JPH0736917A - キーワード自動抽出装置 - Google Patents

Abstract

(57)【要約】 【目的】 数量のキーワード抽出効率を向上させる。 【構成】 形態素解析手段１−１は、解析用辞書１−７
を用いて日本語のテキストデータを形態素に分割する。
形態素辞書情報展開手段１−２は、形態素辞書１−８を
用いて分割された各形態素に対しての品詞情報を展開す
る。数詞・単位列抽出手段１−３は、品詞が数詞と単位
で構成されている形態素列を抽出する。数量認識手段１
−４は、予め規定したパターンで連続している形態素列
を数量として認識する。数量判別手段１−５は、数量と
認識された形態素列が連続しているものについて１つの
数量を表しているか別々の数量を表しているかを判別す
る。数量抽出手段１−６は、判別された数量のうち数量
抽出指定テーブル１−９で指定された単位を有する数量
をキーワードとして抽出する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、コンピュータによる情
報検索システムにおいて、日本語のテキストデータから
キーワードを抽出するキーワード自動抽出方式に関し、
特にテキストデータ中の単語のうち、利用者がキーワー
ドとして抽出したい単位を有する数量を抽出する、キー
ワード自動抽出装置に関する。

【０００２】

【従来の技術】従来、データベース化を行う情報は、そ
の情報が持つ意味によって大きく２つに分類される。

【０００３】情報には、文献そのものや文献に含まれる
数量などがあるが、ここでは、文献そのものを情報と
し、索引づけによって管理される情報をリファレンスデ
ータと定義し、文献内の数量情報であって、その数量情
報の意味との関係づけによって管理される数量情報をフ
ァクトデータと定義し、分類する。

【０００４】リファレンスデータである文献の場合、文
献そのものをテキストデータに変換し、データベースに
蓄積する。この際、文献中からその文献の主題を表す語
をキーワードとして抽出し、そのキーワードを検索キー
として検索できるようにし、情報を活用できるようにし
ている。また、ファクトデータである数量の場合は、文
献中に出現したテキストデータとしての数量を数値デー
タに変換し、その数値データ（項目値）が何を表す数値
データであるか（項目名）の関係づけを行うことで、関
係データベースに蓄積する。数値データはテキストデー
タと違い、演算が可能なため、蓄積された情報から新た
な情報を得ること（容易な分析）ができ、意思決定支援
領域・統計解析領域の分野で活用されている。従来のキ
ーワード自動抽出方式に関する代表的な特許としては、
特開平−１３５６６９がある。この特開平−１３５６６
９の方式は、図１１に示すように、入力された日本語テ
キストデータから目的節、主語節と思われる文節を重要
文節として抽出し、抽出した重要文節の中より、出現頻
度の高い名詞をキーワードとして抽出するものである。
しかしこの方式は、英小文字を少なくとも１つ含む文節
は重要文節にしないようにし、さらに、数字だけからな
る語はキーワードとして意味を持たないとして抽出しな
いようにしているため、数字と単位を意味する英小文字
で構成されている数量については、キーワードとして抽
出することができなかった。

【０００５】

【発明が解決しようとする課題】上述した従来のキーワ
ード自動抽出方式は、文献中の数量をキーワード情報と
して抽出することができなかった為、意思決定支援や統
計解析の分野などにおいて、特定の種別の数量を情報と
して蓄積する際には、文献中から人手によって数量を抽
出するしかなく、キーワード抽出効率が極めて悪いとい
う問題点がある。

【０００６】

【課題を解決するための手段】第１の発明は、情報検索
システムにおける情報の検索を行う場合に有効となるキ
ーワードを日本語のテキストデータから自動抽出するキ
ーワード自動抽出装置において、形態素単位の接続に関
する情報を格納している解析用辞書と前記形態素ごとに
品詞情報と単位種別情報を格納している形態素辞書と前
記テキストデータにおける数字と単位を表す英小文字で
構成されている数量のうち抽出したい前記数量の単位を
格納している数量抽出指定テーブルを予め備え、前記解
析用辞書を用いて日本語の前記テキストデータを形態素
に分割する形態素解析手段と、前記形態素辞書を用いて
前記分割された各形態素に対しての品詞情報を展開する
形態素辞書情報展開手段と、前記品詞が数詞と単位で構
成されている形態素列を抽出する数詞・単位列抽出手段
と、予め規定したパターンで連続している前記形態素列
を数量として認識する数量認識手段と、前記数量と認識
された形態素列が連続しているものについて１つの前記
数量を表しているか別々の前記数量を表しているかを判
別する数量判別手段と、前記判別された数量のうち前記
数量抽出指定テーブルで指定された前記単位を有する前
記数量を前記キーワードとして抽出する数量抽出手段と
を備えたことを特徴とする。

【０００７】

【実施例】次に、本発明について図面を参照して説明す
る。

【０００８】図１は本発明の一実施例を示す構成図であ
る。図１中、形態素解析手段（１−１）は、解析辞書
（１−７）を利用して日本語のテキストデータを形態素
に分割する。形態素辞書情報展開手段（１−２）は、形
態素辞書を利用して形態素解析手段（１−１）により解
析された各形態素に対して品詞情報を展開する。数詞・
単位列抽出手段（１−３）は、形態素辞書情報展開手段
（１−２）により展開された品詞情報をもとに、数詞と
単位で構成されている部分（形態素列）を抽出する。数
量認識手段（１−４）は、数詞・単位列抽出手段３によ
り抽出された形態素列を、システムで予め規定したパタ
ーンで連続している形態素列を数量であると認識する。
数量判別手段（１−５）は、数量認識手段（１−４）に
より認識された数量が形態素列内において連続している
ものについて、１つの数量を表しているか、別々の数量
を表しているかを判別する。数量抽出手段（１−６）
は、数量判別手段（１−５）により判別された数量のう
ち、数量指定テーブル（１−９）に利用者が指定した数
量だけをキーワードとして抽出する。解析用辞書（１−
７）は、形態素単位の接続に関する情報を格納してい
る。形態素辞書（１−８）は、品詞情報、単位種別情報
の２情報を、各形態素ごとに格納している。数量抽出指
定テーブル（１−９）は、利用者が抽出したい数量の単
位を格納している。

【０００９】図２は日本語テキストデータの入力例であ
り、図３はそのテキストデータの形態素解析手段（１−
１）による解析結果である。図３中“／”は形態素の区
切りを示している。

【００１０】図４は形態素辞書（１−８）の構成例であ
る。図４中４−１は１，６００という形態素の品詞情報
は数詞であると登録され、４−２はＣＣという形態素の
品詞情報は単位であり単位種別情報は容量であると登録
されていることを表している。

【００１１】図５は形態素辞書情報展開手段（１−２）
の展開結果である。図５中“／”は形態素の区切りを示
し、５−１は１，６００の品詞が数詞であることを表
し、５−２はccの品詞が単位であることを表し、５−３
は１０５の品詞が数詞であることを表し、５−４は馬力
の品詞が単位であることを表している。

【００１２】図６は数詞・単位列抽出手段（１−３）の
抽出結果である。図６中“／”は形態素の区切りを示
し、６−１は１，６００の品詞が数詞であることを表
し、６−２はccの品詞が単位であることを表し、６−３
は１０５の品詞が数詞であることを表し、６−４は馬力
の品詞が単位であることを表している。

【００１３】図７は数量認識手段（１−４）の認識結果
である。図７中“／”は数量の区切りを示し、７−１は
１，６００ccの品詞が数量であることを表し、７−２は
１，６００ccの単位種別が容量であることを表し、７−
３は１０５馬力の単位種別がエネルギーであることを表
し、７−４は１２月の単位種別が時刻であることを表
し、７−５は２４日の単位種別が時刻であることを表し
ている。

【００１４】図８は数量判別手段（１−５）の結果であ
る。図８中８−１は１，６００ccが数量として判別され
たことを表し、８−２はその単位種別が容量であること
を表し、８−３はその単位表記がccであることを表し、
８−４は１０５馬力が数量として判別されたことを表
し、８−５はその単位種別がエネルギーであることを表
し、８−６は１２月２４日が数量として判別されたこと
を表し、８−７は１２月２４日の単位種別が時刻である
ことを表している。

【００１５】図９は数量抽出指定テーブル（１−９）の
構成例を示す図である。図９中、第１の指定として、９
−１のｈは数量を単位表記で抽出することを表し、９−
２は抽出すべき単位表記がccであることを表し、第２の
指定として、９−３のｓは数量を単位種別で抽出するこ
とを表し、９−４は抽出すべき単位種別が容量であるこ
とを表している。

【００１６】以下、図１から図１０までを用いて説明す
る。

【００１７】形態素解析手段（１−１）は、解析用辞書
（１−７）を利用して、日本語において意味を表す最小
単位である形態素に解析する手段である。本発明におけ
る形態素解析手段（１−１）は、最長一致法、接続表を
用いた解析を行っている。すなわち、解析用辞書（１−
７）中に格納している各形態素単位の接続に関する情報
を利用して解析を行う。

【００１８】図２の日本語テキストデータ例に対しての
形態素解析手段（１−１）の結果は、図３の形態素解析
結果に示す通りである。形態素辞書情報展開手段（１−
２）は、形態素解析手段（１−１）で解析された形態素
に対し、形態素辞書（１−８）中より情報を展開する手
段である。形態素辞書（１−８）は、品詞情報、単位種
別情報の２情報を、各形態素ごとに格納している。品詞
情報は、すべての形態素に対して与える情報であり、通
常の日本語文法における品詞に、固有の品詞を追加して
形態素を分類している。具体的な品詞としては、名詞、
動詞、サ変動詞語幹、サ変動詞語尾、形容詞、形容動
詞、福詞、連体詞、感動詞、接続詞、助詞、助動詞、単
位、数詞がある。また、単位種別情報は、品詞情報が単
位であるものに与える情報である。単位種別情報は、形
態素が表す単位の種別を重さ、高さ、温度、容量、時刻
などに分類した情報である。形態素辞書情報展開手段
（１−２）による辞書情報の展開を図４、図５を用いて
説明すると、図５の５−１の数詞は図４の４−１の１，
６００に関する辞書情報の「品詞＝数詞」を展開したも
のであり、図５の５−２の単位、容量は図４の４−２の
ccに関する辞書情報の「品詞＝単位、単位種別＝容量」
を展開したものである。形態素辞書情報の展開はすべて
の形態素に対して同様に行われる。

【００１９】図３に示した形態素解析手段結果に対して
の形態素辞書情報展開手段（１−２）の結果は、図５に
示す通りである。数詞・単位列抽出手段（１−３）は、
形態素辞書情報展開手段（１−２）で展開された品詞情
報をもとに、品詞情報が数詞と単位だけで構成される部
分（形態素列）を抽出する手段である。数詞・単位列抽
出手段（１−３）による形態素列の抽出を図５，図６を
用いて説明すると、図６の６−１の数詞から６−４の単
位までは、図５の５−１の数詞から５−４の単位までの
４つの連続する形態素を形態素列として抽出したもので
ある。形態素列の抽出は、品詞が数詞または単位である
部分に注目し、数詞と単位が連続している部分ごとにす
べて抽出する。

【００２０】図５に示した形態素辞書情報展開結果に対
しての数詞・単位列抽出結果は、図６に示す通りであ
る。

【００２１】数量認識手段（１−４）は、数詞・単位列
抽出手段（１−３）で抽出された形態素列から、品詞情
報が単位、数詞の順で２つの形態素からなる形態素列で
ある、または品詞情報が数詞、単位の順で２つの形態素
からなる形態素列であるものを数量であると認識する手
段である。ただし、単位から始まる形態素列のうち３つ
以上の形態素からなる形態素列は破棄し、数量認識の対
象としない。数量認識手段（１−４）による数量の認識
を図６，図７を用いて説明すると、図６の６−１の数詞
と６−２の単位から、数詞、単位の順で２つの形態素か
らなる形態素列であると判断し、図７の７−１の１，６
００ccという単位種別が容量で単位表記がccであるよう
な数量であると認識する。数量の認識は形態素列すべて
に対して同様に行う。

【００２２】図６に示した数詞・単位列抽出結果に対し
ての数量認識結果は、図７に示す通りである。

【００２３】数量判別手段（１−５）は、数量認識手段
（１−４）で認識された数量のうち、単位種別が同じ数
量が連続しているものを１つの数量とし、単位種別が異
なるものを別々の数量として判別する手段である。数量
判別手段（１−５）による数量の判別を図７，図８を用
いて説明すると、図８の８−１の１，６００ccと８−４
の１０５馬力は、図７の７−２の単位種別が容量、７−
３の単位種別がエネルギーであることから、別々の数量
であると判別されたものであり、図８の８−６の１２月
２４日は、図７の７−４の単位種別が時刻、７−５の単
位種別も時刻であることから、１つの数量であると判別
されたものである。数量の判別は数量認識結果すべてに
対して同様に行う。

【００２４】図７に示した数量認識結果に対しての数量
判別結果は、図８に示す通りである。

【００２５】数量抽出手段（１−６）は、数量判別手段
（１−５）で判別された数量のうち、数量抽出指定テー
ブル（１−９）に指定された単位表記または単位種別の
数量をキーワードとして抽出する手段である。数量抽出
指定テーブル（１−９）は、キーワードとして抽出した
い単位を表記で指定したい場合はh:の後に表記を記し、
種別で指定したい場合はs:の後に種別を記して指定す
る。数量抽出手段（１−６）によるキーワードの抽出を
図８，図９を用いて説明すると、図８の８−１の１，６
００ccは、図９の９−１のh:と９−２のccより、単位表
記がccの数量はキーワードとして抽出すべき数量として
抽出され、図８の８−６の１２月２４日は、図９の９−
３のs:と９−４の時刻より、単位種別が時刻の数量はキ
ーワードとして抽出すべき数量として抽出される。

【００２６】図８に示した数量判別結果に対してのキー
ワード抽出結果は、図１０に示す通りである。

【００２７】

【発明の効果】以上説明したように、本発明のキーワー
ド自動抽出装置は、分析や意志決定支援などに利用する
数量を文献中からキーワードとして自動的に抽出するこ
とができるようになり、キーワード抽出効率が極めて向
上する効果がある。

【図面の簡単な説明】

【図１】本発明の一実施例を示すブロック図である。

【図２】本実施例における日本語テキストデータの入力
例を示す図である。

【図３】図２のテキストデータの形態素解析結果の例を
示す図である。

【図４】本実施例における形態素辞書の構成例を示す図
である。

【図５】本実施例における形態素辞書情報展開手段（１
−２）の展開結果を示す図である。

【図６】本実施例における数詞・単位列抽出手段（１−
３）の抽出結果を示す図である。

【図７】本実施例における数量認識手段（１−４）の認
識結果を示す図である。

【図８】本実施例における数量判別手段（１−５）の結
果を示す図である。

【図９】本実施例における数量抽出指定テーブル（１−
９）の構成例を示す図である。

【図１０】本実施例におけるキーワード抽出結果を示す
図である。

【図１１】従来技術によるキーワード自動抽出方法の一
例を示す図である。

【符号の説明】

１−１ 形態素解析手段 １−２ 形態素辞書情報展開手段 １−３ 数詞・単位列抽出手段 １−４ 数量認識手段 １−５ 数量判別手段 １−６ 数量抽出手段 １−７ 解析用辞書 １−８ 形態素辞書 １−９ 数量抽出指定テーブル

Claims (1)

【特許請求の範囲】
1. 【請求項１】 情報検索システムにおける情報の検索を
   行う場合に有効となるキーワードを日本語のテキストデ
   ータから自動抽出するキーワード自動抽出装置におい
   て、形態素単位の接続に関する情報を格納している解析
   用辞書と前記形態素ごとに品詞情報と単位種別情報を格
   納している形態素辞書と前記テキストデータにおける数
   字と単位を表す英小文字で構成されている数量のうち抽
   出したい前記数量の単位を格納している数量抽出指定テ
   ーブルを予め備え、前記解析用辞書を用いて日本語の前
   記テキストデータを形態素に分割する形態素解析手段
   と、前記形態素辞書を用いて前記分割された各形態素に
   対しての品詞情報を展開する形態素辞書情報展開手段
   と、前記品詞が数詞と単位で構成されている形態素列を
   抽出する数詞・単位列抽出手段と、予め規定したパター
   ンで連続している前記形態素列を数量として認識する数
   量認識手段と、前記数量と認識された形態素列が連続し
   ているものについて１つの前記数量を表しているか別々
   の前記数量を表しているかを判別する数量判別手段と、
   前記判別された数量のうち前記数量抽出指定テーブルで
   指定された前記単位を有する前記数量を前記キーワード
   として抽出する数量抽出手段とを備えたことを特徴とす
   るキーワード自動抽出装置。