JPS6225324A - 文書理解方式 - 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】 〔発明の利用分野〕 本発明は文書理解方式に係り、特に電子的文書ファイル
装置の入力部として好適な文書理解方式〔発明の背景〕 従来の電子的文書ファイル装置は単に文書の各頁の内容
を文字系列として格納するのみであり、検索のための二
次情報として必要となる書誌事項（文書の名称・発行日
・文書番号など）はキーボ−ドの符号入力手段から外部
から与えてやる必要があった。しかし、ファイル作成作
業の省力化のためしこは文書中に記載されている表題や
著Ｍなどを自動的に理解して書誌事項データを自動的に
生成することが望ましい。さらに検索を高度化するため
には図表のキャプションや章・節表題の自動検出あるい
は本文自体の理解による自動キーワード抽出などが必要
となる。また文書中の文字系列の中に図形コマンドを含
むことが普通になっているが、対象文書の文字系列を表
題・著者・要約・本文・図形コマンドなどの部分に分割
することは、検索の多様化のために要請されていた。

従来技術ではワードプロセッサなどにおいて、見出し文
を別途入力して文書の検索を容易にする方法が提案され
ており、たとえば「日立日本語ワードプロセッサＷｏｒ
ｄＰａｌ　２５操作説明書（使いこなしＪｉ）Ｊ３ｓ頁
（株式会社日立製作所、昭和５９年７月１日第１版発行
）にこのような方法の一例が開示されている。しかし、
この方法は書誌事項そのものの指定ではなく、使用者の
心覚え程度の文章を入力するものであり、本格的な検索
用の書誌事項を用いるためには、別途インチフサが書誌
事項を与える必要があった。

〔発明の目的〕

本発明の目的は、定型化された一般の文書を対象とし、
その構造に従って分割を行うことにより、書誌事項の自
動抽出を可能とする文書理解方式を提供することにある
。

〔発明の概要〕

かかる目的を達成するために、本発明においては文書の
構造を表現する文法を用い、この文法によって表現され
た記述を構文解析することにより。

未知入力文書の構造を把握するものである６上記の文法
では、文字系列で与えられる文書を矩形領域の集合とし
て表現し、上記矩形領域の絶対的あるいは相対的な大き
さ及び矩形領域間の絶対的あるいは相対的な関係を表す
数量を変数として含んでいる。また、矩形領域の探索方
法を指定することができる。さらに、矩形領域の探索領
域の集合として表現し、このような階層的な表現によっ
て。

文書の書式を細部に至るまで表現できる。

各種文書に対し、」：記の文法に従って表現された文書
の書式があらかじめメモリ内に格納されている。構文解
析部では未知文書を表す文字系列が入力されると、文書
書式で指定された探索方法に従って矩形領域を探索し、
探索が成功したか否かの情報と探索時に定まるパラメー
タ（矩形領域の絶対的あるいは相対的な大きさ及び矩形
領域間の絶対的あるいは相対的な関係）を表す数値を抽
出する。構文解析部は、上記のパラメータの数値を文書
書式の中の変数に代入し、次の解析を行うことにより、
順次文書の構造解析を進める。

本発明の詳細な説明する前に本発明の詳細な説明する。

第１図に一定の書式を有する技術論文の一部の例を示す
。この頁は文字符号系列と、それらが真上にどのような
位置に及びどのような形式で印刷されるべきかを示す書
式情報とによって生成されたものである。以下の説明で
は対象として技術論文を例にとるが、他の文書であって
も文法の形式が若干異なるのみであり、文法の一部を変
更すれば本発明が適用でき、本発明は上記技術論文の一
例に限定されるものではない。

次に、文書の構造を表現する文法（以Ｆ文害文法と略す
る）の−例を示す。

（ｄｅｆｆｏｒｎ＋　Ｆ （土ｏｒｍ　　Ｆｌ　　　　（１０９０１０４０））（
ｆｏｒｍ　　Ｆ’２− （ｆｏｒｍ　Ｆ３−　　　　　　　）））（ｄｅｆｆｏ
ｒｍ　　Ｆｌ （ｆｏｒｍ　ＦＲＩＩ　（０１００１０５０）Ｓ　ｔ　
ｒ　ｉ　ｎに　′論文）） （ｆｏｒｍ　Ｆｌ２ （’？Ｘｍｊｎ　　’；’Ｘｍａｘ　　？Ｙｍｉｎ　　
７Ｙｖａａｘ）ｓｈｒｉｎｋ）） （ｄｅｆｍａｃ　ＬＩＮＥ−１（％１）　；　１行目（
ｐａｉｎｔ　７Ｙ１　（ｍｏｄｅ　ＬＮ　　Ｙ　ＬＥＳ
Ｓ））（ｐａｉｎｔ　？Ｙ２　（ｍｏｄｅ　ＯＵＴ　Ｙ
　ＬＥＳＳ））（ｆｏｒｍ％１　　（０’？Ｉｌｌ　？
ＹＬ　？Ｙ２））（ｄｅｆｍａｃ　ＬＩＮＥ−２（％１
）；２行目（ｐｏｉｎｔ　？Ｙ２　（ｎ＋ｏｄｅ　ＯＵ
Ｔ　Ｙ　ＬＥＳＳ））（ｐａｉｎｔ　　’ニアＹ３　　
（ｍｏｄｅ　　丁Ｎ　　　Ｙ　　ＬＥＳＳ））（ａｒｅ
ａ　　（０’ｉ’Ｗ　？Ｙ２　？Ｈ）））（ｐａｉｎｔ
　　’ｉ’Ｙ４　　（ｍｏｄｅ　ＯＵＴ　Ｙ　　ＬＥＳ
Ｓ））（ａｒｅａ　　（０’？ｌｊ　７Ｙ３７ｔ（））
）（ｆｏｒｍ　％１　　　（０’７Ｗ　７Ｖ３　？Ｙ４
））第１図の例を参照しながら上記の文法について説明
する。

最初のｄｅｆｆｏｒｍ　Ｆ・・・は、書式Ｆが第２図の
ように、ＩＩ弐Ｆ１の下部に書式Ｆ２及びＦ３が横に並
んだものが付随して構成されることを示す。第１図では
第２図に対応したＦ、Ｆｌ、Ｆ２．Ｆ３の部分は破線で
囲んで示しである。書式名Ｆ１の次の（）で挾まれた４
個の数値 １０　９０　１０　４Ｑ は全領域Ｆを１００Ｘ１００としたときの相対的なＦｌ
の大きさを示す、このようにパラメータの値が既知のと
きは、その値を直接記述すればよい。

次のｄｅｆｆｏｒｍ　Ｆｌ・・・は、書式Ｆ１が、さら
に書式ＦｉｌとＦｌ２が縦に並んで構成されることを示
す。Ｆｉｌにおける ５ｔｒｉＢ　　’論文 はＦｉｌの中に文字データ″論文″が存在することを示
す。このｓｔｒｉｎｇ指定はあってもなくてもよく、指
定がないときは文字データの存在はチェックしない。Ｆ
ｌ２における？の付いた文字は変数を表し、対象によっ
て変動するものである。

４個の変数 （’？Ｘｍ１ｎ　”７Ｘｍａｘ　？Ｙｍｉｎ　？ｙｍａ
ｘ）はＩ？１２の相対的な大きさであり、後述するよう
に探索で求まった値がこれらの変数に代入される。

５ｈｒｉｎｋ　書式に対応した矩形領域を文字成分が外
接するまで縮小することを示す。５ｈｒｉｎｋ指定もあ
ってもなくてもよい。

次のｄｅｆｍａｃ　ＬＩＮＥ−１（％１）以降は、マク
ロ定義により】−行目ＬＩＮＥ−］の定義を簡単化した
部分である。書式％１は （ｆｏｒｍ％ｌ（０？Ｉｉｌ　’７Ｙ１　？Ｙ２）　）
によりマクロ定義される。？Ｈは書式の横方向の大きさ
、？Ｈは書式の縦方向の大きさを表す。；以下はコメン
トである。

Ｐａ１ｎｔはある条件を満足する点を探索し、変数に代
入することを示す。探索条件はｍｏｄｅによって指定す
る。ＩＮ・ＯＵＴは探索点が空白から文字への変化点か
文字から空白への変化点かを示し、Ｙは探索＠（Ｘまた
はＹ）を示し、ＬＥＳＳは探索方向を表す。ａｒｅａは
探索範囲の領域を示す。

文書の理解においては、文法に則って書かれた表現を参
照し、その中に記述された矩形領域が文書に存在するか
否かを順次側べて行く。変数を含んで記述された矩形領
域が探索されると、その変数の数値が得えらることとな
り、以後はその数値を変数に代入して用いる。

次に、矩形領域間の演算について説明する。実際の文書
では矩形以外の形状をした領域も出現する。第３図（Ａ
）、（Ｂ）は矩形以外の形状をした領域の例である。ま
た、（Ｃ）は一つの矩形領域が二つの矩形領域に分離し
た例を示す。第３図（Ａ）、（Ｂ）は、それぞれ破線で
示すように、二つの矩形領域の和あるいは差として考え
られる。

また、（Ｃ）は二つの矩形領域がつながって仮想的に一
つの矩形領域に纏まっていると考えれば、表現が単純に
なる。このような矩形領域間の演算を可能にするため、
次のように領域の仮想的な転送を定義する。

（ｌＩｌａｐ＆ｆｏｒｍ　Ｆ （ｓｐａｃａ　’搾？Ｈ） （ｐｏｓｉｔｉｏｎ　（？ＸＯ？ＹＯ）（’？Ｘｍ１ｎ
　’？Ｘｍａｘ　７Ｙｍｊ−ｎ　７ｙｍａｘ）））この
仮想的転送の意味を第４図により説明する４゜５ａｐｃ
ｅは、新しく書式Ｆとして幅？Ｗ、高さ？Ｈの矩形領域
を設定し、この領域中に転送が行われることを示す。ｐ
ｏｓｉｔｉｏｎは転送先の矩形領域の左上の座標を表す
。４個の値 （？Ｘｍ１ｎ　７ＸＩＩＩａｘ　’：’Ｙｍｉｎ　？ｙ
ｍａｘ）））で示される転送元の矩形領域を、上記の転
送先に複写する。

以上に説明した仮想的転送を組み合わせれば、第３図に
示したような複雑な形状の領域は二つ以上の矩形領域間
の演算によって表現することができる。たとえば、第３
図（Ａ）は大きさの異なる二つの矩形領域を隣接させて
転送したものとして表現できる。

以上の説明から分るように本発明で提案した文書文法で
は、文書の構造を矩形領域の組み合わせとして把握し、
矩形領域間の関係を文法で表現しているので文書の表現
力が増し、領域内の行数が不定の場合や、矩形領域が出
現するか否かが不定の場合など、従来取り扱いが困難で
あった対象も記述できる。従って、多種多様の文書が解
析可能となる。

〔発明の実施例〕

以下、本発明の実施例について図面を用いて詳細に説明
する。

第４図は本発明の一実施例による文書処理方式を採用し
た装置の構成を示すブロック図である。

装置の各部はバス１に接続され、全体の動作は制御部２
により制御される。文書３上の情報（文字系列）はキー
ボード４より文字符号系列として入力され、バス１を介
してメモリ５１に格納される。

メモリ５］、は後述する５２〜５５とともにメモリ５の
一部をなす。文字符号系列５１をキーボード４から得る
代わりに、゛磁気ディスクなどのファイル装置から読み
こんでもよい。また、この文字符号系列は紙面上の文字
パターンを文字認識装置によって読み取ったものであっ
てもよい。また、文字符号系列には書式制御データを含
んでもよい。

入力文字系列に対し制御部２により公知の清書プログラ
ム処理を行うことにより、１頁のイメージに対応した清
書文字系列がメモリ５２に行列データの形で格納される
。

前述した文法に則って書かれた対象文書の書式データが
、あらかじめメモリ５３に格納されているものとする。

制御部２は、この書式データを用いて上記の清書文字系
列の文書理解処理を行う。

ここで文書理解処理とは、上記の頁イメージの清書文字
系列を複数の矩形領域に分解し、その各領域の分類を行
うことをいう。文書理解結果として得られる各領域のう
ち、検索対象領域としてあらかじめ定められた領域につ
いて、その部分の文字系列を検索情報として検索データ
用メモリエリア５４に登録する。登録に際してデータの
加工・編集処理を加えてよい。以上のようにして得られ
た入力文書の検索情報をファイル６に、文書の文字符号
系列をファイル７に出力する。文書の文字符号系列のフ
ァイル７への出力に際しては１分解された複数の矩形領
域単位で別々に出力してもよい。

また、ファイル６とファイル７は同一のものとしてもよ
い。

以下に文書理解処理の詳細を述べる。第６図及び第７図
は、文書理解の処理の流れを説明する図である。処理の
流れは、Ｐ　Ａ　Ｄ　（Ｐｒｏｇｒａｍ　Ａｎａｌｙｓ
ｉｓＤｉａｇｒａｍ）形式で書かれている。１０１で各
文字符号の頁イメージ上での位百座標 Ｘ（ｉ）　　　Ｙ（ｉ、） を抽出する。１０３，１０４，１０５はそれぞれ構文解
析処理の初期化２本体終了判定である。

１０３ではメモリ５，３に格納されている書式データを
作業用メモリ５５に複写し、各種テーブルやプログラム
内部変数の初期化を行う。

構文解析処理の本体１０４は、】、０６〜１２０から構
成される。１０６は、１０７〜１１９の処理を１２０で
終了判定が行われるまで繰り返し行うように制御する。

１０７では書式データ中のステートメントを取り出す。

処理未了ステートメントとは、その中に含まれる変数で
値の定まっていないものがあるか、または対応する文書
領域がまだ決定されていないような行を指す。１０８は
、処理未了ステートメントが残っていない場合は１０９
〜」、１９の処理をスキップする判定である。

この場合には終了判定が行われることになる。

１０７で取り出したステートメントが処理未了ステート
メントの場合、１０９〜１１７の処理が行ねれる（１１
０〜１１７の処理は第７図に示す。）１０９は、ステー
トメントの種類を判定して分岐する部分で、ステートメ
ントの種類に応じて１１０〜１１７の部分の処理が変化
する。第６，７図及び以下の説明では、ｆｏｒｍステー
トメント、すなわち （ｆｏｒｍ　　ＦＯ （？Ｘｍ１ｎ　　？Ｘｍａｘ　　？Ｙｍｉｎ　　？ｙｍ
ａｘ）５ｈｒｉｎｋ） の場合についてのみ述べるが、他のステートメントでも
同様にそのステートメント特有の処理が行われる。

１　］、　Ｏ〜１１９は述語ｆｏｒｍを処理する部分で
ある。１１０では書式名称ＦＯが登録済みか否かを調べ
、未登録ならば１１１で書式テーブルにＦＯを登録する
。１１１では、変数名 （’ｉ’Ｘｍ１ｎ　？Ｘｍａｘ　’７Ｙｍｉｎ　７Ｙｍ
ａｘ）の位置に書かれた文字列が変数か数値か、変数な
ら登録済みか否かを調べ、未登録ならこれらを変数表に
登録する。変数が登録済みならばその値が確定している
か否かを調へ、確定していなければｆｏｒＩ１１処理は
終了する（この場合このステートメントは処理未終了と
なる）。確定していれば、ステートメント中の変数名を
上記の数値で書き換える。

具体例として、 ？Ｘｍ１ｎ＝Ｏ，？Ｘｍａｘ＝９０゜ ？Ｙｍｉｎ、７Ｙｍａｘ　　：未登録 のとき、曲屈のステートメントは （ｆｏｒｍ　　ＦＯ （０９０？Ｙｍｉｎ　　？Ｙｍａｘ） ｓｈｒｉｎｋ） と書き換えられ、変数？Ｙｍｉｎ、７Ｙｍａｘ　が変数
テーブルに登録されて、値未確定となる。

１１２で、ステー１〜メント中の変数名が全で数値に書
き換えられているか否かにより分岐し、全て数値に書き
換えられていたとき、１１３のｆｏｒｍ実行処理を行う
。ｆｏｒｍ実行処理の詳細は１１４〜１１８で表される
。】−１４は、１０２で抽出ごれた文字ｉについて以下
の処理を操り返すことを示す。１１５では、文字ｉのＸ
座標及びＹ座標Ｘ（ｉ）　　Ｙ（ｉ） をステートメント中の変数 ？Ｘｍ１ｎ　　７Ｘｍａｘ　　’ｉ’Ｙｍｉｎ　　’ｉ
’Ｙｍａｘに対応する数値と比校し ？　Ｘｍ１ｎ＜　Ｘ　（ｉ　）　＜　？　Ｘｍａｘ？　
Ｙｍｉｎ＜　Ｙ　（ｉ　）　＜　？　Ｙｍａｘが成立す
る文字か否かを判定する。１１６では、−上記の条件が
成立したとき、その文字ｉをＦＯの成分テーブルに登録
する。１１７では。、上記の条件が成立する文字が存在
しないとき、解析失敗のフラグを立てる。

以上説明したように１０６〜１１７の処理により、書式
データ中のステートメントｆｏｒｍに対応する構造が入
力文字系列に存在することを検出できる。ｆｏｒｍステ
ートメントにおいてｓｔｒｉｎｇ指定があるときは、指
定された文字データが入力文字系列中に存在するか否か
を、単語照合によって求めればよい。単語照合に際し、
同義語辞書を参照して、同義語が存在したときは同一視
するようにしてもよい。ｆｏｒｍ以外のステートメント
についても同様に解析ができる。ステートメント中に変
数が含まれるときは、ステートメント中の変数に解析時
に求めたパラメータを代入し、その結果が他のステート
メントで用いられる。

１１８では、解析失敗フラグを調べ、解析が失敗したと
き後戻りして再試行する。この場合、解析済みのステー
トメントに戻ってパラメータを代入した変数をまた以前
の状態に書き直し、別の可能性を探索するように制御す
る。

１１９では、解析失敗フラグが立っていないか、あるい
は後戻り再試行の後解析失敗フラグがあるかを検出し、
終了判定を行う。

１０５は解析の結果得られたデータを外部に受は渡す部
分である。外部に受は渡すデータとしては、書式名称に
対応して検出した矩形領域の文書上での座標などがある
。

解析失敗フラグを立てる指定のあるステー１ヘメントで
解析が失敗したとき、この文書は理解不能であり、この
ときはりジエクト処理を行う。たとえば文書理解の最終
結果あるいは中間結果をディスプレイ８に表示しキーボ
ード４を用いるなどして、マンマシン的に修正してもよ
い。

〔発明の効果〕

以上説明したごとく１本発明によれば格納すべき対象文
書の解析を自動的に行うことが可能であり、キーボード
から書誌情報を入力することが不要となるかあるいは大
幅に削減されるので、人力がきわめて簡素化される。ま
た、対象文書の形式が変化しても書式データを変更すれ
ば、直ちに対応できるなどの利点がある。

【図面の簡単な説明】

第１図は文書の一例を示す参考図、第２，３゜４図は本
発明の詳細な説明するための説明図、第５図は本発明の
文書処理方式を実施する装置の構成を示すブロック図、
第６図、劣中井は第５図中の制御部２における処理を説
明するための流れ図である。 】・・バス、２・・・制御部、３・・・文書、４・・・
キーボード、５・・・メモリ、６，７・・・ファイル、
８・・・ディスプレイ。

Claims (1)

1. 【特許請求の範囲】 １、文書を矩形領域の集合として記述する文法に従つて
   書かれた表現を記憶してなるメモリと、文書を表す文字
   符号系列を得る手段と、 上記文字符号系列の中から上記の文法に従つて書かれた
   表現で指定される矩形領域を探索することにより文書の
   解析を行う構文解析部とを有し、 上記の探索によつて得られた文字符号系列中の各矩形領
   域の意味を表すデータを生成することを特徴とする文書
   理解方式。 ２、特許請求範囲第１項記載の文書理解方式において、 上記文法の中に矩形領域の絶対的あるいは相対的な大き
   さ及び矩形領域間の絶対的あるいは相対的な関係を表す
   数量を変数として含むとともに、上記矩形領域の探索方
   法の記述を含み、上記文字符号系列の中から上記の文法
   に従つて書かれた表現で指定される矩形領域を探索し、
   探索結果から定まる値を上記表現の中の変数に代入し、
   未知変数が存在しなくなるまで解析を行う構文解析部を
   有することを特徴とする文書理解方式。 ３、特許請求範囲第１項記載の文書理解方式において、 文法中に空間的に隔てられた複数の矩形領域から演算を
   行つて生成した仮想的な一つの矩形領域を含むことを特
   徴とする文書理解方式。