JP2005352878A - 文書検索システム、検索サーバ、及び検索クライアント - Google Patents

Abstract

【課題】 連想検索システムにおける検索結果の概略を複数の視点に基づいて提供する。
【解決手段】 ひとつの文書データベースに対して、複数通りのインデックス付けを行なうことで、検索結果を複数視点から概観表示できるようにする、それぞれのインデックス付き文書データベース４０３．５０３，６０３中の文書を、共通の識別子で管理することにより、検索結果として得られた文書群の概略を、それぞれのインデックスを用いて作成できるようにする。
【選択図】 図１

Description

本発明は、文書検索システムに関し、特に検索結果を複数の視点から概観表示する連想検索システムに関する。

コンピュータやインターネットの普及にともない、文書情報の電子化が急速に進んでいる。入手可能な情報が増加するにつれ、その中から必要な情報を探し出すことが重要な課題となってくる。また、複数の文書データベース間での文書群の関連性を調べたいという要求も高まっている。例えば、興味のある新聞記事に対して、それに関連する百科事典の項目を検索したいという要求は多い。

現在実用となっているキーワード検索では、複数の文書データベースを切り替えて検索することは可能であるが、ある文書データベースに含まれる文書群に対して、それに関連する文書群を、同一文書データベース、あるいは、別の文書データベースから検索すること（文書連想検索と呼ばれる検索方式）は不可能である。

同一文書データベース内に限れば、文書間の関連度をあらかじめ計算しておくことで、文書群を検索入力とした文書連想検索を実現することはできる。しかし、複数の文書データベースに対しては、あらかじめ計算すべき文書間の関連度が文書データベース数の増加にともなって組み合わせ数が爆発的に増加するため、現実的には不可能となっている。

これに対して、特開２０００−１５５７５８号公報「複数文書データベースを対象とした文書検索方法及び文書検索サービス」には、利用者が指定した文書データベース中の任意の文書群に対して、その文書群に関連する文書群を任意の文書データベースから効率良く検索する方法が開示されている。この方法では、文書群として入力された検索入力内の特徴的な単語のみを使うことで、高速な文書連想検索を実現している。この方法により、利用者は複数の異なる種類の文書データベースを切り替えながら、文書群の関連性を調べることで、高精度かつ効率の良い文書検索を行なうことが可能となる。また、この方法では、検索結果として得られた文書群に出現する特徴的な単語を抽出し、それらを検索結果の概観（要約）として利用者に提示することで、利用者が検索結果の可否を判断する際の支援手段も提供している。

特開２０００−１５５７５８号公報

単語に基づく文書検索では、文書中に出現する単語でその文書のインデックス付けを行ない、文書検索を実現している。特開２０００−１５５７５８号公報で開示されている方法でも同様であり、文書から特徴的な単語を抽出するために、その文書に含まれている単語について統計的尺度（tf*idf法などが代表的）を用いてその重要度を計算し、重要度の高い順に単語を抽出している。インデックス付けは、ひとつの文書データベースに対して一通りの方法で行なうのが一般的である。しかし、専門用語（生物医学分野では、疾患名、遺伝子名、タンパク質名など）やファクト情報（例えば、生物医学分野ではタンパク質間相互作用など）は、一般の単語分布中に埋没してしまうため、特徴単語として抽出されにくくなってしまう。また、インデックス付けが一通りだと、検索結果の概観として表示されるのは、ひとつの視点に限定されたものになるため、その視点が利用者の検索要求や興味に合致していない場合には、適切な概観表示とはなり得ない。

本発明は上記現状を鑑み、利用者の興味に合致した複数の視点から検索結果を概観表示する文書検索システムを提供することを目的とする。

上記課題を解決するために、本発明では、ひとつの文書データベースに対して、複数通りのインデックス付けを行なうことで、検索結果を複数視点から概観表示できるようにする。

例えば、ひとつの文書データベースに対して、通常の単語によるインデックス付け、専門用語によるインデックス付け、ファクト情報によるインデックス付けを行なう。それぞれのインデックス付けされた文書データベースの対応をとるために、各文書を共通の識別子によって管理し、ある文書からの概略を、それぞれのインデックスを用いて作成できるようにする。

本発明の文書検索システムは、検索要求を入力する入力部、検索された文書群を表示する検索結果表示部、及び検索された文書群の概略を表示する概略表示部を備える検索クライアントと、インデックス付けされた複数の文書を格納した文書データベース、受信した検索要求に対して関連度の高い文書を前記文書データベースから検索する検索部、及び与えられた文書群に対して前記インデックスを用いて概略を作成する概略作成部を備える検索サーバとを含み、インデックスとして種類の異なる複数のインデックスを備える。

検索クライアントの概略表示部には、複数の種類の概略が異なる視点毎に区分して表示される。検索結果表示部は、表示された文書群の中から次の検索のキーとなる文書を選択するための文書選択部を有し、概略表示部は、表示された概略の要素の中から次の検索のキーとなる要素を選択するための概略選択部を有する。

検索結果として得られた文書集合に対して、複数の視点からの概観表示を見ることによって、利用者はより適切に検索結果の性質を把握できるようになる。また、各視点間の関連を検索対象文書を仲介として捉えることができるため、検索結果の分析をより詳細に行なうことができる。

以下、図面を参照して本発明の実施の形態を説明する。

図１は、本発明を実現するためのシステムの構成例を示す概略図である。このシステムは、利用者が検索要求を入力したり、検索結果を表示したりする検索クライアント２０、文書データベースを検索するための検索サーバ４０、５０、６０、検索クライアント２０と検索サーバ４０、５０、６０の仲介をする連想検索サーバ３０を通信ネットワーク１０により接続して構成される。図に示した例では、文書データベースを検索するための検索サーバとして３つの検索サーバが通信ネットワークに接続されているが、通信ネットワークに接続される検索サーバの数は任意でよい。検索クライアントの数も任意である。

検索サーバ４０、５０、６０の備える検索手段４０２、５０２、６０２は、連想検索サーバから送られてきた検索要求に対して、関連度の高い文書群を文書データベース４０３、５０３、６０３から検索し、その検索結果を関連度の重み付きで連想検索サーバ３０に返す。ここでの検索手段は、例えば、公知のキーワード検索手法により実現できる。

キーワード検索手法では、検索処理の効率を上げるために、文書データベースに含まれる文書を単語に分割し（日本語の文書に対しては形態素解析、英語の文書に対してはstemming処理を行なう）、どの文書にどの単語が含まれるかをインデックスとして作成しておく。検索実行時には、作成されたインデックスが主記憶に読み込まれるため、検索処理を高速に実行できる。図１においては、検索サーバ４０、５０、６０が有する文書データベース４０３、５０３、６０３のそれぞれに対してインデックス４０４、５０４、６０４を作成し、検索処理に利用する。

検索サーバ４０、５０、６０の備える概略作成手段４０１、５０１、６０１は、文書データベース４０３、５０３、６０３から検索された文書群の概略を作成する。ここで概略とは、文書群の内容をよく表わす単語集合のことである。概略作成手段としては、特開２０００−１５５７５８号公報などの既存手法が利用できる。概略作成時にも、上記インデックスを利用する。すなわち、ある文書にどの単語が含まれているかを、インデックスを参照して調べるわけである。

一例を示すと、まず、概略を作成しようとする文書群中の全文書に含まれる単語の頻度集計をする。一般に、ある文書群で良く現れる単語ほどその文書群を代表する度合も高いため、文書群中で出現頻度が高いほど概略に含まれやすいことになる。ただし、「する」などのように、どの文書にも良く現れるような一般的な単語は概略単語としては適当ではない。よって、通常は、文書群が属する文書データベース中での出現頻度も考慮して概略単語を選択する。つまり、指定された文書群での出現頻度が高く、かつ、文書データベース全体での総出現頻度が低い単語ほど、その文書群中でしか現れないという意味で特徴的な単語であり、その文書群を特徴付ける概略として適切である。具体的には、文書群中のそれぞれの単語について、文書群中での出現頻度、文書データベース中での出現頻度を入力とする適当な関数により単語の重みを計算し、ある閾値以上の重みを持つ単語を概略として採用する。

検索クライアント２０は、検索要求入力手段２０１、検索結果表示手段２０２、概略表示手段２０３を備える。

図２は検索クライアントにおける初期画面の例を示す図である。利用者は検索要求入力エリア２０１１に検索要求を入力し、検索指示ボタン２０１２をクリックすることで検索を行なう。

図３は検索クライアントにおける検索結果の例を示す図である。検索結果は検索結果表示手段２０２によって表示され、検索結果の概略が概略表示手段２０３によって表示される。検索結果表示手段２０２は文書群指定手段も兼ねており、文書選択チェックボックス２０２１により、任意個の記事を選択し、連想検索指示ボタン２００１をクリックすることで、選択した記事と関連する文書を検索することができる。概略表示手段２０３は単語群指定手段も兼ねており、単語選択チェックボックス２０３１、２０３２により、任意個の単語を選択し、連想検索指示ボタン２００１をクリックすることで、概略単語からの検索を行なうことができる。

連想検索サーバ３０は、検索クライアント２０から送られてくる検索要求を解析する検索要求解析手段３０１、検索クライアント２０から送られてくる検索要求を、検索サーバ４０、５０、６０に振り分ける機能を持つ検索要求発行手段３０２、文書群に対する概略単語を検索サーバ４０、５０、６０に要求する概略単語要求手段３０３を備える。

検索要求解析手段３０１は、検索クライアント２０から送られてくる検索要求を解析してその中に含まれる単語を同定し検索キーを作成する。検索要求解析手段３０１は任意のものであってよいが、日本語文に関しては文を単語に分割する形態素解析、英文に対しては単語の原形還元と品詞付けを行なうstemming処理を最低含んで構成される。

検索要求発行手段３０２に送られてくる検索要求としては、（１）検索要求解析手段３０１によって作成された単語集合、（２）検索クライアント２０が備える検索結果表示手段（文書群指定手段）から送られてくる文書ＩＤの集合、あるいは（３）検索クライアント２０が備える概略表示手段（単語群指定手段）２０３から送られてくる単語集合、である。検索要求が（１）と（３）の場合、その単語集合を検索要求として検索サーバに送る。検索要求が（２）の場合、概略単語要求手段３０３が検索サーバに対して、その文書ＩＤの集合に対応する文書群の概略を要求し、送られてきた概略単語集合を検索要求として検索サーバに送る。検索要求発行手段３０２がどの検索サーバに検索要求を送るかは、各検索サーバが保持するインデックスの内容に応じて異なるため、後述の例を用いてその動作を示す。

従来の連想検索システムでは、ひとつの文書データベースに対しては、ひとつの視点からのインデックス付けのみが行なわれていた。本発明では、ひとつの文書データベースに対して、複数の視点からのインデックス付けを行なうことで、利用者の利便性を高めることを目的としている。このことを実現するために、必要な要件は、（１）複数の視点からのインデックス作成すること、（２）複数の、インデックス付き文書データベースに含まれる同一の文書を共通識別子で管理すること、である。同一文書を共通識別子で管理することによって、検索結果として得られた文書集合のそれぞれのインデックス間における同一性が保持できるため、それぞれの視点から同じ文書集合に対して概略単語を作成することができる。

図４、図５、図６は、ひとつの文書データベースベースに対し、複数の視点からのインデックス付けを行なった場合のインデックスの例である。

図４は、文書ＩＤが１２３４５である文書のインデックスを、一般語、タンパク質名、タンパク質間相互作用で行なった例である。インデックス列の各単語の前の数字は、その単語がその文書で出現する頻度である。図５は、文書ＩＤが１２３４５である文書のインデックスを、タンパク質名で行なった例である。図６は、文書ＩＤが１２３４５である文書のインデックスをタンパク質間相互作用で行なった例である。上記要件（２）を満たすために、それぞれのインデックス付けにおいて共通の文書ＩＤ「１２３４５」を用いている。それぞれの視点でのインデックスの作成方法は任意でよいが、現実的には、一つのインデックスが、他の複数のインデックスを包含しているように作成するのが便利である。上記の例では、図４のインデックスが図５、図６のインデックスを包含している。こうすることにより、上述した検索要求発行手段３０２に送られてくる検索要求はすべて検索サーバ４０に送ればよいことになる。検索サーバ５０、６０は検索結果に対する概略作成時にのみ用いられる。

図３は、図４、図５、図６のインデックスを用いて連想検索を行なった例を示す図である。検索結果として、記事タイトルが表示されている。また、検索結果の概略として、これらの記事に含まれるタンパク質名とタンパク質間相互作用が表示されている。

以下、図７と図８のシーケンス図を用いて処理の流れを説明する。説明のため、検索サーバ４０、５０、６０に備えられた文書データベース４０３、５０３、６０３のインデックス４０４、５０４、６０４を、それぞれ図４、図５、図６のように作成するとする。このようなインデックス付けを行なった場合、検索要求発行手段３０２の動作は以下のようになる。利用者が入力した検索要求に対しては、検索要求発行手段３０２は、検索サーバ４０に対して検索要求を発行する。検索サーバ４０から得られた検索結果に対する概略単語を作成するときには、検索サーバ５０、６０に対して概略単語要求手段３０３が概略単語の作成要求を発行する。利用者が文書群を指定して、文書群からの再検索を実行する場合には、検索サーバ４０に対して検索要求を発行する。利用者が単語群を指定して、単語群からの再検索を実行する場合には、検索サーバ４０に対して検索要求を発行する。このように、検索はすべて検索サーバ４０で行う。検索サーバ５０、６０は検索結果の概略単語を作成するときだけ使う。「タンパク質名」「タンパク質相互作用」の両方の単語を指定した場合でも、検索サーバ４０は、検索サーバ５０、６０のインデックスを包含しているので、問題なく動作する。

次に処理の流れを、図７のシーケンス図を用いて説明する。利用者は検索クライアント２０の検索要求入力手段２０１を用いて、検索要求を入力する。入力された検索要求は連想検索サーバに送信される（Ｔ１１）。連想検索サーバ３０の検索要求解析手段３０１は検索要求を解析し、検索サーバに送信するための検索要求を作成する。検索要求発行手段３０２により検索要求が検索サーバ４０に送信される（Ｔ１２）。検索サーバ４０の検索手段４０２は、インデックス４０４を用いて文書データベース４０３を検索し、その結果を連想検索サーバ３０に送信する（Ｔ１３）。連想検索サーバ３０の概略単語要求手段３０３は、得られた検索結果の概略を作成するための、概略の作成要求を検索サーバ５０と検索サーバ６０に送信する（Ｔ１４，Ｔ１６）。検索サーバ５０と検索サーバ６０の概略単語作成手段５０１、６０１は、それぞれインデックス５０４、６０４を利用して概略単語を作成する。この例の場合、概略単語作成手段５０１は、タンパク質名で構成される概略単語を作成し、概略単語作成手段６０１は、タンパク質間相互作用で構成される概略単語を作成する。それぞれの概略単語作成手段で作成された概略単語は、連想検索サーバ３０に送信される（Ｔ１５，Ｔ１７）。最後に、検索結果と概略単語が連想検索サーバ３０から検索クライアント２０に送信され（Ｔ１８）、検索クライアント２０の検索結果表示手段２０２と概略表示手段２０３によって利用者に提示される。

次に、図８のシーケンス図を用いて説明する。このシーケンス図は、検索結果として得られた文書やその概略単語から再検索を行なう場合の処理の流れを示している。

始めに検索結果として得られた文書から再検索を行う場合について説明する。利用者は、検索クライアント２０の文書群指定手段２０２を用いて、再検索のキーとなる文書を選択する。選択された文書の識別子は連想検索サーバ３０に送信される（Ｔ２１）。連想検索サーバ３０の概略単語要求手段３０３は、選択された文書の概略を作成するための、概略の作成要求を検索サーバ４０に送信する（Ｔ２２）。検索サーバ４０の概略単語作成手段４０１は、インデックス４０４を利用して概略単語を作成する。すなわち、前述のように、特開２０００−１５５７５８号公報などと同じ手法で、統計的に重要な単語を選択して概略単語を作成する。作成された概略単語は、連想検索サーバ３０に送信される（Ｔ２３）。

利用者が文書のみから再検索を実行する場合は、連想検索サーバ３０の検索要求発行手段３０２により、得られた概略単語が検索サーバ４０に送信される（Ｔ２５）。検索サーバ４０の検索手段４０２は、インデックス４０４を用いて文書データベース４０３を検索し、その結果を連想検索サーバ３０に送信する（Ｔ２６）。以降の処理は図７のシーケンス図における概略単語作成手段以降の処理と同様である。

利用者が概略単語から再検索を行なう場合は、利用者は検索クライアント２０の単語群指定手段２０３を用いて、再検索のキーとなる単語を選択する。このとき、複数視点の単語を同時に指定することも可能である。選択された単語、あるいは単語の識別子は連想検索サーバ３０に送信される（Ｔ２４）。以降の処理は図８のシーケンスにおける検索要求発行手段以降の処理と同様である。

ある視点から作成した概略単語を用いて再検索を行なうことにより、その視点と他の視点の関連を、文書データベースを仲介として把握することができる。一例を挙げると、タンパク質名から構成される概略単語を用いて、再検索を行なった場合、選択したタンパク質名に関連する文書が得られ、さらに、選択したタンパク質名に関連するタンパク質名相互作用を知ることができる。このことにより、検索結果を多面的な観点から詳細に分析していくことができるようになる。

図９は、インデックスとして、タンパク質名と疾患名を用いた場合の例である。上記説明と同様の手順をとることにより、利用者が興味をもつタンパク質名から、そのタンパク質名と関連する疾患名を知ることができる。また、逆に、利用者が興味をもつ疾患名から、その疾患名と関連するタンパク質名を知ることができる。

次に、本発明の変形例を、図１０を用いて説明する。
実施例１では、どの視点で検索結果の概略を作成するかをあらかじめ固定していた。しかし、あらかじめ複数視点からのインデックスを保持する複数の検索サーバを用意しておき、利用者が自分が利用したい視点を選択することも可能である。図１０は、利用者が視点を選択するための初期画面の例である。

視点選択手段２０１３には、視点（view1、view2）として、選択可能な３つの視点（遺伝子“gene”によるインデックス、タンパク質“protein”によるインデックス、タンパク質間相互作用“protein interaction”）が提示されている。利用者は各視点として、どの視点から概観を得たいかを選択する。図１０の例では、利用者はview1としてタンパク質“protein”によるインデックス、view2としてタンパク質間相互作用“protein interaction”を選択している。

利用者はこの後、検索要求入力エリア２０１１に検索要求を入力し、検索指示ボタン２０１２をクリックすることで検索を行なう。以後の処理は実施例１と同様である。

次に、本発明の別の変形例を図１１を用いて説明する。
実施例１では、複数視点から作成されたインデックスを別々のサーバが保持していた。すなわち、図４のインデックスを検索サーバ４０のインデックス４０４、図５のインデックスを検索サーバ５０のインデックス５０４、図６のインデックスを検索サーバ６０のインデックス６０４が保持している。しかし、検索サーバは必ずしも複数必要というわけではなく、一つの検索サーバに複数のインデックスを保持させることも可能である。

図１１は、一つの検索サーバに複数のインデックスを保持させる場合の構成図である。検索サーバ７０が有する文書データベース７０３に対して、複数視点から作成したインデックスをインデックス７０４、７０５、７０６として保持している。ひとつの検索サーバ内に複数のインデックスを保持する場合、それぞれのインデックスは独立に保持するのが普通である。個々のインデックスは、例えば、縦に文書、横に単語をとった行列形式とすることができる。行列の要素には、その単語がその文書に何回出現するかの出現頻度情報を入れておく。この場合、複数のインデックス（行列）間で、縦軸の文書の同一性を保持する必要があるため、複数のインデックス間で同一の文書は同一の識別子によって管理する。

実施例１では、連想検索サーバ３０が有する検索要求発行手段３０２が、検索要求のタイプに応じて、どの検索サーバに対して検索要求を発行するかを制御していた。図１１のように、検索サーバが一つの場合には、検索要求発行手段３０２は、検索要求のタイプに応じて、検索サーバ７０のどのインデックスを用いて検索するかを制御するようにすればよい。図７、図８のシーケンス図において、検索サーバをすべて同一の検索サーバと見なすことで、実施例１と同様の処理が行なわれる。

本発明を実現するためのシステムの構成例を示す概略図。 検索クライアントにおける初期画面の例を示す図。 検索クライアントにおける検索結果の例を示す図。 インデックス付けの例を示す図。 インデックス付けの例を示す図。 インデックス付けの例を示す図。 検索クライアント，連想検索サーバ，検索サーバの間のデータ及び処理の流れを示すシーケンス図。 検索クライアント，連想検索サーバ，検索サーバの間のデータ及び処理の流れを示すシーケンス図。 検索クライアントにおける検索結果の表示例を示す図。 検索クライアントにおける初期画面の例を示す図。 本発明を実現するためのシステムの他の構成例を示す概略図。

符号の説明

１０：通信ネットワーク
２０：検索クライアント
２００１：連想検索指示ボタン
２０１：検索要求入力手段
２０１１：検索要求入力エリア
２０１２：検索指示ボタン
２０１３：視点選択手段
２０２：検索結果表示手段（文書群指定手段）
２０２１：文書選択チェックボックス
２０３：概略表示手段（単語群指定手段）
２０３１：単語選択チェックボックス
２０３２：単語選択チェックボックス
３０：連想検索サーバ
３０１：検索要求解析手段
３０２：検索要求発行手段
３０３：概略単語要求手段
４０：検索サーバ
４０１：概略作成手段
４０２：検索手段
４０３：文書データベース
４０４：インデックス
５０：検索サーバ
５０１：概略作成手段
５０２：検索手段
５０３：文書データベース
５０４：インデックス
６０：検索サーバ
６０１：概略作成手段
６０２：検索手段
６０３：文書データベース
６０４：インデックス
７０：検索サーバ
７０１：概略作成手段
７０２：検索手段
７０３：文書データベース
７０４：インデックス
７０５：インデックス
７０６：インデックス

Claims (8)

1. 検索要求を入力する入力部、検索された文書群を表示する検索結果表示部、及び前記検索された文書群の概略を表示する概略表示部を備える検索クライアントと、
   インデックス付けされた複数の文書を格納した文書データベース、受信した検索要求に対して関連度の高い文書を前記文書データベースから検索する検索部、及び与えられた文書群に対して前記インデックスを用いて概略を作成する概略作成部を備える検索サーバとを含み、
   前記インデックスとして種類の異なる複数のインデックスを備えることを特徴とする文書検索システム。
2. 請求項１記載の文書検索システムにおいて、複数の検索サーバを備え、各検索サーバはそれぞれ種類の異なるインデックスを備え、前記複数の検索サーバの文書データベース間で同一の文書は同一の識別子によって管理されていることを特徴とする文書検索システム。
3. 請求項１記載の文書検索システムにおいて、１つの検索サーバが前記種類の異なる複数のインデックスを備え、前記複数のインデックス間で同一の文書は同一の識別子によって管理されていることを特徴とする文書検索システム。
4. 請求項１記載の文書検索システムにおいて、前記複数のインデックスのうちの１つは、残りの複数のインデックスを統合したインデックスであることを特徴とする文書検索システム。
5. 請求項１記載の文書検索システムにおいて、前記検索クライアントの概略表示部は、異なるインデックスに対応して異なる概略を表示するインデックス毎の概略表示部を有することを特徴とする文書検索システム。
6. 請求項５記載の文書検索システムにおいて、前記検索クライアントは、前記概略表示部に表示された概略の要素を選択する手段を有し、前記選択された要素を前記検索要求として送信することを特徴とする文書検索システム。
7. 複数の文書を格納した文書データベースと、
   前記文書データベース中の文書に対して異なる視点から付与した複数種類のインデックスと、
   受信した検索要求に対して関連度の高い文書を前記文書データベースから検索する検索部と、
   与えられた文書群に対して前記インデックスを用いて複数種類の概略を作成する概略作成部とを備え、
   前記複数のインデックス間で同一の文書は同一の識別子によって管理されていることを特徴とする検索サーバ。
8. 検索要求を入力する入力部と、
   受信した検索結果である文書群を表示する検索結果表示部と、
   前記文書群の概略を、複数の異なる視点毎に区分して表示する概略表示部とを備え、
   前記検索結果表示部は、表示された文書群の中から次の検索のキーとなる文書を選択するための文書選択部を有し、
   前記概略表示部は、表示された概略の要素の中から次の検索のキーとなる要素を選択するための概略選択部を有し、
   前記入力部に入力された検索要求、前記文書選択部で選択された文書又は前記概略選択部で選択された概略の要素の情報を検索要求として送信することを特徴とする検索クライアント。

Images