JP7237878B2 - ドメイン知識活用支援装置、プログラムおよびドメイン知識活用支援方法 - Google Patents

Description

本発明は、ドメイン知識活用支援装置、プログラムおよびドメイン知識活用支援方法に関する。

従来までのテキスト分類やテキスト検索などの自然言語処理では、個々のテキストに含まれる単語（語）に注目している。例えば、特許文献１に記載のテキストを分類する方法では、テキストに含まれる語や語の関係性（語の並び、係り受け）を利用してテキストを分類している。

特表２０１５－５１１７３３号公報

従来技術では、テキスト内の語や語の関係性を利用しているが、テキストに含まれる他の情報を利用しておらず、テキスト分類やテキスト検索などにおいて精度向上の余地を残している。テキスト分類やテキスト検索に限らず、多数のデータを基に機械学習技術を用いた翻訳などを含めた自然言語処理においても同様であり、精度や品質の向上の可能性がある。未利用の情報として、例えば、テキストが係るドメイン（業種）における語のカテゴリがある。

本発明は、このような背景を鑑みてなされたものであり、テキストに含まれるドメインに係る特徴の抽出を可能とするドメイン知識活用支援装置、プログラムおよびドメイン知識活用支援方法を提供することを課題とする。

上記課題を解決するため、本発明に係るドメイン知識活用支援装置は、テキストを文に分割するテキスト分割部と、前記文が係るドメインを判定するドメイン判定部と、語と前記ドメインと当該語の含意とを関連付けて記憶する含意情報データベースを参照して、前記文の述語となる語の含意を抽出する含意抽出部と、ドメイン別に語と当該語のカテゴリとを関連付けて記憶するドメイン別カテゴリ情報データベースを参照して、前記文から語と当該語のカテゴリとを抽出するドメイン情報抽出部と、前記テキストを木に変換する構造化部とを備え、前記木は、根が、前記テキストに対応し、当該根の下位ノードは、当該テキストに含まれる文に対応するとともに、前記含意抽出部が抽出した当該文の含意を示すノードであり、当該文の含意を示すノードの下位ノードは、ドメインのノードであり、当該ドメインのノードの下位ノードは、前記ドメイン情報抽出部が抽出した当該文に含まれる語のカテゴリを示すノードを含むことを特徴とする。

本発明によれば、テキストに含まれるドメインに係る特徴の抽出を可能とするドメイン知識活用支援装置、プログラムおよびドメイン知識活用支援方法を提供することができる。

本実施形態に係るドメイン知識活用支援装置の機能ブロック図である。 本実施形態に係る含意情報データベースのデータ構成を示す図である。 本実施形態に係るドメイン別カテゴリ情報データベースのデータ構成を示す図である。 本実施形態に係る一般情報データベースのデータ構成を示す図である。 本実施形態に係る含意のイメージ変換情報データベースのデータ構成図である。 本実施形態に係るカテゴリのイメージ変換情報データベースのデータ構成図である。 本実施形態に係る品詞のイメージ変換情報データベースのデータ構成図である。 本実施形態を説明するために用いるテキストの例である。 本実施形態に係る含意抽出部、ドメイン情報抽出部、および一般情報抽出部の動作を説明するための図である。 本実施形態に係る構造化部が生成した木である。 本実施形態に係るイメージ化部が生成した画像である。 本実施形態に係るドメイン知識活用支援装置が実行する情報抽出処理のフローチャートである。

以下に、本発明を実施するための形態（実施形態）におけるドメイン知識活用支援装置について説明する。ドメイン知識活用支援装置は、語と含意とが関連付けられた含意情報データベース、ドメイン（業種）別に、語とカテゴリとが関連付けられたドメイン別カテゴリ情報データベース、および、特定のドメインには含まれない一般的な語と品詞とが関連付けられた一般情報データベースを備える。ドメイン知識活用支援装置は、入力されたテキストを文に分割し、文から含意や語、語のカテゴリを抽出する。次に、ドメイン知識活用支援装置は、テキストを、抽出した含意や語、語のカテゴリを含む木（木構造データ）や画像に変換して出力する。

木には、テキストに含まれる文の含意やドメイン別の語のカテゴリが含まれている。語を抽出する従来技術に比べて、より多くの情報を抽出することができる。また、ドメイン知識活用支援装置は、テキストに関連するドメインに応じて語からカテゴリを抽出しており、ドメインに応じて情報を抽出することができるようになる。この抽出した情報を用いることで、テキスト分類やテキスト検索、翻訳などにおける精度や品質が向上する。

≪ドメイン知識活用支援装置の構成≫
図１は、本実施形態に係るドメイン知識活用支援装置１００の機能ブロック図である。ドメイン知識活用支援装置１００は、制御部１１０、記憶部１２０、および入出力部１８０を含んで構成される。入出力部１８０は、ディスプレイやキーボード、マウスなどのユーザインタフェースの他、他の装置との通信インタフェースを備える。

記憶部１２０には、プログラム１２１、含意情報データベース１３０（後記する図２参照）、ドメイン別カテゴリ情報データベース１４０（後記する図３参照）、一般情報データベース１５０（後記する図４参照）、およびイメージ変換情報データベース１６０（後記する図５～図７参照）が記憶される。プログラム１２１は、制御部１１０が実行する情報抽出処理（後記する図１２参照）の手順を含む。

≪ドメイン知識活用支援装置の構成：含意情報データベース≫
図２は、本実施形態に係る含意情報データベース１３０のデータ構成を示す図である。含意とは、文が含む意味であり、文の述語の意味である。含意情報データベース１３０は、例えば表形式のデータであって、１つの行（レコード）は含意を示し、含意１３１、ドメイン１３２、および語１３３を含む。

含意１３１は、文の述語となっている語１３３のドメイン１３２における含意である。ドメイン１３２は、農業、建設業、製造業、小売業などの業種（産業）である。同じ語であっても、文が係るドメインによって含意が異なる場合がある。本実施形態では、文の述語（述部）となる語、および文が係る業種によって文の含意が決まるとする。なお、ドメイン１３２が「一般」である場合には、含意１３１は、ドメイン（業種）共通の含意である。
レコード１３９は、「製造業」に係る文の述語が「原因となる」である場合には、当該文の含意は「要因」であることを示している。

≪ドメイン知識活用支援装置の構成：ドメイン別カテゴリ情報データベース≫
図３は、本実施形態に係るドメイン別カテゴリ情報データベース１４０のデータ構成を示す図である。図３に示した例は、「製造業」ドメインのドメイン別カテゴリ情報データベース１４０である。
ドメイン別カテゴリ情報データベース１４０は、ドメイン（業種）ごとに語のカテゴリ（語の意味の種類）が記憶される。ドメイン別カテゴリ情報データベース１４０は、例えば表形式のデータであって、１つの行（レコード）は語を示し、語１４１、カテゴリ１４２、および関連語１４３を含む。

語１４１は、見出しとなる語である。カテゴリ１４２は、語１４１のカテゴリである。関連語１４３は、語１４１の関連語であり、同じカテゴリ１４２である。レコード１４９は、「製造業」のドメインにおいては、「製造現場」は「業態」というカテゴリに属する語（「業態」に係る語）であって、関連する語に「生産現場」、「生産ライン」などがあることを示している。「生産現場」、「生産ライン」も「業態」というカテゴリに属する語である。

≪ドメイン知識活用支援装置の構成：一般情報データベース≫
図４は、本実施形態に係る一般情報データベース１５０のデータ構成を示す図である。一般情報データベースには、ドメイン固有ではない語が含まれる。一般情報データベース１５０は、例えば表形式のデータであって、１つの行（レコード）は語を示し、語１５１、および品詞１５２を含む。

品詞１５２は、語１５１の品詞であって、例えば、動詞や形容詞などである。品詞１５２には、語１５１によっては、肯定的（＋）か否定的（－）かの属性が付与される。レコード１５９は、「美味しい」という語は、肯定的な形容詞であることを示している。なお、固有名詞については、人、国、組織、車など何の名前なのかを示す属性が付与されてもよい。また、名詞については、動物、体の部位、抽象概念など何の種別かを示す属性が付与されてもよい。

≪ドメイン知識活用支援装置の構成：イメージ変換情報データベース≫
図５は、本実施形態に係る含意のイメージ変換情報データベース１６１のデータ構成図である。図６は、本実施形態に係るカテゴリのイメージ変換情報データベース１６６のデータ構成図である。図７は、本実施形態に係る品詞のイメージ変換情報データベース１７１のデータ構成図である。イメージ変換情報データベース１６０（図１参照）には、含意のイメージ変換情報データベース１６１、カテゴリのイメージ変換情報データベース１６６、および品詞のイメージ変換情報データベース１７１が備わる。

含意のイメージ変換情報データベース１６１は、例えば表形式のデータであって、含意情報データベース１３０（図２参照）の含意１３１に対応する含意１６２に割り当てられた色１６３が記憶される。
カテゴリのイメージ変換情報データベース１６６は、例えば表形式のデータであって、ドメイン別カテゴリ情報データベース１４０（図３参照）のカテゴリ１４２に対応するカテゴリ１６７に割り当てられた色１６８が記憶される。
品詞のイメージ変換情報データベース１７１は、例えば表形式のデータであって、一般情報データベース１５０（図４参照）の品詞１５２に対応する品詞１７２に割り当てられた色１７３が記憶される。

≪ドメイン知識活用支援装置の構成：制御部≫
図１に戻って、制御部１１０はＣＰＵ（Central Processing Unit）から構成され、テキスト分割部１１１、ドメイン判定部１１２、含意抽出部１１３、ドメイン情報抽出部１１４、一般情報抽出部１１５、構造化部１１６、およびイメージ化部１１７を備える。

図８は、本実施形態を説明するために用いるテキスト２１０の例である。テキスト２１０は、２つの段落、２つの文から構成される。テキスト２１０を例に、制御部１１０に備わる各機能部を説明する。
テキスト分割部１１１は、入出力部１８０から入力されたテキストを段落や文に分割する。例えば、テキスト分割部１１１は、入力されたテキスト２１０を２つの文に分割する。

ドメイン判定部１１２は、段落や文のドメイン（業種）を判定する。ドメイン判定部１１２は、文に含まれる語や語間の係り受けなどから文のドメインを判定する。
含意抽出部１１３は、文から含意を抽出する。詳しくは、含意抽出部１１３は、含意情報データベース１３０（図２参照）のレコードであって、文の述語を語１３３に含み、ドメイン判定部１１２が判定した文のドメインをドメイン１３２とするレコードを特定して、当該レコードの含意１３１を抽出する。

ドメイン情報抽出部１１４は、文に含まれる語で、文のドメインに対応するドメイン別カテゴリ情報データベース１４０に記憶されている語を抽出する。一般情報抽出部１１５は、文に含まれる語で、一般情報データベース１５０に記憶されている語（一般語）を抽出する。

図９は、本実施形態に係る含意抽出部１１３、ドメイン情報抽出部１１４、および一般情報抽出部１１５の動作を説明するための図である。文２２０は、テキスト２１０（図８参照）の第１文である。
文２２０の破線の下線が施された語は、含意抽出部１１３が抽出した語である。文２２０の実線の下線が施された語は、ドメイン情報抽出部１１４が抽出した語である。また、文２２０の点線の下線が施された語は、一般情報抽出部１１５が抽出した語である。
破線の下線の下に、含意抽出部１１３が抽出した文の含意を記載している。実線の下線の下に、ドメイン情報抽出部１１４が抽出した語のカテゴリを記載している。

図１に戻って、構造化部１１６は、テキスト２１０を木（木構造データ）に変換する。
図１０は、本実施形態に係る構造化部１１６が生成した木３００である。木３００の根（ルートとなるノード３０１）はテキスト２１０を示す。根の葉（下位ノード）は文であり、木３００では含意抽出部１１３が抽出した文の含意をラベルとするノード３１１，３１２である。テキスト２１０の第１の文２２０がノード３１１に対応し、第２の文がノード３１２に対応する。第１の文２２０の述語は「提供しています」であり、その含意は「影響」となる（図２参照）。以下では、第１の文２２０に対応するノード３１１を根とする木について説明する。

文のノード３１１の下位ノードは、ドメインのノード３２１、および一般のノード３２２である。ドメインのノード３２１の下位は、ノード３１１に対応する文からドメイン情報抽出部１１４が抽出したカテゴリのノード３３１である。カテゴリのノード３３１の下位には、当該カテゴリに対応する語（文に含まれる語）のノード３４１である。一般のノード３２２の下位となるノードは、一般情報抽出部１１５が抽出した語（一般語）のノード３３２である。第２の文のドメインは、第１の文２２０のドメイン（製造業）とは異なっており、カテゴリも異なっている。

図１に戻って、イメージ化部１１７は、テキスト２１０を画像に変換する。
図１１は、本実施形態に係るイメージ化部１１７が生成した画像４００である。画像４００には、テキスト２００の第１の文に対応する領域４１０と、第２の文に対応する領域４５０とが含まれる。また、画像４００には、テキストに含まれる文の含意に対応する矩形４２０，４６０、各文の含まれる語のカテゴリに対応する矩形４３０，４７０、および各文に含まれる一般語の品詞に対応する矩形４４０，４８０が含まれる。文の含意、語のカテゴリ、および一般語の品詞は、矩形の色で表現される。

文の含意に対応する矩形の色については、イメージ化部１１７は、含意のイメージ変換情報データベース１６１（図５参照）を参照して決定する。例えば、「影響」の含意の色は灰であって、図１１では、ドットのパターンで示している。

語のカテゴリに対応する矩形の色については、イメージ化部１１７は、カテゴリのイメージ変換情報データベース１６６（図６参照）を参照して決定する。例えば、「業種」のカテゴリの色は黄緑であって、図１１では、横線のパターンで示している。

一般語の品詞に対応する矩形の色については、イメージ化部１１７は、品詞のイメージ変換情報データベース１７１（図７参照）を参照して決定する。例えば、人に相当する名詞のカテゴリの色はオレンジであって、図１１では、市松模様のパターンで示している。

≪情報抽出処理≫
図１２は、本実施形態に係るドメイン知識活用支援装置１００が実行する情報抽出処理のフローチャートである。
ステップＳ１１においてテキスト分割部１１１は、入出力部１８０から入力されたテキストを文に分割する。

ステップＳ１２においてドメイン判定部１１２は、文に係るドメイン（業種）を判定する。
ステップＳ１３において含意抽出部１１３は、文の述語を抽出し、含意情報データベース１３０（図２参照）を参照して、文の含意を抽出する。次に、ドメイン情報抽出部１１４は、ステップＳ１２で判定されたドメインに対応するドメイン別カテゴリ情報データベース１４０を参照して、文に含まれる語のカテゴリを抽出する。続いて、一般情報抽出部１１５は、一般情報データベース１５０を参照して、文に含まれる語の品詞を抽出する。

ステップＳ１４において構造化部１１６は、テキストを木（図１０参照）に変換して出力する。出力先は入出力部１８０に備わるディスプレイであってもよいし、他の装置に送信してもよい。
ステップＳ１５においてイメージ化部１１７は、テキストを画像（図１１参照）に変換する。出力先は入出力部１８０に備わるディスプレイであってもよいし、他の装置に送信してもよい。

≪情報抽出処理の特徴≫
ドメイン知識活用支援装置１００は、テキストに含まれる文について、ドメインを取得して、含意、語のカテゴリ、および語（一般語）の品詞を抽出する。抽出された情報は、木３００（図１０参照）および画像４００（図１１参照）の形式で出力される。
出力された木や画像には、テキストに含まれる語の情報だけではなく、文のドメインによって決まる文の含意や語のカテゴリ、語の属性（肯定的か否か）が含まれている。同じ述語や語であっても、ドメインによって含意やカテゴリが異なり、木や画像には単に含意やカテゴリ、属性の他に、ドメインによる曖昧性も含まれることになる。これらの情報（テキストの特徴）を利用することで、従来技術に見られる語や語の関係性（語の並び、係り受け）を利用したテキスト検索やテキスト分類、翻訳などに比べて、精度や品質の向上が見込まれる。

≪変形例：木≫
木３００（図１０参照）において、文に対応する含意のノード３１１の下位ノードは、ドメインのノード３２１、および一般のノード３２２である。これに替えて、含意のノード３１１の下位ノードをカテゴリのノード３３１としてもよい。
また、文に含まれる語のノード３４１，３３２をなくした木としてもよい。語をなくすことで、含まれる情報量は減少するが、木が単純化され見やすくなる。

≪変形例：画像≫
イメージ化部１１７が生成する画像４００（図１１参照）は、矩形から構成されているが、楕円や多角形など他の図形であってもよい。また、画像４００に含まれる矩形は、含意やカテゴリ、品詞に対応していて、矩形の数と文や語（含意とカテゴリと品詞）は一致しているが、食い違ってもよい。例えば、同じカテゴリや品詞が多数あれば、他より大きい１つの矩形にまとめてもよい。また、含意とカテゴリと品詞（属性が付与された品詞）とは、色で表現しているが、図１１に示すように模様（パターン）で示してもよいし、色と模様の組み合わせ、その他の形式で示してもよい。
画像において、語に対応する矩形をなくしてもよい。語をなくすことで、含まれる情報量は減少するが、画像が単純化され見やすくなる。

≪変形例：文と文との関係≫
上記した実施形態では、ドメインに応じた文の含意を抽出している。これに加えて、例えば接続詞に注目して、接続関係抽出部が、文と文との関係（順接、逆接、転換などの接続関係）を抽出して、構造化部１１６やイメージ化部１１７が、接続関係を木や画像に含めるようにしてもよい。例えば、木において、テキストに対応するルートのノードとその下位の文に対応するノードとの間に、文と前の文との接続関係を示すノードを設けるようにしてもよい。イメージ変換情報データベース１６０は、接続関係と接続関係に割り当てられた色との関連を記憶する接続関係のイメージ変換情報データベースを備え、画像４００（図１１参照）において、文に対応する矩形に隣接して、文と前の文との関係を示す矩形を配置してもよい。
テキストに含まれる文の情報だけではなく、木や画像には文と文との関係まで含まれており、テキスト検索や分類、翻訳おいてさらなる精度や品質の向上が見込める。

≪その他の変形例≫
本実施形態で例示するドメイン知識活用支援装置１００の構成は、上記した形態に限られず、同様の効果や機能を奏し得る範囲において、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、含意情報データベース１３０やドメイン別カテゴリ情報データベース１４０、一般情報データベース１５０などは、別の装置に記憶され、ドメイン知識活用支援装置１００は、この別の装置にアクセスして情報抽出処理を実行してもよい。

上記した実施形態では、ドメインは業種（産業）としたが、他のドメインであってもよい。例えば、入力されるテキストが技術に関するものであれば、計測、光デバイス、動力機械、熱機器、金属、有機化学、高分子、情報処理、デジタル通信などのドメインであってもよく、入力されるテキストに応じて分類された分野／区分け／類型／ジャンルであってもよい。

以上、本発明のいくつかの実施形態について説明したが、これらの実施形態は、例示に過ぎず、本発明の技術的範囲を限定するものではない。本発明はその他の様々な実施形態を取ることが可能であり、さらに、本発明の要旨を逸脱しない範囲で、省略や置換等種々の変更を行うことができる。これら実施形態やその変形は、本明細書等に記載された発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１００ ドメイン知識活用支援装置
１１１ テキスト分割部
１１２ ドメイン判定部
１１３ 含意抽出部
１１４ ドメイン情報抽出部
１１５ 一般情報抽出部
１１６ 構造化部
１１７ イメージ化部
１２０ 記憶部
１２１ プログラム
１３０ 含意情報データベース
１４０ ドメイン別カテゴリ情報データベース
１５０ 一般情報データベース
１６０ イメージ変換情報データベース
３００ 木（木構造データ）
４００ 画像

Claims (9)

1. テキストを文に分割するテキスト分割部と、
   前記文が係るドメインを判定するドメイン判定部と、
   語と前記ドメインと当該語の含意とを関連付けて記憶する含意情報データベースを参照して、前記文の述語となる語の含意を抽出する含意抽出部と、
   ドメイン別に語と当該語のカテゴリとを関連付けて記憶するドメイン別カテゴリ情報データベースを参照して、前記文から語と当該語のカテゴリとを抽出するドメイン情報抽出部と、
   前記テキストを木に変換する構造化部とを備え、
   前記木は、
   根が、前記テキストに対応し、
   当該根の下位ノードは、当該テキストに含まれる文に対応するとともに、前記含意抽出部が抽出した当該文の含意を示すノードであり、
   当該文の含意を示すノードの下位ノードは、ドメインのノードであり、
   当該ドメインのノードの下位ノードは、前記ドメイン情報抽出部が抽出した当該文に含まれる語のカテゴリを示すノードを含む
   ことを特徴とするドメイン知識活用支援装置。
2. 前記文に含まれる接続詞を参照して、当該文と当該文の前の文との接続関係を抽出する接続関係抽出部をさらに備え、
   前記構造化部は、
   前記木の根と当該根の下位ノードである前記文の含意を示すノードと間に、当該文と当該文の前の文との接続関係を示すノードを加える
   ことを特徴とする請求項１に記載のドメイン知識活用支援装置。
3. 語と当該語の品詞とを関連付けて記憶する一般情報データベースを参照して、前記文から前記一般情報データベースに記憶される語を抽出する一般情報抽出部を備え、
   前記木は、
   前記文の含意を示すノードの下位ノードが、前記ドメインのノードに加えて、一般のノードであり、
   当該一般のノードの下位ノードは、前記一般情報抽出部が抽出した語を示すノードを含む
   ことを特徴とする請求項１に記載のドメイン知識活用支援装置。
4. 前記カテゴリと前記含意との配色を記憶するイメージ変換情報データベースを参照して、前記テキストに含まれる文それぞれについて、前記文の含意を示す色の矩形と、当該矩形の下に横に並んだ、当該文に含まれる語のカテゴリを示す色の矩形とを含む図形を生成し、
   前記テキストに含まれる文それぞれについて生成された前記図形が縦に並んだ画像を生成するイメージ化部を備える
   ことを特徴とする請求項１に記載のドメイン知識活用支援装置。
5. 前記文に含まれる接続詞を参照して、当該文と当該文の前の文との接続関係を抽出する接続関係抽出部をさらに備え、
   前記イメージ変換情報データベースには、前記接続関係の配色が記憶され、
   前記イメージ化部は、
   前記画像のなかに、前記文の含意を示す色の矩形に隣接して、当該文と当該文の前の文との接続関係を示す色の矩形を配置する
   ことを特徴とする請求項４に記載のドメイン知識活用支援装置。
6. 語と当該語の品詞とを関連付けて記憶する一般情報データベースを参照して、前記文から前記一般情報データベースに記憶される語を抽出する一般情報抽出部を備え、
   前記イメージ変換情報データベースには、前記品詞の配色が記憶され、
   前記イメージ化部は、
   前記文それぞれについて生成された図形のなかに、前記文に含まれる語のカテゴリを示す色の矩形の下に横に並んだ、前記一般情報抽出部が抽出した当該文に含まれる語の品詞を示す色の矩形を配置する
   ことを特徴とする請求項４に記載のドメイン知識活用支援装置。
7. 前記一般情報データベースに記憶される品詞にはプラスとマイナスとを含む属性が付与され、
   前記イメージ変換情報データベースには、前記属性が付与された品詞の配色が記憶され、
   前記一般情報抽出部が抽出した前記文に含まれる語の品詞を示す色は、前記属性が付与された品詞の配色の色である
   ことを特徴とする請求項６に記載のドメイン知識活用支援装置。
8. コンピュータを、請求項１～７の何れか１項に記載のドメイン知識活用支援装置として
   機能させるためのプログラム。
9. ドメイン知識活用支援装置のドメイン知識活用支援方法であって、
   前記ドメイン知識活用支援装置は、
   語とドメインと当該語の含意とを関連付けて記憶する含意情報データベース、および、
   ドメイン別に語と当該語のカテゴリとを関連付けて記憶するドメイン別カテゴリ情報データベースが記憶される記憶部を備え、
   テキストを文に分割するステップと、
   前記文が係るドメインを判定するステップと、
   前記文の述語となる語の含意を抽出するステップと、
   前記文から語と当該語のカテゴリとを抽出するステップと、
   前記テキストを木に変換するステップとを実行し、
   前記木は、
   根が、前記テキストに対応し、
   当該根の下位ノードは、当該テキストに含まれる文に対応するとともに、抽出された当該文の含意を示すノードであり、
   当該文の含意を示すノードの下位ノードは、ドメインのノードであり、
   当該ドメインのノードの下位ノードは、抽出された当該文に含まれる語のカテゴリを示すノードを含む
   ことを特徴とするドメイン知識活用支援方法。

Images