JPH04211868A - Ｃｄ―ｒｏｍデータの検索用キーワードの作成方法 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 発明の目的； （産業上の利用分野） この発明は、ＣＤ−ＲＯＭデータの検索用キーワードの
作成に自然言語処理システムを利用し、キーワードの抽
出を行なうデータの分かち書き／カナ振りを行ない、品
詞情報より名詞、形容詞、動詞の抽出を行なうキーワー
ドを作成するようにしたＣＤ−ＲＯＭデータの検索用キ
ーワードの作成方法に関する。

（従来の技術） 最近、印刷物用に蓄積した文書データを２次利用してＣ
Ｄ−ＲＯＭやデータベースを作成することが多くなって
いる。そして、データベース検索用のキーワードを抽出
する作業は、従来より専門家による手作業によっていた
。

（発明が解決しようとする課題） データベース検索用のキーワードを抽出する作業が、従
来は専門家が文書の中から重要語を選択し、更に読み方
を付けるようになっている。このため、データベースの
キーワード抽出作業に多大な労力を要し、作業そのもの
が非効率的であった。

この発明は上述のような事情より成されたものであり、
この発明の目的は、ＡＩ（人工知能）の一分野の自然言
語処理技術を利用してＣＤ−ＲＯＭデータの検索用キー
ワードを自動的に作成するための方法を提供することに
ある。

発明の構成； （課題を解決するための手段） この発明はＣＤ−ＲＯＭデータの検索用キーワードの作
成方法に関するもので、この発明の上記目的は、磁気記
憶媒体に格納されたデータベースを前処理し、基本辞書
を参照して自然言語処理による自然言語処理出力ファイ
ルを作成し、後処理によってキーワードデータを作成す
ることによって達成される。

（作用） この発明では、ＣＤ−ＲＯＭデータに対する検索用キー
ワードの作成にＡＩの一種である自然言語処理を用いて
おり、基本辞書を参照して入力原文データに対して分か
ち書き（品詞分解）及びカナ振りを自動的に行なってい
る。

コンピュータに内蔵した辞書とＡＩの手法により名詞、
助詞、動詞等の要素に分解し、分割された文書の漢字へ
の読みがなの付加とキーワードの抽出を行なう。従来は
人手によって行なわれた作業を機械が処理するので、後
は従来と同じチェックだけで済む。作成されたキーワー
ドは、ＣＤ−ＲＯＭやオンラインデータベースのインデ
ックスとして加工されて利用され、またカナ振り機能を
利用して総ルビの本として組版することもできる。

（実施例） 先ず、この発明で用いる自然言語処理システムについて
説明する。

第６図は自然言語処理システムのハードウェア構成例を
示しており、ホストマシン１０にはＣＰＵ１１及び実装
メモリ１２か内蔵されると共に、バスライン１３を介し
て磁気ディスク装置１４、カセット磁気テープ装置１５
が接続されている。ホストマシン１０には、更に磁気テ
ープ装置２０、レーザープリンタ２１及びコンソール端
末２３が接続されると共に、ＲＳ−２３２Ｃのインター
フェイス１６を介して確認／修正用端末２２が接続され
ている。

第７図は自然言語処理システムのソフトウェア構成を示
しており、磁気テープからの入力データは入力処理１０
１されて取込まれ、ホストマシン１０で処理された情報
は出力処理１２０されて磁気テープの出力データとなる
。すなわち、入力処理１０１は自然言語処理システム入
力データ磁気テープをディスクファイル上に入力データ
１０２としてコピーし、漢字コード等のチェックを行な
い、その後に日本語処理用レコードに変換する。また、
出力処理１２０はディスク上の処理結果ファイルを処理
結果データ１２１として自然言語処理出力磁気テープへ
コピーする。ドライバ１０３は入力データ１０２の分類
／解析を行ない、日本語処理システム１１０を制御し、
分かち書き、カナ振り、キーワード抽出結果を取得し、
自然言語処理システム出力データ形式で、処理結果を編
集／出力する。

日本語処理システム１１０は基本辞書アクセスルーチン
１１２を介して形態素解析を行ない、言語処理で認定す
る全ての単語についてその読みを抽出し、カナ振り出力
文として出力する。名詞列抽出は言語処理による単語認
定結果で、その品詞が次の（ａ）、（ｂ）に該当すると
きに名詞として抽出する。

（ａ）一般名詞、サ変型名詞、形動型名詞、転成名詞、
時詞、数詞、固有名詞、代名詞、形式名詞 （ｂ）接辞についてはそれぞれ前後の品詞が以下に該当
するとき、該当単語を名詞として抽出する。

■接頭辞の場合 後方品詞：一般名詞、サ変型名詞、形動型名詞、転成名
詞、時詞、数詞、固有 名詞、代名詞、形式名詞 ■接尾辞の場合 前方品詞：一般名詞、サ変型名詞、形動型名詞、転成名
詞、時詞、数詞、固有 名詞、代名詞、形式名詞 また、日本語文章と上記より求められたキーワード分析
テーブルを入力すると共に、統計的解析、構文解析、知
識処理等の手法を用いてアクセスファイルルーチン１１
１と協働して入力日本語文章の解析を行ない、キーワー
ド抽出、絞り込み、重要度評価を行なう。

端末通信処理１２３は確認／修正用端末２２との間で通
信を行ない、端末出力用のデータ変換を行なう。そして
、端末からの修正データを出力ファイルの形式に変換し
て書込む。また、リスト出力処理１２２は、端末から出
力依頼のあった処理結果データをプリンタ出力用データ
に編集すると共に、プリンタ出力用データをレーザープ
リンタ２１に出力する。

ところで、ホストマシン１０が扱い得る自然言語処理機
能は、 Ａ．処理種１：分かち書き Ｂ．処理種２：カナ振りＩ（分かち書き単位のカナ振り
） Ｃ．処理種３：カナ振りＩＩ（漢字単位のカナ振り、総
ルビ振り） Ｄ．処理種４：キーワード抽出及びキーワードへのカナ
振り の４種であり、入力ファイルのレコード単位に上記各機
能を切替えて処理することができる。

次に、各機能（処理種１〜４）について説明する。

Ａ．分かち書き（処理種１）： 日本語文章（漢字かな交じり文）を入力して分かち書き
を行ない、名詞、動詞、形容詞について品詞情報を付加
する。出力される情報は、スラッシュ“／”による分か
ち書きと品詞情報（名詞、動詞、形容詞、未知語）であ
る。処理種１の出力形式は第８図のようになる。

Ｂ．カナ振りＩ（処理種２：分かち書き単位のカナ振り
）： 日本語文章（漢字かな交じり分）を入力して分かち書き
を行ない、分かち書きされた単語単位にカナ振りを行な
う。読みはカタカナで振られ、名詞、動詞、形容詞につ
いては品詞情報を付加する。そして、出力される情報は
、スラッシュによる分かち書き、品詞情報（名詞、動詞
、形容詞、末知語）、分かち書き単語要素へのカナ振り
結果である。処理種２の出力形式は第９図のようになる
。

Ｃ．カナ振りＩＩ（処理種３）： この処理種３は、分野別辞書１０６を使用したカナ振り
及び総ルビ振り（漢字（列）単位のカナ振り）の機能を
有している。分野別辞書１０６を使用したカナ振りは人
名、地名、各種専門用語等の項目データに対して、品目
専用の辞書を利用してカナ振りを行なうものである。か
な振りの方法は項目データをＫＥＹにして分野別辞書１
０６をサーチし、マッチングした場合に分野別辞書１０
６に登録されているカナを振る。これでカナが得られな
かった場合、日本語処理システムを呼出して基本辞書１
１５によってカナを振る。

データの入力形式は、単項目データの場合は“項目デー
タ”であり、複数項目データを１レコードで処理する場
合は、“項目データ１”／“項目データ２”／……・／
“項目データＮ”のように各項目データをスラッシュで
区切るようにしている。そして、出力される情報は、入
力項目データに対する読み（カタカナ）とカナデータの
典拠辞書識別（どの辞書に基づいてカナが振られたかの
識別）である。処理種３の出力形式は第１０図のように
なっており、■分野別辞書１０６で読みが取得された場
合、■基本辞書１１５で読みが取得された場合、■分野
別辞書１０６及び基本辞書１１５の両方共に読みが登録
されていない場合、に分けて識別コード（例えばＡＡ、
ＡＢ、ＡＣ）を与えている。

分野別辞書１０６を使用したカナ振りで処理対象となる
データは、人名、地名、各種専門用語等の項目データ（
主に固有名詞）であり、総ルビ振りで処理対象となるデ
ータは日本語の漢字かな交じり文である。総ルビ振り（
漢字（列）単位のカナ振り）の機能は、日本語文章（漢
字かな交じり文）を入力して全ての漢字に対してカナ振
りを行なうものである。カナ振り方法は、入力原文中の
漢字（列）（ＪＩＳ非漢字以外）に対してカナ（ルビ）
を振り、ルビは「群扱いルビ」の形式で振られる。その
出力形式は第１１図のようになっている。

Ｄ．キーワード抽出及びキーワードへのカナ振り（処理
種４）： 入力した日本語文章から日本語処理システムの言語処理
機能によりフリーキーワードの抽出を行ない、抽出した
キーワードに読みを付加する。

出力される情報は、抽出されたキーワード、キーワード
の読み（カタカナ）及びキーワードの解析結果であり、
出力形式は第１２図のようになっている。なお、解析情
報は、日本語処理システムによるキーワード認定の過程
で得られた解析情報がセットされるエリアである。

確認／修正用端末２２の機能は、処理結果ファイルの中
の入力原文データと処理結果データ１２１をホストマシ
ン１０より端末通信処理１２３を介して受け取り、端末
装置のディスプレイに表示し、ホストマシン１０のレー
ザープリンタ２１に出力することにより処理結果の確認
及び修正作業を容易に行なうことを目的とする。端末２
２からのキーボード操作により、確認／修正を行なう処
理結果ファイルのジョブ名指定を行ない、１レコード毎
に入力原文データと処理結果データ１２１を端末装置の
ディスプレイ上に表示し、確認／修正作業を行なう。

ディスプレイの表示形式は、処理種により以下（Ａ）〜
（Ｄ）のようになっている。

（Ａ）処理種１（分かち書き）の場合は、入力原文と 処理された入力原文の分かち書き結果を画面出力する。

（Ｂ）処理種２（分かち書き単位のカナ振り）の場合は
、入力原文と処理された入力原文の分かち書き単位のカ
ナ振り結果を画面出力する。

（Ｃ）処理種３（総ルビ振り）の場合は、入力原文中の
全ての漢字に対してのカナ振り結果を表示色を変えて画
面出力する。

（Ｄ）処理種４（キーワード抽出）の場合は、入力原文
と入力原文中から抽出されたキーワード及びそのカナ振
り結果を画面出力する。

次に、キーボード操作により処理結果データの修正を行
なうが基本的な修正機能を以下に挙げて説明する。

処理種３及び処理種４の場合のみ修正が可能である。処
理種３（総ルビ振り）の場合はカナ振り結果の修正が可
能であり、処理種４（キーワード抽出）の場合はカナ振
り結果の修正及びキーワードの挿入、削除、順位の入れ
替えが可能である。

端末２２で処理結果データ１２１の修正があった場合、
キーボード操作によって修正後データをホストマシン１
０に送信する。ホストマシン１０では、修正後データを
基に処理結果ファイルのレコード更新を行なう。

一方、端末２２からのキーボード操作により、ホストマ
シン１０のレーザープリンタ２１に指定された処理結果
ファイルあるいはレコードのプリンタ出力を行なう。オ
ペレータによるＰキー（プリントキー）の押下による処
理結果ファイルあるいは処理結果レコード単位のプリン
ト出力要求があった場合、処理種毎のフォーマットに合
せてホストマシン１０から取り出したレコードのプリン
タ出力を行なう。

以上が自然言語処理システムの概要であるが、この発明
は上記自然言語処理システムを用いてＣＤ−ＲＯＭデー
タベースのキーワードを自動作成するものである。第１
図はこの発明の処理フローを示しており、磁気記憶媒体
に格納されたデータベースに対して先ず前処理を行なう
（ステップＳ１０）。

前処理の詳細は第２図に示すようになっており、最初に
データの抽出を行ない（ステップＳ１１）、抽出したデ
ータのコード変換を行なう（ステップＳ１２）。そして
、コード変換されたデータに対して自然言語処理入力フ
ァイルを作成し（ステップＳ１３）、全データに対して
上記動作を繰り返す。

データの抽出はデータベースより当処理でキーワードを
作成する元データの抽出を行なうもので、コード変換デ
ータはＪＩＳコード及びＣＴＳ（Ｃｏｍｐｕｔｅｒｉｚ
ｅｄ　Ｔｙｐｅ　Ｓｅｔｔｉｎｇ）コードで作成されて
いる場合が多い。自然言語処理システムのコード体系は
一般的にシステム固有コードであるため、データのコー
ド変換を行なう必要がある。

また、自然言語処理入力ファイル作成は、抽出したデー
タ毎に自然言語処理入力ファイルレコードの作成を行な
うものである。

上述のように前処理されたデータは次のステップＳ１で
自然言語処理されるが、これに関しては後に詳述する。

自然言語処理では自然言語処理入力ファイルを作成し、
自然言語処理で基本辞書１１５（システム辞書１３１＋
ユーザ辞書１３２）を参照して、第３図に示すような入
力原文データに対して第４図に示すように分かち書き（
品詞分解）及びカナ振りを行なう。分かち書きされたデ
ータの直前にはその単語の品詞識別ＩＤが付加されてお
り、単語の品詞を判別できるようになっている。次に、
自然言語処理された自然言語処理出力ファイルに対して
後処理を行なう（ステップＳ２０）。後処理の詳細は第
５図に示すようになっており、先ず品詞抽出を行なう（
ステップＳ２１）。すなわち、分かち書き／カナ振りの
行なわれたデータから名詞、形容詞、動詞の抽出を行な
う。そして、複合語作成を行なうが（ステップＳ２２）
、これは名詞が連続している場合に複合語の作成を行な
うものである。例えば自然言語処理結果が“自然／言語
／処理”の場合、複合語は“自然、自然言語、自然言語
処理、言語、言語処理、処理”となる。これと同時に形
容詞、動詞は語尾の終止形への変換を行なう（ステップ
Ｓ２３）。そして、自然言語処理システムの処理結果は
システム固有コードで出力されるので、ＣＴＳコードへ
のコード変換を行ない（ステップＳ２４）、次にデータ
ベースの作成を行なう（ステップＳ２５）。つまり、品
詞を抽出し、加工された単語をＣＤ−ＲＯＭ検索用キー
ワード候補語としてデータベースへの登録を行なう。次
に、データベースの内容をリスト出力し（ステップＳ２
）、赤字等を入れた後にキーワードデータの校正を行な
う。校正を終了したキーワードデータをＣＤ−ＲＯＭ検
索用キーワードとする。分かち書き及びカナ振りが正し
く行なわれなかったデータについて、基本辞書１１５（
実際はユーザ辞書１３２）の修正を行ない、次回の自然
言語処理の精度の向上を図る。

基本辞書１１５は自然言語処理（分かち書き／カナ振り
）を行なう上で一番基本となる辞書で、システム辞書１
３１とユーザ辞書１３２とから構成されている。ユーザ
辞書１３２の修正を行なう事により、自然言語処理の精
度を向上する事が出来る。

この発明ではＣＴＳの自然言語処理の汎用入出力ファイ
ルとして汎用ファイル（以下、ＮＬファイルとする）を
用いているが、ＮＬファイルでは第１３図に示すように
ＮＬインファイル、ＮＬアウトファイル及びＮＬ情報フ
ァイルの３種類で構成され、フォーマットは同一である
。全体のフォーマットはヘダーレコード及びデータレコ
ードで成っており、ヘダーレコードにはレコード識別、
シーケンス番号、ファイル識別、ジョブ名、原稿名、Ｃ
ＴＳシステム名等がある。また、データレコードとして
はレコード識別、シーケンス番号、データ番号、処理種
、データ等が含まれている。

入力ルーチンＳ１００は第１４図に示すように、ＮＬイ
ンファイルをパラメータと共に読込んで自然言語処理入
力ファイル及びＮＬ情報ファイルを作成するようになっ
ており、その詳細は第１５図に示すようになっている。

ＮＬインファイルを読込んで、パラメータの指定による
ファンクションの削除及びコード変換（外部−システム
固有コード）を行ない、自然言語処理入力ファイルを作
成する。削除したファンクションの位置情報及びコード
変換情報は、情報ファイルに格納し、処理終了後にジョ
ブ名等をリスト出力する。パラメータチェック（ステッ
プＳ１０１）では、ファンクション削除実行の有無及び
コード変換情報の指示の解析を行なう。

ヘダーレコード作成（ステップＳ１０２）では、ＮＬイ
ンファイルのヘダーレコードの内容より、自然言語処理
入力ファイル及びＮＬ情報ファイルのヘダーレコードを
作成する。同データＮＯのデータの読込２１（ステップ
Ｓ１０３）の処理は、同データＮＯを持つレコードの全
有効データを処理単位とする。従って、ＮＬインファイ
ルデータレコード中の同データＮＯを持つデータレコー
ドから有効データを抽出する。データの加工（ステップ
Ｓ１０４）では、ＮＬインファイルから抽出したデータ
のファンクションの削除及びコード変換を行なう。削除
したファンクションの情報及びコード変換情報はＮＬ情
報ファイルへ、処理されたデータは自然言語処理入力フ
ァイルに出力する。また、データレコードの作成（ステ
ップＳ１０５）では、同データＮＯの加工後（ファンク
ションの削除、コード変換）のデータを自然言語処理入
力ファイルへ出力し、加工情報をＮＬ情報ファイルへ出
力する。

一方、第１３図の出力ルーチンＳ２００は第１６図に示
すように、自然言語処理の後処理として自然言語処理出
力ファイルとＮＬ情報ファイルを、パラメータと共に読
込んでＮＬアウトファイルを作成するものであり、その
詳細は第１７図のようになっている。すなわち、自然言
語処理出力ファイルとＮＬ情報ファイルを読込んで、パ
ラメータの指定によるファンクションの復帰及びコード
変換（システム固有コード−外部）を行ない、ＮＬアウ
トファイルを作成する。処理終了後にジョブ名等をリス
ト出力する。パラメータチェック（ステップＳ２０１）
では、ファンクション復帰実行の有無及びコード変換情
報の指示の解析を行なう。ヘダーレコードの作成（ステ
ップＳ２０３）では、ＮＬ情報ファイル及び自然言語処
理出力ファイルのヘダーレコードの内容よりＮＬアウト
ファイルのヘダーレコードを作成する。同データＮＯの
データの読込み（ステップＳ２０４）は同データＮＯを
持つレコードの全有効データを処理単位とする。自然言
語処理出力ファイルデータレコード中には、入力原文デ
ータと処理結果データが存在するが、処理結果データの
みを有効データとする。従って、自然言語処理出力ファ
イルレコード中の同データＮＯを持つデータレコードか
ら処理結果データを抽出する。また、データの加工（ス
テップＳ２０５）では、自然言語処理出力ファイルから
抽出したデータにファンクションの復帰及びコード変換
を行なう。加工したデータはＮＬアウトファイルに出力
する。

この発明はＣＤ−ＲＯＭ等のデータベースの構築支援と
して利用でき、検索用キーワードの抽出、抽出したキー
ワードへの読みの付加を行ない得る。また、印刷業務で
の利用が可能で、カナ振り機能を利用した総ルビの印刷
物作成や名簿の住所、氏名などの項目の自動カナ振り、
索引作成の支援システムとして利用できる。

発明の効果； 以上のようにこの発明の検索用キーワードの作成方法に
よれば、専門的な知識や技術を要することなく自動的に
ＣＤ−ＲＯＭデータの検索用キーワードを作成すること
ができる。

【図面の簡単な説明】

第１図はこの発明の動作例を示すフローチャート、第２
図は前処理の動作例を示すフローチャート、第３図は自
然言語処理する原文の例を示す図、第４図は分かちカナ
の例を示す図、第５図は後処理の動作例を示すフローチ
ャート、第６図は自然言語処理システムのハードウェア
構成例を示すブロック図、第７図はそのソフトウエア構
成例を示す図、第８図は分かち書きの出力形式を示す図
、第１０図は分野別辞書を使用したカナ振りの出力形式
を示す図、第１１図は総ルビ振りの出力形式を示す図、
第１２図はキーワード抽出及びキーワードへのカナ振り
の出力形式を示す図、第１３図はこの発明に用いる汎用
ファイルの構成例を示すフローチャート、第１４図は入
力ルーチンの入出力を示す図、第１５図は入力ルーチン
の詳細を示すフローチャート、第１６図は出ルリーチン
の入出力を示す図、第１７図は出力ルーチンの詳細を示
すフ　ローチャートである。 １０…ホストマシン、１１…ＣＰＵ、１２…メモリ、１
４…磁気ディスク装置、１５…カセット磁気テープ装置
、２０…磁気テープ装置、２１…レーザープリンタ、２
２…確認／修正用端末、２３…コンソール端末。 出願人　代理人　安形雄三

Claims (4)

【特許請求の範囲】
1. 【請求項１】磁気記憶媒体に格納されたデータベースを
   前処理し、基本辞書を参照して自然言語処理による自然
   言語処理出力ファイルを作成し、後処理によってキーワ
   ードデータを作成するようにしたことを特徴とするＣＤ
   −ＲＯＭ、光磁気ディスク等のテキストデータの検索用
   キーワードの作成方法。
2. 【請求項２】前記キーワードデータの校正時に前記基本
   辞書を修正するようになっている請求項１に記載のＣＤ
   −ＲＯＭデータの検索用キーワードの作成方法。
3. 【請求項３】前記前処理が、データの抽出、コード変換
   及び自然言語処理入力ファイルの作成の繰り返しである
   請求項１に記載のＣＤ−ＲＯＭデータの検索用キーワー
   ドの作成方法。
4. 【請求項４】前記後処理が、前記自然言語処理出力ファ
   イルの品詞の抽出を行なって後に複合語作成又は終止形
   への語尾変換を行ない、その後にコード変換及びデータ
   ベース形式ファイルの作成を行ない、上記動作を繰り返
   すようになっている請求項１に記載のＣＤ−ＲＯＭデー
   タの検索用キーワードの作成方法。