JPH0785074A

JPH0785074A - 文書検索方法および装置

Info

Publication number: JPH0785074A
Application number: JP5176222A
Authority: JP
Inventors: Hisao Mase; 久雄間瀬; Yasuharu Nanba; 康晴難波; Sachiko Koyama; 幸子小山; Tadahiro Kiyama; 忠博木山; Hiroshi Tsuji; 洋辻
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1993-06-23
Filing date: 1993-06-23
Publication date: 1995-03-31
Anticipated expiration: 2016-10-22
Also published as: JP3220886B2; US5557789A

Abstract

(57)【要約】【目的】文字認識装置からキーワードを入力すること
により文書を検索可能な文書検索装置を提供する。【構成】キーワード文字列の各文字を文字認識手段に
より文字認識し（１）、各文字の認識文字を認識文字情
報テーブルに格納し（２）、該テーブルに格納された認
識文字から各文字の認識文字候補として１以上の認識文
字を抽出し、前記各文字の認識文字候補のうちの任意の
１候補をその文字とみなすことによって生成可能なすべ
ての文字列を生成し（３）、キーワード文字列テーブル
に格納し（４）、該生成した文字列のうち少なくとも一
種類の文字列を含む文書を前記文書データベースの中か
ら検索することを指示する検索コマンド文字列を生成し
（５、６）、この検索コマンド文字列により文書データ
ベース（９）を検索し（７）、検索結果を得ている
（８）。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、利用者から指定された
キーワード文字列を含む文書を文書データベースから抽
出する文書検索方法および文書検索装置に係り、特に、
キーワード文字列を文字認識装置を用いて入力する場合
の文書検索方法及び文書検索装置に関する。

【０００２】

【従来の技術】計算機の処理速度の向上に伴い、膨大な
数の文書に対して全文検索あるいはキーワードマッチン
グを行い、利用者の指定したキーワード文字列を含む文
書を高速に抽出できるようになった。代表的なシステム
としては、第４５回情報処理学会全国大会講演論文集
（３）３−２３９〜２４４に記載されているフルテキス
トサーチシステムや、電子情報通信学会技術研究報告Ｄ
Ｅ９０−３４に記載されているフルテキストデータベー
スシステムなどがある。文書検索を指示する形式として
は、キーワード文字列を引数として列挙するコマンド形
式や、自然言語文で検索指示内容を記述する形式などが
あるが、どちらの場合も最終的にはキーワード文字列を
手掛かりとして検索する方式である。一方、文字認識処
理技術の発展により、キーボード入力の代わりに、活字
あるいは手書き文字からなる文字列をパターン認識して
計算機に取り込む入力方法が実用可能となっている。し
かし、文字認識率は１００％ではなく、特に文字の形が
極端に類似する場合（例えば、漢字の「口」とカナの
「ロ」など）や、一文字を二文字として認識してしまう
場合（例えば、漢字の「好」を「女」「子」と認識する
場合）にはその性能は落ちる。当然この問題は、キーワ
ード文字列を文字認識する場合にもあてはまる。

【０００３】

【発明が解決しようとする課題】従来の文字認識技術で
は、上述のような誤認識を解消するために、認識結果を
利用者に提示して利用者に確認させ、必要に応じて別の
認識文字候補に修正する機能が不可欠となる。しかし、
例えば、「口」と「ロ」と「□」、「へ」と「ヘ」、
「り」と「リ」などを見極める確認作業は利用者にとっ
て大変苦痛である。一方、例えば、「大口定期」を「大
ロ定期」と誤認識したまま文書検索を行えば、当然なが
ら検索結果には所望の文書が一つも含まれない。文書検
索システムでは、検索結果にノイズ（余分な文書も含め
て抽出してしまう）については、絞り込み検索などによ
り、適切な数に減らすことが可能であるが、逆に漏れ
（抽出すべき文書を抽出出来ない）については、抽出出
来なかった文書を抽出し直すことは大変困難であるとい
う性質を持っている。従って、ノイズが多少増加して
も、漏れを極力減らすための処理方式を採ることが重要
である。また、従来の文書検索技術では、利用者の要求
に合致するとみなされた文書を無作為に抽出するので、
検索された文書にさらに順序付けするような処理はなさ
れていない。本発明の一つの目的は、文字認識において
誤認識がある場合でも、文書検索の漏れが誤認識をしな
かった場合に比べてほとんど変わらない文書検索方法お
よび文書検索装置を提供することにある。また、本発明
の他の目的は、文書検索結果から文字認識結果の誤りを
指摘することにより、誤りの発見を容易にするとともに
その修正を可能とする方法および装置を提供することに
ある。さらに、本発明の他の目的は、文書検索結果を、
利用者の要求に近いものから優先して報知することを可
能とする文書検索方法および文書検索装置を提供するこ
とにある。

【０００４】

【課題を解決するための手段】上記目的を達成するた
め、本発明では、文字認識手段により文字認識した各文
字の認識文字から、所定の認識文字候補抽出方法により
各文字の認識文字候補として１以上の認識文字を抽出
し、前記各文字の認識文字候補のうちの任意の１候補を
その文字とみなすことによって生成可能なすべての文字
列を生成し、該生成した文字列のうち少なくとも一種類
の文字列を含む文書を前記文書データベースの中から検
索することを指示する検索コマンドを生成するようにし
ている。さらに、上記の認識文字候補抽出方法を利用者
が指定できるようにしており、該認識文字候補抽出方法
を、あるしきい値以上の類似度を持つすべての認識文字
を認識文字候補を抽出する方法、或いは予め指定された
数だけの認識文字候補をすべて抽出する方法とし、類似
度のしきい値、或いは認識文字候補の数を利用者が指定
できるようにしている。さらに、検索コマンドを実行
し、認識文字候補から生成した文字列のそれぞれが文書
データベースの中の文書のうちの何件に含まれていたか
を検索し、件数を文字列毎に保持し、最も多くの文書に
含まれている文字列を構成する各文字が、文字認識手段
により認識された対応する文字の第一候補文字と異なる
場合、文字認識手段により認識された文字の第一候補文
字を、当該文字列を構成する文字に修正するか否かを利
用者に提示し、利用者が修正を指示した場合、当該文字
列に修正するようにしている。また、入力手段から入力
された文字列から、当該文字列に含まれ、かつ、出現順
序を崩さずに構成される一文字以上からなる部分文字列
を生成し，前記生成された部分文字列のうちの少なくと
も一種類を含む文書を前記文書データベースの中から検
索することを指示する検索コマンドを生成するようにし
ている。さらに、検索コマンドを実行した結果抽出され
た文書のそれぞれについて、どの前記部分文字列が含ま
れているかを認定し、当該文書のそれぞれについて、前
記含まれている部分文字列に対して予め設定された重み
を合計して当該文書の得点とし、前記得点の高い文書か
ら優先して利用者に報知するようにしている。

【０００５】

【作用】上記手段により、文字認識結果の第一候補が誤
っていても、第二候補以下の文字候補を組み合わせて新
しいキーワード文字列を生成し、それらのうちの少なく
とも一種類を含む文書を検索することにより、誤認識し
ない場合と変わらない漏れ率で文書を検索することがで
きる。また、文書検索結果から文字認識結果の誤りを発
見し、利用者に誤りであることをシステムから提案でき
るので、文字認識結果を確認する際に利用者が検出でき
なかった誤認識文字をある程度修正することができる。
さらに、文字認識を含めた入力手段から入力したキーワ
ード文字列を構成する文字列に含まれる部分文字列を生
成し、それらのうちの少なくとも一種類を含む文書を検
索することにより、漏れ率をある程度減らすことができ
る。さらに、長い部分文字列を含む文書をそうでない文
書よりも優先させて利用者に報知させることにより、文
書検索装置としての使い勝手が向上する。

【０００６】

【実施例】以下、本発明の実施例を図面を用いて詳細に
説明する。本実施例では、キーワード文字列を文字認識
装置から入力し、その結果から検索コマンドを生成し、
文書検索装置を起動させることによって所望の文書情報
を取得するシステムについて説明する。図１は、本発明
の実施例における処理の流れを示した図である。まず、
１で利用者の指定したキーワード文字列を文字認識装置
により文字認識する。文字認識装置については、印刷文
字を対象とした製品が既にいくつか存在する。一般の文
字認識処理では、文書をイメージデータとして読み取
り、各文字の占める領域を認識し、文字の特徴を記述し
た知識を用いて対象文字がどの文字とどのくらい類似し
ているかを類似度という定量的数値として算出し、類似
度の最も高い文字を第一候補とし、以下、第二、第三候
補を決定する。各文字候補は１文字で構成されるとは限
らず、例えば「好」を「女子」の２文字に認識すること
もあるし、この逆もある。これらの文字認識結果データ
を計算機の記憶装置に格納して利用する。本実施例で
は、キーワード文字列を入力とするが、この他にも、文
書そのものや、キーワード文字列を含んだ検索指示自然
言語文でもよい。ただし、これらの場合は、文書や検索
指示自然言語文からキーワード文字列を抽出する処理が
必要となる。また、キーワード文字列の入力方法として
は、１キーワードずつ逐次的に文字認識装置から入力す
る方法でも、全キーワード文字列を一度に入力する方法
でもよい。後者の場合は、引用符や括弧などの区切り記
号を用いて入力することにより、認識後の文字列から容
易にキーワード文字列を抽出することができる。

【０００７】文字認識結果として候補に挙げられた文字
情報は、認識文字情報テーブル２に格納する。ただし、
本実施例では、認識文字情報テーブル２には、類似度が
一定のしきい値を超えた文字候補のみを格納する。この
しきい値は、文字認識装置に依存するので、利用者ある
いはシステム管理者がしきい値を決定できるようにす
る。具体的には、しきい値を変更するためのメニューを
設け、利用者あるいはシステム管理者から変更が指示さ
れた場合は、変更された数値に従って計算機の記憶装置
に格納されたしきい値を変更する。なお、認識文字テー
ブル２に格納する文字の選択方法については、しきい値
を用いる方法の他にも、上位一個以上の文字候補を格納
する方法（この個数は利用者あるいはシステム管理者が
変更可能とする。具体的方法は、しきい値の場合と同
様）などでも容易に代替可能である。

【０００８】次に、キーワード文字列生成処理部３にお
いて、認識文字情報テーブル２に格納した文字候補を組
み合わせてキーワード文字列を生成する。例えば、利用
者の入力した文字列「大口」から、「大口（くち）」
「太口（くち）」「大ロ（カナ）」「太ロ（カナ）」等
のキーワード文字列を生成する。この処理の結果生成さ
れた文字列はキーワード文字列テーブル４に格納する。
次に、検索コマンド生成処理部５において、キーワード
文字列テーブル４に格納された文字列のうち、少なくと
も一種類の文字列を含む文字列を含む文書を検索する検
索コマンド６を生成する。そして、検索実行処理部７に
おいて、検索コマンド６を実行し、文書データベース９
を検索し、検索結果８を取得し、利用者に出力装置を介
して報知する。図１からも明らかなように、キーワード
文字列入力１、キーワード文字列生成処理部３、検索コ
マンド生成処理部５、検索実行処理部７は処理を表し、
認識文字情報テーブル２、キーワード文字列テーブル
４、検索コマンド文字列６、検索結果８、文書データベ
ース９はファイル（テーブル）を表す。

【０００９】図２は、本実施例のハードウェア構成の概
要を表した図である。利用者の指定するキーワード文字
列を文字認識する文字認識装置３０、検索指示を入力す
るキーボード４０（マウスなどを用いたメニュー操作で
も代替可能）、検索結果などを出力する出力装置５０、
記憶装置７０に格納されたプログラムに基づいて記憶装
置７０、文字認識装置３０、キーボード４０、そして出
力装置５０とデータをやり取りしながら演算処理を行う
処理装置６０、そして記憶装置７０からなる。記憶装置
７０は以下の記憶エリアからなる。７１はワーキングエ
リアであり、７２は認識文字情報テーブル格納エリアで
あり、７３はキーワード文字列生成処理部格納エリアで
あり、７４はキーワード文字列テーブル格納エリアであ
り、７５は検索コマンド生成処理部格納エリアであり、
７６は検索コマンド文字列格納エリアであり、７７は検
索実行処理部格納エリアであり、７８は検索結果格納エ
リアであり、７９は文書データベース格納エリアであ
る。なお、文書データベース９に関しては、ＣＳＳ（ク
ライアントサーバシステム）方式に基づいて、ネットワ
ーク接続された別の計算機に格納することも可能であ
る。

【００１０】以下では、利用者がキーワード文字列とし
て、「大口定期」を指定したと仮定して説明する。図３
は、認識文字情報テーブル２の構成を示した図である。
２０１には各文字の第一候補を結合してできる文字列を
格納し、２０２には各文字の出現番号を格納し、２０３
には候補の優先順位を格納し、２０４には該当する１文
字以上からなる候補文字を格納する。ある１文字の認識
結果が複数文字になった場合（例えば「好」が「女子」
と認識された場合）は、「女子」を２０４に格納する。
また、この逆の場合（「女子」が「好」と認識された場
合）は、エリアを２文字分設け、１文字目には「好」を
格納し、２文字目は空（くう）とする。「好」の他に
「女子」も候補にある場合は、１文字目に「女」を２文
字目に「子」を格納する。

【００１１】図３に示すように、本実施例の以下の説明
では、「大口定期」の「大」の認識候補文字として第一
候補が「大」、第二候補が「太」であったとし、また、
「口」の認識候補文字として第一候補が「ロ（カ
ナ）」、第二候補が「口（くち）」、第三候補が「□
（四角）」であったとし、さらに、「定」「期」につい
ては、候補が一つに絞られ、正しく認識されたと仮定す
る。

【００１２】図４は、キーワード文字列生成処理部３の
処理手順を表すＰＡＤ図（ＰｒｏｂｌｅｍＡｎａｌｙ
ｓｉｓＤｉａｇｒａｍ）であり、以下、この処理の説
明をＰＡＤ図に従って行う。ステップ３０１からステッ
プ３０８までの処理は、変数やテーブルの初期化のため
の処理である。

【００１３】まず、キーワード文字列生成処理部３によ
り生成されるキーワード文字列を格納するキーワード文
字列テーブル４を初期化（クリア）する（ステップ３０
１）。次に、文字認識された文字列２０１を構成する文
字の各々に対する候補文字の数を格納する整数配列ＮＵ
Ｍ（配列番号が文字番号２０２に対応する）、およびス
テップ３１２およびステップ３１４でキーワード文字列
を生成する際に、各文字について抽出対象となる文字候
補２０４の候補番号２０３を格納する整数配列ＫＮＵＭ
（配列番号が文字番号２０２に対応する）について、そ
の配列要素の値をすべて整数０に初期化する（ステップ
３０２）。次に、認識文字列の文字番号２０２を表す文
字番号変数ｉを１に設定する（ステップ３０３）。次
に、整数変数ｌｅｎに、認識文字列２０１を構成する文
字数を格納する（ステップ３０４）。次に、文字番号変
数ｉの値が変数ｌｅｎの値以下である間、以下の処理を
行なう（ステップ３０５）。まず、文字番号２０２の値
がｉである文字が持つ候補文字２０４の数を、整数配列
ＮＵＭのｉ番目の要素の値として格納する（ステップ３
０６）。次に、整数１を整数配列ＫＮＵＭのｉ番目の要
素の値として格納（初期化）する（ステップ３０７）。
次に、文字番号変数ｉの値に整数１を加算して（ステッ
プ３０８）、次の文字に移り、同様の処理を繰り返す。

【００１４】ステップ３０９からステップ３１５まで
は、キーワード文字列を生成するための処理である。す
なわち、各文字の持つ候補文字２０４を組み合わせてで
きる全ての文字列を生成し、キーワード文字列としてキ
ーワード文字列テーブル４に格納する処理である。整数
配列ＫＮＵＭのｌｅｎ＋１番目の配列要素の値が０であ
る間、以下の処理を行なう（ステップ３０９）。まず、
認識文字列２０１の文字番号２０２に対応する文字番号
変数ｊを１に設定する（ステップ３１０）。図４では、
説明を判り易くするために、ｉ，ｊ，ｋの３種類の文字
番号変数を用いているが、これらは、互いに独立である
ので、実際のコーディングでは、１種類の文字番号変数
を用いればよい。次に、文字番号変数ｊの値が、認識文
字列２０１を構成する文字の数を表す変数ｌｅｎの値以
下である間、以下の処理を行なう（ステップ３１１）。
まず、文字番号２０２の値がｊである文字が持つ候補文
字（ＮＵＭ〔ｊ〕個存在する）の中から、ＫＮＵＭ
〔ｊ〕番目の候補文字２０４を抽出する（ステップ３１
２）。次に、文字番号変数ｊの値に整数１を加算して
（ステップ３１３）、次の文字に移り、同様の処理を繰
り返す。次に、これらの候補文字を順に連結してキーワ
ード文字列を生成する（ステップ３１４）。次に、上記
生成されたキーワード文字列をキーワード文字列テーブ
ル４に追加格納する（ステップ３１５）。

【００１５】ステップ３１６からステップ３２３まで
は、次の新たなキーワード文字列を生成するためにステ
ップ３１２で抽出すべき候補文字２０４の候補番号２０
３を更新する処理である。すなわち、認識文字列２０１
の先頭の文字について抽出対象となる候補文字２０４を
次の候補文字にし、候補文字がない場合には、その文字
について抽出対象となる候補文字を１番目の候補文字に
戻し、その文字の右隣の文字について抽出対象となる候
補文字を次の候補文字にし、その文字の候補文字もない
場合には、その文字について抽出対象となる候補文字を
１番目の候補文字に戻し、その文字のさらに右隣の文字
について抽出対象となる候補文字を次の候補文字にす
る、という処理を施す。この一連の処理は、数字を数え
る場合に、９に１を加えたときに、９を０に戻し、隣の
１０の位に１を加えて１０とする、という処理に似てい
る。まず認識文字列の先頭の文字について、キーワード
文字列を生成する際に抽出対象となる候補文字２０４の
候補番号２０３を格納しているＫＮＵＭ〔１〕の値に整
数１を加算する（ステップ３１６）。次に、認識文字列
２０１の文字番号２０２に対応する文字番号変数ｋを整
数１に設定する（ステップ３１７）。次に、文字番号変
数ｋが認識文字列２０１の文字数を表す変数ｌｅｎの値
以下である間、以下の処理を行なう（ステップ３１
８）。まず、ｋ番目の文字について抽出対象となってい
る候補文字２０４の候補番号２０３を格納しているＫＮ
ＵＭ〔ｋ〕の値が、ｋ番目の文字の持つ候補文字の数Ｎ
ＵＭ〔ｋ〕の値よりも大きいか否かを判別し（ステップ
３１９）、大きい場合は、ｋ番目の文字について抽出対
象となる候補文字２０４がなくなったとして、ｋ番目の
文字の持つ候補文字を１番目に戻し、その隣のｋ＋１番
目の文字について抽出対象となる候補文字２０４を次の
候補文字にする。すなわち、ｋ番目の候補文字２０４の
候補番号２０３を表すＫＮＵＭ〔ｋ〕の値を整数１にリ
セットし（ステップ３２０）、ｋ番目の隣のｋ＋１番目
の候補文字２０４の候補番号２０３を表すＫＮＵＭ〔ｋ
＋１〕の値に整数１を加える（ステップ３２１）。次
に、文字番号変数ｋの値に整数１を加算し（ステップ３
２２）、ステップ３１８のループを繰り返す。ステップ
３１９で大きくない場合は、ステップ３１８のループを
抜けて、ステップ３０９のループを繰り返す（ステップ
３２３）。

【００１６】図３に示す認識文字情報テーブル２を入力
としてキーワード文字列生成処理３の具体的処理内容を
説明する。初期化の後、ステップ３０６で、認識文字列
２０１の各文字の持つ候補文字の数を整数配列ＮＵＭに
順に格納する。その結果、ＮＵＭには、順に、２，３，
１，１という整数値が格納される。他の配列要素の値は
０である。一方、ステップ３０７により、整数配列ＫＮ
ＵＭには、順に、１，１，１，１という整数値が格納さ
れる。他の配列要素の値は０である。ステップ３１２
で、各文字に対して候補文字を抽出するが、この時点で
整数配列ＫＮＵＭには、順に、１，１，１，１という値
が格納されているので、それぞれの文字について、候補
番号２０３が１である候補文字２０４を抽出する。すな
わち、「大」「ロ（カナ）」「定」「期」をそれぞれ抽
出する。ステップ３１４では、これらの候補文字２０４
を順に連結することにより、キーワード文字列である
「大ロ定期（ロはカナ）」を生成し、ステップ３１５で
キーワード文字列テーブルに追加格納する。次に、ステ
ップ３１６で、文字「大」について抽出対象となる候補
文字を、現在の「大」から、次の候補文字である「太」
に変更する。すなわち、ＫＮＵＭ〔１〕の値（現在の値
は１）に整数１を加算して値を２にする。ステップ３１
８において、この２という値は、ＮＵＭ〔１〕の値２よ
りも大きくないので、ステップ３２３により、ステップ
３０９に戻り、再び上記の処理を繰り返す。この時点
で、整数配列ＫＮＵＭには、順に、２，１，１，１とい
う値が格納されているので、ステップ３１２では、候補
文字２０４として、「太」「ロ（カナ）」「定」「期」
をそれぞれ抽出し、ステップ３１４で、キーワード文字
列である「太ロ定期（ロはカナ）」を生成し、ステップ
３１５でキーワード文字列テーブル４に追加格納する。
次に、再びＫＮＵＭ〔１〕に整数１を加算して値を３に
する。ステップ３１８において、この３という値は、Ｎ
ＵＭ〔１〕の値２よりも大きい（すなわち、「太」の次
の候補文字２０４が存在しない）ので、ステップ３２０
で、ＫＮＵＭ〔１〕の値を１に戻し、隣のＫＮＵＭ
〔２〕の値（現在の値は１）に整数１を加算して２にす
る。ＫＮＵＭ〔２〕の値２は、ＮＵＭ〔２〕の値３より
も大きくないので、ステップ３２３により、ステップ３
０９に戻り、上記の処理を繰り返す。同様にして、ステ
ップ３１２、ステップ３１４により、キーワード文字列
として、順に、「大口定期（口はくち）」「太口定期
（口はくち）」「大□定期（□は四角）」「太□定期
（□は四角）」を生成でき、全てのキーワード文字列
（この場合、６種類）を生成してキーワード文字列テー
ブル４に格納できる。

【００１７】図５は、キーワード文字列テーブル４の構
成を示した図である。キーワード文字列テーブル４は、
キーワード文字列生成処理３によって生成されたキーワ
ード文字列４０２および、キーワード文字列数４０３を
格納する。

【００１８】図６は、検索コマンド生成処理部５の処理
手順を表すＰＡＤ図であり、図７に示すような検索コマ
ンドを生成する処理である。検索コマンドには、本実施
例で述べるような「少なくとも一つのキーワード文字列
を含む文書を検索する」という検索指示以外にもさまざ
まな種類の検索指示ができる。本来の検索コマンド生成
処理部は、このようなすべての種類の検索コマンドを一
括して生成する処理モジュールであるのだが、ここで
は、本実施例に関連する検索コマンドの部分だけを取り
あげる。以下、この処理の説明をＰＡＤ図に従って行
う。まず、検索コマンド生成処理５の出力結果を格納す
る検索コマンド文字列格納エリア７６（以下、ＲＴＶ
（単にｒｅｔｒｉｅｖｅの略）と呼ぶ）を初期化する
（ステップ５０１）。次に、検索指示を表すコマンド”
ｆｉｎｄ”および、引数文字列のどれか一種類の文字列
を含む文書を検索することを表す演算子”ｏｒ（”をＲ
ＴＶに追加格納する（ステップ５０２）。次に、キーワ
ード文字列テーブル４に格納されたキーワード文字列の
おのおのについて以下の処理を行う（ステップ５０
３）。当該キーワード文字列をシングルクオート「’」
で挟んで、ＲＴＶに追加格納する（ステップ５０４）。
ステップ５０３の後で、ＲＴＶに文字列”）”を追加格
納する。

【００１９】図７は、検索コマンド文字列６の一例であ
る。引数として、キーワード文字列生成処理部３の結果
を格納する。この引数の中には正解である「大口定期」
を含んでいるので、文字認識結果が誤っていないときと
比べて検索の漏れ率は変化しない。このように、本実施
例によれば、文字認識結果に誤りが存在する認識文字列
をそのまま文書検索システムに引数として渡された場合
でも、文字認識の誤りによる漏れ率の増加を吸収した文
書検索が実現可能である。

【００２０】次に、本実施例の変形例・拡張例について
述べる。まず、変形例について述べる。図８は、変形例
の概要を示した図である。手書き文字によくみられる
が、文字認識の結果、正解文字が認識文字候補の中に入
らないことも多い。この場合、キーワード文字列生成処
理３により、正しいキーワードを生成できないので、検
索の漏れが増大する。これを解決するために、キーワー
ド文字列生成処理３により生成した各キーワード文字列
について、部分文字列生成処理部１０において、この文
字列を構成する部分文字列を生成し、これらの部分文字
列をキーワード文字列として展開文字列テーブル４に追
加する。例えば、図５のキーワード文字列テーブル４に
おいて、キーワード文字列「太口定期」からは、
「太」、「口」、「定」、「期」、「太口」、「口
定」、「定期」、「太口定」、「口定期」、「太口定
期」といった、連続する部分文字列の他に、「太？定」
「口？期」「太？？期」（「？」は任意の一文字を表
す。このような任意の１文字を表す記号を使用できるこ
とは例えば情報処理学会第４５回全国大会講演論文集
（３）３−２３９〜２４４で既に公知）といった、不連
続の部分文字列がある文字数分だけ離れた部分文字列を
も生成する。この処理は、キーワード文字列に対してそ
の文字数の桁数からなる２進数を考え、各桁を各文字に
対応させ、この２進数に１ずつを加えていき、１が立っ
ている桁に対応する文字を抽出し、０が立っている桁に
対応する文字は抽出せず、ただし、１に挟まれた０に対
応する文字については、「？」をあてはめるという処理
により、容易に抽出できる。そして、重複するキーワー
ドについては、取り除く処理を最後に行うことにより、
キーワード文字列の部分文字列をすべて取得できる。例
えば、文字数が４のキーワード文字列「大口定期」を例
にして説明すると、４桁の２進数を”００００”から順
に１づつ加算し”１１１１”までの２進数とし、２進数
の各桁に順に「大」、「口」、「定」、「期」を割り当
ててゆき、”０００”では文字は抽出されず、”０００
１”では「期」が抽出され、”００１０”では「定」が
抽出され、”００１１”では「定期」が抽出され、”０
１００”では「口」が抽出され、”０１０１”では「口
？期」が抽出され、以下同様にして抽出がおこわれ、”
１１１１”では「大口定期」が抽出される。「大口定
期」の場合、仮に「口」の文字認識結果として「ロ」し
か文字候補がなかったとしても、上述のように部分文字
列をキーワード文字列として追加することにより、「大
？定期（？は任意の１文字）」を含む文書を検索するこ
とにより、所望の文書を漏れなく取得できる。なお、部
分文字列生成処理部は、利用者が必要に応じて行うか否
かを、「行う」「行わない」を指定する設定画面を生成
表示することによって可能とする。

【００２１】さて、キーワード文字列が増加してくる
と、検索結果にはノイズが増加する。そこで、まず、す
べてのキーワード文字列のどれか一種類を含む文書を検
索することを指示する検索コマンド（その形式は図７）
を実行し（図８の７）、該当する文書８を抽出する。次
に、部分文字列探索処理部１１において、抽出した各文
書について、どの部分文字列を含んでいるかを、文字列
探索関数によって探索することにより認定する。この文
字列探索関数は、現在では、ワークステーションやパー
ソナルコンピュータにおける基本コマンドの一つとして
存在するので、それらを利用することにより実現でき
る。

【００２２】部分文字列探索処理部１１の出力として、
例えば、図９に示すような、検索結果文書とそれに含ま
れる部分文字列とを対にして格納した部分文字列情報テ
ーブル１２を生成し、保持する。部分文字列情報テーブ
ル１２は、文書ＩＤ１２０１と、その文書が含む部分文
字列１２０２、そしてその部分文字列の頻度を格納す
る。一方で、各キーワード文字列に対して予め重みを設
定する。重みは、利用者やシステム管理者が設定しても
よいし、あるいは、キーワード文字列を構成する文字数
に比例して重みをつけてもよい。後者によれば処理が自
動化する。重要なのは、キーワード文字列を構成する文
字数が大きいほど、重みを大きく（あるいは小さく）す
ることである。なぜならば、部分文字列の文字数が大き
いほど、利用者の指定したキーワード文字列に類似して
おり、それを含む文書の方が、利用者が要求した文書で
あるという確信度が大きいからである。本実施例では、
キーワード文字列を構成する文字数そのものをそのキー
ワード文字列の重みとして定義する。すなわち、「大ロ
定期」の重みは４、「大」は１、「大？定期」は３とす
る。文書得点算出処理部１３において、それぞれの文書
について、その文書に含まれるキーワード文字列の持つ
重みの合計を計算して、その文書の得点とする。すなわ
ち、部分文字列情報テーブル１２に格納された各部分文
字列の重み（文字数）を計算する。そして、各重みに頻
度を乗じてそれらの和を計算し、その値をその文書の得
点とする。得点の計算方法は、この方法以外にも、頻度
はすべて１として重みを合計する方法や、文字数が１文
字である部分文字列のみ頻度を１として計算する方法な
どがある。最初に記述した方法によれば、図９の３文書
については、ＩＤ４６８の得点は１４であり、ＩＤ２６
５８は２９であり、ＩＤ７１１２は８である。そして、
得点について文書をソートし、得点の高い文書から順に
利用者に得点とともに提示する（１４）。図９では、上
記得点に基づいて、ＩＤ２６５８，ＩＤ４６８，ＩＤ７
１１２の順で（得点とともに）出力手段から利用者に報
知する。以上の方法によれば、文字認識結果として正解
文字が文字候補の中にない場合でも、部分文字列を生成
して検索することにより、漏れのない検索結果を得るこ
とができる。また、ノイズの増大により文書が数多く検
索されても、利用者が必要とするだけの文書を上位から
何件かだけというように選択することが容易にできる。
なお、上記変形例では、入力手段として文字認識装置を
想定しているが、本変形例は、文字認識装置以外の入力
手段（キーボード、音声認識装置等）によってキーワー
ド文字列を入力する場合でも、最終的には文字列として
計算機の記憶装置に格納されることから、適用可能なこ
とは明らかである。

【００２３】次に、最初の実施例の拡張例について述べ
る。図７の検索コマンドを検索実行処理部７で実行した
検索結果から、どのキーワード文字列が最も多く含まれ
ていたかを前述したのと同様に探索し、最も多く含まれ
ていたキーワード文字列が、文字認識装置によって認識
された第一候補文字列（図３の２０１）と異なる場合
に、異なる部分について、文字認識結果が間違っている
のではないかという旨のメッセージを出力手段を介して
利用者に報知する。利用者は、第一候補文字列が合って
いるか、文書検索で最も含まれていたキーワード文字列
の方が合っているかをチェックし、もし、キーワード文
字列の方が合っているならば、エディタ等により、その
部分を修正する。これにより、文字認識結果が誤ってい
ることに利用者が気付かなかった場合でも、文書を検索
した結果を利用することによって文字認識結果を修正で
きる。この拡張例は、特に、文字認識結果を他の処理等
で再利用する場合に有効である。

【００２４】

【発明の効果】本発明によれば、キーワード文字列の文
字認識結果に多少の誤りがあっても、文書検索における
漏れが増大することなく検索することができる。また、
本発明によれば、文書を検索した結果から、文字認識結
果の誤りを指摘し、修正を促すことができる。さらに、
本発明によれば、検索した文書の内、利用者の要求に近
い文書を優先して報知することができる。

【図面の簡単な説明】

【図１】本発明の実施例における処理の流れを示した図
である。

【図２】本実施例のハードウェア構成の概要を示した図
である。

【図３】本実施例における認識文字情報テーブルの構成
を示した図である。

【図４】本実施例におけるキーワード文字列生成処理の
ＰＡＤ図である。

【図５】本実施例におけるキーワード文字列テーブルの
構成を示した図である。

【図６】本実施例における検索コマンド生成処理のＰＡ
Ｄ図である。

【図７】本実施例における検索コマンド文字列の一例の
構成を示す図である。

【図８】本実施例の変形例の処理の概要を示した図であ
る。

【図９】本実施例の変形例における部分文字列情報テー
ブルの構成を示す図である。

【符号の説明】

３０文字認識装置４０キーボード５０出力装置６０処理装置７０記憶装置７１ワーキングエリア７２認識文字情報テーブル格納エリア７３キーワード文字列生成処理部格納エリア７４キーワード文字列テーブル格納エリア７５検索コマンド生成処理部格納エリア７６検索コマンド文字列格納エリア７７検索実行処理部格納エリア７８検索結果格納エリア７９文書データベース格納エリア

───────────────────────────────────────────────────── フロントページの続き (72)発明者木山忠博神奈川県川崎市麻生区王禅寺1099番地株式会社日立製作所システム開発研究所内 (72)発明者辻洋神奈川県川崎市麻生区王禅寺1099番地株式会社日立製作所システム開発研究所内

Claims

【特許請求の範囲】

【請求項１】一件以上の文書を保持する文書データベ
ースと、利用者の指定した検索コマンド文字列あるいは
一種類以上のキーワード文字列を認識する文字認識手段
と、前記文書データベースの中から前記認識したキーワ
ード文字列を含む文書を検索する文書検索手段と、検索
結果を出力する出力手段とを備えた文書検索装置におけ
る文書検索方法であって、前記文字認識手段により文字認識した各文字の認識文字
から、所定の認識文字候補抽出方法により各文字の認識
文字候補として１以上の認識文字を抽出し、前記各文字
の認識文字候補のうちの任意の１候補をその文字とみな
すことによって生成可能なすべての文字列を生成し、該
生成した文字列のうち少なくとも一種類の文字列を含む
文書を前記文書データベースの中から検索することを指
示する検索コマンドを生成することを特徴とする文書検
索方法。
【請求項２】請求項１記載の文書検索方法において、
前記所定の認識文字候補抽出方法を利用者が指定できる
ことを特徴とする文書検索方法。
【請求項３】請求項１記載の文書検索方法において、
前記所定の認識文字候補抽出方法を、あるしきい値以上
の類似度を持つすべての認識文字を認識文字候補を抽出
する方法とすることを特徴とする文書検索方法。
【請求項４】請求項３記載の文書検索方法において、
前記類似度のしきい値を利用者が指定できることを特徴
とする文書検索方法。
【請求項５】請求項１記載の文書検索方法において、
前記所定の認識文字候補抽出方法を、予め指定された数
だけの認識文字候補をすべて抽出する方法とすることを
特徴とする文書検索方法。
【請求項６】請求項５記載の文書検索方法において、
前記認識文字候補の数を利用者が指定できることを特徴
とする文書検索方法。
【請求項７】請求項１記載の文書検索方法において、
前記検索コマンドを実行し、前記認識文字候補から生成
した文字列のそれぞれが前記文書データベースの中の文
書のうちの何件に含まれていたかを検索し、前記件数を
前記文字列毎に保持し、最も多くの文書に含まれている前記文字列を構成する各
文字が、前記文字認識手段により認識された対応する文
字の第一候補文字と異なる場合、その旨を前記出力手段
により利用者に報知し、前記文字認識手段により認識された文字の第一候補文字
を当該文字列を構成する文字に修正するか否かを利用者
に提示し、利用者が修正を指示した場合、当該文字列に修正するこ
とを特徴とする文書検索方法。
【請求項８】一件以上の文書を保持する文書データベ
ースと、一種類以上のキーワード文字列を入力する文字
列入力手段と、前記文書データベースの中から前記入力
したキーワード文字列を含む文書を検索する文書検索手
段と、検索結果を出力する出力手段とを備えた文書検索
装置における文書検索方法であって、前記入力した文字列から、当該文字列に含まれ、かつ、
出現順序を崩さずに構成される一文字以上からなる部分
文字列を生成し、前記生成された部分文字列のうちの少
なくとも一種類を含む文書を前記文書データベースの中
から検索することを指示する検索コマンドを生成するこ
とを特徴とする文書検索方法。
【請求項９】請求項８記載の文書検索方法において、
前記生成される部分文字列を構成する文字が元の文字列
において不連続に出現する場合、当該部分文字列を、不
連続となる部分を境界とする複数の文字列から構成さ
れ、かつ、それら複数の文字列が元の文字列において当
該文字列間に存在する文字数だけ離れている部分文字列
とみなすことを特徴とする文書検索方法。
【請求項１０】請求項９記載の文書検索方法におい
て、前記文字数を参照して、前記複数の文字列が前記文
字数だけ離れているものを含んだ文書を前記文書データ
ベースの中から検索することを指示する検索コマンドを
生成することを特徴とする文書検索方法。
【請求項１１】請求項８記載の文書検索方法におい
て、前記部分文字列の生成をするか否かを利用者が指定
できることを特徴とする文書検索方法。
【請求項１２】請求項８記載の文書検索方法におい
て、前記検索コマンドを実行した結果抽出された文書の
それぞれについて、どの前記部分文字列が含まれている
かを認定し、当該文書のそれぞれについて、前記含まれ
ている部分文字列に対して予め設定された重みを合計し
て当該文書の得点とし、前記得点の高い文書から優先し
て利用者に報知することを特徴とする文書検索方法。
【請求項１３】請求項１２記載の文書検索方法におい
て、前記部分文字列に予め設定される重みは、前記部分
文字列を構成する文字列の長さの合計の長いほど高い重
みを配分することを特徴とする文書検索方法。
【請求項１４】請求項１２記載の文書検索方法におい
て、前記部分文字列に予め設定される重みは、前記部分
文字列を構成する文字列の長さの合計に比例した重みを
配分することを特徴とする文書検索方法。
【請求項１５】一件以上の文書を保持する文書データ
ベースと、利用者の指定した検索コマンド文字列あるい
は一種類以上のキーワード文字列を認識する文字認識手
段と、前記文書データベースの中から前記認識したキー
ワード文字列を含む文書を検索する文書検索手段と、検
索結果を出力する出力手段とを備えた文書検索装置にお
いて、前記文字認識手段により文字認識した各文字の認識文字
から、各文字の認識文字候補として１以上の認識文字を
所定の認識文字候補抽出方法により抽出する認識文字候
補抽出手段と、前記各文字の認識文字候補のうちの任意
の１候補をその文字とみなすことによって生成可能なす
べての文字列を生成する手段と、該生成した文字列のう
ち少なくとも一種類の文字列を含む文書を前記文書デー
タベースの中から検索することを指示する検索コマンド
を生成する手段を備えたことを特徴とする文書検索装
置。
【請求項１６】請求項１５記載の文書検索装置におい
て、前記認識文字候補抽出手段における認識文字候補抽
出方法を利用者が指定できることを特徴とする文書検索
装置。
【請求項１７】請求項１５記載の文書検索装置におい
て、前記認識文字候補抽出手段における認識文字候補抽
出方法を、あるしきい値以上の類似度を持つすべての認
識文字を認識文字候補を抽出する方法とすることを特徴
とする文書検索装置。
【請求項１８】請求項１７記載の文書検索装置におい
て、前記類似度のしきい値を利用者が指定できることを
特徴とする文書検索装置。
【請求項１９】請求項１５記載の文書検索装置におい
て、前記認識文字候補抽出手段における認識文字候補抽
出方法を、予め指定された数だけの認識文字候補をすべ
て抽出する方法とすることを特徴とする文書検索装置。
【請求項２０】請求項１９記載の文書検索装置におい
て、前記認識文字候補の数を利用者が指定できることを
特徴とする文書検索装置。
【請求項２１】請求項１５記載の文書検索装置におい
て、前記検索コマンドを実行し、前記認識文字候補から
生成した文字列のそれぞれが前記文書データベースの中
の文書のうちの何件に含まれていたかを検索するキーワ
ード文字列探索手段と、前記件数を前記文字列毎に保持
する件数格納手段と、最も多くの文書に含まれている前
記文字列を構成する各文字が、前記文字認識手段により
認識された対応する文字の第一候補文字と異なるか否か
を判別する認識結果照合手段と、前記第一候補文字と異
なっている文字が存在する場合、その旨を前記出力手段
を介して利用者に報知する手段と、前記文字認識手段に
より認識された文字の第一候補文字を当該文字に修正す
るか否かを利用者に提示する手段と、利用者が修正を指
示した場合、当該文字列に修正する手段とを備えたこと
を特徴とする文書検索装置。
【請求項２２】一件以上の文書を保持する文書データ
ベースと、一種類以上のキーワード文字列を入力する文
字列入力手段と、前記文書データベースの中から前記入
力したキーワード文字列を含む文書を検索する文書検索
手段と、検索結果を出力する出力手段とを備えた文書検
索装置において、前記入力手段から入力した文字列から、当該文字列に含
まれ、かつ、出現順序を崩さずに構成される一文字以上
からなる部分文字列を生成する手段と、前記生成された
部分文字列のうちの少なくとも一種類を含む文書を前記
文書データベースの中から検索することを指示する検索
コマンドを生成する手段とを備えたことを特徴とする文
書検索装置。
【請求項２３】請求項２２記載の文書検索装置におい
て、前記生成される部分文字列を構成する文字が元の文
字列において不連続に出現するか否かを判別する手段
と、不連続に出現する場合、当該部分文字列を、不連続
となる部分を境界とする複数の文字列から構成され、か
つ、それら複数の文字列が元の文字列において当該文字
列間に存在する文字数だけ離れている部分文字列とみな
す手段を備えたことを特徴とする文書検索装置。
【請求項２４】請求項２３記載の文書検索装置におい
て、前記文字数を参照して、前記複数の文字列が前記文
字数だけ離れているものを含んだ文書を前記文書データ
ベースの中から検索することを指示する検索コマンドを
生成する手段を備えたことを特徴とする文書検索装置。
【請求項２５】請求項２２記載の文書検索装置におい
て、前記部分文字列を生成するか否かを利用者が指定す
る手段を備えたことを特徴とする文書検索装置。
【請求項２６】請求項２２記載の文書検索装置におい
て、前記検索コマンドを実行した結果抽出された文書の
それぞれについて、どの前記部分文字列が含まれている
かを認定する手段と、当該文書のそれぞれについて、前
記含まれている部分文字列に対して予め設定された重み
を合計して当該文書の得点とする手段と、前記得点の高
い文書から優先して利用者に報知する手段とを備えたこ
とを特徴とする文書検索装置。
【請求項２７】請求項２６記載の文書検索装置におい
て、前記部分文字列に予め設定される重みは、前記部分
文字列を構成する文字列の長さの合計の長いほど高い重
みを配分することを特徴とする文書検索装置。
【請求項２８】請求項２６記載の文書検索装置におい
て、前記部分文字列に予め設定される重みは、前記部分
文字列を構成する文字列の長さの合計に比例した重みを
配分することを特徴とする文書検索装置。