示された属性としてもよい。あるいは、行および列の見出しのいずれか一方に示された属性としてもよい。

集合類似度は、ジャガード（Ｊａｃｃａｒｄ）係数など、公知の算出式を用いて算出されればよい。例えば、集合Ａと集合Ｂに対するジャガード係数Ｊ（Ａ，Ｂ）は、次式で表される。

図６の太枠のセルと図８の太枠のセルとの積集合に含まれる要素の数は４であり、和集合の数に含まれる要素の数は５であるため、ジャガード係数は０．８と求められる。省略された属性が補完されているため、集合類似度をより正確に求めることができる。

判定部１５が、第１の表の選択セルと、第２の表の選択セルと、の対応関係を、集合類似度などに基づいて判定する（Ｓ３０６）。判定のための閾値は適宜に定めてよい。また、共通主体がない場合は、集合類似度の値を問わずに、対応関係がないとしてもよい。

判定後、終了条件を満たさない場合（Ｓ３０７のＮＯ）は、Ｓ３０３の処理に戻り、判定の対象のセルが選択される。終了条件は、第１の表のセルと、第２表のセルと、の全ての組み合わせに対して、対応関係が判定されたこととしてもよい。なお、必ずしも全ての組み合わせを対象としなくてもよく、判定対象とするセルが絞られてもよい。判定の回数の上限などが終了条件として定められていてもよい。

終了条件を満たす場合（Ｓ３０７のＹＥＳ）は、判定部１５が、判定結果、対応関係にある表の識別子などの処理結果を入出力部１１に送信し（Ｓ３０８）、本フローは終了する。なお、送信先は、記憶部１６でもよい。これを受けてユーザは、指定された表が対応関係にあるかどうかなどを認識することができる。

以上のように、本実施形態の情報処理装置１は、表の見出しに記載されるべき情報が省略されている場合に、表を補完する。また、表の見出しが複数の行または列に記載されている場合では、表を分割する。このようにして複数の電子文書およびそれらに含まれる表を解析することにより、対応関係にある表を検出することができる。

なお、上記の実施形態の少なくとも一部は、プロセッサ、メモリなどを実装しているＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ：集積回路）などの専用の電子回路（すなわちハードウェア）により実現されてもよい。また、上記の実施形態の少なくとも一部は、ソフトウェア（プログラム）を実行することにより、実現されてもよい。例えば、汎用のコンピュータ装置を基本ハードウェアとして用い、コンピュータ装置に搭載されたＣＰＵなどのプロセッサにプログラムを実行させることにより、上記の実施形態の処理を実現することが可能である。

例えば、コンピュータが読み取り可能な記憶媒体に記憶された専用のソフトウェアをコンピュータが読み出すことにより、コンピュータを上記の実施形態の装置とすることができる。記憶媒体の種類は特に限定されるものではない。また、通信ネットワークを介してダウンロードされた専用のソフトウェアをコンピュータがインストールすることにより、コンピュータを上記の実施形態の装置とすることができる。こうして、ソフトウェアによる情報処理が、ハードウェア資源を用いて、具体的に実装される。

図１３は、本発明の一実施形態におけるハードウェア構成の一例を示すブロック図である。情報処理装置１は、プロセッサ２１と、主記憶装置２２と、補助記憶装置２３と、ネットワークインタフェース２４と、デバイスインタフェース２５と、を備え、これらがバス２６を介して接続されたコンピュータ装置２として実現できる。記憶部１６は、主記憶装置２２または補助記憶装置２３により実現可能であり、その他の構成要素は、プロセッサ２１により実現可能である。

なお、図１３のコンピュータ装置２は、各構成要素を一つ備えているが、同じ構成要素を複数備えていてもよい。また、図１３では、１台のコンピュータ装置２が示されているが、ソフトウェアが複数のコンピュータ装置にインストールされて、当該複数のコンピュータ装置それぞれがソフトウェアの異なる一部の処理を実行してもよい。

プロセッサ２１は、コンピュータの制御装置および演算装置を含む電子回路である。プロセッサ２１は、コンピュータ装置２の内部構成の各装置などから入力されたデータやプログラムに基づいて演算処理を行い、演算結果や制御信号を各装置などに出力する。具体的には、プロセッサ２１は、コンピュータ装置２のＯＳ（オペレーティングシステム）や、アプリケーションなどを実行し、コンピュータ装置２を構成する各装置を制御する。プロセッサ２１は、上記の処理を行うことができれば特に限られるものではない。

主記憶装置２２は、プロセッサ２１が実行する命令および各種データなどを記憶する記憶装置であり、主記憶装置２２に記憶された情報がプロセッサ２１により直接読み出される。補助記憶装置２３は、主記憶装置２２以外の記憶装置である。なお、これらの記憶装置は、電子情報を格納可能な任意の電子部品を意味するものとし、メモリでもストレージでもよい。また、メモリには、揮発性メモリと、不揮発性メモリがあるが、いずれでもよい。

ネットワークインタフェース２４は、無線または有線により、通信ネットワーク３に接続するためのインタフェースである。ネットワークインタフェース２４は、既存の通信規格に適合したものを用いればよい。ネットワークインタフェース２４により、通信ネットワーク３を介して通信接続された外部装置４Ａと情報のやり取りが行われてもよい。

デバイスインタフェース２５は、外部装置４Ｂと直接接続するＵＳＢなどのインタフェースである。外部装置４Ｂは、外部記憶媒体でもよいし、データベースなどのストレージ装置でもよい。

外部装置４Ａおよび４Ｂは出力装置でもよい。出力装置は、例えば、画像を表示するための表示装置でもよいし、音声などを出力する装置などでもよい。例えば、ＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）、ＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）、ＰＤＰ（Ｐｌａｓｍａ Ｄｉｓｐｌａｙ Ｐａｎｅｌ）、スピーカなどがあるが、これらに限られるものではない。

なお、外部装置４Ａおよび４Ｂは入力装置でもよい。入力装置は、キーボード、マウス、タッチパネルなどのデバイスを備え、これらのデバイスにより入力された情報をコンピュータ装置２に与える。入力装置からの信号はプロセッサ２１に出力される。

上記に、本発明の一実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、移行を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１ 情報処理装置
１１ 入出力部
１２ 解析部
１２１ 文書構造解析部
１２２ テキスト解析部
１２３ テーブル構造解析部
１３ 変換部
１３１ 分割部
１３２ 補完部
１４ 属性情報生成部
１５ 判定部
１５１ 抽出部
１５２ 編集距離算出部
１５３ 集合類似度算出部
１６ 記憶部
１６１ テキスト情報
１６２ テーブル情報
１６３ 属性情報
１６４ 変換テーブル情報
２ コンピュータ装置
２１ プロセッサ
２２ 主記憶装置
２３ 補助記憶装置
２４ ネットワークインタフェース
２５ デバイスインタフェース
２６ バス
３ 通信ネットワーク
４Ａおよび４Ｂ 外部装置

Claims (10)

1. コンピュータにより実行される情報処理装置であって、
   第１の表、および、前記第１の表を含む電子文書、の少なくともいずれかの記載と、前
   記第１の表に含まれる主体、または、前記第１の表に含まれる主体の上位概念、に関する
   表に含まれ得る属性を示す属性情報と、に基づき、前記第１の表に含まれておらず前記第
   １の表から省略されている属性を補完する補完部と、
   同一の主体に関する複数の表に含まれている属性、または、前記複数の表を含む一つ以
   上の電子文書の記載に基づいて、前記補完部で補完された属性を含めて前記複数の表に含
   まれる属性のうち、前記複数の表に記載された数が閾値以上の属性を含む前記属性情報を
   生成する生成部と、
   を備える情報処理装置。
2. コンピュータにより実行される情報処理装置であって、
   第１の表、および、前記第１の表を含む電子文書、の少なくともいずれかの記載と、前
   記電子文書の前記第１の表に関する説明文と、に基づき、前記第１の表に含まれておらず
   前記第１の表から省略されている属性を補完する補完部と、
   前記補完部で補完された第１の表に含まれる属性と、第２の表に含まれる属性と、に基
   づき、前記第１の表および前記第２の表のセル同士で主体および属性を比較し、各セルに
   係る主体および属性の集合類似度に基づいて、前記第１の表および前記第２の表の対応関
   係についての判定を行う判定部と、を備え、
   前記コンピュータは、前記補完部および前記判定部の処理を実行する、
   情報処理装置。
3. 同一の主体に関する複数の表に含まれている属性、または、前記複数の表を含む一つ以
   上の電子文書の記載に基づいて、前記補完部で補完された属性を含めて前記複数の表に含
   まれる属性のうち、前記複数の表に記載された数が閾値以上の属性を含む属性情報を
   生成する生成部
   をさらに備える請求項２に記載の情報処理装置。
4. 前記補完部は、前記電子文書の前記第１の表に関する説明文に基づき、前記説明文に記
   載されているにもかかわらず前記第１の表に含まれていない属性を特定する
   請求項１に記載の情報処理装置。
5. 前記補完部で補完された第１の表に含まれる属性と、第２の表に含まれる属性と、に基
   づき、前記第１の表および前記第２の表のセル同士で主体および属性を比較し、各セルに
   係る主体および属性の集合類似度に基づいて、前記第１の表および前記第２の表の対応関
   係についての判定を行う判定部
   をさらに備える請求項４に記載の情報処理装置。
6. 前記第１の表は、一つ以上の主体に対する一つ以上の属性の値を示すものであり、
   前記属性は、前記第１の表の見出しに記載され、
   前記主体は、前記属性によって、性質または特徴が示されるものである
   請求項１ないし５のいずれか一項に記載の情報処理装置。
7. 第１の表、および、前記第１の表を含む電子文書、の少なくともいずれかの記載と、前
   記第１の表に含まれる主体、または、前記第１の表に含まれる主体の上位概念、に関する
   表に含まれ得る属性を示す属性情報と、に基づき、前記第１の表に含まれておらず前記第
   １の表から省略されている属性を補完するステップと、
   同一の主体に関する複数の表に含まれている属性、または、前記複数の表を含む一つ以
   上の電子文書の記載に基づいて、前記補完するステップで補完された属性を含めて前記複数の表に含
   まれる属性のうち、前記複数の表に記載された数が閾値以上の属性を含む前記属性情報を
   生成するステップと、をコンピュータに実行させる
   情報処理方法。
8. 第１の表、および、前記第１の表を含む電子文書、の少なくともいずれかの記載と、前
   記電子文書の前記第１の表に関する説明文と、に基づき、前記第１の表に含まれておらず
   前記第１の表から省略されている属性を補完するステップと、
   補完された第１の表に含まれる属性と、第２の表に含まれる属性と、に基づき、前記第
   １の表および前記第２の表のセル同士で主体および属性を比較し、各セルに係る主体およ
   び属性の集合類似度に基づいて、前記第１の表および前記第２の表の対応関係についての
   判定を行うステップと、をコンピュータに実行させる
   情報処理方法。
9. コンピュータに、
   第１の表、および、前記第１の表を含む電子文書、の少なくともいずれかの記載と、前
   記第１の表に含まれる主体、または、前記第１の表に含まれる主体の上位概念、に関する
   表に含まれ得る属性を示す属性情報と、に基づき、前記第１の表に含まれておらず前記第
   １の表から省略されている属性を補完するステップと、
   同一の主体に関する複数の表に含まれている属性、または、前記複数の表を含む一つ以
   上の電子文書の記載に基づいて、前記補完するステップで補完された属性を含めて前記複数の表に含
   まれる属性のうち、前記複数の表に記載された数が閾値以上の属性を含む前記属性情報を
   生成するステップと、を実行させる
   プログラム。
10. コンピュータに、
    第１の表、および、前記第１の表を含む電子文書、の少なくともいずれかの記載と、前
    記電子文書の前記第１の表に関する説明文と、に基づき、前記第１の表に含まれておらず
    前記第１の表から省略されている属性を補完するステップと、
    補完された第１の表に含まれる属性と、第２の表に含まれる属性と、に基づき、前記第
    １の表および前記第２の表のセル同士で主体および属性を比較し、各セルに係る主体およ
    び属性の集合類似度に基づいて、前記第１の表および前記第２の表の対応関係についての
    判定を行うステップと、を実行させる
    プログラム。

Images