WO2006030751A1 - 文書を時系列に配置した文書相関図の作成装置 - Google Patents

文書を時系列に配置した文書相関図の作成装置 Download PDF

Info

Publication number
WO2006030751A1
WO2006030751A1 PCT/JP2005/016785 JP2005016785W WO2006030751A1 WO 2006030751 A1 WO2006030751 A1 WO 2006030751A1 JP 2005016785 W JP2005016785 W JP 2005016785W WO 2006030751 A1 WO2006030751 A1 WO 2006030751A1
Authority
WO
WIPO (PCT)
Prior art keywords
document
cluster
diagram
elements
cutting
Prior art date
Application number
PCT/JP2005/016785
Other languages
English (en)
French (fr)
Inventor
Hiroaki Masuyama
Haru-Tada Sato
Makoto Asada
Kazumi Hasuko
Hideaki Hotta
Original Assignee
Intellectual Property Bank Corp.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Intellectual Property Bank Corp. filed Critical Intellectual Property Bank Corp.
Priority to BRPI0515687-4A priority Critical patent/BRPI0515687A/pt
Priority to RU2007114059/09A priority patent/RU2007114059A/ru
Priority to CA002589531A priority patent/CA2589531A1/en
Priority to JP2006535132A priority patent/JP4171514B2/ja
Priority to US11/662,759 priority patent/US20080294651A1/en
Priority to EP05782121A priority patent/EP1806663A1/en
Publication of WO2006030751A1 publication Critical patent/WO2006030751A1/ja

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/93—Document management systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • G06F16/316—Indexing structures
    • G06F16/322—Trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram

Definitions

  • Document correlation diagram creation device that arranges documents in time series
  • the present invention relates to a technique for automatically creating a document correlation diagram that shows the relationship between documents and reflects the temporal order of documents, and in particular, such a document correlation diagram creation device, creation method, and creation program. About.
  • Patent documents, technical documents, and other documents are newly created every day, and the number is enormous.
  • Patent Document 1 discloses a method for associating documents ordered in time series. Specifically, the similarity between documents is calculated based on the degree of coincidence of words between documents, and a similarity matrix is created from the similarity using time constraints. This similarity matrix is converted into an adjacency matrix in which the matrix elements having a similarity equal to or greater than a predetermined threshold are 1 and the rest are 0. Based on this adjacency matrix, a directed graph, which is a related figure of the document, is created.
  • Patent Document 1 Japanese Patent Laid-Open No. 11 53387 “Document Association Method and System” Disclosure of the Invention
  • Patent Document 1 a shift accumulates as the user sequentially goes from a certain document to a similar document and then to the similar document. You might end up with a completely different document. In addition, multiple flows from a document may eventually end up in a single document, and the meaning of branching may become unclear. Therefore, the technique described in the above Japanese Patent Laid-Open No. 11-53387 (Patent Document 1) has a problem that time development in each field cannot be expressed appropriately.
  • An object of the present invention is to create a document correlation diagram that can appropriately represent the temporal development of each field. It is providing a production apparatus, a production method, and a production program.
  • the document correlation diagram creation apparatus of the present invention extracts the content data and time data of a document element composed of one or a plurality of documents by extracting them into a plurality of document elements.
  • a warp diagram creating means for creating a warp diagram showing the correlation of the plurality of document elements based on the content data of each document element, and cutting the warp diagram based on a predetermined rule to form a cluster Clustering means for extracting, and intra-cluster arrangement means for determining the arrangement of the document element group belonging to each cluster in the cluster based on the time data of each document element.
  • the predetermined rule that the clustering means cuts the saddle diagram is derived by an association rule analysis.
  • cutting rules derived by association rule analysis cutting rules applicable to various saddle diagrams (high versatility) can be used, and cutting with ideal cutting values is realized with high probability. can do.
  • by increasing the number of examples in the teacher chart it is possible to easily improve the accuracy of the cutting rules.
  • the predetermined rule is derived based on a shape parameter of the saddle diagram.
  • the cutting position can be determined by reading the shape parameters of the analysis target diagram and applying the association rules to the shape parameters, the cutting position can be determined with a small amount of calculation.
  • the number of times of cutting the cage diagram may be only once (fixed BC method; described later), and the parent rule is derived again based on the shape parameters of the parent cluster obtained by one cutting.
  • the progeny cluster may be extracted by cutting the data (variable BC method; described later). According to the variable BC method, even if a parent cluster with a large number of elements is generated, it can be further separated into descendant clusters.
  • the predetermined rule is derived based on the number of vector dimensions of a plurality of document elements combined at each node of the cage diagram. Also good.
  • a more appropriate branch can be obtained by adopting a cutting rule derived by taking into account the number of vector dimensions.
  • the number of vector dimensions of the plurality of document elements excludes the number of vector component dimensions in which the deviation between the document elements is smaller than the value determined by a predetermined method from the number of dimensions of the vector sum of the plurality of document elements.
  • the number of dimensions is desirable. This makes it possible to use more appropriate cutting rules.
  • the clustering means determines, for each node, whether or not the number of vector dimensions of a plurality of document elements combined at each node is greater than or equal to a certain value. In addition, it is desirable to individually disconnect nodes that are equal to or greater than the predetermined value based on the determination result. A more appropriate branch can be obtained by determining the disconnection criterion for each node and disconnecting each node individually based on the determination result.
  • the clustering unit cuts the cage diagram to extract a parent cluster, and based on content data of each document element belonging to the parent cluster, the clustering unit extracts the parent cluster. It is desirable to create a partial chart showing the correlation of document element groups belonging to the cluster, and extract the descendant clusters by cutting the created partial chart based on a predetermined rule.
  • the misclassification of the child cluster can be improved and an appropriate classification can be obtained.
  • the clustering means determines a deviation between a plurality of document elements belonging to the parent cluster by a predetermined method in order to create the partial map diagram. Eliminate vector components that take values less than each document element vector force Is desirable.
  • the child cluster is extracted from a point of view different from that of the parent cluster by removing the vector component having a small deviation between the document elements belonging to each parent cluster. Can be obtained.
  • the vector component of the document element is, for example, an entire document IDF weighting TF value (TF * IDF (P) value; described later) for each index word in the document. Whether the deviation is small! / ⁇ is determined by, for example, calculating the TF * ID F (P) value of each index word for all document elements belonging to the parent cluster, and The ratio of the standard deviation to the average of these can depend on whether the force falls within a predetermined range.
  • the saddle diagram creating means creates the saddle diagram so that the coupling height between document elements reflects the degree of similarity between document elements
  • the clustering means preferably extracts the cluster by cutting at two or more predetermined heights in the saddle diagram.
  • connection structure after cutting it is desirable to determine the branch structure based on the number of branch lines cut at each cutting position.
  • the saddle diagram creation means creates the saddle diagram so that the coupling height between the document elements reflects the degree of similarity between the document elements.
  • the clustering means extracts the cluster by cutting at a cutting position based on a function including any one or both of the combined height average value and the deviation of the document element group belonging to the block diagram as a variable. Hope to do.
  • cutting is performed based on a function that includes either or both of the bond height average value and deviation as variables, it can be used in a wide variety of shapes, and does not require complicated calculations. An appropriate branch can be easily obtained.
  • a function that includes one or both of the combined height average value and deviation as a variable is a function that includes both an average value and deviation as a variable, which is preferably a function that includes at least the average value as a variable. It is more preferable. For example, it is preferable that ⁇ d> + ⁇ (where ⁇ 3 ⁇ 3) using the average value d> of the coupling height d and the standard deviation ⁇ . D d
  • the average deviation is not limited to the difference ⁇ .
  • the saddle diagram creation means creates the saddle diagram so that the connection height between the document elements reflects the degree of similarity between the document elements.
  • the clustering means cuts the parent cluster by cutting the parent figure at a cutting position based on a function that includes either or both of the combined height average value and the deviation of the document element group belonging to the hook diagram as variables. Extracting the descendant cluster by cutting the parent cluster at the cutting position based on the function including either or both of the combined height average value and the deviation of the document element group belonging to the parent cluster as a variable. Is desirable.
  • the parent cluster is extracted based on a function that includes one or both of the combined height average value and the deviation of the document elements belonging to the cage diagram as variables, and the child cluster is extracted to each parent cluster. Since it is based on a function that includes one or both of the combined height average and deviation of document elements as variables, an appropriate parent-child cluster can be obtained even if the number of elements is large (eg, N> 20). . In addition, since cluster extraction is performed based on a function that includes either or both of the combined height average value and deviation of document element groups as variables, the similarity of document element groups belonging to a diagram is high. A wide variety of saddle-shaped shapes can be supported, and appropriate parent-child clusters can be obtained.
  • a function that includes one or both of the combined height average value and deviation as a variable is a function that includes both an average value and deviation as a variable, which is preferably a function that includes at least the average value as a variable. It is more preferable. For example, it is preferable that ⁇ d> + ⁇ (where ⁇ 3 ⁇ 3) using the average value d> of the coupling height d and the standard deviation ⁇ . Na As a function that includes the deviation of the coupling height d as a variable and does not include the average value ⁇ d> of the coupling height d as a variable, for example, the standard deviation ⁇ of the coupling height d and the midpoint distance m ( (See below)
  • Deviation is standard deviation.
  • the average deviation is not limited to the difference ⁇ .
  • the data of the applicant of a patent document is used as the content data used for distinction display. In this way, it is possible to know how a group of patent documents by an applicant is positioned in relation to other companies.
  • the intra-cluster arrangement unit is configured to display the combined document elements in a cage diagram composed of document element groups belonging to the cluster. Which is older is compared in order from the lowest node, and the document element determined to be older V in the lower node is compared to the highest node as the comparison target in the upper node. The oldest element determined as a result of the comparison at the highest node is placed at the beginning of the cluster, and from the oldest element, the number of document elements directly compared with the oldest element is placed. It is desirable to create a branch and connect these compared document elements to each branch and determine the sequence.
  • the opponent of the oldest element is compared with other document elements in a lower node, the opponent of the oldest element is It is desirable to repeat the same process as the oldest element in each branch.
  • the intra-cluster arrangement means extracts one or more oldest elements in the cluster and arranges them at the head, and removes the oldest elements. For the remaining document elements, a time-ordered array is formed for each classification that defines these document elements, and among the time-ordered arrays, a time-ordered array in which the document element of the same classification exists as the oldest element. Is connected to the oldest element of the same classification, and among the time-ordered arrays, the time-ordered array in which the document element of the same classification does not exist as the oldest element is the oldest of the time-ordered arrays. It is desirable to select the document element having the highest degree of similarity with the element from the cluster and connect it to the document element having the highest degree of similarity to determine the arrangement in the cluster.
  • the same time element can be processed by determining the intra-cluster arrangement in consideration of the classification information.
  • Each of the document correlation diagram creation devices described above further includes a time slice classification unit and a connection unit between time slices, and the time slice classification unit includes the plurality of document elements.
  • the hierarchical diagram creating means creates a hierarchical diagram showing the correlation of document element groups belonging to each time slice, and the clustering means It is desirable that the slice diagram is cut based on a predetermined rule to extract clusters, and the inter-slice connection means connects the clusters belonging to different time slices. In this way, by performing the time slice separation first, it is possible to represent the relationship of contemporary documents between different classifications, and also to represent the relationship of documents in the same field in different periods.
  • connection between clusters by the above-mentioned means for connecting between slices is calculated by calculating the similarity between clusters based on the distance between groups, the distance between elements of the oldest element and the shortest distance element in the time front group, and the like. It is desirable to connect the clusters.
  • connection between clusters by the time slice connection means described above is performed between elements belonging to both connected clusters (between the oldest element in the time rear group and the latest element in the time front group, or the last element in the time rear group. It is desirable that the connection be made between the old element and the shortest distance element of the time front group.
  • extraction means for extracting content data and time data of a document element composed of one or a plurality of documents for a plurality of document elements, and the plurality of documents.
  • a time slice classification means for classifying elements into a plurality of time slices based on the time data of each document element, and clusters of each time slice force are also extracted based on content data of each document element belonging to each time slice.
  • Clustering means for connecting, and inter-slice connecting means for connecting clusters belonging to different time slices.
  • time slice by first segmenting by time slice, it is possible to represent the relationship of contemporary documents between different classifications, and also to represent the relationship of documents of the same field in different time periods.
  • the cluster extraction by the clustering means is preferably performed by the method of cutting the chart, but it is not limited to this, and the cluster extraction using a known k-average method or the like may be used.
  • the arrangement of document elements in each cluster may be performed based on the time data of the document elements, or may be simply arranged in parallel, for example, without being based on the time data.
  • the connection between clusters by the time slice connection means is similar to the degree of similarity between clusters. It is desirable to connect the clusters by calculating the distance between groups, the distance between elements of the oldest element and the shortest distance element of the time front group, and the like.
  • connection between clusters by the time slice connection means described above is performed between elements belonging to both connected clusters (between the oldest element in the time rear group and the latest element in the time front group, or the last element in the time rear group. It is desirable that the connection be made between the old element and the shortest distance element of the time front group.
  • the present invention also causes a computer to execute a document correlation diagram creation method including the same steps as the method executed by each of the above apparatuses, and the same process as the process executed by each of the above apparatuses.
  • This is a document correlation diagram creation program.
  • This program may be recorded on a recording medium such as an FD, CDROM, or DVD, or sent and received over a network.
  • FIG. 1 is a diagram showing a hardware configuration of a document correlation diagram creating apparatus according to an embodiment of the present invention.
  • FIG. 2 is a diagram for explaining in detail the configuration and functions of the document correlation diagram creation device described above, in particular, the processing device 1 and the recording device 3.
  • FIG. 3 is a flowchart showing the operation procedure of processing device 1 in the document correlation diagram creation device.
  • FIG. 5 is a flowchart for explaining a cluster extraction process in the first embodiment.
  • FIG. 6 is a diagram showing a saddle diagram arrangement example in the cluster extraction process in the first embodiment.
  • FIG. 7 is a diagram showing a specific example of a document correlation diagram generated by the method of the first embodiment.
  • FIG. 8 Flow chart explaining the cluster extraction process in Example 2 (Codimension descent method; CR method), 9] A diagram showing an example of the arrangement of saddle diagrams in the cluster extraction process in the second embodiment.
  • FIG. 11 is a flowchart explaining the cluster extraction process in Example 3 (cell division method; CD method).
  • FIG. 14 is a diagram showing another specific example of the document correlation diagram generated by the method of the third embodiment.
  • FIG. 15 is a flowchart for explaining a cluster extraction process in Example 4 (stepwise cutting method; SC method).
  • FIG. 16 is a diagram showing a saddle diagram arrangement example in the cluster extraction process in the fourth embodiment.
  • FIG. 20 is a diagram showing a part of a saddle diagram arrangement example in the cluster extraction process in the fifth embodiment.
  • FIG. 26 is a diagram showing a specific example (3000 documents) of the document correlation diagram generated by the method according to the second modification of the fifth embodiment.
  • ⁇ 27 A diagram showing a concrete example (300 documents) of the document correlation diagram generated by the method of the second modification of the fifth embodiment.
  • FIG. 28 is a diagram showing a part of another display example in the document correlation diagram of FIG.
  • FIG. 29 is a view showing a part of still another display example in the document correlation diagram of FIG. 26.
  • FIG. 30 is a flow chart illustrating an intra-cluster arrangement process in Example 6 (—main fishing arrangement; PLA).
  • FIG. 31 is a diagram showing a saddle diagram arrangement example in the intra-cluster arrangement process in the sixth embodiment.
  • FIG. 32 is a flowchart for explaining the intra-cluster arrangement process in Example 7 (group time order; GTO).
  • FIG. 33 is a diagram showing a part of a saddle diagram arrangement example in an intra-cluster arrangement process in Example 7.
  • FIG. 34 is a diagram for explaining in more detail the configuration and functions of the document correlation diagram creation device of Example 8 (time cross-sectional analysis; TSA).
  • FIG. 35 is a flowchart for explaining a document correlation diagram creation process in the eighth embodiment.
  • FIG. 36 is a diagram showing a saddle diagram arrangement example in the document correlation diagram creation process in the eighth embodiment.
  • FIG. 37 is a diagram showing a first specific example of a document correlation diagram generated by the method of Embodiment 8 and a generation process thereof.
  • FIG. 38 is a diagram showing a second specific example of a document correlation diagram generated by the method of Embodiment 8 and the generation process thereof.
  • FIG. 39 is a diagram showing a third specific example of a document correlation diagram generated by the method of Embodiment 8 and a generation process thereof.
  • FIG. 40 is a diagram showing a fourth specific example of a document correlation diagram generated by the method of Embodiment 8 and the generation process thereof.
  • E Document element
  • oc Cutting height
  • c Node (node)
  • n Slice number
  • G Group Best mode for carrying out the invention
  • Document element E or E to E constitutes a document group to be analyzed, and analyzes according to the present invention
  • Each document element has one or more document capabilities.
  • a document element group refers to a plurality of document elements.
  • Similarity The similarity or dissimilarity between the document element and document element to be compared, the document element and document element group, or the document element group and document element group.
  • Saddle diagram A diagram in which each document element constituting the document group to be analyzed is connected in a saddle shape.
  • Dendrogram A plot generated by hierarchical cluster analysis. The creation principle will be briefly explained. First, based on the dissimilarity (similarity) between the document elements that make up the analysis target document group, the document elements with the lowest dissimilarity (maximum similarity) To form a conjugate. Furthermore, the combined object and other document elements, or the combined object and the combined object are combined in order of decreasing dissimilarity to generate a new combined object. Thus, it is expressed as a hierarchical structure.
  • Index word A word cut out from all or part of a document. Extracting meaningful parts of speech, excluding particles and conjunctions, using traditionally known methods that have no particular restrictions on how to extract words, or, for example, commercially available morphological analysis software for Japanese documents Alternatively, the index word dictionary (thesaurus) database may be stored in advance and index words obtained from the database may be used.
  • the index word dictionary thesaurus
  • d Height of the coupling position (coupling distance) between the document element and document element, the document element group and document element group, or the document element and document element group in the chart.
  • N Number of document elements to be analyzed.
  • Document element time data For example, in the case of patent documents, the date of filing, the date of publication, the date of registered registration, the date of claiming priority, etc. can be used. If the application number, publication number, etc. of patent documents follow the order of application, order of publication, etc., these application numbers, publication numbers, etc. can be used as time data. If the document element consists of multiple documents, the average value, median value, etc. of the time data of each document making up the document element is obtained and used as the time data of the document element.
  • DF (P) Document frequency in the entire document P that is the population based on the index word of document element E (Document Frequency) 0 Document frequency is a hit document when searching from multiple documents with a certain index word. Numbers. For the whole document P, which is the population, for example, approximately 4 million published patent publications or registered utility model publications issued in Japan over the past 10 years are used for the analysis of patent documents.
  • TF * IDF (P) The product of TF (E) and the logarithm of the reciprocal of ⁇ DF (P) X the total number of documents ⁇ . Calculated for each index word in the document. When document element E consists of multiple documents, it is equivalent to GF (E) * IDF (P).
  • GFIDF (E) GF (E) / DF (E) when document element E has multiple document capabilities. Calculated for each index word in the document.
  • FIG. 1 is a diagram showing a hardware configuration of a document correlation diagram creating apparatus according to an embodiment of the present invention.
  • the document correlation diagram creation device of the present embodiment includes a processing device 1 composed of a CPU (central processing unit) and a memory (recording device), and input means such as a keyboard (manual input device).
  • An input device 2 a recording device 3 which is a recording means for storing document data, conditions, work results by the processing device 1, and an output device 4 which is an output means for displaying or printing the created document correlation diagram Consists of
  • FIG. 2 is a diagram for explaining in detail the configuration and function of the above-described document correlation diagram creation device, particularly the processing device 1 and the recording device 3.
  • the processing apparatus 1 includes a document reading unit 10, a time data extracting unit 20, an index word data extracting unit 30, a similarity calculation unit 40, a saddle diagram creating unit 50, a cutting condition reading unit 60, a cluster extracting unit 70, and an arrangement.
  • a condition reading unit 80 and an in-cluster element arrangement unit 90 are provided.
  • the recording device 3 includes a condition recording unit 310, a work result storage unit 320, a document storage unit 330, and the like.
  • the document storage unit 330 includes an external database and an internal database.
  • An external database means, for example, a document digital database such as IPDL of a patent digital library serviced by the Japan Patent Office or PATOLIS serviced by Patrice Co., Ltd.!
  • the internal database is a database that stores data such as patent JP-ROM that is sold on its own, FD (flexible disk), CD (compact disk) ROM, MO (magneto-optical disk), DVD that stores documents.
  • Media power reading device digital video disc
  • OCR optical information reading device
  • USB Universal System Bus
  • a communication means for exchanging signals and data among the processing device 1, the input device 2, the recording device 3, and the output device 4 a USB (Universal System Bus) cable or the like is used. It may be connected directly, may be transmitted / received via a network such as a LAN (local area network), or may be via a medium such as FD, CDROM, MO, or DVD that stores documents. Alternatively, some or a combination of these may be used.
  • the document reading unit 10 reads a plurality of document elements to be analyzed from the document storage unit 330 of the recording device 3 according to the reading conditions input by the input device 2.
  • the read data of the document element group is directly sent to the time data extraction unit 20 and the index word data extraction unit 30 and used for each processing, or sent to the work result storage unit 320 of the recording device 3. Stored.
  • the data sent from the document reading unit 10 to the time data extraction unit 20 and the index word data extraction unit 30 or the work result storage unit 320 includes all data including time data and content data of the read document element group. It may be data. Further, only bibliographic data (for example, an application number or a publication number in the case of patent documents) specifying each of these document element groups may be used. In the latter case, the data of each document element can be read again from the document storage unit 330 based on the bibliographic data when necessary in the subsequent processing.
  • the time data extraction unit 20 extracts time data of each element from the document element group read by the document reading unit 10.
  • the extracted time data is directly sent to the intra-cluster element placement unit 90 and used for processing there, or sent to the work result storage unit 320 of the recording device 3 and stored therein.
  • the index word data extraction unit 30 extracts index word data, which is content data of each document element, from the document element group read by the document reading unit 10.
  • the index word data extracted from each document element is directly sent to the similarity calculation unit 40 and used for processing there, or sent to the work result storage unit 320 of the recording device 3 and stored therein.
  • the similarity calculation unit 40 calculates the similarity (or dissimilarity) between document elements based on the index word data of each document element extracted by the index word data extraction unit 30. This similarity calculation is based on the conditions input from the input device 2 and is used to calculate the similarity. The module is called from the condition recording unit 310 and executed. The calculated similarity is sent directly to the cage diagram creation unit 50 and used for processing there, or sent to the work result storage unit 320 of the recording apparatus 3 and stored therein.
  • the saddle diagram creating unit 50 is based on the similarity calculated by the similarity calculating unit 40 in accordance with the saddle diagram creating condition input by the input device 2, and the saddle diagram of the document element group to be analyzed Create.
  • the created saddle diagram is sent to and stored in the work result storage unit 320 of the recording device 3.
  • the storage format of the chart is, for example, the coordinate value of each document element placed on the two-dimensional coordinate plane and the coordinate value data of the start and end points of each connecting line connecting them, or the combination of the document elements It can take the form of data indicating the location of combinations and combinations.
  • the cutting condition reading unit 60 reads the saddle diagram cutting condition input by the input device 2 and recorded in the condition recording unit 310 of the recording device 3. The read cutting condition is sent to the cluster extraction unit 70.
  • the cluster extraction unit 70 reads the cage diagram created by the cage diagram creation unit 50 from the work result storage unit 320 of the recording device 3, and the cutting condition read by the cutting condition reading unit 60. Based on the above, the saddle diagram is cut and a cluster is extracted. Data regarding the extracted cluster is sent to and stored in the work result storage unit 320 of the recording device 3.
  • the cluster data includes, for example, information for specifying document elements belonging to each cluster and connection information between the clusters.
  • the arrangement condition reading unit 80 reads the document element arrangement conditions in the cluster that are input by the input device 2 and recorded in the condition recording unit 310 of the recording device 3. The read arrangement condition is sent to the element arrangement unit 90 in the cluster.
  • the intra-cluster element arrangement unit 90 reads the cluster data extracted by the cluster extraction unit 70 from the work result storage unit 320 of the recording device 3, and the document element read by the arrangement condition reading unit 80. Based on the placement conditions, the placement of document elements in each cluster is determined. By determining the arrangement within the cluster, the document correlation diagram of the present invention is completed. This document correlation diagram is sent to and stored in the work result storage unit 320 of the recording device 3, and is output by the output device 4 as necessary.
  • the condition recording unit 310 records information such as conditions obtained from the input device 2, and sends necessary data based on a request from the processing device 1.
  • the work result storage unit 320 stores the work result of each component in the processing device 1 and sends necessary data based on the request of the processing device 1.
  • the document storage unit 330 stores and provides necessary document data obtained from the external database or the internal database based on the request of the input device 2 or the processing device 1.
  • the output device 4 in FIG. 2 outputs the document correlation diagram created by the intra-cluster element placement unit 90 of the processing device 1 and stored in the work result storage unit 320 of the recording device 3.
  • Examples of the output form include display on a display device, printing on a print medium such as paper, or transmission to a computer device on a network via a communication unit.
  • FIG. 3 is a flowchart showing the operation procedure of the processing apparatus 1 in the document correlation diagram creation apparatus.
  • the document reading unit 10 reads a plurality of document elements to be analyzed from the document storage unit 330 of the recording device 3 in accordance with the reading conditions input by the input device 2 (step S10).
  • the document element group to be analyzed may be, for example, a document group selected in descending order of similarity (ascending order of dissimilarity) with a patent document among all patent documents, or a specific keyword (international patent)
  • a group of documents selected by a search in accordance with a certain theme such as classification, technical term, applicant, inventor, etc., or may be selected by other methods.
  • the time data extraction unit 20 extracts time data of each element from the document element group read in the document reading step S10 (step S20).
  • the index word data extraction unit 30 extracts index word data, which is the content data of each document element, from the document element group read in the document reading step S10 (step S30).
  • the index word data of each document element is, for example, the number of occurrences in the document element for each index word from which the document element E force is also extracted (index word frequency TF (E). If each element E also has multiple document capabilities, it can be expressed as a multidimensional vector whose component is the function value of the global frequency GF (E)).
  • the content data of document elements is not limited to index word data, but data such as the International Patent Classification (IPC), applicants, and inventors can also be used.
  • the similarity calculation unit 40 calculates the similarity (or dissimilarity) between the document elements based on the index word data of each document element extracted in the index word data extraction step S30 ( Step S40).
  • the index word frequency TF (E) in document element E the index word frequency TF (E) in document element E, the whole document P (the number of documents in all documents P)
  • TF * IDF (P) is calculated for each index word of each document, and a vector representation of each document element is calculated. The result is as follows for document element vectors E and E:
  • the similarity (or dissimilarity) between 1 2 1 and E is obtained.
  • the cosine (similarity) between vectors is The larger the value, the higher the degree of similarity.
  • each document element E when the document element E is composed of one document (micro element), it is preferable to use, for example, the index word TF * IDF (P). If each document element E has multiple document capabilities (macro elements), for example, GFIDF (E) or GF (E) * IDF (P) is used as the component of the document group vector that represents each document element. It is preferable to use it. Moreover, it is good also as a component of a document element vector using other parameters
  • the similarity may be defined not only by the vector space method but also by using other methods.
  • the document to be analyzed is based on the similarity calculated in the similarity calculation step S40 in the saddle diagram creation unit 50 in accordance with the saddle diagram creation conditions input by the input device 2.
  • Create a chart of element groups (step S50). It is desirable to create a dendrogram that reflects the dissimilarity (or similarity) between document elements in the height of the coupling position (coupling distance).
  • a specific method for creating a dendrogram a known Ward method or the like is used.
  • step S60 the cutting diagram cutting condition input by the input device 2 and recorded in the condition recording unit 310 of the recording device 3 is read.
  • step S70 the hook diagram created in the hook diagram creating step S50 is cut to extract clusters.
  • step S80 the document element arrangement conditions in the cluster that are input by the input device 2 and recorded in the condition recording unit 310 of the recording device 3 are read.
  • the arrangement of the document elements in the cluster extracted in the cluster extraction step S70 is determined based on the document element arrangement conditions read in the arrangement condition reading step S80. (Step S90).
  • the document correlation diagram of the present invention is completed.
  • the placement conditions are common to all clusters. Good. Therefore, once step S80 is executed for a cluster, it is not necessary to execute it again for another cluster.
  • Examples 1 to 5 relating to the process of cutting the cage diagram and extracting clusters (mainly corresponding to step S70 in FIG. 3) will be described, followed by the process of determining the arrangement based on time data (mainly the step in FIG. 3).
  • Examples 6 to 8 relating to S90 and the like will be described.
  • Examples 1 to 5 relating to the cluster extraction process and Examples 6 to 8 relating to the time arrangement process can be arbitrarily combined with each other.
  • Example 1 (balance cutting method; BC method)> In the Balance Cutting Method, an associative rule is used to determine the cutting position of the saddle diagram.
  • a number of pre-existing teacher charts (saddle charts with known ideal cutting positions for providing a document correlation diagram arranged based on time data) are analyzed in advance, and a rule that selects the ideal cutting position as much as possible ( (Association rules) are obtained as conditional expressions for various chart parameters. This analysis is called linkage rule analysis.
  • the associative rules found in this way are applied to the analysis chart and the cutting position is determined.
  • P (A) and P (B) be the probabilities that two events A and B will occur independently. If event B (consequence event) occurs after event A (premise event) occurs, the probability (conditional probability) is written as P (BIA), and P (A) is the “premise probability”, P ( B) is called “prior probability” and P (B
  • association rule A A set of two events selected according to the following criteria (1) to (3) is called “association rule” A ⁇ B, and if “event A occurs (with a probability greater than a certain value) It means the regularity that “Event B occurs”.
  • High probability means taking a value equal to or greater than a certain threshold.
  • the threshold for the posterior probability P is called “confidence” and is set to about 60 to 70%, for example.
  • the algorithm for calculating the association rule is a known force. When this is applied to the derivation of the association rule for determining the cutting diagram cutting position in the present invention, the following 4 1 2. 4 -1-See 3 above.
  • FIG. 4 is an explanatory diagram of parameters used in the association rule analysis performed in the first embodiment.
  • To derive the association rules first read the parameters of the teacher chart. For example, the following parameters are read from the geometric shape of the teacher figure.
  • the association rules are applied to the analysis chart When doing this, it is necessary to read the same parameters for the analysis target diagram.
  • Midpoint distance m The height of the two-body bond (initial bond) is h,
  • Ah h ⁇ h.
  • subscript i is the join level (first i i i (i-1)
  • the number is obtained by adding 1 to each step when the period coupling is 0. Ah Zh ⁇ 1 or ⁇
  • Foundation ⁇ h> Average value of height h of two-body bond. That is, the two-body bond is
  • Cluster area s (not shown): Sum of initial coupling heights of all elements
  • a function including one or both of the average value and the deviation of the coupling height d as a variable may be used. it can.
  • the bond height average value ⁇ d> can be used, and instead of the base ⁇ h>, the bond height average value ⁇ d> and the standard deviation ⁇
  • ⁇ D> — ⁇ or d> —2 ⁇ can be used with 0 d. Also, the cutting height candidate and d d
  • cluster area sZ-shaped area S is the cluster density, “base h> Z midpoint distance m”
  • the reason for crossing the s / S condition with the ⁇ h> / m condition is to avoid misjudgment.
  • conditional bifurcation Since the number of hits is as small as five, re-analyze 16 cases with m ⁇ 0.9 with different conditional branches. Since the purpose of reanalysis is to derive a conditional expression for low density or low density, we consider conditional bifurcation by height and density.
  • the “midpoint distance mZ final bond height H” is defined as the high-rise, and it is divided into mZH ⁇ 0.55 (high-rise type) and mZH-0.55 (lower cluster type).
  • the cluster density sZS and the base ratio ⁇ h> Zm are high according to the above equation 1.
  • the probability of the optimal solution is compared before (28 cases) and after (16 cases) with the condition m ⁇ 0.9.
  • the probability of the optimal solution is compared before and after narrowing down under the condition m ⁇ 0.9 depending on the cluster density sZS.
  • An expression can be derived.
  • A F (m / H, 0.4; F ( ⁇ h> / m, 0.4; ⁇ , a), F (s / S, 0.4; a, a ⁇ ⁇ 0 0 1 0 0
  • ⁇ (X) is a function that returns 1 when the proposition X is true and 0 otherwise. That is, F (X, y; y, z) is a function that returns y when X and y, and z when x ⁇ y.
  • association rules derived in this way are stored in the condition recording unit 310 of the recording device 3 in accordance with the input from the input device 2 or the like. Since this association rule depends on the teacher diagram, for example, if the teacher diagram is updated according to the number of elements in the analysis target diagram and the association rule analysis is performed again, a different association rule can be derived. .
  • FIG. 5 is a flowchart for explaining a cluster extraction process in the first embodiment (balance cutting method; BC method). This flowchart shows the procedure of the first embodiment in more detail than FIG. Steps similar to those in FIG. 3 may be added to the step numbers in FIG. 3 with the last two digits being the same step numbers as in FIG.
  • FIG. 6 is a diagram showing a saddle diagram arrangement example in the cluster extraction process in the first embodiment, and supplements FIG. E to E represent document elements. For convenience, small subscripts are used here.
  • the document reading unit 10 of the processing device 1 reads a plurality of document elements to be analyzed from the document storage unit 330 of the recording device 3 (step S 110).
  • time data extraction unit 20 of the processing device 1 extracts time data from each document element of the document group to be analyzed (step S 120).
  • the index word data extraction unit 30 of the processing device 1 extracts index word data from each document element of the document group to be analyzed (step S 130). At this time, as described later, since the index word data of the oldest element (oldest document element) E in the document group is unnecessary, step S Based on the time data extracted at 120, it is preferable to extract only index word data other than the oldest element.
  • the similarity calculation unit 40 of the processing device 1 calculates the similarity between the document elements (step S140). At this time, only the similarity between the elements other than the oldest element is calculated as described above.
  • the warp diagram creation unit 50 of the processing device 1 creates a warp diagram that also includes each document element force of the document group to be analyzed (step S150: FIG. 6A). At this time, the oldest element E is placed at the top of the cage diagram regardless of the similarity with other elements.
  • the cutting condition reading unit 60 of the processing apparatus 1 reads the cutting condition (step S160).
  • the parameters reading conditions of the saddle diagram and the association rules derived by the above association rule analysis are read out.
  • the cluster extraction unit 70 performs cluster extraction.
  • the parameters of the chart are read in accordance with the read parameter reading conditions (step S171).
  • the association rule read out above is applied to this parameter to determine the cutting height a of the saddle diagram (step S 172: FIG. 6B).
  • the saddle diagram is cut and a cluster is extracted (step S173).
  • the first element E force branch lines are created for the number of clusters extracted here (see Fig. 6 (C)).
  • step S174 the number of document elements in each cluster is counted. For clusters with more than three document elements, exclude the oldest element E of the relevant cluster and place it at the beginning of the relevant cluster, and create a partial chart with the remaining cluster elements E to E (step SI 75: Figure 6 (
  • the partial map created at this time has almost the same structure as the part corresponding to the cluster in the map created first in step S150, except that the oldest element E of the cluster is excluded. . However, since the oldest element E of the cluster is excluded, the distance between element groups in the cluster changes. Therefore, the remaining intra-cluster elements E through E
  • the structure may be slightly different from the cage diagram created in step S150.
  • the distance between centroids or the average of all distances as the distance between document elements and document elements (dissimilarity) or the distance between document elements and document elements (dissimilarity) Is used to create a saddle diagram, the distance between elements E and E and element E in Fig. 6 (B)
  • step S171 For the cluster in which the partial hook diagram is created, the process returns to step S171, the parameters of the partial hook figure are read, and the cutting height a is determined in step S172 (Fig. 6 (D)).
  • the cutting height ⁇ changes even when the same association rule is applied. Cutting at the new cutting height is executed in step S173 to extract descendant clusters. It should be noted that it is preferable to use another association rule as the association rule applied to the partial chart, rather than reusing the association rule applied to the first chart.
  • Such an association rule is preferably derived by performing an association rule analysis based on a teacher diagram having the same number of elements as the number of document elements included in the (partial) sigma diagram to be applied. .
  • the in-cluster element arrangement unit 90 determines whether each of the in-cluster element arrangement units 90 is Based on the time data of the document element, the arrangement of the document element group in the cluster is determined (step S 190: Fig. 6 (E)).
  • the arrangement conditions in this case are preferably arranged in a line in the oldest order based on, for example, time data, but other arrangement conditions such as arrangements in Examples 6 to 8 described later may be used.
  • FIG. 7 is a diagram showing a specific example of the document correlation diagram generated by the method of the first embodiment.
  • Each of the 17 Japanese patent applications related to sake extracted by word search was analyzed as document elements, and the patent application number and the name of the invention were entered for each document element in the document correlation diagram.
  • all the clusters with a single cut resulted in the number of cases below the threshold (3), so the variable BC method and the fixed BC method yielded the same output results.
  • Example 1 by performing cluster extraction by cutting the cage diagram and determining the intra-cluster arrangement based on the time data, it is possible to create a cage diagram that appropriately represents the temporal development of each field. .
  • the cutting rules of the saddle diagram are derived by the association rule analysis, it is possible to use cutting rules (high versatility) that can be applied to various saddle diagrams. It can be realized with high probability.
  • cutting rules high versatility
  • association rule is derived based on the shape parameter of the teacher chart, it is possible to use a highly reliable cutting rule that can determine an appropriate cutting position in accordance with the shape of the hook chart.
  • the cutting position can be determined by reading the shape parameters of the analysis target diagram and applying the association rules to this, it is possible to determine the cutting position with a small amount of calculation / computation.
  • Example 1 balanced cutting method; BC method
  • an association rule is used to determine the cutting position of the saddle diagram.
  • the geometric shape force of the saddle diagram was used, and the connection height between elements was used as the cutting position.
  • the index word dimension indicating the difference between the document element vectors. Use to determine the cutting position.
  • association rule analysis Since the basic description of the association rule analysis has already been given in the first embodiment, a description thereof will be omitted. First, the parameters used in the association rule analysis of the second embodiment will be described with respect to differences from the first embodiment.
  • FIG. 9A shows the coupling level i (c) for each of the nodes c to c.
  • D takes a value that is less than or equal to the dimension number D of the index word union set of all elements in the cage diagram, but is not included in the document element group connected at node c (zero in each document element E).
  • the index word frequency TF (E) of the index word takes the same value 0 in all the document elements connected at node c.
  • the extra dimension R is an index word having the same index word frequency (including 0) between the document elements connected at the node c from the dimension number D of the index word union set of all elements in the cage diagram. It is also possible to define the number of dimensions by subtracting the number of dimensions.
  • the dimension number D or D of the index word union set is deeply related to the size of the variation between the document elements belonging to the partial bowl diagram or the whole bowl diagram below the relevant node.
  • the number of dimensions D or D of the index word union set is large, there are many index words that share the same index word frequency TF (E) (the codimension R is small). It means big.
  • the index word frequency TF (E) with a large number of dimensions D or D in the index word union set TF (E) is common.
  • a small number of index words (large extra dimension R) means a large difference between document elements.
  • this property is used to determine the cutting position of the cage diagram. If the parameters used in Example 1 (equilibrium cutting method; BC method) are geometric parameters related to the shape of the saddle diagram, the extra dimension can be said to be a non-geometric parameter.
  • various parameters may be used for the association rule analysis, for example, a function including either or both of the average value and the deviation of the coupling height d as a variable may be used. it can.
  • the bond height average value ⁇ d> can be used, and instead of the base ⁇ h>, the bond height average value ⁇ d> and the standard deviation ⁇
  • association rule is as follows. A description of the derivation process of the association rules is omitted.
  • ⁇ (X) is a function that returns 1 when the proposition X is true and 0 otherwise.
  • the association rules are stored in the condition recording unit 310 of the recording device 3 in accordance with the input from the input device 2 and the like.
  • FIG. 8 is a flow chart for explaining the cluster extraction process in the second embodiment (codimensional drop method; CR method). This flowchart shows the procedure of the second embodiment in more detail than FIG. Steps similar to those in FIG. 3 may include the step number in FIG. 3 with 200 added, and the last two digits set to the same step numbers as in FIG.
  • FIG. 9 is a diagram showing a saddle diagram arrangement example in the cluster extraction process in the second embodiment, which supplements FIG. E
  • the document reading unit 10 of the processing device 1 reads a plurality of document elements to be analyzed from the document storage unit 330 of the recording device 3 (step S210).
  • the time data extraction unit 20 of the processing device 1 extracts time data from each document element of the document group to be analyzed (step S220).
  • the index word data extraction unit 30 of the processing device 1 extracts index word data from each document element of the document group to be analyzed (step S230). At this time, since the index word data of the oldest element (oldest document element) E in the document group is unnecessary as described later, the index other than the oldest element is based on the time data extracted in step S220. It is preferable to extract only word data.
  • the similarity calculation unit 40 of the processing device 1 calculates the similarity between the document elements (step S 240). At this time, only the similarity between the elements other than the oldest element is calculated as described above.
  • the warp diagram creating unit 50 of the processing device 1 creates a warp diagram that also includes the document element forces of the document group to be analyzed (step S250: Fig. 9A). At this time, the oldest element E is placed at the top of the cage diagram regardless of the similarity with other elements.
  • the cutting condition reading unit 60 of the processing apparatus 1 reads the cutting condition (step S260).
  • the parameters reading conditions of the saddle diagram and the association rules derived by the above association rule analysis are read out.
  • the cluster extraction unit 70 performs cluster extraction. First, the parameters of the hook diagram are read according to the read parameter reading conditions (step S271). Next, the association rule read out is applied to this parameter, and the critical dimension D for determining the cutting position of the corrugation diagram is determined (step S272).
  • step S273 the extra dimension R (i; c) of the processing target node c is calculated (step S273).
  • the extra dimension R (i; c) and the critical dimension D are compared (step 3274). If 1 ⁇ (1; ( :)> 0, the node is disconnected (step S2 75), and the process proceeds to step S276. If R (i; c) ⁇ D, do not disconnect and proceed to step S276.
  • Figure 9 (B) shows an example of the comparison result between the extra dimension R and the critical dimension D for each of the nodes c to c! /.
  • the extra dimension R is less than the critical dimension D
  • step S275 nodes c and c are disconnected in step S275, and a cluster is extracted.
  • node C has a higher combined height than node C (between the document elements to be combined
  • the extra dimension of node c is less than or equal to critical dimension D
  • the position is not directly related to the coupling height in the saddle diagram.
  • the document element group combined by the upper node located upstream thereof includes all the document elements E combined by the lower node c. Therefore, the upper node has a codimension R larger than the codimension R of the lower node c. Therefore, for example, as shown in Fig. 9 (B), it is determined that the extra dimension R (2; c) of the lower node c exceeds the critical dimension D.
  • the arrangement condition reading unit 80 reads out the arrangement conditions in the cluster (step S280).
  • the intra-cluster element arrangement unit 90 determines the arrangement of document element groups in the cluster based on the time data of each document element (step S290: FIG. 9 (C)).
  • the arrangement conditions in this case are preferably arranged in a line in the oldest order based on, for example, time data, but other arrangements such as arrangements according to Examples 6 to 8 described later may be used.
  • the index word subtracted from the number of dimensions of the index word union set to obtain the extra dimension R is assumed to have the same index word frequency TF (E). It may be a thing. For example, an index word whose index word frequency TF (E) has a deviation smaller than a predetermined value (index word) An index word having a standard deviation of frequency TF (E) below a certain value may be used.
  • each document element E includes a plurality of document cards, it is preferable to use the global frequency GF (E) instead of the index word frequency TF (E).
  • an index in which the deviation of the vector component quantity is smaller than a value determined by a predetermined method.
  • it is a word.
  • FIG. 10 is a diagram illustrating a specific example of the document correlation diagram generated by the method of the second embodiment.
  • the second embodiment it is possible to create a cage diagram that appropriately represents temporal development in each field by performing cluster extraction by cutting the cage diagram and determining the intra-cluster arrangement based on time data. .
  • the cutting rules of the saddle diagram are derived by the association rule analysis, it is possible to use cutting rules (high versatility) that can be applied to various saddle diagrams. It can be realized with high probability.
  • cutting rules high versatility
  • Example 3 (Cell division method; CD method)> In the Cell Division Method, after extracting the parent cluster by cutting the cage diagram at the cutting height ⁇ determined by a certain method, each parent cluster is further divided into child clusters. Using only the document elements belonging to, the pie chart of the part is created again. When creating this partial saddle diagram, the analysis is performed by removing the index word dimension in which the deviation of the component of the document element vector in the parent cluster is smaller than the value determined by a predetermined method.
  • FIG. 11 is a flowchart explaining the cluster extraction process in Example 3 (cell division method; CD method). This flowchart shows the procedure of the third embodiment in more detail than FIG. Steps similar to those in Fig. 3 may include 300 as the step number in Fig. 3 and the last two digits are set to the same step numbers as in Fig. 3, and duplicate descriptions with Fig. 3 may be omitted.
  • FIG. 12 is a diagram showing a saddle diagram arrangement example in the cluster extraction process in the third embodiment, which supplements FIG. E
  • the document reading unit 10 of the processing device 1 reads a plurality of document elements to be analyzed from the document storage unit 330 of the recording device 3 (step S310).
  • time data extraction unit 20 of the processing device 1 extracts time data from each document element of the document group to be analyzed (step S320).
  • step S330 the index word data extraction unit 30 of the processing device 1 extracts index word data from each document element of the document group to be analyzed. At this time, as described later, since the index word data of the oldest element (oldest document element) E in the document group is unnecessary, step S
  • the similarity calculation unit 40 of the processing device 1 calculates the similarity between the document elements (step S340). At this time, only the similarity between the elements other than the oldest element E is calculated as described above.
  • the warp diagram creation unit 50 of the processing apparatus 1 creates a warp diagram that also includes each document element force of the document group to be analyzed (step S350: FIG. 12A). At this time, the oldest element E is placed at the top of the cage diagram regardless of the similarity with other elements.
  • the cutting condition reading unit 60 of the processing apparatus 1 reads the cutting condition (step S360). Here, the cutting height oc, the deviation judgment threshold described later, and the like are read out.
  • the cluster extraction unit 70 performs cluster extraction.
  • Step S373 When the cage diagram is cut, the oldest elements E and E in each cluster are assigned to each cluster.
  • Step S374 Fig. 12 (C)
  • the following processing is performed for document elements other than the oldest element in each cluster.
  • step S375 a process of deleting an index word dimension in which a deviation between elements in the cluster other than the oldest element is smaller than a value determined by a predetermined method is performed (step S375).
  • document elements E, E, E, E the cluster starting with document element E in Figure 12, document elements E, E, E, E
  • index values of 2 3 4 5 6 and the component values of each document element vector calculated for each index word are as shown in the following table.
  • the index words w and w are judged to have a small deviation and are deleted.
  • Step S376 Fig. 12 (D)
  • a partial saddle diagram is created using the remaining index words w, w, acw, w. Therefore, the chart df created in step S350
  • a branch in the cluster different from the branch at is obtained.
  • the difference between the remaining index words is emphasized because the index word dimension taking the deviation force and the dice is deleted. Therefore, even when the similarity is between the same document elements, the similarity when creating a partial chart in this step S376 is greater than the similarity when creating a chart in step S350. Smaller (higher dissimilarity) will be evaluated.
  • step S 377 the number of elements in the cluster excluding the oldest element is obtained and compared with a predetermined threshold value (for example, 3) (step S 377).
  • a predetermined threshold value for example, 3
  • step S377 NO
  • step S371 the cage diagram is cut and the descendant clusters are extracted.
  • the cutting height a (or a *) at this time is evaluated as having low similarity by deleting the index word dimension having a small value of force deviation as described above in step S 371 (or step S 373). Therefore, it is possible to cut the saddle diagram again with the same cutting height OC (or ex *).
  • oc * may be updated each time according to the height d of each joining position in the parent cluster to be cut. It is good (variable method) or the initial value of may be used as it is (fixed method).
  • step S380 the arrangement condition reading unit 80 reads the arrangement conditions in the cluster. According to this arrangement condition, the intra-cluster element arrangement unit 90 determines the arrangement of document element groups in the cluster based on the time data of each document element (step S390: FIG. 12 (F)).
  • I is a serial chain of document element E, document element E, and document elements E and E in time data order.
  • the arrangement conditions in the cluster are preferably arranged in the oldest order based on the time data as in this example, but other arrangement conditions such as those in Examples 6 to 8 described later may be used.
  • the deviation determination threshold is 10% in terms of the ratio of the standard deviation to the average
  • the decision threshold is preferably 0% or more and 10% or less.
  • each document element consists of multiple documents, it is preferable that the deviation is small if the ratio of the standard deviation to the average of the document elements in the cluster is 60% or 70% or less.
  • FIG. 13 is a diagram showing a specific example of the document correlation diagram generated by the method of the third embodiment.
  • TF * IDF (P) is used as the component value of the document element vector
  • the document correlation diagram is analyzed.
  • the patent application number and the title of the invention were entered.
  • one of the partial saddle diagrams created in step S376 was further cut to form a two-stage branch.
  • FIG. 14 is a diagram showing another specific example of the document correlation diagram generated by the method of the third embodiment.
  • the document groups that should belong to each of the 16 main fields are selected by keyword search.
  • One document element (macro element).
  • the oldest element was removed and placed at the top, and a cage diagram was created and the diagram was cut with the remaining 15 elements, and the branch structure shown in the figure was obtained.
  • the average value of the filing date is used as the time data t for each document element
  • GFIDF (E) is used as the component value of the document element vector
  • 70% is used as the deviation judgment threshold. did.
  • Document correlation diagram The keywords that characterize the above 16 fields were entered.
  • the third embodiment it is possible to create a cage diagram that appropriately represents the temporal development of each field by performing cluster extraction by cutting the cage diagram and determining the intra-cluster arrangement based on time data. .
  • the child cluster is extracted from the partial tree diagram created by reanalyzing each parent cluster, so that the misclassification of the child cluster can be improved and an appropriate classification can be obtained.
  • the vector components in which the deviation between the document elements belonging to each parent cluster takes a value smaller than the value determined by a predetermined method is removed.
  • index words related to solvents with small deviations are removed in each parent cluster.For example, the difference between pigments is emphasized and the group using organic pigments and the group using inorganic pigments are emphasized. Broadly divided.
  • index words with small deviations are not removed in each parent cluster, there is a possibility that even if the solvent is more powerful, the classification and the classification related to the pigment antagonize and an appropriate child cluster may not be obtained. By emphasizing the differences within the cluster, it is possible to obtain an appropriate classification in the descendant cluster.
  • the saddle diagram is cut at two or more cutting heights ⁇ ;., ⁇ . (Fixed values), and the parent cluster and the descendant clusters are extracted.
  • FIG. 15 is a flowchart explaining the cluster extraction process in Example 4 (stepwise cutting method; SC method).
  • SC method stepwise cutting method
  • This flowchart shows the procedure of the fourth embodiment in more detail than FIG.
  • 400 is added to the step number in Fig. 3 so that the bottom analysis is the same step number as in Fig. 3, and the description overlapping with Fig. 3 may be omitted.
  • FIG. 16 is a diagram showing a saddle diagram arrangement example in the cluster extraction process in the fourth embodiment, which supplements FIG. E to E represent document elements. For convenience, it is assumed that the smaller subscript is the document element with the smaller time t (older).
  • the document reading unit 10 of the processing device 1 reads a plurality of document elements to be analyzed from the document storage unit 330 of the recording device 3 (step S410).
  • the time data extraction unit 20 of the processing device 1 extracts time data from each document element of the document group to be analyzed (step S420).
  • step S430 the index word data extraction unit 30 of the processing device 1 extracts index word data from each document element of the document group to be analyzed. At this time, as described later, since the index word data of the oldest element (oldest document element) E in the document group is unnecessary, step S
  • the similarity calculation unit 40 of the processing device 1 calculates the similarity between the document elements (step S440). At this time, only the similarity between the elements other than the oldest element is calculated as described above.
  • the warp diagram creation unit 50 of the processing device 1 creates a warp diagram that also includes each document element force of the document group to be analyzed (step S450: FIG. 16 (A)). At this time, the oldest element E is placed at the top of the cage diagram regardless of the similarity with other elements.
  • the cutting condition reading unit 60 of the processing apparatus 1 reads the cutting conditions (step S460).
  • the cutting height a ;, a (where a> a) or the calculation method thereof is read.
  • the cluster extraction unit 70 performs cluster extraction.
  • the branch line cut by the cutting line The number (first branch number) is read, and the branch lines corresponding to the first branch number are drawn directly from the oldest elements excluded in step S450 (step S472: FIG. 16 (C)).
  • This number of first branches is the number of parent clusters.
  • step S473 Fig. 16D
  • step S474 the number of branch lines (second branch number) cut by the cutting line is read for each parent cluster, and the line force of each parent cluster is directly equal to the number of branches corresponding to the second branch number of the parent cluster.
  • Draw a line step S474.
  • the total number of child clusters is the total number of this second branch for all parent clusters. This completes the cluster extraction.
  • the arrangement condition reading unit 80 next reads out the arrangement conditions in the cluster (step S480).
  • the in-cluster element arrangement unit 90 determines the arrangement of the document element group in the cluster based on the time data of each document element (step S490: FIG. 16 (E)).
  • the arrangement conditions in this case are preferably arranged in a line from the oldest on the basis of the time data, but other arrangements such as arrangements according to Examples 6 to 8 described later may be used.
  • step S472 the number of branch lines corresponding to the number of first branches is drawn directly from the oldest element. Therefore, for example, even when the parent cluster [1] and the parent clusters [2] and [3] are located in different layers as shown in the diagram of FIG. As shown in Fig. 5, the hierarchical structure above the cutting height ⁇ can be processed uniformly. Therefore, the diagram can be simplified.
  • step S474 the line force of each parent cluster is directly drawn as many branch lines as the number of second branches of the parent cluster. Therefore, for example, as shown in the diagram of FIG. 16 (D), when the parent cluster [1] force branching child cluster [11] and [12] and the child cluster [13] are located at different levels from each other, However, as shown in Fig. 16 (E), the hierarchical structure between the cutting heights ⁇ and ⁇ can be processed uniformly. Therefore, the diagram can be simplified.
  • child clusters [11], [12] and [13] branch from the parent cluster [1]
  • child clusters branch from the parent cluster [3] [ Even if 31] and [32] are joined at different heights, they are joined at the same height as shown in Fig. 16 (E).
  • Obedience Connexion the ⁇ view unified treatment to the difference between the combined height between the cutting height and alpha Eta leaving in be simplified I spoon.
  • the cage diagram can be simplified reasonably, while the number of first branches at the cutting height ex i and the number of second branches at the cutting height can be maintained. Therefore, it is possible to create a document correlation diagram reflecting the hierarchical structure of the original hook diagram while simplifying the hierarchical structure of the hook diagram moderately.
  • FIGS. 17 and 18 are diagrams showing specific examples of the document correlation diagram generated by the method of the fourth embodiment.
  • the same publication as FIG. 7 of Example 1 was analyzed as document elements, and the patent application number and the title of the invention were entered for each document element in the document correlation diagram.
  • the oldest element is not extracted before the generation of the descendant cluster, the oldest element of the parent cluster is placed between the oldest element and the descendant cluster in the entire chart. Only the hangar-shaped structure is displayed.
  • Fig. 17 shows a saddle diagram created by using a similarity chart (cosine) that has not been standardized, and a chart created by using standardized similarity score (number of relations). It has been cut.
  • the fourth embodiment it is possible to create a cage diagram that appropriately represents temporal development in each field by performing cluster extraction by cutting the cage diagram and determining the intra-cluster arrangement based on time data. .
  • the hierarchical structure of the cage diagram is moderately simplified, and the initial cage diagram is displayed.
  • a document correlation diagram that reflects the hierarchical structure can be created.
  • FIG. 19 is a flowchart illustrating the cluster extraction process in the fifth embodiment (variable composite method; FC method). This flowchart shows the procedure of the fifth embodiment in more detail than FIG. Steps similar to those in Fig. 3 may have the same step number as Fig. 3 with the last two digits added to 500 in the step number of Fig. 3, and the description overlapping with Fig. 3 may be omitted.
  • FIG. 20 is a diagram showing a part of the saddle diagram arrangement example in the cluster extraction process in the fifth embodiment, and supplements FIG. ⁇ to ⁇ represent document elements.
  • the document reading unit 10 of the processing device 1 reads a plurality of document elements to be analyzed from the document storage unit 330 of the recording device 3 (step S510).
  • the time data extraction unit 20 of the processing device 1 extracts time data from each document element of the document group to be analyzed (step S520).
  • step S530 the index word data extraction unit 30 of the processing device 1 extracts index word data from each document element of the document group to be analyzed. At this time, as described later, since the index word data of the oldest element (oldest document element) E in the document group is unnecessary, step S
  • the similarity calculation unit 40 of the processing device 1 calculates the similarity between the document elements (step S540). At this time, only the similarity between the elements other than the oldest element E is calculated as described above.
  • the chart diagram creation unit 50 of the processing apparatus 1 creates a chart diagram that also includes each document element force of the document group to be analyzed (step S550: FIG. 20 (A)). At this time, the oldest element E is placed at the top of the cage diagram regardless of the similarity with other elements.
  • the cutting condition reading unit 60 of the processing device 1 reads the cutting condition (step S560).
  • the calculation method of the cutting height a, the upper limit g of the number of cuttings (number of layers), etc. are read.
  • the upper limit g of the number of cuts is, for example, the total number N of document elements to be analyzed
  • step S571 it is determined whether or not the calculated cutting height a * is smaller than the maximum value Max (d) of the coupling height d of the elements E to E d [2-N] 2 (step S572), and is small
  • the subsequent processing is performed for each cluster.
  • the number of document elements exceeds a predetermined threshold (here, 4; the predetermined threshold is preferably 4 or more and 10 X [InN / lnIO] or less) (step S5).
  • step S575 NO
  • the oldest element E is excluded from the cluster.
  • Step S576 Fig. 20 (C)
  • the partial chart created at this time is the first chart created in step S550, except that the oldest element E of the cluster is excluded.
  • the structure is almost the same as the portion corresponding to the cluster. However, since the oldest element E of the cluster is excluded, the distance between element groups in the cluster changes.
  • step S571 After creating a partial cage diagram with the elements in the cluster, return to step S571, and use the height d of each coupling position of elements E to E, excluding the oldest element E, among the elements in the cluster. ⁇
  • step S574 For clusters in which the number of document elements is equal to or less than the predetermined threshold (here, 4) (step S574: YES), the cell division method of Example 3 is used for these clusters regardless of the number of cluster cuts. Proceed to descendant cluster extraction by other cluster extraction methods such as (CD method) (step S577).
  • CD method Cluster extraction methods
  • step S575 For clusters whose number of cuts has reached the upper limit g (step S575: YES), regardless of the number of document elements in the cluster, other clusters such as the cell division method (CD method) in Example 3 are extracted for the cluster. The process moves to descendant cluster extraction by the method (step S577).
  • step S577 the step cutting method of Example 4 that uses the balanced cutting method (BC method) of Example 1 or the codimension descent method (CR method) of Example 2 may be used. (SC method) may be used.
  • step S572 the cutting height a * or ⁇ * force element ⁇ to ⁇ or
  • step S575 the number of cuts is determined in step S575 (in this case, the cutting process has been skipped and the number of cuts has not increased, so the determination of the number of cuts may be omitted).
  • the next oldest element E or E is excluded in S576.
  • step S576 the oldest elements are excluded one by one (step S576), and if the number of elements in the cluster is equal to or less than the threshold (step S574), the process proceeds to step S577.
  • the arrangement condition reading unit 80 reads out the arrangement condition in the cluster (step S580).
  • the intra-cluster element arrangement unit 90 determines the arrangement of document element groups in the cluster based on the time data of each document element (step S590: FIG. 20 (D)).
  • the arrangement conditions in this case are preferably arranged in a line in the oldest order based on time data, for example, but other arrangements such as arrangements in Examples 6 to 8 described later may be used.
  • step S575 is omitted, and if step S574 is NO, the process immediately proceeds to step S576, and a descendant cluster is extracted with an unlimited number of cuts.
  • step S574 it is desirable to make a NO determination if the number of document elements exceeds 9, for example, and to determine YES for a cluster where the number of document elements is 9 or less.
  • FIG. 21 and FIG. 22 are diagrams showing specific examples of the document correlation diagram generated by the method of the fifth embodiment.
  • the Japanese patent applications and utility model registration applications related to the liquid wrinkle prevention method extracted by keyword search are analyzed as document elements, and the obtained document correlation diagram is shown here for simplicity. Only the department (35 cases) is shown. Illustrated document In the correlation diagram, the patent application number for each document element (however, the application model registration application number with (u) at the end) is entered, and the name of the invention (invention) is entered for the higher-level document element. In Examples 1-4, the number of elements less than 20 seems to be preferable, but in this Example 5, an appropriate parent-child cluster can be obtained even if the number of elements to be analyzed is large as shown in this example. .
  • the parent cluster (number of elements 5) starting with application number H03-320020 was separated into child clusters by the second cut because the number of elements exceeded the threshold value 4.
  • the child cluster (number of elements: 10) starting with the application number S63-0 33662 (11) was generated by the second cutting, so it was not cut and separated any more.
  • the parent cluster (number of elements 5) starting with the application number H03-320020 was not cut because the number of elements was 9 or less.
  • the child cluster (number of elements: 10) starting with application number S63-033662 (U) was cut for the third time and separated into grandchild clusters.
  • FIG. 23 is a diagram showing another specific example of the document correlation diagram generated by the method of the fifth embodiment.
  • Document elements macro elements
  • Document elements in the 16 fields that are the same as Fig. 14 in Example 3 are placed at the top, excluding the oldest elements, according to Example 5. Cutting was performed. Until the upper limit of the number of elements in the cluster (4) was reached, the removal of the oldest elements and the creation and cutting of the chart were repeated. Clusters for which the number of elements in the cluster was less than the upper limit were further generated by the method of Example 3 (cell division method; CD method), and the branched structure shown in the figure was obtained.
  • cell division method CD method
  • the average value of the filing date is used as the time data t of each document element
  • GFIDF (E) is used as the component value of the document element vector
  • step S550 and step S576 described above the oldest element is excluded when creating the saddle diagram and the partial saddle diagram. However, it is also possible to create the chart without excluding the oldest element. Then, this cage diagram is cut g times as described above. By obtaining clusters in this way, document elements can be classified. In this case, macro-analysis of the document element group can be facilitated by appropriately labeling the obtained classification based on the content data of the document element belonging to each classification.
  • FIG. 24 is a diagram showing a specific example of the document correlation diagram generated by the method according to the first modification of the fifth embodiment.
  • the procedure for creating this document correlation diagram is as follows. First, for the approximately 4000 Japanese patent publications filed by a household chemicals manufacturer, a chart was created without removing the oldest publication, and was cut g times using the method according to the first modification. did. A cocoon figure in which the 27 clusters obtained in this way were newly used as document elements (macro elements) was created, and the oldest element was extracted by the method of Example 5, and the cocoon figure was cut. Until the upper limit of the number of elements in the cluster (4) was reached, extraction of the oldest elements and cutting of the saddle diagram were repeated, and the branch structure shown in the figure was obtained. Each macro element was labeled based on the content data of the documents belonging to it. As a result, even an analysis target document group consisting of an enormous number of documents can be automatically analyzed in a macro manner to facilitate understanding of the general flow of technology.
  • This document correlation diagram first creates a document correlation diagram of a group of patent documents held by an applicant X, and among the group of patent documents by the applicant X, a group of patent documents belonging to a specific technical field It shows the relationship with the patent documents of other companies.
  • FIG. 25 is a diagram illustrating a process of creating a document correlation diagram according to the second modification of the fifth embodiment
  • FIGS. 26 and 27 are diagrams illustrating specific examples of the document correlation diagram according to the second modification of the fifth embodiment.
  • FIG. 28 and FIG. 29 are diagrams illustrating a part of another display example in the document correlation diagram according to the second modification of the fifth embodiment.
  • a cage diagram was newly created with the 21 clusters thus obtained as document elements (macro elements).
  • the oldest elements were extracted by the method of Example 5 and the cage diagram was cut. Until the upper limit of the number of elements in the cluster (set to 4) was reached, the extraction of the oldest elements and the cutting of the saddle diagram were repeated, and the branch structure shown in Fig. 26 was obtained.
  • the patent documents whose applicant is Company X above account for the top (in this case, 5th or less), and are distinguished from other document elements.
  • a highlight is added to the top, and a stronger highlight is added to the top one.
  • Such highlighting may be based on the thickness of the frame line as shown in the figure, or may be based on color coding or a pattern.
  • such highlighting is not limited to whether or not a document of a certain applicant (in-house or another company) occupies the top, but is also the power or power that includes even one document of a certain applicant. It may be according to the standard.
  • Fig. 26 and Fig. 27 the average value of the filing date of each document element (here, the last two digits of the year) is entered as the value on the vertical axis.
  • FIGS. 26 and 27 for convenience of explanation, only the symbol “E201” is displayed as the name of each document element. However, based on the content data of the document belonging to each, a label indicating the content characteristics of the document element It is advisable to apply a date.
  • a document element having a specific attribute among the document elements in the document correlation diagram for example, a document element composed of a patent document of a specific applicant or a specific applicant is dominant.
  • the document elements consisting of the patent documents that occupy are displayed in a form that is distinguished from other document elements. This makes it possible to see at a glance how document elements having specific attributes, such as patent groups belonging to a certain field of the specific applicant, are positioned in terms of content and time in relation to other companies. be able to. If you select your company as the specific applicant, you can know the position of the technology belonging to a certain field in the industry as a whole.
  • FIG. 28 and FIG. 29 are diagrams showing a part of another display example in the document correlation diagram of FIG.
  • each document element is labeled based on content data, such as “Oka-Keido powder related”, and as a more detailed display, the number of documents belonging to the document element, applicant ranking ( (Company name and number) are displayed. Adding a detailed display in this way enables a more detailed analysis.
  • the content of the detailed display is not limited to this, but may be a ranking based on the International Patent Classification (IPC), filing date (average value or range, etc.), keywords, etc. of patent documents.
  • the detailed display may be performed simultaneously for all the document elements as shown in FIGS. 28 and 29, or the document correlation diagram that does not include the detailed display at the beginning is displayed on the image display device. When the is moved, a detailed display regarding the document element may be additionally output.
  • the document element description column itself may be enlarged as shown in FIG. 28, or may be displayed outside the column as shown in FIG. Further, not only in FIG. 26, the same detailed display may be performed for FIG. 27 or other document correlation diagrams.
  • the fifth embodiment by performing cluster extraction by cutting the cage diagram and determining the intra-cluster arrangement based on the time data, it is possible to create a cage diagram that appropriately represents the temporal development of each field. .
  • the parent cluster is extracted based on a function including either or both of the combined height average value and the deviation of the document element group belonging to the cage diagram as variables, and the child cluster is extracted from each parent cluster. Since it is based on a function that includes either or both of the combined height average value and deviation of the document element group as a variable, an appropriate parent-child cluster can be obtained even if the number of elements N is large. In addition, since cluster extraction is performed based on a function that includes either or both of the combined height average value and deviation of a document element group as variables, there are various cases such as when the similarity of a document element group belonging to a cage diagram is high. It is possible to deal with a wide range of saddle shapes and to obtain appropriate parent-child clusters.
  • the arrangement in the cluster is determined based on the time data and the chart layout data.
  • FIG. 30 is a flowchart for explaining the intra-cluster arrangement process in Example 6 (-main fishing arrangement; PLA).
  • This flowchart assumes that the cluster has been extracted by the processing up to step S70 (cluster extraction) in Fig. 3, and that steps S80 (read placement conditions) and step S90 (element array in cluster) in Fig. 3
  • steps S80 read placement conditions
  • step S90 element array in cluster
  • FIG. 31 is a diagram showing a saddle diagram arrangement example in the intra-cluster arrangement process in the sixth embodiment, which supplements FIG. E to E represent document elements.
  • Fig. 31 (A) shows the cage structure of each of the five clusters extracted by the processing up to step S70 in Fig. 3.
  • Example 1 (equilibrium cutting method: BC method), Example 2 (codimension descent method: CR method), Example 3 (cell division method: CD method) or Example 4 (stage cutting method: SC method) ) Etc.
  • the placement condition reading unit 80 first reads the placement conditions in the cluster (step S680).
  • the intra-cluster element arrangement unit 90 performs document processing in the cluster based on the time data and the scallop arrangement data of each document element in the cluster. Determine the arrangement of prime groups.
  • the cluster part of the saddle diagram is regarded as a tournament table, and the winner of each stage (the one with the smaller time t) is determined (Fig. 31 (B)). That is, it is determined which document element has the smaller time data t in order from the lower node (nodal height) (node), and the result is recorded (step S691). This determination is performed from the lowest node (two-body connection) to the highest node of the cluster (step S692). At that time, the winner at the lower node (the document element with the smaller time data t) is set as the opponent at the upper node (to be compared with the time data t) (step S693).
  • step S694 Since the winner (the oldest document element) is determined when determining up to the highest node, the winner is placed at the head of the cluster (step S694). In addition, the number of opponents who have been defeated directly against the winner (the number of document elements that have been directly compared with the oldest document element and determined to have a larger time data t) are diverged from the winner. (Step S695: Fig. 31 (C)). The following processing is performed for each branch.
  • step S697 the number of opponents who are directly defeated by winning against the winners in each branch is counted. If the number of defeated opponents is 0, the branch process ends. If the number of defeated opponents is 1 or more, a new branch from the winner in the branch is created for the number of the opponents (step S698: Fig. 31 (D)), and the process returns to step S696. By repeating the processes of steps S696 to S698, the intra-cluster arrangement is determined (FIG. 31E).
  • the sixth embodiment it is possible to create a cage diagram that appropriately represents the temporal development of each field by performing cluster extraction by cutting the cage diagram and determining the intra-cluster arrangement based on time data. .
  • Group Time Ordering is an effective method when the element definition of multiple document elements is based on classification information and large time units. If the element definition is based on a large time unit (for example, in units of a certain number of years), the same time element may occur, which may cause trouble when considering an arrangement in time series. This is solved by determining the sequence.
  • FIG. 32 is a flowchart for explaining the intra-cluster arrangement process in Example 7 (group time order; GTO). This flowchart assumes that the cluster has been extracted by the processing up to step S70 (cluster extraction) in Fig. 3, and that steps S80 (read placement conditions) and step S90 (element array in cluster) in Fig. 3 For the part, the procedure of Example 7 is shown in more detail. Steps similar to those in Fig. 3 may include 700 as the step number in Fig. 3, with the last two digits being the same step number as in Fig. 3, and detailed description omitted.
  • FIG. 33 is a diagram showing a part of a saddle diagram arrangement example in the intra-cluster arrangement process in the seventh embodiment, and supplements FIG. E, E, etc. are documents consisting of multiple documents.
  • classification such as International Patent Classification (IPC)
  • Arabic numeral represents the time t (smaller is older).
  • the placement condition reading unit 80 first determines the placement conditions in the cluster. Reading is performed (step S780). In accordance with this arrangement condition, the in-cluster element arrangement unit 90 determines the arrangement of the document element group in the cluster based on the time data and the hook diagram arrangement data of each document element in the cluster.
  • the oldest element in the cluster is extracted and placed at the head of the cluster.
  • Step S791 When there are multiple oldest elements (E and E in Fig. 33 (B)),
  • Step S792 Fig. 33 (B)
  • the oldest element force extracted in step S791 is also searched for elements of the same classification (step S793).
  • the time series chain that has the oldest element of the same class is connected to the oldest element of the same class (step S794).
  • the intra-cluster arrangement is determined.
  • the seventh embodiment by performing cluster extraction by cutting the cage diagram and determining the intra-cluster arrangement based on the time data, it is possible to create a cage diagram that appropriately represents the temporal development of each field. .
  • the array within the cluster should be determined taking into account the classification information.
  • the same time element can be processed.
  • Time Slice Analyzes a plurality of document elements to be analyzed are classified based on time data, and then cluster analysis is performed within each time classification. This is different from Examples 6 and 7 in that the analysis based on the time data is performed prior to the cluster extraction based on the content data. After the classification based on the time data and the cluster analysis within each time classification, the connection between the elements belonging to the cluster around the time is performed. Thus, the document correlation diagram is completed.
  • FIG. 34 is a diagram for explaining the configuration and function of the document correlation diagram creation device of Example 8 (temporal section analysis; TSA) in more detail than FIG. Portions common to those in FIG. 2 are denoted by the same reference numerals and description thereof is omitted.
  • the document correlation diagram creation apparatus of the eighth embodiment includes a time slice classification unit 25 and a time slice connection unit 75 in addition to the components of the document correlation diagram creation apparatus described in FIG.
  • the time slice classification unit 25 acquires the time data of each document element extracted by the time data extraction unit 20 from the work result storage unit 320 or directly from the time data extraction unit 20, and based on this time data. Then, the document group to be analyzed is classified into time slices at regular intervals. The classification result is sent directly to the similarity calculation unit 40 and used for processing there, or sent to the work result storage unit 320 for storage.
  • the similarity calculation unit 40 calculates the similarity of the document elements in each time slice, the sag diagram creation unit 50 creates a sag diagram for each time slice, and the cluster extraction unit 70 Extract clusters from the time slicer.
  • the inter-slice connection unit 75 acquires the cluster information extracted by the cluster extraction unit 70 from the work result storage unit 320 or directly from the cluster extraction unit 70, and belongs to different time slices based on the cluster information. Connect between clusters.
  • the generated connection data is directly sent to the intra-cluster element placement unit 90 and used for processing there, or sent to the work result storage unit 320 and stored therein.
  • the intra-cluster element arrangement unit 90 arranges the elements in the cluster and completes the document correlation diagram by referring to the connection data of the inter-slice connection unit 75.
  • FIG. 35 is a flowchart for explaining the document correlation diagram creation process in the eighth embodiment. This flowchart shows the procedure of the eighth embodiment in more detail than FIG. In the same step as in FIG. 3, 800 is added to the step number in FIG. 3 to make the last two digits the same step number as in FIG.
  • FIG. 36 is a diagram showing a saddle diagram layout example in the document correlation diagram creation process in the eighth embodiment. This supplements Figure 35.
  • the document reading unit 10 reads a plurality of document elements to be analyzed from the document storage unit 330 of the recording device 3 in accordance with the reading conditions input by the input device 2 (step S810).
  • the time data extraction unit 20 extracts time data of each element from the document element group read in the document reading step S810 (step S820).
  • time data of each element are extracted, they are classified based on the time data (step S825).
  • the classification based on the time data may be a variable interval instead of a fixed time interval.
  • the time may be disconnected when a certain number of cases are accumulated in time order.
  • a group G is formed at each slice. Specifically, clusters are extracted from each slicer as follows.
  • the index word data extraction unit 30 extracts index word data (step S830), and the similarity calculation unit 40 calculates the similarity (or dissimilarity) between the document elements in each slice (step S830). S840). And each slice diary, ⁇ view creation unit 50 creates a ⁇ view (step S850) o
  • the cutting condition reading unit 60 reads the ⁇ diagram cutting conditions (step S86 0), cluster extraction unit 70, A cluster is also extracted for each slicing force (step S870).
  • each n-slice force extracted cluster is called a group G.
  • Each group G has a slice number n and a group number j, which is represented by G (n, j) (Fig. 36 (A)).
  • Group G may consist of multiple document elements or a single document element.
  • One document element group will be called a trivial group [0225]
  • the cutting height a is preferably set in the range of a—b ⁇ a ⁇ a—0.5b.
  • the cluster extraction is preferably performed by cutting the saddle diagram described in steps S830 to S870, but other methods may be used. For example, cluster extraction using a known k-one average method may be used.
  • the arc segmentation method may be used in which the document elements to be analyzed are connected, and the clusters are extracted by eliminating lines that are dissimilar to the cutting radius.
  • this arc segmentation method there are M elements (E, E, ..., E)
  • This document element E consists of document element E and document
  • the method for forming Group G may be other than the above cluster analysis. For example, if a document element group is already classified by patent classification or company name, the group definition may be performed using this. In this case, since the element definition and the group definition match, one group is formed by one document element consisting of multiple documents (this is also an obvious group).
  • connection between groups belonging to the 0-slice is determined (step S872). For example, each cluster obtained by cutting the cross-sectional diagram is connected by a hook-shaped diagram connection structure above the cutting position (FIG. 36 (B)).
  • connection between slices is performed. This process is performed by the time slice connecting unit 75.
  • the document element (hereinafter referred to as the “shortest distance element”) having the highest similarity to the oldest element of group G (n, j) belonging to each n—slice (n ⁇ 0). Then, select the elemental force of the forward dull G ( ⁇ , j) for a time ⁇ n. Then, the oldest element of group G (n, j) is connected to the shortest distance element for which the group G ( ⁇ , j) force ahead of time is also selected (step S875: Fig. 36 (C)). If there are multiple shortest distance elements, the oldest element is selected and connected to the oldest element in group G (n, j).
  • a group G (n, j) belonging to each n—slice (n ⁇ 0) and a group having the highest degree of similarity between groups (the distance between the groups is short) is represented by a time-forward group G ( ⁇ ⁇ ⁇ , j) Force may also be selected.
  • the oldest element of the group G (n, j) and the latest element of the selected time forward group G ( ⁇ , j) are connected.
  • the distance between groups is calculated by using the dissimilarity (distance) between elements belonging to the group being compared. It can be defined by average. If it is an obvious group consisting of one group of document elements, it matches the dissimilarity between elements (inter-element distance).
  • the arrangement condition reading unit 80 reads out the document element arrangement conditions in each group.
  • Step S880 the element arrangement part 90 within the cluster determines the arrangement of the document elements in each group (Step S890), and the document correlation diagram is completed.
  • FIG. 36 (C) other arrangements are possible, such as arrangement in time order even within a force group in which document elements are arranged in parallel within each group.
  • FIG. 37 is a diagram showing a first specific example of the document correlation diagram generated by the method of the eighth embodiment and its generation process.
  • the oldest element of each group was connected to the shortest distance element of the time-front group, and was connected in time series within each group.
  • the patent application number was entered for each document element in the document correlation diagram ( Figure 37 (B)).
  • FIG. 38 is a diagram showing a second specific example of the document correlation diagram generated by the method of the eighth embodiment and its generation process.
  • the application date average value of the document group constituting each document element by the method of Example 8 is set as time data t of each document element, and 1
  • time slices of n 0-4.
  • FIG. 38 (A) A loop was formed (FIG. 38 (A)).
  • the oldest elements in each group were connected to the shortest distance element in the time-front group, and were connected in time series within each group. Keywords that characterize the above 16 fields were entered in the document correlation diagram (Fig. 38 (B)).
  • FIG. 39 is a diagram showing a third specific example of the document correlation diagram generated by the method of the eighth embodiment and its generation process.
  • FIG. 40 is a diagram showing a fourth specific example of the document correlation diagram generated by the method of the eighth embodiment and its generation process.
  • a cluster analysis was conducted to form a group.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Document Processing Apparatus (AREA)
  • Machine Translation (AREA)

Abstract

　文書相関図作成装置は、１つ又は複数の文書からなる文書要素Ｅの内容データ及び時間データを、複数の文書要素につき抽出する抽出手段２０、３０と、前記各文書要素の内容データに基づき、前記複数の文書要素の相関を示す樹状図を作成する樹状図作成手段５０と、前記樹状図を所定の規則に基づき切断しクラスタを抽出するクラスタリング手段７０と、前記各文書要素の時間データに基づき、前記各クラスタに属する文書要素群の当該クラスタ内における配列を決定するクラスタ内配列手段９０と、を備える。これにより、分野ごとの時間的発展を適切に表す樹状図を自動作成する。

Description

明 細 書
文書を時系列に配置した文書相関図の作成装置
技術分野
[0001] 本発明は、文書相互の関係を示すとともに文書の時間的順序を反映した文書相関 図を自動作成する技術に係り、特にこのような文書相関図の作成装置、作成方法及 び作成プログラムに関する。
背景技術
[0002] 特許文書をはじめ技術的文書やその他の文書は日々新しく生み出され、膨大な数 になっている。これらの文書相互の関係をわ力り易い形で提示するには、関連する内 容ごとにその時間的発展を整理することが望ましい。従って、文書の内容による関連 付けと時間順による配列とを両立させた文書相関図を自動作成することが望まれる。
[0003] 日本国特開平 11— 53387号公報「文書の関連付け方法及びそのシステム」（特許 文献 1)は、時系列に順序付けられた文書を関連付ける方法を開示している。具体的 には、文書間の単語の一致度に基づき文書間の類似度を計算し、前記類似度から、 時間制約を用いて類似度行列を作成する。この類似度行列を、所定の閾値以上の 類似度を持つ行列要素を 1とし残りは 0とする隣接行列に変換する。この隣接行列を もとに、文書の関連図である有向グラフを作成する。
[0004] 特許文献 1：特開平 11 53387号公報「文書の関連付け方法及びそのシステム」 発明の開示
発明が解決しょうとする課題
[0005] しかし、上記特開平 11 53387号公報 (特許文献 1)に記載の技術では、ある文書 から類似文書へ、更にその類似文書へと順次迪つて行くうちにずれの累積が生じ、 やがてはまったく異なる文書に迪り着いてしまう可能性がある。また、ある文書から分 岐した複数の流れが最終的に 1つの文書に迪り着くことも生じ、分岐の意味が不明確 になる可能性もある。従って、上記特開平 11— 53387号公報 (特許文献 1)に記載 の技術では、分野ごとの時間的発展を適切に表すことができないという問題がある。
[0006] 本発明の課題は、分野ごとの時間的発展を適切に表すことのできる文書相関図作 成装置、作成方法及び作成プログラムを提供することである。
課題を解決するための手段
[0007] (1)上記の課題を解決するため、本発明の文書相関図作成装置は、 1つ又は複数 の文書からなる文書要素の内容データ及び時間データを、複数の文書要素にっき 抽出する抽出手段と、前記各文書要素の内容データに基づき、前記複数の文書要 素の相関を示す榭状図を作成する榭状図作成手段と、前記榭状図を所定の規則に 基づき切断しクラスタを抽出するクラスタリング手段と、前記各文書要素の時間データ に基づき、前記各クラスタに属する文書要素群の当該クラスタ内における配列を決定 するクラスタ内配列手段と、を備えている。
本発明によれば、榭状図切断によるクラスタ抽出と時間データに基づくクラスタ内配 列の決定とを行うことにより、分野ごとの時間的発展を適切に表す榭状図を作成する ことができる。
[0008] (2)上記の文書相関図作成装置において、前記クラスタリング手段が前記榭状図 を切断する前記所定の規則は、連関規則分析により導出されたものであることが望ま しい。連関規則分析により導出された切断規則を採用することにより、種々の榭状図 に適用可能な (汎用性の高 、)切断規則を用いることができ、切断理想値での切断を 高確率で実現することができる。また、教師図の事例数を増やすことにより、切断規 則の更なる精度向上を容易に図ることができる。
[0009] (3)この文書相関図作成装置において、前記所定の規則は、前記榭状図の形状 ノ ラメータに基づき導出されたものであることが望ましい。
榭状図の形状パラメータに基づいて導出された切断規則を採用することにより、榭 状図形状に即した適切な切断位置を決定可能な、信頼性の高!ヽ切断規則を用いる ことができる。
また、解析対象榭状図の形状パラメータを読み取り、これに連関規則を適用するこ とで切断位置を決定できるので、切断位置の決定を少な!、計算量で済ませることが できる。
榭状図を切断する回数は 1回のみでも良いし（固定 BC法;後述）、 1回の切断で得 られた親クラスタの形状パラメータに基づいて切断規則を再度導出して当該親クラス タを切断し、子孫クラスタを抽出するようにしても良い（可変 BC法;後述)。可変 BC法 によれば、要素数の多い親クラスタが生成されても、これを更に子孫クラスタに分離 することができる。
[0010] (4)上記の各文書相関図作成装置において、前記所定の規則は、前記榭状図の 各ノードで結合される複数の文書要素のベクトル次元数に基づき導出されたもので あってもよい。
ベクトル次元数を加味して導出された切断規則を採用することにより、より適切な分 岐を得ることができる。
上記複数の文書要素のベクトル次元数は、当該複数の文書要素のベクトル総和の 次元数から、これら文書要素間での偏差が所定方法で定めた値より小さい値をとる ベクトル成分の次元数を除いた次元数であることが望ましい。これにより、より適切な 切断規則を用いることができる。
[0011] (5)この文書相関図作成装置において、前記クラスタリング手段は、前記各ノードで 結合される複数の文書要素のベクトル次元数が一定値以上である力否かを前記ノー ドごとに判定し、前記判定の結果に基づいて前記一定値以上のノードを個別に切断 することが望ましい。ノードごとに切断基準の判定を行い、判定結果に基づいて各ノ ードを個別に切断することにより、より適切な分岐を得ることができる。
[0012] (6)上記の文書相関図作成装置において、前記クラスタリング手段は、前記榭状図 を切断して親クラスタを抽出し、前記親クラスタに属する各文書要素の内容データに 基づいて前記親クラスタに属する文書要素群の相関を示す部分榭状図を作成し、当 該作成された部分榭状図を所定の規則に基づき切断して子孫クラスタを抽出するこ とが望ましい。
親クラスタの抽出後に、各親クラスタを再分析して作成した部分榭状図により子クラ スタを抽出することにより、子クラスタの誤分類を改善し適切な分類を得ることができる
[0013] (7)この文書相関図作成装置において、前記クラスタリング手段は、前記部分榭状 図の作成のために、前記親クラスタに属する複数の文書要素間での偏差が所定方 法で定めた値より小さい値をとるベクトル成分を各文書要素ベクトル力 除去すること が望ましい。
親クラスタの抽出後に、各親クラスタに属する文書要素間での偏差が小さい値をと るベクトル成分を除去することにより、親クラスタの抽出観点とは異なった観点から子 クラスタの抽出を行い、適切な分類を得ることができる。
文書要素のベクトル成分は、例えば、当該文書内の個々の索引語についての、全 文書 IDF重み付け TF値 (TF * IDF (P)値；後述)である。偏差が小さ!/ヽか否かの判 定は、例えば、親クラスタに属するすべての文書要素について、各索引語の TF * ID F (P)値を算出し、親クラスタに属する文書要素間でのこれらの平均に対する標準偏 差の比が所定範囲内に収まる力否かによることができる。
[0014] (8)上記の文書相関図作成装置において、前記榭状図作成手段は、文書要素間 の結合高さが文書要素間の類似度合いを反映するように前記榭状図を作成し、前記 クラスタリング手段は、前記榭状図の 2箇所以上の所定の高さで切断して前記クラス タを抽出することが望ましい。
予め決められた複数の切断高さで切断することにより、切断位置の決定のために複 雑な計算を必要とせず、簡易に適切な分岐を得ることができる。
切断後の結線構造にっ ヽては、各切断位置で切断される枝線の数に基づ ヽて分 岐構造を決定することが望ましい。これにより、榭状図の階層構造を程よく簡略ィ匕し つつ、当初の榭状図の階層構造を反映させた文書相関図を作成することができる。 更に、複数の切断位置での切断により親子クラスタを生成する際に、親クラスタに属 する文書要素の部分榭状図を再作成しなくても子クラスタを生成できるので、少ない 計算手数で親子クラスタを生成することができる。
[0015] (9)上記の各文書相関図作成装置において、前記榭状図作成手段は、文書要素 間の結合高さが文書要素間の類似度合いを反映するように前記榭状図を作成し、前 記クラスタリング手段は、前記榭状図に属する前記文書要素群の結合高さ平均値及 び偏差のうち何れか又は両方を変数として含む関数に基づく切断位置で切断して前 記クラスタを抽出することが望ま 、。
結合高さ平均値及び偏差のうち何れか又は両方を変数として含む関数に基づいて 切断するので、様々な榭状図形状に幅広く対応でき、複雑な計算を必要とせず、簡 易に適切な分岐を得ることができる。
結合高さ平均値及び偏差のうち何れか又は両方を変数として含む関数は、特に、 少なくとも平均値を変数として含む関数であることが好ましぐ平均値と偏差の両方を 変数として含む関数であることがより好ましい。例えば、結合高さ dの平均値く d >及 び標準偏差 σ を用いて、 < d > + δ σ (但しー3≤ δ≤3)とするのが好ましい。な d d
お、結合高さ dの偏差を変数として含み、且つ結合高さ dの平均値 < d >を変数として 含まない関数としては、例えば、結合高さ dの標準偏差 σ と、中点距離 m (後述)とを d
使って、 m+ ε σ (但し一 3≤ ε ≤ 3)とすることが考えられる。また、偏差は標準偏 d
差 σ に限らず平均偏差でも良い。
d
(10)上記の各文書相関図作成装置において、前記榭状図作成手段は、文書要素 間の結合高さが文書要素間の類似度合いを反映するように前記榭状図を作成し、前 記クラスタリング手段は、前記榭状図に属する前記文書要素群の結合高さ平均値及 び偏差のうち何れか又は両方を変数として含む関数に基づく切断位置で当該榭状 図を切断して親クラスタを抽出し、当該親クラスタに属する文書要素群の結合高さ平 均値及び偏差のうち何れか又は両方を変数として含む関数に基づく切断位置で当 該親クラスタを切断して子孫クラスタを抽出することが望ましい。
親クラスタの抽出を、榭状図に属する文書要素群の結合高さ平均値及び偏差のう ち何れか又は両方を変数として含む関数に基づいて行い、子クラスタの抽出を、各 親クラスタに属する文書要素群の結合高さ平均値及び偏差のうち何れか又は両方を 変数として含む関数に基づいて行うので、要素数 Nが多くても（例えば N > 20)適切 な親子クラスタを得ることができる。また、クラスタの抽出を文書要素群の結合高さ平 均値及び偏差のうち何れか又は両方を変数として含む関数に基づいて行うので、榭 状図に属する文書要素群の類似度が高い場合など様々な榭状図形状に幅広く対応 でき、適切な親子クラスタを得ることができる。
結合高さ平均値及び偏差のうち何れか又は両方を変数として含む関数は、特に、 少なくとも平均値を変数として含む関数であることが好ましぐ平均値と偏差の両方を 変数として含む関数であることがより好ましい。例えば、結合高さ dの平均値く d >及 び標準偏差 σ を用いて、 < d > + δ σ (但しー3≤ δ≤3)とするのが好ましい。な お、結合高さ dの偏差を変数として含み、且つ結合高さ dの平均値 < d>を変数として 含まない関数としては、例えば、結合高さ dの標準偏差 σ と、中点距離 m (後述)とを
d
使って、 m+ ε σ (但し一 3≤ ε ≤ 3)とすることが考えられる。また、偏差は標準偏
d
差 σ に限らず平均偏差でも良い。
d
[0017] (11)上記の各文書相関図作成装置において、前記文書要素の内容データに基 づいて、特定の属性を有する文書要素に対して他の文書要素と区別する表示を付 加する区別表示付加手段を更に備えて 、ても良 、。
これにより、特定の属性を有する文書要素が、他の文書要素との関係で内容的及 び時間的にどのように位置づけられるのかを知ることができる。
更に、時間軸を表示し、その時間軸に合わせて各文書要素を配置することが望まし い。これにより、当該技術分野の発展系統上における自社技術の位置付けを把握す ることがでさる。
また、区別表示のために用いる内容データとしては、例えば特許文書の出願人の データを用いる。これによつてある出願人による特許文書群が、他社との関係でどの ように位置付けられるのかを知ることができる。
例えば、類似度に基づいて比較的多い件数の類似文書群を抽出し、当該類似文 書群について分析した場合には、比較的多方面の技術分野にわたる類似文書群の 中での自社の位置付けを知ることができる。従って、上記の効果にカ卩え、自社があま り目をつけていな力つた類似技術を発見でき、自社技術の他分野への適用の可能 性を見出すことができるとともに、他社の技術が内容的及び時間的にどのように発展 してきたのかを知ることもできる。
更に上記比較的多い件数の類似文書群を母集団として再度類似度を算出し、比 較的少ない件数の類似文書群について分析した場合には、更に絞り込んだ技術分 野での、特に他社との競合関係のより詳細な比較ができる。
[0018] (12)上記の各文書相関図作成装置において、前記クラスタ内配列手段は、前記ク ラスタ内に属する文書要素群で構成される榭状図にお 、て、結合された文書要素の どちらがより古いかについて、最下位ノードから順に比較を行い、下位ノードでより古 V、と判定された文書要素を上位ノードでの比較対象として、最上位ノードまで比較し て結果を記録し、最上位ノードでの比較の結果決定された最古要素を当該クラスタ の先頭に配置し、当該最古要素と直接比較された文書要素の数だけ、当該最古要 素からの分岐を作成し、これら比較された文書要素を上記各分岐に接続し、配列を 決定することが望ましい。
これにより、クラスタ内配列を決める際に、時間順による配列を確実に実現するとと もに、当該クラスタ内の分岐構造もある程度反映させることができる。
上記最古要素と直接比較された文書要素 (最古要素の対戦相手)が、より下位のノ ードで他の文書要素と比較されて 、た場合は、上記最古要素の対戦相手を上記各 分岐における最古要素として同様の処理を繰り返すことが望ましい。
[0019] (13)上記の各文書相関図作成装置において、前記クラスタ内配列手段は、当該ク ラスタ内の最古要素を 1つ又は複数抽出して先頭に配置し、前記最古要素を除いた 残りの文書要素について、これら文書要素を定義する分類ごとに時間順配列を形成 し、前記時間順配列のうち、これと同分類の文書要素が前記最古要素として存在す る時間順配列については、当該同分類の最古要素と結線し、前記時間順配列のうち 、これと同分類の文書要素が前記最古要素として存在しない時間順配列については 、当該時間順配列のうちの最古要素と最も類似度合いの高い文書要素を当該クラス タ内から選出し、当該最も類似度合いの高い文書要素と結線して、当該クラスタ内の 配列を決定することが望まし 、。
このように、同時刻要素が生じる場合でも、要素定義が分類に基づく場合にはその 分類情報を加味してクラスタ内配列を決定することで、当該同時刻要素を処理するこ とがでさる。
[0020] (14)上記の各文書相関図作成装置において、時間スライス分類手段と、時間スラ イス間結線手段とを更に備え、前記時間スライス分類手段は、前記複数の文書要素 を、各文書要素の前記時間データに基づいて複数の時間スライスに分類し、前記榭 状図作成手段は、各時間スライスに属する文書要素群の相関を示す榭状図を作成 し、前記クラスタリング手段は、前記各時間スライスの榭状図を所定の規則に基づき 切断してクラスタを抽出し、前記時間スライス間結線手段は、異なる時間スライスに属 するクラスタ同士を結線することが望ま 、。 このように時間スライスによる切り分けを最初に行うことにより、異なる分類間におけ る同時代文書の関係を表すことができ、併せて異なる期間における同分野文書の関 係ち表すことがでさる。
上記時間スライス間結線手段によるクラスタ同士の結線は、クラスタ間の類似度合 いを群間距離、最古要素と時間前方群の最短距離要素の要素間距離などにより計 算し、類似度合 、の高 、クラスタ同士を結線することが望まし 、。
また、上記時間スライス間結線手段によるクラスタ同士の結線は、結線される双方の クラスタに属する要素間（時間後方群の最古要素と時間前方群の最新要素との間、 或いは時間後方群の最古要素と時間前方群の最短距離要素との間など)での結線 とすることが望ましい。
(15)また本発明の他の文書相関図作成装置は、 1つ又は複数の文書からなる文 書要素の内容データ及び時間データを、複数の文書要素につき抽出する抽出手段 と、前記複数の文書要素を、各文書要素の前記時間データに基づいて複数の時間 スライスに分類する時間スライス分類手段と、前記各時間スライスに属する各文書要 素の内容データに基づき、前記各時間スライス力もクラスタを抽出するクラスタリング 手段と、異なる時間スライスに属するクラスタ同士を結線する時間スライス間結線手段 と、を備えている。
このように、クラスタ抽出と時間データに基づく分類とを行うことにより、分野ごとの時 間的発展を適切に表す榭状図を作成することができる。
特に、時間スライスによる切り分けを最初に行うことにより、異なる分類間における同 時代文書の関係を表すことができ、併せて異なる期間における同分野文書の関係も 表すことができる。
上記クラスタリング手段によるクラスタの抽出は、榭状図切断の方法によるのが好ま しいが、これに限られるものではなぐ公知の k一平均法などを用いたクラスタ抽出で ちょい。
また、各クラスタ内における文書要素の配列は、文書要素の時間データに基づいて 行っても良いし、時間データに基づかずに例えば単なる並列配置としてもよい。 上記時間スライス間結線手段によるクラスタ同士の結線は、クラスタ間の類似度合 いを群間距離、最古要素と時間前方群の最短距離要素の要素間距離などにより計 算し、類似度合 、の高 、クラスタ同士を結線することが望まし 、。
また、上記時間スライス間結線手段によるクラスタ同士の結線は、結線される双方の クラスタに属する要素間（時間後方群の最古要素と時間前方群の最新要素との間、 或いは時間後方群の最古要素と時間前方群の最短距離要素との間など)での結線 とすることが望ましい。
[0022] (16)また本発明は、上記各装置によって実行される方法と同じ工程を備えた文書 相関図作成方法、並びに上記各装置によって実行される処理と同じ処理をコンピュ ータに実行させることのできる文書相関図作成プログラムである。このプログラムは、 FD、 CDROM、 DVDなどの記録媒体に記録されたものでもよぐネットワークで送受 信されるちのでもよい。
発明の効果
[0023] 本発明によれば、分野ごとの時間的発展を適切に表す文書相関図を自動作成す ることがでさる。
図面の簡単な説明
[0024] [図 1]本発明の一実施形態に係る文書相関図作成装置のハードウェア構成を示す図
[図 2]上記の文書相関図作成装置における構成と機能を、特に処理装置 1と記録装 置 3にっき詳細に説明する図。
[図 3]上記の文書相関図作成装置における処理装置 1の動作手順を示すフローチヤ ート。
圆 4]実施例 1 (均衡切断法; BC法)で行う連関規則分析に用いるパラメータの説明 図。
[図 5]実施例 1におけるクラスタ抽出過程を説明するフローチャート。
[図 6]実施例 1におけるクラスタ抽出過程での榭状図配置例を示す図。
[図 7]実施例 1の方法により生成された文書相関図の具体例を示す図。
[図 8]実施例 2 (余次元降下法; CR法）におけるクラスタ抽出過程を説明するフローチ ヤート, 圆 9]実施例 2におけるクラスタ抽出過程での榭状図配置例を示す図。
圆 10]実施例 2の方法により生成された文書相関図の具体例を示す図。
[図 11]実施例 3 (細胞分裂法; CD法）におけるクラスタ抽出過程を説明するフローチ ヤート。
圆 12]実施例 3におけるクラスタ抽出過程での榭状図配置例を示す図。
圆 13]実施例 3の方法により生成された文書相関図の具体例を示す図。
圆 14]実施例 3の方法により生成された文書相関図の他の具体例を示す図。
[図 15]実施例 4 (段階的切断法; SC法）におけるクラスタ抽出過程を説明するフロー チャート。
圆 16]実施例 4におけるクラスタ抽出過程での榭状図配置例を示す図。
圆 17]実施例 4の方法により生成された文書相関図 (標準化あり）の具体例を示す図 圆 18]実施例 4の方法により生成された文書相関図 (標準化なし)の具体例を示す図 圆 19]実施例 5 (可変複合法; FC法）におけるクラスタ抽出過程を説明するフローチ ヤート。
[図 20]実施例 5におけるクラスタ抽出過程での榭状図配置例の一部を示す図。
圆 21]実施例 5の方法により生成された文書相関図 (g固定)の具体例を示す図。 圆 22]実施例 5の方法により生成された文書相関図 (g非設定)の具体例を示す図。 圆 23]実施例 5の方法により生成された文書相関図の他の具体例を示す図。
圆 24]実施例 5の変形例 1による方法で生成された文書相関図の具体例を示す図。 圆 25]実施例 5の変形例 2による文書相関図の作成過程を示す図。
[図 26]実施例 5の変形例 2による方法で生成された文書相関図の具体例（文書 3000 件)を示す図。
圆 27]実施例 5の変形例 2による方法で生成された文書相関図の具体例 (文書 300 件)を示す図。
[図 28]図 26の文書相関図における別の表示例の一部を示す図。
[図 29]図 26の文書相関図における更に別の表示例の一部を示す図。 [図 30]実施例 6 (—本釣り配列; PLA)におけるクラスタ内配列過程を説明するフロー チャート。
[図 31]実施例 6におけるクラスタ内配列過程での榭状図配置例を示す図。
[図 32]実施例 7 (群時系順序; GTO)におけるクラスタ内配列過程を説明するフロー チャート。
[図 33]実施例 7におけるクラスタ内配列過程での榭状図配置例の一部を示す図。
[図 34]実施例 8 (時断面分析; TSA)の文書相関図作成装置における構成と機能を、 更に詳細に説明する図。
[図 35]実施例 8における文書相関図作成過程を説明するフローチャート。
[図 36]実施例 8における文書相関図作成過程での榭状図配置例を示す図。
[図 37]実施例 8の方法により生成された文書相関図の第 1の具体例及びその生成過 程を示す図。
[図 38]実施例 8の方法により生成された文書相関図の第 2の具体例及びその生成過 程を示す図。
[図 39]実施例 8の方法により生成された文書相関図の第 3の具体例及びその生成過 程を示す図。
[図 40]実施例 8の方法により生成された文書相関図の第 4の具体例及びその生成過 程を示す図。
符号の説明
[0025] 1 :処理装置、 2 :入力装置、 3 :記録装置、4 :出力装置、
20：時間データ抽出部 (抽出手段)、 25：時間スライス分類部 (時間スライス分類手 段)、 30 :索引語データ抽出部 (抽出手段 )、 50 :榭状図作成部 (榭状図作成手段)、 70：クラスタ抽出部（クラスタリング手段）、 75：時間スライス間結線部（時間スライス間 結線手段）、 90：クラスタ内要素配置部 (クラスタ内配列手段）、
E :文書要素、 oc：切断高さ、 c :ノード (結節点）、 n :スライス番号、 G :グループ 発明を実施するための最良の形態
[0026] 以下、本発明の実施の形態を、図面を参照して詳細に説明する。
[0027] < 1.語彙の説明等 > 本明細書の中で使用する語彙を説明する。
文書要素 E又は E〜E ： 分析対象となる文書集団を構成し、本発明による分析
1 N
の単位となる個々の要素。各文書要素は 1つ又は複数の文書力 なる。文書要素群 というときは、複数の文書要素を指すものとする。
類似度合い： 比較される文書要素と文書要素、文書要素と文書要素群、又は文 書要素群と文書要素群の、類似度又は非類似度。比較される文書要素又は文書要 素群をベクトル表現し、ベクトル間の余弦乃至 Tanimoto相関（類似度の一例）などべ タトル成分間の積の関数を用いて表現する方法、ベクトル間の距離 (非類似度の一 例）などベクトル成分間の差の関数を用いて表現する方法がある。
榭状図： 分析対象である文書集団を構成する各文書要素を榭状に結線した図。 デンドログラム： 階層的クラスタ分析によって生成される榭状図。作成原理を簡単 に説明すると、まず、分析対象である文書集団を構成する各文書要素間の非類似度 (類似度）に基づいて、非類似度が最小 (類似度が最大)の文書要素同士を結合させ て結合体を生成する。更に結合体と他の文書要素、或いは結合体と結合体を、これ らの非類似度の小さ 、順に結合させて新たな結合体を生成する作業を繰り返す。こう して階層構造として表現される。
索引語： 文書の全部或いは一部から切り出される単語。単語の切り出し方に特段 の制約はなぐ従来から知られている方法や、例えば日本語文書であれば市販の形 態素解析ソフトを活用して、助詞や接続詞を除き、意味ある品詞を抽出する方法でも よいし、又索引語の辞書 (シソーラス）のデータベースを事前に保持し該データべ一 スから得られる索引語を利用する方法でもよい。
以降の説明を簡素にするため、略号を決める。
d ： 榭状図における文書要素と文書要素、文書要素群と文書要素群、或いは文 書要素と文書要素群、の結合位置の高さ (結合距離)。類似度を文書ベクトル (又は 文書群ベクトル）間の余弦 cos Θで定義した場合、 d = a - bcos Θ (例えば a = b = 1)と することが望ましい。
a 榭状図の切断位置の高さ。
a * : < d > + δ σ (但し 3≤ δ ≤ 3)で算出される榭状図の切断高さ。ここでく d >は当該榭状図における全結合高 dの平均値であり、 σ は当該榭状図における全 d
結合高 dの標準偏差である。
N ： 分析対象の文書要素数。
t ： 文書要素の時間データ。例えば特許文献であれば出願日、公開日、設定登 録日、優先権主張日などの何れ力とすることができる。特許文献の出願番号、公開 番号等が出願順、公開順等に従っているならば、これら出願番号、公開番号等を時 間データとすることもできる。文書要素が複数の文書からなる場合は、文書要素を構 成する各文書の時間データの平均値、中央値などを求め、これを文書要素の時間デ ータとする。
[0029] TF (E) : 文書要素 Eの索引語による、当該文書要素 Eの中での出現頻度 (索引語 頻度； Term Frequency)。
DF (P)： 文書要素 Eの索引語による、母集団である全文書 Pの中での文書頻度（ Document Frequency) 0文書頻度とは、ある索引語で、複数文書から検索したときの ヒット文書数をいう。母集団である全文書 Pとしては、特許文献についての分析であれ ば、例えば日本国内で過去 10年間に発行されたすベての公開特許公報又は登録 実用新案公報約 400万件を用いる。
TF * IDF (P)： TF (E)と、〃DF (P)の逆数 X母集団である全文書数〃の対数との 積。文書の索引語ごとに演算される。なお、文書要素 Eが複数の文書からなる場合に は、 GF (E) * IDF (P)と等価である。
GF (E) : 文書要素 Eが複数の文書力 なる場合に、当該文書要素 Eを構成する 各文書の索引語による、当該文書要素 Eの中での出現頻度 (大域的頻度; Global Fr equency)。
DF (E) : 文書要素 Eが複数の文書からなる場合に、当該文書要素 Eを構成する 各文書の索引語による、当該文書要素 Eの中での文書頻度。
GFIDF (E)： 文書要素 Eが複数の文書力 なる場合に、 GF (E) /DF (E)。文書 の索引語ごとに演算される。
[0030] < 2.文書相関図作成装置の構成 > 図 1は本発明の一実施形態に係る文書相関図作成装置のハードウェア構成を示す 図である。同図に示すように、本実施形態の文書相関図作成装置は、 CPU (中央演 算装置)およびメモリ (記録装置)などから構成される処理装置 1、キーボード (手入力 器具)などの入力手段である入力装置 2、文書データや条件や処理装置 1による作 業結果などを格納する記録手段である記録装置 3、および作成された文書相関図を 表示又は印刷等する出力手段である出力装置 4から構成される。
[0031] 図 2は上記の文書相関図作成装置における構成と機能を、特に処理装置 1と記録 装置 3にっき詳細に説明する図である。
処理装置 1は、文書読み出し部 10、時間データ抽出部 20、索引語データ抽出部 3 0、類似度演算部 40、榭状図作成部 50、切断条件読み出し部 60、クラスタ抽出部 7 0、配置条件読み出し部 80、クラスタ内要素配置部 90、を備えている。
記録装置 3は、条件記録部 310、作業結果格納部 320、文書格納部 330などから 構成される。文書格納部 330は外部データベースや内部データベースを含んで 、る 。外部データベースとは、例えば日本国特許庁でサービスしている特許電子図書館 の IPDLや、株式会社パトリスでサービスして!/、る PATOLISなどの文書データべ一 スを意味する。又内部データベースとは、販売されている例えば特許 JP— ROMなど のデータを自前で格納したデータベース、文書を格納した FD (フレキシブルディスク )、 CD (コンパクトディスク） ROM、 MO (光磁気ディスク）、 DVD (デジタルビデオディ スク)などの媒体力 読み出す装置、紙などに出力された或いは手書きされた文書を 読み込む OCR (光学的情報読み取り装置)などの装置及び読み込んだデータをテ キストなどの電子データに変換する装置などを含んでいるものとする。
[0032] 図 1及び図 2において、処理装置 1、入力装置 2、記録装置 3、および出力装置 4の 間で信号やデータをやり取りする通信手段としては、 USB (ユニバーサルシステムバ ス）ケーブルなどで直接接続してもよ 、し、 LAN (ローカルエリヤネットワーク）などの ネットワークを介して送受信してもよいし、文書を格納した FD、 CDROM、 MO、 DV Dなどの媒体を介してもよい。或いはこれらの一部、又はいくつかを組み合わせたも のでもよい。
[0033] < 2— 1.入力装置 2の詳細 > 次に、図 2により上記の文書相関図作成装置における構成と機能を詳しく説明する 入力装置 2では、文書要素群の読み出し条件、榭状図の作成条件、榭状図の切断 によるクラスタの抽出条件、クラスタ内要素の配置条件などの入力を受け付ける。これ ら入力された条件は、記録装置 3の条件記録部 310へ送られて格納される。
[0034] < 2— 2.処理装置 1の詳細 >
文書読み出し部 10は、入力装置 2で入力される読み出し条件に従って、分析対象 となる複数の文書要素を記録装置 3の文書格納部 330から読み出す。読み出された 文書要素群のデータは、時間データ抽出部 20及び索引語データ抽出部 30に直接 送られて各々での処理に用いられ、或いは記録装置 3の作業結果格納部 320に送ら れて格納される。
なお、文書読み出し部 10から時間データ抽出部 20及び索引語データ抽出部 30 或 ヽは作業結果格納部 320に送られるデータは、読み出された文書要素群の時間 データ及び内容データを含むすべてのデータであっても良い。また、これら文書要素 群の各々を特定する書誌データ（例えば特許文献であれば出願番号又は公開番号 など）のみであっても良い。後者の場合、以後の処理で必要なときは当該書誌データ に基づ!/、て再度文書格納部 330から各文書要素のデータを読み出せばよ 、。
[0035] 時間データ抽出部 20は、文書読み出し部 10で読み出された文書要素群から、各 要素の時間データを抽出する。抽出された時間データは、クラスタ内要素配置部 90 に直接送られてそこでの処理に用いられ、或 、は記録装置 3の作業結果格納部 320 に送られて格納される。
[0036] 索引語データ抽出部 30は、文書読み出し部 10で読み出された文書要素群から、 各文書要素の内容データである索引語データを抽出する。各文書要素から抽出され た索引語データは、類似度演算部 40に直接送られてそこでの処理に用いられ、或 いは記録装置 3の作業結果格納部 320に送られて格納される。
[0037] 類似度演算部 40は、索引語データ抽出部 30で抽出された各文書要素の索引語 データに基づき、文書要素間の類似度 (又は非類似度)を演算する。この類似度の 演算は、入力装置 2から入力された条件に基づき、類似度算出のための類似度算出 モジュールを条件記録部 310から呼び出してきて実行する。算出された類似度は、 榭状図作成部 50に直接送られてそこでの処理に用いられ、或いは記録装置 3の作 業結果格納部 320に送られて格納される。
[0038] 榭状図作成部 50は、入力装置 2で入力される榭状図作成条件に従って、類似度 演算部 40で演算された類似度に基づき、分析対象である文書要素群の榭状図を作 成する。作成された榭状図は、記録装置 3の作業結果格納部 320に送られて格納さ れる。榭状図の格納形式は、例えば二次元座標面上に配置される各文書要素の座 標値及びこれらを結ぶ個々の連結線の始点及び終点の座標値のデータ、或いは各 文書要素の結合の組合せ及び結合の位置を示すデータという形をとることができる。
[0039] 切断条件読み出し部 60は、入力装置 2で入力され記録装置 3の条件記録部 310 に記録された榭状図切断条件を読み出す。読み出された切断条件はクラスタ抽出部 70に送られる。
[0040] クラスタ抽出部 70は、榭状図作成部 50で作成された榭状図を記録装置 3の作業結 果格納部 320から読み出すとともに、切断条件読み出し部 60で読み出された切断条 件に基づいて当該榭状図を切断し、クラスタを抽出する。抽出されたクラスタに関す るデータは、記録装置 3の作業結果格納部 320に送られて格納される。クラスタのデ ータは、例えばクラスタの各々に属する文書要素を特定する情報と、クラスタ同士の 結線情報とを含んでいる。
[0041] 配置条件読み出し部 80は、入力装置 2で入力され記録装置 3の条件記録部 310 に記録されたクラスタ内の文書要素配置条件を読み出す。読み出された配置条件は クラスタ内要素配置部 90に送られる。
[0042] クラスタ内要素配置部 90は、クラスタ抽出部 70で抽出されたクラスタのデータを記 録装置 3の作業結果格納部 320から読み出すとともに、配置条件読み出し部 80で読 み出された文書要素配置条件に基づいて各クラスタ内の文書要素の配置を決定す る。クラスタ内の配置を決定することで、本発明の文書相関図が完成する。この文書 相関図は、記録装置 3の作業結果格納部 320に送られて格納され、必要に応じて出 力装置 4にて出力される。
[0043] < 2— 3.記録装置 3の詳細 > 図 2の記録装置 3において、条件記録部 310は、入力装置 2から得られた条件など の情報を記録し、処理装置 1の要求に基づき、必要なデータを送る。作業結果格納 部 320は、処理装置 1における各構成要素の作業結果を格納し、処理装置 1の要求 に基づき、必要なデータを送る。文書格納部 330は、入力装置 2或いは処理装置 1 の要求に基づき、外部データベース或いは内部データベース力 得た、必要な文書 データを格納し、提供する。
[0044] < 2-4.出力装置 4の詳細 >
図 2の出力装置 4は、処理装置 1のクラスタ内要素配置部 90で作成され記録装置 3 の作業結果格納部 320に格納された文書相関図を出力する。出力の形態としては、 例えばディスプレイ装置への表示、紙などの印刷媒体への印刷、或いは通信手段を 介してのネットワーク上のコンピュータ装置への送信などが挙げられる。
[0045] < 3.文書相関図作成装置の作用 >
< 3- 1.文書相関図作成装置の動作 >
図 3は上記の文書相関図作成装置における処理装置 1の動作手順を示すフローチ ヤートである。
[0046] まず、文書読み出し部 10において、入力装置 2で入力される読み出し条件に従つ て、分析対象となる複数の文書要素を記録装置 3の文書格納部 330から読み出す（ ステップ S10)。分析対象となる文書要素群は、例えば、全特許文書のうち、ある特許 文書との類似度降順 (非類似度昇順)に選出された文書群としても良いし、特定のキ 一ワード (国際特許分類、技術用語、出願人、発明者など)などあるテーマに沿った 検索によって選出された文書群としても良いし、他の方法で選出しても良い。
[0047] 次に、時間データ抽出部 20において、文書読み出しステップ S10で読み出された 文書要素群から、各要素の時間データを抽出する (ステップ S 20)。
[0048] 次に、索引語データ抽出部 30において、文書読み出しステップ S10で読み出され た文書要素群から、各文書要素の内容データである索引語データを抽出する (ステ ップ S30)。各文書要素の索引語データは、例えば、文書要素 E力も抽出された索引 語の各々についての当該文書要素内における出現回数 (索引語頻度 TF (E)。文書 要素 Eがそれぞれ複数の文書力もなる場合は大域的頻度 GF (E) )の関数値を成分 とする、多次元ベクトルで表現することができる。なお、文書要素の内容データとして は、索引語データに限らず、国際特許分類 (IPC)、出願人、発明者等のデータも用 いることがでさる。
[0049] 次に、類似度演算部 40において、索引語データ抽出ステップ S30で抽出された各 文書要素の索引語データに基づき、文書要素間の類似度 (又は非類似度)を演算す る（ステップ S40)。
[0050] 類似度演算の具体的な一例としてベクトル空間法を用いたものを説明すると以下の 通りである。今、分析対象である文書集団を構成し分析単位となる個々の文書要素 を E〜Eとする。これら文書要素 E〜E に対する演算の結果、文書要素 E力 切り
1 N 1 N 1 出された索引語を「赤」「青」「黄」とする。また、文書要素 E力も切り出された索引語
2
を「赤」「白」とする。その場合、各索引語につき、文書要素 Eでの索引語頻度 TF (E )、文書要素 Eでの索引語頻度 TF (E )、母集団である全文書 P (全文書 Pの文書数
2 2
を 400とする。）での文書頻度 DF (P)力 それぞれ次の通りであるとする。
[表 1]
Figure imgf000020_0001
TF * IDF (P)を各文書の索引語毎に計算して、各文書要素のベクトル表現を算出 する。この結果は文書要素ベクトル E及び Eについて、次のようになる。
1 2
[表 2]
Figure imgf000020_0002
このベクトル E及び E間の余弦 (又は距離)の関数を取れば、文書要素ベクトル E
1 2 1 及び E間の類似度 (又は非類似度)が得られる。なお、ベクトル間の余弦 (類似度）は 値が大きいほど類似度合いが高いことを意味し、べ外ル間の距離 (非類似度）は値 力 S小さ 、ほど類似度合 、が高 、ことを意味する。
[0053] 各文書要素を表すベクトルの成分としては、文書要素 Eがそれぞれ 1つの文書から なる場合 (ミクロ要素）には、例えば索引語の TF * IDF (P)を用いるのが好ましい。ま た、文書要素 Eがそれぞれ複数の文書力もなる場合 (マクロ要素）には、各文書要素 を表す文書群ベクトルの成分としては、例えば GFIDF (E)或いは GF (E) * IDF (P) を用いることが好ましい。また、これらの関数など他の指標を用いて文書要素ベクトル の成分としてもよい。
また、ベクトル空間法に限らず、他の方法を用いて類似度を定義しても良い。
[0054] 次に、榭状図作成部 50において、入力装置 2で入力される榭状図作成条件に従つ て、類似度演算ステップ S40で演算された類似度に基づき、分析対象である文書要 素群の榭状図を作成する (ステップ S50)。榭状図としては、文書要素などの間の非 類似度 (又は類似度)を結合位置の高さ (結合距離)に反映させたデンドログラムを作 成することが望ましい。例えば、文書要素間の結合高さ dを、 d= l -cos Θ (cos Θは、 例えば、文書要素ベクトル間の余弦又は標準化処理した文書要素ベクトル間の余弦 )とする。デンドログラムの具体的な作成方法としては、公知の Ward法などを用いる。
[0055] 次に、切断条件読み出し部 60において、入力装置 2で入力され記録装置 3の条件 記録部 310に記録された榭状図切断条件を読み出す (ステップ S60)。
[0056] 次に、クラスタ抽出部 70において、切断条件読み出しステップ S60で読み出された 切断条件に基づき、榭状図作成ステップ S50で作成された榭状図を切断し、クラスタ を抽出する (ステップ S70)。
[0057] 次に、配置条件読み出し部 80において、入力装置 2で入力され記録装置 3の条件 記録部 310に記録されたクラスタ内の文書要素配置条件を読み出す (ステップ S80)
[0058] 次に、クラスタ内要素配置部 90において、配置条件読み出しステップ S80で読み 出された文書要素配置条件に基づき、クラスタ抽出ステップ S70で抽出されたクラス タ内の文書要素の配置を決定する (ステップ S90)。クラスタ内の配置を決定すること で、本発明の文書相関図が完成する。なお、配置条件はすべてのクラスタに共通とし て良い。よって、あるクラスタのためにステップ S80を一度実行すれば、他のクラスタ のために再度実行する必要はな 、。
[0059] < 3— 2.文書相関図作成装置の効果 >
本実施形態によれば、分野ごとの時間的発展を適切に表す文書相関図を自動作 成することができるので、例えば特許文書であれば、技術の分岐の源となる発明、基 本特許、関連分野などの発掘に役立つ文書相関図を容易に作成することができる。
[0060] また、ある技術が、予想もしな力つた技術からの分岐であったことや、或いは別な技 術へ応用されていったことなどが「所要時間も含めて」読み取れるので、製品開発へ のヒントを提供することができる。また、新規発明までに要する時間、出願件数の規模 の比から開発コストを試算するといつたことも可能になる。
[0061] また、集団内（自社内、他社内、業界内）の特許文書群を対象として文書相関図を 作成することにより、当該集団内の特許構造を整理して理解し、特許戦略への活用 を図ることができる。
[0062] また、製品ごとに抽出した特許文書群を対象として文書相関図を作成することによ り、どの品目がどの技術と結びついて出現してきたかを分析することができる。また、 発明者ごとに抽出した特許文書群を対象として文書相関図を作成することにより、技 術が誰力も誰へと受け継がれていつたかを分析することもできる。
[0063] <4.クラスタ抽出の実施例 >
次に、上記の文書相関図作成装置による文書相関図の種々の作成方法について 、具体的に説明する。まずは榭状図を切断しクラスタを抽出する過程 (主として図 3の ステップ S70に相当）に関する実施例 1〜5について説明し、続いて時間データに基 づき配列を決定する過程 (主として図 3のステップ S90などに相当）に関する実施例 6 〜8について説明する。クラスタ抽出過程に関する実施例 1〜5と、時間配列過程に 関する実施例 6〜8とは、互いに任意の組合せが可能である。
なお、実施例 1〜5及び実施例 6〜8に付した「均衡切断法 (BC法)」「余次元降下 法 (CR法)」などの名称は、本発明を説明するために便宜的に与えるものである。
[0064] < 4 1.実施例 1 (均衡切断法； BC法） > 均衡切断法 (Balance Cutting Method)では、榭状図の切断位置の決定に連関規 則を用いる。つまり、予め既存の教師図（時間データに基づいて配置した文書相関 図を与えるための理想切断位置が既知である榭状図）を多数分析し、理想的な切断 位置がなるべく選出される規則 (連関規則)を、種々の榭状図パラメータに対する条 件式として求めておく。この分析を連関規則分析という。こうして求めておいた連関規 則を、解析対象の榭状図に適用して切断位置を決定する。
[0065] <4 1 1.連関規則分析の説明 >
二つの事象 A、 Bに対し、それぞれが独立に発生する確率を P (A)、 P (B)とする。 事象 A (前提事象）が発生した後で事象 B (帰結事象）が発生する場合、その確率 (条 件付確率)を P (B I A)と記し、 P (A)を「前提確率」、 P (B)を「事前確率」、 P (B | A) を「事後確率」と呼ぶ。
[0066] 次の（1)〜（3)の基準によって選出された二つの事象のセットを「連関規則」 A→B と呼び、「事象 Aが発生すれば、（ある値以上の確率で)事象 Bが発生する」という規 則性を意味する。
(1)前提確率 P (A)が高い
(2)事前確率 P (B)が低く事後確率 P (B I A)が高い
(3)従って、前提確率 P (A)と事後確率 P (B I A)が共に高い
[0067] 確率が「高い」とは、ある閾値以上の値をとることを意味する。例えば、事後確率 P ( B I A)に対する閾値は「信頼度」（confidence)と呼ばれ、例えば 60〜70%程度に設 定される。また例えば、同時確率(？(八门8) =? (八)？( I A) )に対する閾値は「サ ポート」（support)と呼ばれ、例えば 60%程度に設定される。
[0068] 連関規則を算出するアルゴリズムは公知である力 これを本発明における榭状図切 断位置の決定のための連関規則の導出に適用する場合にっ 、て、次の 4 1 2. 4- 1 - 3.にて説明する。
[0069] <4 1 2.パラメータの読み取り >
図 4は、実施例 1で行う連関規則分析に用いるパラメータの説明図である。連関規 則の導出のためには、まず、教師図のパラメータを読み取る。例えば、教師図の幾何 的形状から以下のパラメータを読み取る。なお、解析対象榭状図に連関規則を適用 する際には、当該解析対象榭状図についても、同様のパラメータを読み取ることが必 要となる。
[0070] 中点距離 m: 二体結合 (初期結合)の高さを hとし、二体結合より上段の結合につ
0
V、ての下段との差分 Ahを、 Ah=h—h とする。但し添え字 iは結合レベル (初 i i i (i-1)
期結合を 0とし 1段上がるごとに 1をカ卩えた数)である。 Ah Zh ≥1 又は ΔΙιΖΔ
1 o j h ≥2(jは結合レベル iのうち 2以上の数)を満たす Δ hが榭状図全体で p個あつ
(j-l) i
た場合、各 Ahを定める上端下端の中点値 m (k=l, 2, ···, p)の平均
i k
m=(l/p) X∑m
k
を中点距離とする。
[0071] 土台 <h >： 二体結合の高さ hの平均値。すなわち、二体結合が榭状図全体で
0 0
q個あった場合、
<h > = (l/q) X∑h
o o
[0072] 最終結合高さ H: 最終結合距離
榭状図面積 S (図示せず）： 最終結合高さ H X全要素数 N
クラスタ面積 s (図示せず）： 全要素の最初の結合高さの和
[0073] 切断高さ候補 α 、 α 、 α (図示せず）：
0 1 2
a =m
o
a =m-<h >/2
1 0
a =(∑m +∑h )/(p + q)
2 k 0
[0074] なお、連関規則分析に用いるパラメータとしては、上記の他にも種々のもの、例え ば結合高さ dの平均値及び偏差のうち何れか又は両方を変数として含む関数を用い ることもできる。例えば、上記中点距離 mの代わりに、結合高さ平均値 <d>を用いる こともできるし、上記土台 <h >の代わりに、結合高さの平均値 <d>と標準偏差 σ
0 d を用いて <d>— σ 或いはく d>— 2σ を用いることもできる。また、切断高さ候補と d d
して、 a =<d〉或いは α =<ά>+0.5σ を追カロしても良い。
3 3 d
[0075] <4 1 3.連関規則の導出例 >
連関規則の導出例として、教師図 28件を基に導出した例を説明する。
ここでは、教師図が少な目であるのでサポート（同時確率 Ρ (Α ΠΒ)=Ρ(Α)Ρ(Β I A)の閾値）は考慮に入れな力つた。代わりに、「前提事象 A発生後の帰結事象 Bの 発生数 Z前提事象 A発生の有無で絞る前の事象 Bの発生数」を『保存率』と命名し、 また (P (B I A)— P (B) ) /P (B)を確率の『伸び率』と命名し、これらを判定に用いた 。これら保存率及び伸び率は、事前確率に対する事後確率の減少度の小ささを表す ものということができる。
判定の優先順位として第一に信頼度 (事後確率 P (B I A)に対する閾値 = 65%)、 第二に保存率 (60%)、第三に伸び率 (60%)を用いることを原則とした。
[0076] (i)自明解の検出
三つの切断高さ候補 α 、 α 、 α のうち、最善値を与える頻度が高力つたのが α
0 1 2 0 で、教師図全 28件のうち 13件であった。 a が最適解 (最善値又は次善値)を与える
0
場合を含めると教師図全 28件のうち 20件が該当したので、第一候補として α をとる
0 と しした。
[0077] (ii)自明解の閾値検出 (前提条件の検出）
教師図全 28件のうち、中点距離 m< 0. 9 をとるもの（12件存在した）に限定して 切断高さ候補を適用すると、 12件全件（100%)で α が最適解となった (信頼度 100
0
%) ο
従って、以下の条件式が導かれる。
mく 0. 9 a = a
o
[0078] (iii)残りの前提条件下での規則検出
教師図のうち、残りの m≥0. 9 をとるもの（16件）について分析する。中点距離 m が大きいということは榭状図の高さが高いということを意味する。そこで、教師図全 28 件の高さについて調べたところ、次のような規則が見られた：
s/S≥0. 345 (全 18件） → < h >/m≥0. 5 (内 17件） …式 1
0
ここで、「クラスタ面積 sZ榭状図面積 S」をクラスタ密度、「土台く h >Z中点距離 m」
0
を土台比率と定義する。つまり、 94%の確率で「クラスタ密度が高い→土台比率が高 い」という規則が得られた。
[0079] (iii-a) s/S≥0. 345 & < h >/m≥0. 5 の場合
0
そこで、この 17件に対して、条件 m≥0. 9 で絞る前（17件）と絞った後（11件あ つた)で最適解の確率を比べると、
[表 3]
Figure imgf000026_0001
となった。事後確率が高く且つ件数の変動が少ないのは α である (信頼度 82%、保
2
存率 75%)。従って、以下の条件式が導かれる。
m≥0. 9 & s/S≥0. 345 & < h >/m≥0. 5 → a = a
0 2
s/S の条件と < h >/m の条件をクロスさせているのは誤判定を避けるためで
0
ある。
[0080] (iii-b) m/H< 0. 55 の場合
次に、 m≥0. 9 で sZS < 0. 345 又は < h >/m< 0. 5 の場合を考えるベ
0
きである力 該当件数が 5件と少ないので、異なる条件分岐で改めて m≥0. 9 の 1 6件を再分析する。再分析の目的は密度が低いもの或いは高さが低いものについて の条件式を導くことであるから、高さと密度で条件分岐を考える。
[0081] 高さについて「中点距離 mZ最終結合高さ H」を高層度と定義し、 mZH≥0. 55 ( 高層型）と mZHく 0. 55 (下方群生型）とに分別する。
[0082] 密度に関しては、上記式 1によりクラスタ密度 sZSと土台比率 < h >Zmには高い
0
相関があるので、まず、土台比率 <h >Zmの大小に応じた条件式を探ってみる。
0
教師図全 28件のうち、条件 m≥0. 9 で絞る前（28件）と絞った後（16件)で最適 解の確率を比べると、
[0083] mZH≥0. 55 (高層型）においては：
土台比率 < h >/m < 0. 4 に関しては事前確率がゼロ、
0
土台比率 < h >/m ≥ 0. 4 に関しては事前事後確率の大きな変化が認めら
0
れず、
結局、有意な規則は導かれない。 m/H< 0. 55 (下方群生型）においては：
まず、土台比率 < h >/m < 0. 4 のとき、
0
[表 4]
Figure imgf000027_0001
となったので、 a を採用でき (信頼度 100%)、以下の条件式を導くことができる。
0
m≥0. 9 & m/H< 0. 55 & < h〉/m< 0. 4 → a = a
o o
一方、土台比率 <h〉Zm ≥ 0. 4 のとき、
0
[表 5]
Figure imgf000027_0002
となった。 α と α で事後確率が向上している力 保存率、伸び率を両者で比較する
1 2
と、 α を採用でき (信頼度 67%、保存率 100%、伸び率 168%)、以下の条件式を導く ことができる。
m≥0. 9 & m/H< 0. 55 & < h >/m≥0. 4 → α = α
0 1
(iii-c) m/H≥0. 55 の場合
次に、（iii-b)で決まらなかった m≥0. 9 で mZH≥0. 55 (高層型）の場合に ついて分析する。
ここでは、クラスタ密度 sZSに応じて、条件 m≥0. 9 で絞る前と絞った後で最適 解の確率を比べる。
まず、クラスタ密度 sZSく 0. 4のとき、 [表 6]
Figure imgf000028_0001
となった。事後確率 (信頼度）が高いのは α と α である力、両者に有意な差はない
0 2
ため、事前確率の高い α
0を採用でき、以下の条件式を導くことができる。
m≥0. 9 & m/H≥0. 55 & sZS< 0. 4 → =
o
次に、クラスタ密度 sZS≥0. 4のとき、
[表 7] 事前確率 事後確率
0 3件 Z8 (38%) → 2件 Z7 (29%)
3件 Z8 (38%) → 2件 Z7 (29%) ひ 2 7件ノ 8 (88%) → 6件ノ 7 (86%) となった。事後確率の高い α を採用でき (信頼度 86%、保存率 86%)、以下の条件
2
式を導くことができる。
m≥0. 9 & m/H≥0. 55 & s/S≥0. 4 → a = a
2
[0086] なお、 m≥0. 9 で mZHく 0. 55 (下方群生型）の場合についても、クラスタ密度 s/Sに応じた分析をした場合、
クラスタ密度 sZS< 0. 4 に間しては事前事後確率の大きな変化が認められず、 クラスタ密度 sZS≥0. 4 に間しては事後確率ゼロで、
結局、有意な規則は導かれない。
[0087] (iv)まとめ
以上をまとめて、最適の切断高さ (Xを選出する規則として、以下の式を得ることがで きる。 a =F (m, 0.9； a , F ( < h > /m, 0.5； A, B) )
Θ 0 0 0
B = F (s/S, 0.345； A, a )
Θ o
A=F (m/H, 0.4； F ( < h > /m, 0.4 ; α , a ) , F (s/S, 0.4 ; a , a θ Θ 0 0 1 0 0
) )
2
[0088] 但し、 F (x， y； y, z) = Θ (x< y ) y+ Θ (x≥ y ) z
Θ
なお、 θ (X)は、命題 Xが真のとき 1、それ以外のとき 0を返す関数である。つまり、 F (X, y； y， z)は、 Xく yのとき y、 x≥ yのとき zを返す関数である。
Θ
[0089] こうして導出された連関規則は、入力装置 2からの入力等に従い、記録装置 3の条 件記録部 310に格納される。なお、この連関規則は教師図に依存するものなので、 例えば解析対象榭状図の要素数に応じて教師図を更新し、再度連関規則分析をす れば、これと異なる連関規則が導かれ得る。
[0090] く 4— 1—4.クラスタ抽出手順 >
次に、上述の方法で導出された連関規則を用いて決定される切断位置を用いて、 榭状図を切断し、クラスタを抽出する具体的手順について説明する。
[0091] 図 5は、実施例 1 (均衡切断法; BC法）におけるクラスタ抽出過程を説明するフロー チャートである。このフローチャートは、本実施例 1の手順を図 3より詳細に示している 。図 3と同様のステップには図 3のステップ番号に 100を加えて下二桁を図 3と同一の ステップ番号とし、図 3と重複する説明を省略することがある。
図 6は、実施例 1におけるクラスタ抽出過程での榭状図配置例を示す図であり、図 5 を補足するものである。 E〜E は文書要素を表し、ここでは便宜上、添え字の小さ
1 11
いほうがより小さな時間 tをもつ（より古い)文書要素であるものとする。
[0092] まず、処理装置 1の文書読み出し部 10が、分析対象となる複数の文書要素を記録 装置 3の文書格納部 330から読み出す (ステップ S 110)。
[0093] 次に、処理装置 1の時間データ抽出部 20が、分析対象である文書集団の各文書 要素から時間データを抽出する (ステップ S 120)。
[0094] 次に、処理装置 1の索引語データ抽出部 30が、分析対象である文書集団の各文 書要素から索引語データを抽出する (ステップ S 130)。このとき、後述のように文書集 団のうちの最古要素（最古の文書要素) Eの索引語データは不要なので、ステップ S 120で抽出された時間データに基づき、最古要素以外の索引語データのみを抽出 することが好ましい。
[0095] 次に、処理装置 1の類似度演算部 40が、各文書要素間の類似度を演算する (ステ ップ S140)。このときも、上記と同様に最古要素以外の要素間の類似度のみを演算 する。
[0096] 次に、処理装置 1の榭状図作成部 50が、分析対象である文書集団の各文書要素 力もなる榭状図を作成する (ステップ S 150 :図 6 (A) )。このとき、最古要素 Eは他の 要素との類似度如何に関わらず、榭状図の先頭に配置する。
[0097] 次に、処理装置 1の切断条件読み出し部 60が、切断条件の読み出しを行う (ステツ プ S160)。ここでは榭状図のパラメータ読み出し条件と、上記連関規則分析で導出 された連関規則を読み出す。
[0098] 次に、クラスタ抽出部 70が、クラスタ抽出を行う。まず、上記読み出されたパラメータ 読み出し条件に従って榭状図のパラメータを読み出す (ステップ S171)。次に、この パラメータに対して上記読み出された連関規則を適用し、榭状図の切断高さ aを決 定する (ステップ S 172 :図 6 (B) )。決定された切断高さに従い、榭状図を切断し、ク ラスタを抽出する (ステップ S173)。ここで抽出されたクラスタの数だけ、上記先頭要 素 E力 枝線を作成する（図 6 (C)参照)。
[0099] 次に、抽出された各クラスタにっき、以下の処理を行う。
[0100] まず、各クラスタの文書要素数を計数する (ステップ S 174)。文書要素 3個を超える クラスタについて、当該クラスタの最古要素 Eを除外して当該クラスタの先頭に配置 し、残りのクラスタ内要素 E〜E による部分榭状図を作成する (ステップ SI 75 :図 6 (
8 11
C) )。このときに作成する部分榭状図は、当該クラスタの最古要素 Eが除外されてい る他は、ステップ S150で最初に作成した榭状図のうち当該クラスタに相当する部分 とほぼ同じ構造になる。但し、当該クラスタの最古要素 Eが除外されているので、当 該クラスタ内での要素群間距離が変化する。従って、残りのクラスタ内要素 E〜E
8 11 の内容データに基づいて再分析すればステップ S150で作成した榭状図とは若干異 なる構造となる可能性もある。例えば、文書要素と文書要素群の距離 (非類似度)或 いは文書要素群と文書要素群の距離 (非類似度)として重心間距離又は全距離平均 を用いて榭状図を作成する場合、図 6 (B)における要素 E及び Eと要素 Eとの距離
7 8 9 に対して、図 6 (C)における要素 Eと要素 Eとの距離は異なるものとなるので、この部
8 9
分は異なる構造になり得る。
[0101] 部分榭状図の作成されたクラスタについてはステップ S171に戻り、当該部分榭状 図のパラメータを読み出し、ステップ S172にて切断高さ aを決定する（図 6 (D) )。
[0102] 部分榭状図のパラメータは、ステップ S150で最初に作成した榭状図のパラメータと は異なる値となるから、同じ連関規則を適用したとしても切断高さ αは変化する。この 新たな切断高さでの切断をステップ S 173にて実行し、子孫クラスタを抽出する。なお 、部分榭状図に適用する連関規則としては、最初の榭状図に適用した連関規則を再 度用いるよりは、別の連関規則を用いるのが好ましい。かかる連関規則は、適用対象 となる (部分)榭状図に含まれる文書要素数と同等の要素数をもつ教師図をもとに、 連関規則分析を行って導出されたものであることが好ましい。
[0103] 一方、抽出されたクラスタのうち文書要素数が 3以下のものについては、配置条件 読み出し部 80で読み出された (ステップ S 180)配置条件に従って、クラスタ内要素 配置部 90が、各文書要素の時間データに基づき、クラスタ内における文書要素群の 配列を決定する (ステップ S 190 :図 6 (E) )。この場合の配置条件は、例えば時間デ ータに基づき、古い順に一列に並べるのが好ましいが、後述の実施例 6〜8による配 置など他のものでもよい。
[0104] 以上説明した方法ではステップ S 171に戻るたびに異なる切断高さ aが適用される ので、これを「可変 BC法」と命名する。これに対し図 5に破線で示すように、クラスタ内 の文書要素数を計数せず、ステップ S 173から直ちにステップ S 180に移行して時間 データに基づく配列を行うことも可能である。これを「固定 BC法」と命名する。
[0105] 図 7は、実施例 1の方法により生成された文書相関図の具体例を示す図である。キ 一ワード検索によって抽出した清酒に関する日本特許出願 17件の各公開公報を文 書要素として分析し、文書相関図には各文書要素につき特許出願番号と発明の名 称を記入した。この例では 1回の切断ですベてのクラスタが閾値（3)以下の件数にな つたので、可変 BC法と固定 BC法とでは同一の出力結果となった。
[0106] < 4 1 5.実施例 1の効果 > 本実施例 1によれば、榭状図切断によるクラスタ抽出と時間データに基づくクラスタ 内配列の決定とを行うことにより、分野ごとの時間的発展を適切に表す榭状図を作成 することができる。
特に、榭状図の切断規則を連関規則分析により導出しているので、種々の榭状図 に適用可能な (汎用性の高 、)切断規則を用いることができ、切断理想値での切断を 高確率で実現することができる。また、教師図の事例数を増やすことにより、切断規 則の更なる精度向上を容易に図ることができる。
更に、教師図の形状パラメータに基づいて連関規則を導出しているので、榭状図 形状に即した適切な切断位置を決定可能な、信頼性の高!ヽ切断規則を用いることが できる。
また、解析対象榭状図の形状パラメータを読み取り、これに連関規則を適用するこ とで切断位置を決定できるので、切断位置の決定を少な!/、計算量で済ませることが できる。
[0107] < 4- 2.実施例 2 (余次元降下法; CR法） >
余次元降下法（Codimensional Reduction Method)では、実施例 1 (均衡切断法； B C法)と同様に、榭状図の切断位置の決定に連関規則を用いる。実施例 1では榭状 図の幾何的形状力 得られたパラメータを用い、切断位置として要素間の結合高さを 用いたが、本実施例 2では、文書要素ベクトル間の差異を示す索引語次元を用いて 切断位置を決定する。
[0108] 連関規則分析についての基本的な説明は既に実施例 1で行ったので省略し、まず は本実施例 2の連関規則分析で用いるパラメータについて、実施例 1との差異点を 説明する。
[0109] く 4— 2—1.パラメータの説明 >
榭状図にお 、てあるノード (結節点) cが与えられたとき、その結合レベルを整数 i (c )で表す。初期ペアの結合は結合レベル i (c) =0、その 1つ上段の結合は結合レべ ル i (c) = 1とする。なお、後述の図 9 (A)にノード c〜cの各々について結合レベル i (c)が示されている。 [0110] 結合レベル i (c)であるノード cにおいて、当該ノード cで結合される文書要素群 (ノー ド cを頂点とする部分榭状図に属するすべての文書要素)の索引語和集合の次元数 Dから、索引語頻度 TF (E)が文書要素間で同一値をとる索引語の次元数を引いた 残りの次元数を R(i;c)とする（これを余次元と呼ぶことにする）。
なお、 Dは榭状図の全要素の索引語和集合の次元数 D以下の値をとるが、ノード c で結合される文書要素群に含まれていない (各文書要素 Eに 0個含まれている）索引 語の索引語頻度 TF (E)は、ノード cで結合される文書要素群においてはすべて同一 値 0をとる、と考えることもできる。この場合、余次元 Rは、榭状図の全要素の索引語 和集合の次元数 Dから、当該ノード cで結合される文書要素間で同一の索引語頻度（ 0を含む）をとる索引語の次元数を引 、た次元数、と定義しても良 、。
[0111] 索引語和集合の次元数 D又は Dの大きさは、当該ノード以下の部分榭状図又は 榭状図全体に属する文書要素間のバラツキの大きさに深く関係する。但し、索引語 和集合の次元数 D又は Dが大きくても、索引語頻度 TF (E)を共通にする索引語が 多 ヽ (余次元 Rが小さ 、)ことは文書要素間の差異がさほど大きくな 、ことを意味する 。逆に、索引語和集合の次元数 D又は Dが大きぐ索引語頻度 TF (E)を共通にする 索引語が少ない (余次元 Rが大きい)ことは文書要素間の差異が大きいことを意味す る。本実施例 2は、この性質を利用して榭状図の切断位置を決定しょうとするものであ る。実施例 1 (均衡切断法; BC法)で用いたパラメータが榭状図の形状に関係する幾 何的パラメータとすれば、余次元は非幾何的パラメータと言える。
[0112] 本実施例 2では、余次元 Rがある値（臨界次元 D )を超えるノード cを、すべて切断 する。この臨界次元を求めるためのパラメータとして、実施例 1で用いた中点距離 m、 土台く h >、高さ H、クラスタ密度 sZSなどの幾何的パラメータも用いる。
0
[0113] なお、連関規則分析に用いるパラメータとしては、上記の他にも種々のもの、例え ば結合高さ dの平均値及び偏差のうち何れか又は両方を変数として含む関数を用い ることもできる。例えば、上記中点距離 mの代わりに、結合高さ平均値 < d>を用いる こともできるし、上記土台 <h >の代わりに、結合高さの平均値 < d>と標準偏差 σ
0 d を用いて < d〉一 σ 或いはく d〉一 2 σ を用いることもできる。
d d
[0114] く 4— 2— 2.連関規則の導出例 > 臨界次元 を導くための連関規則の算出方法は実施例 1と同様である。すなわち 、予め多数の教師図について理想的な臨界次元 D を求めておく。更に、教師図の 幾何的パラメータと理想的な臨界次元 D との関係を分析する。そして、教師図の切 断位置がなるべく再現されるような臨界次元 D を導く規則を、種々のノ メータに対 する条件式として求める。
[0115] 求められた連関規則の一例を示すと以下の通りである。当該連関規則の導出過程 等の説明は省略する。
D =D X (s/S) X (m/<h >) X [ Θ (s/S≤0. 2) { θ (m≤0. 5Η) + (1/2) a 0
Θ (m>0. 5Η) } + (1/2) θ (s/S >0. 2) ]
但し、 θ (X)は、命題 Xが真のとき 1、それ以外のとき 0を返す関数である。
[0116] この連関規則は、入力装置 2からの入力等に従い、記録装置 3の条件記録部 310 に格納される。
[0117] <4 2— 3.クラスタ抽出手順 >
次に、導出された連関規則を用いて決定される臨界次元を用いて、榭状図を切断 し、クラスタを抽出する具体的手順について説明する。本実施例 2では、解析対象と なる榭状図の各ノード cの余次元 R(i;c)をすベて算出する。そして、余次元 R(i;c) が臨界次元 D を超えるノード cを、すべて切断する。
[0118] 図 8は、実施例 2 (余次元降下法; CR法）におけるクラスタ抽出過程を説明するフロ 一チャートである。このフローチャートは、本実施例 2の手順を図 3より詳細に示して いる。図 3と同様のステップには図 3のステップ番号に 200をカ卩えて下二桁を図 3と同 一のステップ番号とし、図 3と重複する説明を省略することがある。
図 9は、実施例 2におけるクラスタ抽出過程での榭状図配置例を示す図であり、図 8 を補足するものである。 E
1〜Eは文書要素を表し、ここでは便宜上、添え字の小さい 9
ほうがより小さな時間 tをもつ (より古い)文書要素であるものとする。
[0119] まず、処理装置 1の文書読み出し部 10が、分析対象となる複数の文書要素を記録 装置 3の文書格納部 330から読み出す (ステップ S210)。
[0120] 次に、処理装置 1の時間データ抽出部 20が、分析対象である文書集団の各文書 要素から時間データを抽出する (ステップ S220)。 [0121] 次に、処理装置 1の索引語データ抽出部 30が、分析対象である文書集団の各文 書要素から索引語データを抽出する (ステップ S230)。このとき、後述のように文書集 団のうちの最古要素（最古の文書要素) Eの索引語データは不要なので、ステップ S 220で抽出された時間データに基づき、最古要素以外の索引語データのみを抽出 することが好ましい。
[0122] 次に、処理装置 1の類似度演算部 40が、各文書要素間の類似度を演算する (ステ ップ S 240)。このときも、上記と同様に最古要素以外の要素間の類似度のみを演算 する。
[0123] 次に、処理装置 1の榭状図作成部 50が、分析対象である文書集団の各文書要素 力もなる榭状図を作成する (ステップ S250 :図 9 (A) )。このとき、最古要素 Eは他の 要素との類似度如何に関わらず、榭状図の先頭に配置する。
[0124] 次に、処理装置 1の切断条件読み出し部 60が、切断条件の読み出しを行う (ステツ プ S260)。ここでは榭状図のパラメータ読み出し条件と、上記連関規則分析で導出 された連関規則を読み出す。
[0125] 次に、クラスタ抽出部 70が、クラスタ抽出を行う。まず、上記読み出されたパラメータ 読み出し条件に従って、榭状図のパラメータを読み出す (ステップ S271)。次に、こ のパラメータに対して上記読み出された連関規則を適用し、榭状図の切断位置を判 定するための臨界次元 D を決定する (ステップ S272)。
[0126] 次に、結合レベル i=0のノード (初期ペア）から順に、以下の処理を行う。まず、処 理対象ノード cの余次元 R (i； c)を算出する (ステップ S273)。余次元 R (i； c)と臨界次 元 D とを比較し(ステップ3274)、1^(1;(：) >0 なら当該ノードを切断し (ステップ S2 75)、ステップ S276に移行する。 R(i;c)≤D なら切断せず、そのままステップ S27 6に移行する。
[0127] ステップ S276では、現在の結合レベル iの全ノードについての処理が終了したか否 かを判定する。現在の結合レベル iの処理が終了していなければ (ステップ S276 :N 0)、ステップ S273に戻って次のノード cについての処理を行う。現在の結合レベル i の処理がすべて終了していれば (ステップ S 276 : YES)、全結合レベルの全ノードに つ 、ての処理が終了したか否かを判定する (ステップ S 277)。 [0128] 全結合レベルの処理が終了していなければ (ステップ S277 : NO)、次の結合レべ ルに移行するため i: =i+ lとし (ステップ S278)、ステップ S273に戻って次の結合レ ベルのノード cについての処理を行う。全結合レベルの処理がすべて終了していれ ば (ステップ S277 : YES)、クラスタ抽出部 70での処理を終了し、ステップ S280に移 行する。
[0129] 図 9 (B)に、ノード c〜cの各々につ!/、ての余次元 Rと臨界次元 D の比較結果の 例を示す。この例ではノード c〜cについては余次元 Rが臨界次元 D 以下であると
1 5 α
判定され、ノード c及び cについては余次元 Rが臨界次元 D を超えると判定された
6 7 α
。従って、上記ステップ S275にてノード c及び cが切断されてクラスタが抽出される。
6 7
この例では、ノード Cよりノード Cの方が、結合高さが高い (結合される文書要素群間
6 5
の非類似度が高い）にもかかわらず、ノード cの余次元が臨界次元 D 以下であった
5 α
ためノード cでは切断されな力つた。この例に示されるように、本実施例 2による切断
5
位置は榭状図における結合高さと直接関係するものではない。
[0130] 本実施例 2では下位ノード (i=0)力 順に余次元 Rと臨界次元 D の比較をしてい る。ある下位ノード cが与えられた場合、その上流に位置する上位ノードで結合される 文書要素群は、当該下位ノード cで結合される文書要素 Eをすベて含む。従って上位 ノードは、下位ノード cの余次元 Rより大きな余次元 Rを持つことになる。従って例えば 図 9 (B)の例のように、下位ノード cの余次元 R (2 ;c )が臨界次元 D を超えると判定
6 6 α
された場合は、その上流に位置する上位ノード cの余次元 R(3 ;c )の算出及び臨界 次元 D との比較を省略することも可能である。
[0131] 次に、配置条件読み出し部 80が、クラスタ内での配置条件の読み出しを行う（ステ ップ S280)。この配置条件に従って、クラスタ内要素配置部 90が、各文書要素の時 間データに基づき、クラスタ内における文書要素群の配列を決定する (ステップ S29 0 :図 9 (C) )。この場合の配置条件は、例えば時間データに基づき、古い順に一列に 並べるのが好ましいが、後述の実施例 6〜8による配置など他のものでもよい。
[0132] なお、上述の例では、余次元 Rを求めるために索引語和集合の次元数から引かれ る索引語は、索引語頻度 TF (E)が同一のものとしたが、それ以外のものでもよい。例 えば、索引語頻度 TF (E)の偏差が所定方法で定めた値より小さい索引語 (索引語 頻度 TF (E)の標準偏差が一定値以下の索引語など)としてもよい。また、文書要素 E がそれぞれ複数の文書カゝらなる場合は、索引語頻度 TF (E)の代わりに大域的頻度 GF (E)とするのが好ましい。また、文書要素のベクトル成分量として索引語頻度 TF ( E)又は大域的頻度 GF (E)以外のものを使用する場合には、そのベクトル成分量の 偏差が所定方法で定めた値より小さい索引語とするのが好ましい。
[0133] 図 10は、実施例 2の方法により生成された文書相関図の具体例を示す図である。
実施例 1の図 7と同一の公開公報を文書要素として分析し、文書相関図には各文書 要素につき特許出願番号と発明の名称を記入した。この例では図 7と異なり、文書要 素 1件だけのクラスタが生成されなかった。本実施例 2において文書要素 1件だけの クラスタが生成されるためには 2〜3件程度の文書要素群で余次元 Rが臨界次元 D に達する必要があるが、 2〜3件程度の文書要素では索引語和集合の次元数が低い ので、余次元 Rが臨界次元 D に達しな力つたものと思われる。このように各クラスタに ぉ 、てそれぞれ複数の文書要素が時間順で並べられたので、時間的に見た流れを 把握し易い文書相関図を得ることができた。
[0134] く 4— 2—4.実施例 2の効果 >
本実施例 2によれば、榭状図切断によるクラスタ抽出と時間データに基づくクラスタ 内配列の決定とを行うことにより、分野ごとの時間的発展を適切に表す榭状図を作成 することができる。
特に、榭状図の切断規則を連関規則分析により導出しているので、種々の榭状図 に適用可能な (汎用性の高 、)切断規則を用いることができ、切断理想値での切断を 高確率で実現することができる。また、教師図の事例数を増やすことにより、切断規 則の更なる精度向上を容易に図ることができる。
更に、切断規則の導出のためにベクトル次元数をカ卩味しているので、適切な分岐を 得ることができる。
更に、ノードごとに切断基準の判定を行い、判定結果に基づいて各ノードを個別に 切断しているので、より適切な分岐を得ることができる。
[0135] <4 3.実施例 3 (細胞分裂法; CD法） > 細胞分裂法 (Cell Division Method)では、ある方法で決められた切断高さ αで榭状 図を切断して親クラスタを抽出した後、各親クラスタを更に子クラスタに分けるために 、各親クラスタに属する文書要素のみを用いて再度当該部分の榭状図を作成する。 この部分榭状図の作成の際に、当該親クラスタにおける文書要素ベクトルの成分の 偏差が所定方法で定めた値より小さい値をとる索引語次元を除去して分析する。
[0136] <4 3— 1.クラスタ抽出手川頁>
図 11は、実施例 3 (細胞分裂法; CD法）におけるクラスタ抽出過程を説明するフロ 一チャートである。このフローチャートは、本実施例 3の手順を図 3より詳細に示して いる。図 3と同様のステップには図 3のステップ番号に 300をカ卩えて下二桁を図 3と同 一のステップ番号とし、図 3と重複する説明を省略することがある。
図 12は、実施例 3におけるクラスタ抽出過程での榭状図配置例を示す図であり、図 11を補足するものである。 E
1〜E
10は文書要素を表し、ここでは便宜上、添え字の小 さいほうがより小さな時間 tをもつ（より古い)文書要素であるものとする。
[0137] まず、処理装置 1の文書読み出し部 10が、分析対象となる複数の文書要素を記録 装置 3の文書格納部 330から読み出す (ステップ S310)。
[0138] 次に、処理装置 1の時間データ抽出部 20が、分析対象である文書集団の各文書 要素から時間データを抽出する (ステップ S320)。
[0139] 次に、処理装置 1の索引語データ抽出部 30が、分析対象である文書集団の各文 書要素から索引語データを抽出する (ステップ S330)。このとき、後述のように文書集 団のうちの最古要素（最古の文書要素) Eの索引語データは不要なので、ステップ S
320で抽出された時間データに基づき、最古要素以外の索引語データのみを抽出 することが好ましい。
[0140] 次に、処理装置 1の類似度演算部 40が、各文書要素間の類似度を演算する (ステ ップ S340)。このときも、上記と同様に最古要素 E以外の要素間の類似度のみを演 算する。
[0141] 次に、処理装置 1の榭状図作成部 50が、分析対象である文書集団の各文書要素 力もなる榭状図を作成する (ステップ S350 :図 12 (A) )。このとき、最古要素 Eは他 の要素との類似度如何に関わらず、榭状図の先頭に配置する。 [0142] 次に、処理装置 1の切断条件読み出し部 60が、切断条件の読み出しを行う (ステツ プ S360)。ここでは切断高さ oc、後述の偏差判定閾値などを読み出す。
[0143] 次に、クラスタ抽出部 70が、クラスタ抽出を行う。まず、切断高さ ex = a (但し、結合 高さ d = a— bcos 0 )で榭状図を切断する（ステップ S371 :図 12 (B) )。 a = aでクラス タ分離が生じない場合 (ステップ S372)、 a * = <d> + δ σ (但し— 3≤ δ≤3。特 d
に 0≤ δ≤ 2とするのが好ましぐ δ = 1とするのが最も好ましい。）で切断する (ステツ プ S373)。榭状図が切断されたら、各クラスタ内の最古要素 E、 Eを当該各クラスタ
2 7
の先頭に配置する (ステップ S374 :図 12 (C) )。以下の処理は各クラスタの、当該各 最古要素以外の文書要素群につき行う。
[0144] まず、各クラスタにっき、最古要素以外のクラスタ内要素間での偏差が所定方法で 定めた値より小さい値をとる索引語次元を削除する処理を行う（ステップ S375)。例 えば、図 12の文書要素 Eを先頭とするクラスタにおいて、文書要素 E、 E、 E、 E
2 3 4 5 6 の索引語と、それぞれの索引語について算出された各文書要素ベクトルの成分値が それぞれ次の表に示す通りだったとする。
[表 8]
(各文書要素の索引語とベクトル成分値)
Figure imgf000039_0001
偏差の判定閾値を、例えばクラスタ内平均に対する標準偏差の比率で 10%と規定 した場合には、索引語 w及び wを偏差が小さい値と判定し削除するのである。
b e
次に、各クラスタにっき、上記最古要素以外のクラスタ内要素からなる部分榭状図 の作成を行う（ステップ S376 :図 12 (D) )。表 8の例で言えば、残りの索引語 w、 w、 a c w、 wを用いて部分榭状図を作成する。従って、ステップ S350で作成された榭状図 d f
での分岐とは異なるクラスタ内分岐が得られる。特に、偏差力 、さい値をとる索引語 次元が削除されているので、残りの索引語の差異が強調される。従って、同じ文書要 素間の類似度であっても、ステップ S 350で榭状図を作成した際の類似度よりも、本 ステップ S376で部分榭状図を作成する際の類似度の方が小さく (非類似度が大きく )評価されること〖こなる。
[0146] ここで、各クラスタにっき、最古要素を除!ヽたクラスタ内要素数を取得し、所定の閾 値 (例えば 3)と比較する (ステップ S 377)。図 12 (D)の文書要素 E〜Eのように、最
3 6 古要素 Eを除いた文書要素数が閾値を超えている場合は (ステップ S 377 : NO)、ス
2
テツプ S371に戻って榭状図の切断を行い、子孫クラスタを抽出する。このときの切断 高さ a (又は a * )はステップ S 371 (又はステップ S 373)で上述した通りである力 偏 差が小さい値をとる索引語次元が削除され類似度が小さく評価されているので、同じ 切断高さ OC (又は ex *)でも再度榭状図の切断が可能となるのである。なお、子孫クラ スタ抽出の際にステップ S373の切断高さ a *で切断する場合には、切断される親ク ラスタにおける各結合位置の高さ dに応じてその都度 oc *を更新してもよいし (可変法 )、 の初期値をそのまま用いてもよい（固定法)。
[0147] 図 12 (D)の文書要素 Ε〜Ε のように、クラスタ内の最古要素 Εを除いた文書要
8 10 7
素数が閾値以下であった場合 (ステップ S 377 : YES)、当該クラスタについては最後 に切断高さ α = aで切断を行う（ステップ S378 :図 12 (E) )。本ステップ S378では、 実際にクラスタ分離が生じない場合でもステップ S380に移行する。
[0148] ステップ S380では、配置条件読み出し部 80が、クラスタ内での配置条件の読み出 しを行う。この配置条件に従って、クラスタ内要素配置部 90が、各文書要素の時間デ ータに基づき、クラスタ内における文書要素群の配列を決定する (ステップ S390 :図 12 (F) )。
例えばステップ S378において、図 12 (E)の切断高さ a = aで切断されクラスタ分 離が生じな力つた場合は、当該クラスタの文書要素 E〜E の時間データ順の直列
7 10
鎖配列となる（図 12 (F) )。 また例えばステップ S378において、図 12 (E)の切断高さ a =aで切断された場合 y
は、文書要素 Eから、文書要素 Eと、文書要素 E及び E の時間データ順の直列鎖
7 8 9 10
と、に分岐される（図示せず)。
また例えばステップ S378において、図 12 (E)の切断高さ a =aで切断された場合 z
は、文書要素 Eから、文書要素 Eと文書要素 Eと文書要素 E の 3枝に分岐される（
7 8 9 10
図示せず)。
クラスタ内の配置条件は、この例のように時間データに基づき古い順に並べるのが 好ま 、が、後述の実施例 6〜8による配置など他のものでもよ 、。
[0149] なお、偏差の判定閾値について、平均に対する標準偏差の比率で 10%とした例を 説明したが、これは各文書要素力^つの文書力もなる場合に好適な例である。各文 書要素が 1つの文書からなる場合の判定閾値は、 0%以上 10%以下とするのが好ま しい。
一方、各文書要素が複数の文書からなる場合には、クラスタ内文書要素の平均に 対する標準偏差の比率が 60%或いは 70%以下であれば、偏差が小さいものとして 扱うことが好ましい。
[0150] 図 13は、実施例 3の方法により生成された文書相関図の具体例を示す図である。
実施例 1の図 7と同一の公開公報を文書要素とし、文書要素ベクトルの成分値として TF * IDF (P)を用い、切断高さ αとして a = 1を用 ヽて分析し、文書相関図には各文 書要素につき特許出願番号と発明の名称を記入した。この例ではステップ S376で 作成した部分榭状図の 1つが更に切断され、 2段階の分岐が形成された。
[0151] 図 14は、実施例 3の方法により生成された文書相関図の他の具体例を示す図であ る。ある家庭用化学品メーカーを出願人とする約 4000件の日本特許公開公報のうち 主な 16分野について、各分野に属すべき文書群をそれぞれキーワード検索によって 選出し、各分野の文書群をそれぞれ 1つの文書要素 (マクロ要素）とした。実施例 3に 従って最古要素を除外して先頭に配置し、残り 15要素による榭状図の作成及び榭 状図切断を行い、図に示す分岐構造が得られた。各文書要素の時間データ tとして 出願日の平均値を用い、文書要素ベクトルの成分値として GFIDF (E)を用い、切断 高さ aとして a= lを用い、偏差の判定閾値として 70%を採用した。文書相関図には 上記 16分野を特徴付けるキーワードを記入した。
[0152] く 4— 3— 2.実施例 3の効果 >
本実施例 3によれば、榭状図切断によるクラスタ抽出と時間データに基づくクラスタ 内配列の決定とを行うことにより、分野ごとの時間的発展を適切に表す榭状図を作成 することができる。
特に、親クラスタの抽出後に、各親クラスタを再分析して作成した部分榭状図により 子クラスタを抽出しているので、子クラスタの誤分類を改善し適切な分類を得ることが できる。
[0153] 更に、親クラスタの抽出後に、各親クラスタに属する文書要素間での偏差が所定方 法で定めた値より小さい値をとるベクトル成分を除去しているので、親クラスタの抽出 観点とは異なった観点から子クラスタの抽出を行うことができる。例えば、着色材料に 関する複数の文書要素を分類した場合、親クラスタの抽出時には溶媒の違いにより、 低沸点溶媒を用いた群と高沸点溶媒を用いた群に大別されたとする。子クラスタの抽 出時には、各親クラスタにおいて偏差の小さい溶媒に関する索引語が除去されるの で、例えば顔料の違 ヽが強調されて有機系顔料を用いた群と無機系顔料を用いた 群に大別される。各親クラスタにおいて偏差の小さい索引語が除去されない場合に は、溶媒に関する更に細力 、分類と顔料に関する分類とが拮抗してしまい適切な子 クラスタが得られない恐れもある力 本実施例 3では、クラスタ内での違いを強調する ことで、子孫クラスタでの適切な分類を得ることができるのである。
[0154] < 4 4.実施例 4 (段階的切断法; SC法） >
段階的切断法（Stepwise Cutting Method)では、 2つ以上の切断高さ ο；.、 α . (固定 値)で榭状図を切断し、親クラスタ及び子孫クラスタを抽出する。
[0155] < 4 4 1.クラスタ抽出手川頁>
図 15は、実施例 4 (段階的切断法; SC法）におけるクラスタ抽出過程を説明するフ ローチャートである。このフローチャートは、本実施例 4の手順を図 3より詳細に示して いる。図 3と同様のステップには図 3のステップ番号に 400を加えて下二析を図 3と同 一のステップ番号とし、図 3と重複する説明を省略することがある。 図 16は、実施例 4におけるクラスタ抽出過程での榭状図配置例を示す図であり、図 15を補足するものである。 E〜E は文書要素を表し、ここでは便宜上、添え字の小 さいほうがより小さな時間 tをもつ（より古い)文書要素であるものとする。
[0156] まず、処理装置 1の文書読み出し部 10が、分析対象となる複数の文書要素を記録 装置 3の文書格納部 330から読み出す (ステップ S410)。
[0157] 次に、処理装置 1の時間データ抽出部 20が、分析対象である文書集団の各文書 要素から時間データを抽出する (ステップ S420)。
[0158] 次に、処理装置 1の索引語データ抽出部 30が、分析対象である文書集団の各文 書要素から索引語データを抽出する (ステップ S430)。このとき、後述のように文書集 団のうちの最古要素（最古の文書要素) Eの索引語データは不要なので、ステップ S
420で抽出された時間データに基づき、最古要素以外の索引語データのみを抽出 することが好ましい。
[0159] 次に、処理装置 1の類似度演算部 40が、各文書要素間の類似度を演算する (ステ ップ S440)。このときも、上記と同様に最古要素以外の要素間の類似度のみを演算 する。
[0160] 次に、処理装置 1の榭状図作成部 50が、分析対象である文書集団の各文書要素 力もなる榭状図を作成する (ステップ S450:図 16(A) )。このとき、最古要素 Eは他 の要素との類似度如何に関わらず、榭状図の先頭に配置する。
[0161] 次に、処理装置 1の切断条件読み出し部 60が、切断条件の読み出しを行う (ステツ プ S460)。ここでは切断高さ a；、 a (但し、 a > a )又はそれらの算出方法などを 読み出す。例えば、 =&、 a =a-0. 2b (但し、結合高さ d = a— bcos0 )とする。 また例えば a* = <d>+ δ σ (但しー3≤ δ≤3。特に 0≤ δ≤2とするのが好まし い。）を用いて、 =<d>+ σ 、 = <d〉とする。また、切断高さを α、 ひ 、 α ( 但し、 α > α > α )の 3箇所とする場合には、例えば、類似度を相関係数で定義し た場合、 a =a + b (反相関）、 a =a (無相関）、 a =a— 0. 3b (強相関の閾値)の ように、類似度の代表点とすることもできる。
[0162] 次に、クラスタ抽出部 70が、クラスタ抽出を行う。まず、上記榭状図を切断高さ ex = で切断する (ステップ S471:図 16(B))。そして、当該切断線で切断される枝線の 数 (第一分岐数)を読み取り、ステップ S450で除外された最古要素 から直接、第 一分岐数に相当する数の枝線を引く (ステップ S472：図 16 (C) )。この第一分岐数が 親クラスタの数となる。
[0163] 次に、同じ榭状図を切断高さ α = aで切断する (ステップ S473：図 16 (D) )。そし て、当該切断線で切断される枝線の数 (第二分岐数)を、親クラスタごとに読み取り、 各親クラスタの線力 直接、当該親クラスタの第二分岐数に相当する数の枝線を引く (ステップ S474)。この第二分岐数を全親クラスタについて合計した数が、子クラスタ の総数となる。クラスタの抽出はこれで終了である。
[0164] 上述のようにしてクラスタが抽出されるので、次に、配置条件読み出し部 80が、クラ スタ内での配置条件の読み出しを行う（ステップ S480)。この配置条件に従って、クラ スタ内要素配置部 90が、各文書要素の時間データに基づき、クラスタ内における文 書要素群の配列を決定する (ステップ S490 :図 16 (E) )。この場合の配置条件は、例 えば時間データに基づき、古い順に一列に並べるのが好ましいが、後述の実施例 6 〜8による配置など他のものでもよい。
[0165] 上述のように、ステップ S472では最古要素から直接、第一分岐数に相当する数の 枝線を引く。従って、例えば図 16 (B)の榭状図に示すように親クラスタ [1]と親クラス タ [2]及び [3]とが互いに異なる階層に位置するような場合でも、図 16 (C)に示すよ うに切断高さ αより上方の階層構造を統一的に処理することができる。従って榭状図 を簡略ィ匕することができる。
また上述のように、ステップ S474では各親クラスタの線力も直接、当該親クラスタの 第二分岐数に相当する数の枝線を引く。従って、例えば図 16 (D)の榭状図に示すよ うに親クラスタ [ 1 ]力 分岐する子クラスタ [ 11 ]及び [ 12]と子クラスタ [ 13]とが、互い に異なる階層に位置する場合でも、図 16 (E)に示すように切断高さ αと α との間の 階層構造を統一的に処理することができる。従って榭状図を簡略ィ匕することができる
[0166] また、例えば図 16 (D)に示すように親クラスタ [1]から分岐する子クラスタ [11]、 [1 2]及び [13]と、親クラスタ [3]から分岐する子クラスタ [31]及び [32]とが、別々の高 さで結合している場合でも、これらを図 16 (E)に示すように同じ高さで結合させる。従 つて、切断高さ と α Ηとの間での結合高さの違いを統一的に処理して榭状図を簡略 ィ匕することがでさる。
[0167] このように榭状図を程よく簡略ィ匕することができる一方、切断高さ ex iでの第一分岐 数と、切断高さ での第二分岐数は維持することができる。従って、榭状図の階層 構造を程よく簡略化しつつ、当初の榭状図の階層構造を反映させた文書相関図を 作成することができる。
[0168] 図 17及び図 18は、実施例 4の方法により生成された文書相関図の具体例を示す 図である。実施例 1の図 7と同一の公開公報を文書要素として分析し、文書相関図に は各文書要素につき特許出願番号と発明の名称を記入した。本実施例 4では子孫ク ラスタ生成の前に最古要素を抽出するという操作をしないので、榭状図全体の最古 要素と子孫クラスタとの間に親クラスタの最古要素が配置されることはなぐ榭状図構 造のみが表示される。なお、図 17は標準化を施さない類似度 (余弦)を用いて作成し た榭状図を切断したもの、図 18は標準化を施した類似度湘関係数)を用いて作成 した榭状図を切断したものである。
[0169] く 4—4— 2.実施例 4の効果 >
本実施例 4によれば、榭状図切断によるクラスタ抽出と時間データに基づくクラスタ 内配列の決定とを行うことにより、分野ごとの時間的発展を適切に表す榭状図を作成 することができる。
特に、例えば a = a、 a = a— 0. 2bのような定数で切断する場合、予め決められ た複数の切断高さで切断するので、切断位置の決定のために複雑な計算を必要と せず、簡易に適切な分岐を得ることができる。
更に、例えば a = < d> + σ 、 a = < d >のような結合高さ dの平均値及び偏差 i d ϋ
のうち何れか又は両方を変数として含む関数 a * = < d> + δ σ で切断する場合、 d
異なる榭状図形状にも幅広く対応でき、切断位置の決定のために複雑な計算を必要 とせず、簡易に適切な分岐を得ることができる。
[0170] また、複数の切断位置の各々で切断される枝線の数に基づいて分岐構造を決定 することにより、榭状図の階層構造を程よく簡略ィ匕しつつ、当初の榭状図の階層構造 を反映させた文書相関図を作成することができる。 更に、複数の切断位置での切断により親子クラスタを生成する際に、親クラスタに属 する文書要素の部分榭状図を再作成しなくても子クラスタを生成できるので、少ない 計算手数で親子クラスタを生成することができる。
[0171] < 4 5.実施例 5 (可変複合法; FC法） >
可変複合法 (Flexible Composite Method)では、榭状図切断を複数回実行する過 程において、切断の度に新たな切断高さ exを設定する。例えば、切断高さ αを α * = < d> + δ σ (但しー3≤ δ≤3。特に 0≤ δ≤2とするのが好ましぐ δ = 1とする
d
のが最も好ましい。）で算出する場合、第 1回目の切断では当該榭状図に属する全 文書要素のデータをもとに算出した を用い、第 2回目の切断では、切断される親 クラスタに属する文書要素のデータのみをもとに算出したひ *を用いる。
[0172] < 4 5— 1.クラスタ抽出手川頁>
図 19は、実施例 5 (可変複合法; FC法）におけるクラスタ抽出過程を説明するフロ 一チャートである。このフローチャートは、本実施例 5の手順を図 3より詳細に示して いる。図 3と同様のステップには図 3のステップ番号に 500をカ卩えて下二桁を図 3と同 一のステップ番号とし、図 3と重複する説明を省略することがある。
図 20は、実施例 5におけるクラスタ抽出過程での榭状図配置例の一部を示す図で あり、図 19を補足するものである。 Ε〜Ε は文書要素を表し、ここでは便宜上、添え
1 Ν
字の小さいほうがより小さな時間 tをもつ（より古い）文書要素であるものとする。
[0173] まず、処理装置 1の文書読み出し部 10が、分析対象となる複数の文書要素を記録 装置 3の文書格納部 330から読み出す (ステップ S510)。
[0174] 次に、処理装置 1の時間データ抽出部 20が、分析対象である文書集団の各文書 要素から時間データを抽出する (ステップ S520)。
[0175] 次に、処理装置 1の索引語データ抽出部 30が、分析対象である文書集団の各文 書要素から索引語データを抽出する (ステップ S530)。このとき、後述のように文書集 団のうちの最古要素（最古の文書要素) Eの索引語データは不要なので、ステップ S
520で抽出された時間データに基づき、最古要素以外の索引語データのみを抽出 することが好ましい。 [0176] 次に、処理装置 1の類似度演算部 40が、各文書要素間の類似度を演算する (ステ ップ S540)。このときも、上記と同様に最古要素 E以外の要素間の類似度のみを演 算する。
[0177] 次に、処理装置 1の榭状図作成部 50が、分析対象である文書集団の各文書要素 力もなる榭状図を作成する (ステップ S550:図 20(A) )。このとき、最古要素 Eは他 の要素との類似度如何に関わらず、榭状図の先頭に配置する。
[0178] 次に、処理装置 1の切断条件読み出し部 60が、切断条件の読み出しを行う (ステツ プ S560)。ここでは切断高さ aの算出方法、切断回数 (階層数)上限値 gなどを読み 出す。
[0179] 切断高さ αは、例えば a* = <d>+ δ σ を用いて、 α* = <(1>+ σ によって算 d d 出する。また例えば分析対象の文書要素数が多い場合などは、 α* = <ά> + 2σ d によって算出してもよい。
[0180] 切断回数上限値 gは、分析対象となる文書要素の総数 Nに対して、例えば、
g=[lnN÷lnlO + 0. 5]
G
とする。或いは、全文書要素の V分割を繰り返すとき、クラスタ 1つの要素数が U以下 になる分割回数 +l(v (g_1)≤NZUく vgの解）として、
g=l + [ln(N/U)÷lnv]
G
としてもよい。但し、上記 [ ] Gはガウスの整数記号であり、括弧内の小数点以下を切 り捨てた値を意味する。或いは、文書要素数 Nに対して、
10<N≤20なら g=l、 20<N≤300なら g = 2、 300<N≤ 1000なら g = 3、 100 0<?^なら8=4
としてちよい。
[0181] 次に、クラスタ抽出部 70が、クラスタ抽出を行う。まず、上記榭状図のうち最古要素 Eを除いた要素 E〜Eの各結合位置の高さ dを用いて、切断高さ a * =<d>
1 2 N [2-N]
+ σ を算出する (ステップ S571)。次に、算出された切断高さ a * が要素 E〜E d [2-N] 2 の結合高さ dの最大値 Max (d)より小さいか否かを判定し (ステップ S572)、小さい
N
場合には、この切断高さ a * で当該榭状図を切断する (ステップ S573：図 20 (B
[2-N]
))。以降の処理は、クラスタごとに行う。 [0182] 各クラスタにっき、文書要素数が所定の閾値 (ここでは 4とする。なお、所定の閾値 としては、 4以上、 10 X [InN/lnIO] 以下が好ましい。）を超える場合 (ステップ S5
G
74 : NO) ,当該クラスタの切断回数が上限値 gに達した力否かを判定し、上限値 gに 達していない場合は (ステップ S575 : NO)、当該クラスタについて最古要素 Eを除
2 外して当該クラスタの先頭に配置し、残りのクラスタ内要素 E〜Eによる部分榭状図
3 7
を作成する (ステップ S576 :図 20 (C) )。このときに作成する部分榭状図は、当該クラ スタの最古要素 Eが除外されている他は、ステップ S550で最初に作成した榭状図
2
のうち当該クラスタに相当する部分とほぼ同じ構造になる。但し、当該クラスタの最古 要素 Eが除外されているので、当該クラスタ内での要素群間距離が変化する。従つ
2
て、残りのクラスタ内要素 E〜Eの内容データに基づいて再分析すればステップ S 5
3 7
50で作成した榭状図とは若干異なる構造となる可能性もある。例えば、文書要素と 文書要素群の距離 (非類似度)或いは文書要素群と文書要素群の距離 (非類似度） として重心間距離又は全距離平均を用いて榭状図を作成する場合、図 20 (B)にお ける要素 E及び Eと要素 E及び Eとの距離に対して、図 20 (C)における要素 Eと
2 3 4 5 3 要素 E及び Eとの距離は異なるものとなるので、この部分は異なる構造になり得る。
4 5
[0183] クラスタ内要素による部分榭状図を作成後、ステップ S571に戻り、クラスタ内要素 のうち最古要素 Eを除いた要素 E〜Eの各結合位置の高さ dを用いて、切断高さ α
2 3 7
* = < ά> + σ を算出する。次に、算出された切断高さ が要素 Ε〜Ε
[3-7] d [3-7] 3 7 の結合高さ dの最大値 Max (d)より小さいか否かを判定し (ステップ S572)、小さい場 合には、この切断高さ a * で当該クラスタを切断する (ステップ S573：図 20 (C)
[3-7]
参照)。
[0184] 文書要素数が上記所定の閾値 (ここでは 4)以下となったクラスタについては (ステツ プ S574 : YES)、クラスタの切断回数に関わらず、当該クラスタについては実施例 3 の細胞分裂法 (CD法)など他のクラスタ抽出法での子孫クラスタ抽出に移行する (ス テツプ S577)。
切断回数が上限値 gに達したクラスタについては (ステップ S575 : YES)、当該クラ スタの文書要素数に関わらず、当該クラスタについては実施例 3の細胞分裂法 (CD 法)など他のクラスタ抽出法での子孫クラスタ抽出に移行する (ステップ S577)。 なお、ステップ S577で行う他のクラスタ抽出法としては、実施例 1の均衡切断法 (B C法)でもよぐ実施例 2の余次元降下法 (CR法)でもよぐ実施例 4の段階切断法 (S C法)でもよい。
[0185] 上記ステップ S572において、切断高さ a * 又は α * 力 要素 Ε〜Ε又は
[2-Ν] [3- 7] 2 Ν
Ε〜Εの結合高さ dの最大値以上である場合には（a *≥ Max (d) )、クラスタ分離が
3 7
実現しないので榭状図の切断処理を飛ばして、直ちにステップ S574にてクラスタ内 要素数 (最古要素 E又は Eを除く）の判定を行う。そして、クラスタ内要素数が上記
1 2
所定の閾値を超えていればステップ S575にて切断回数の判定を行い（ここでは切 断処理が飛ばされて切断回数は増えていないので、切断回数の判定を省略しても良 い）、ステップ S576にて次の最古要素 E又は Eを除外する。
2 3
このように、クラスタ分離が実現しない場合でも、最古要素を 1つずつ除外して (ステ ップ S576)、クラスタ内要素数が閾値以下になれば (ステップ S574)、ステップ S577 に移行する。
[0186] 上述のようにしてクラスタを抽出したら、最後に、配置条件読み出し部 80が、クラス タ内での配置条件の読み出しを行う（ステップ S580)。この配置条件に従って、クラス タ内要素配置部 90が、各文書要素の時間データに基づき、クラスタ内における文書 要素群の配列を決定する (ステップ S590 :図 20 (D) )。この場合の配置条件は、例え ば時間データに基づき、古い順に一列に並べるのが好ましいが、後述の実施例 6〜 8による配置など他のものでもよい。
[0187] 上述の説明では切断回数の上限値 gを設定したが、上限値 gを設定しない方法をと ることもできる。この場合、ステップ S575は省略され、ステップ S574が NOなら直ち にステップ S576に移行し、切断回数無制限で子孫クラスタの抽出を行う。なお、ステ ップ S574では、文書要素数が例えば 9を超えていれば NOとし、文書要素数が 9以 下となったクラスタにつ 、ては YESの判定をすることが望まし 、。
[0188] 図 21及び図 22は、実施例 5の方法により生成された文書相関図の具体例を示す 図である。キーワード検索によって抽出した地盤の液状ィ匕防止工法に関する日本の 特許出願及び実用新案登録出願 60件の各公開公報を文書要素として分析し、得ら れた文書相関図を、簡単のためここでは一部（35件分)のみ図示した。図示した文書 相関図には各文書要素につき特許出願番号 (但し末尾に (u)を付したものは実用新 案登録出願番号)を記入し、上位の文書要素については発明（考案)の名称も記入 した。実施例 1〜4では要素数 20未満が好ましいと思われるのに対し、本実施例 5で は、この例に示されるように分析対象要素数が多くても適切な親子クラスタを得ること ができる。
[0189] なお、図 21は切断回数上限値 g= 2に設定し、クラスタ内文書要素数の閾値 =4に 設定した結果であり、図 22は切断回数を無制限とし、クラスタ内文書要素数の閾値 = 9に設定した結果である。他の方法による子孫クラスタの抽出 (ステップ S577)は 省略した。
図 21では、出願番号 H03-320020を先頭とする親クラスタ（要素数 5)は要素数が閾 値 4を超えていたので 2回目の切断で子クラスタに分離された。また、出願番号 S63-0 33662(11)を先頭とする子クラスタ（要素数 10)は 2回目の切断で生成されたものである ため、それ以上切断分離されな力つた。
一方図 22では、出願番号 H03-320020を先頭とする親クラスタ（要素数 5)は要素数 が閾値 9以下であるため 2回目の切断はされな力つた。また、出願番号 S63-033662( U)を先頭とする子クラスタ（要素数 10)については 3回目の切断が行われ、孫クラスタ に分離された。
[0190] 図 23は、実施例 5の方法により生成された文書相関図の他の具体例を示す図であ る。実施例 3の図 14と同一の 16分野の文書要素（マクロ要素）について、実施例 5に 従って最古要素を除外して先頭に配置し、残り 15要素による榭状図の作成及び榭 状図切断を行った。クラスタ内要素数の上限 (4とした)以下になるまで最古要素の除 外と榭状図作成及び切断を繰り返した。クラスタ内要素数が上限以下になったクラス タについてはそれぞれ実施例 3 (細胞分裂法; CD法)の方法により更にクラスタ生成 を行い、図に示す分岐構造が得られた。各文書要素の時間データ tとして出願日の 平均値を用い、文書要素ベクトルの成分値として GFIDF (E)を用い、クラスタ内要素 数が上限以下になった後の切断高さ αとして a= 1を用い、偏差の判定閾値として 70 %を採用した。文書相関図には上記 16分野を特徴付けるキーワードを記入した。
[0191] <4 5— 2.変形例 1 > 上述のステップ S550及びステップ S576では、榭状図及び部分榭状図を作成する 際に最古要素を除外していたが、最古要素を除外せずに作成することも可能である 。そして、この榭状図を上述のように g回切断する。こうしてクラスタを得ることにより、 文書要素の分類をすることが可能となる。この場合、得られた分類に対しては、それ ぞれに属する文書要素の内容データに基づいて適切なラベル付けを行うことにより、 文書要素群のマクロ的分析を容易にすることができる。
[0192] 図 24は、実施例 5の変形例 1による方法で生成された文書相関図の具体例を示す 図である。この文書相関図を作成した手順は以下の通りである。まず、ある家庭用化 学品メーカーを出願人とする約 4000件の日本特許公開公報につき、最古公報を除 外せずに榭状図を作成し、本変形例 1に係る方法により g回切断した。こうして得られ た 27個のクラスタを新たに文書要素 (マクロ要素）とした榭状図を作成し、実施例 5の 方法により最古要素を抽出し、榭状図切断を行った。クラスタ内要素数の上限 (4とし た)以下になるまで最古要素の抽出と榭状図切断を繰り返し、図に示す分岐構造が 得られた。各マクロ要素に対しては、それぞれに属する文書の内容データに基づい てラベル付けを行った。これにより、膨大な文書数からなる分析対象文書集団であつ てもマクロ的に自動分析し、技術の大まかな流れの理解を容易にすることができる。
[0193] <4 5— 3.変形例 2>
次に、変形例 2による方法で生成された文書相関図について説明する。この文書 相関図は、ある出願人 X社の保有する特許文書群の文書相関図をまず作成し、更に 当該出願人 X社による特許文書群のうち、特定の技術分野に属する特許文書群が、 他社の特許文書群とどのような関係にあるかを示したものである。
図 25は、実施例 5の変形例 2による文書相関図の作成過程を示す図であり、図 26 及び図 27が、実施例 5の変形例 2による文書相関図の具体例を示す図である。図 28 及び図 29は、実施例 5の変形例 2による文書相関図における別の表示例の一部を 示す図である。
これらの文書相関図を作成した手順は以下の通りである。
[0194] まず、化学メーカーである X社を出願人とする日本特許公報 (公開及び登録)のす ベてにっき、最古公報を除外せずに榭状図を作成した。上記変形例 1に係る方法に より g回切断した結果、 5個のクラスタが得られた。
これら 5個のクラスタのうち 1つである「機能性素材関連」の特許文書群につき、最古 公報を除外せずに再度榭状図を作成した。上記変形例 1に係る方法により g回切断 した結果、上記 X社を出願人とする日本特許公報のうち「機能性素材関連」の特許文 書群は、文書群「EX01」乃至文書群「EX13」の計 13個のクラスタに分類された (文 書群の符号「EX01」等は便宜上付したものである。 ) 0
これら 13個のクラスタを新たに文書要素 (マクロ要素）とした榭状図を作成し、実施 例 5の方法により最古要素を抽出し、榭状図切断を行った。クラスタ内要素数の上限 (4とした)以下になるまで最古要素の抽出と榭状図切断を繰り返し、図 25に示す分 岐構造が得られた。
[0195] これら 13個のクラスタのうち 1つである「◊匕ケィ素の製造方法関連」の特許文書群 「EX05」の内容データ（索引語データ）に基づき、この特許文書群に類似する文書 群を、他社の特許文書群を含む全文書 Pから、 3000件抽出した。
このように全文書 Pから抽出された 3000件の特許文書につき、最古公報を除外せ ずに榭状図を作成した。上記変形例 1に係る方法により g回切断した結果、文書群「 E101」乃至文書群「E121」の計 21個のクラスタが形成された (文書群の符号「E12
1」等は便宜上付したものである。 ) o
こうして得られた 21個のクラスタを新たに文書要素 (マクロ要素）とした榭状図を作 成し、実施例 5の方法により最古要素を抽出し、榭状図切断を行った。クラスタ内要 素数の上限 (4とした)以下になるまで最古要素の抽出と榭状図切断を繰り返し、図 2 6に示す分岐構造が得られた。
[0196] 一方、上述の 13個のクラスタのうち 1つである「◊匕ケィ素の製造方法関連」の特許 文書群の内容データ (索引語データ）に基づき、この特許文書群に類似する文書群 を、上述のように全文書 Pから抽出された 3000件の特許文書から、 300件抽出した。 このように 3000件の特許文書力も抽出された 300件の特許文書につき、最古公報 を除外せずに榭状図を作成した。上記変形例 1に係る方法により g回切断した結果、 文書群「E201」乃至文書群「E219」の計 19個のクラスタが形成された (文書群の符 号「E201」等は便宜上付したものである。 ) 0 こうして得られた 19個のクラスタを新たに文書要素 (マクロ要素）とした榭状図を作 成し、実施例 5の方法により最古要素を抽出し、榭状図切断を行った。クラスタ内要 素数の上限 (9とした)以下になるまで最古要素の抽出と榭状図切断を繰り返し、図 2 7に示す分岐構造が得られた。
[0197] 図 26及び図 27の各文書要素の中で、上記 X社を出願人とする特許文書が件数で 上位 (ここでは 5位以内）を占めているものには他の文書要素と区別するための強調 表示を付加し、最上位を占めているものにはより強い強調表示を付加した。このような 強調表示は、図に示すような枠線の太さによっても良いし、色分け又は模様等によつ ても良い。また、このような強調表示は、ある出願人（自社又は他社)の文書が上位を 占めている力否かに限らず、ある出願人の文書が 1つでも含まれる力否力、又はその 他の基準によっても良い。
また、図 26及び図 27には、各文書要素の出願日の平均値 (ここではその西暦年下 二桁)を縦軸の値として記入した。また、図 26及び図 27では説明の便宜上、各文書 要素の名称として符号「E201」等のみを表示したが、それぞれに属する文書の内容 データに基づいて、その文書要素の内容的特徴を示すラベル付けを行うことが望ま しい。
[0198] 本変形例 2ではこのように、文書相関図の各文書要素のうち特定の属性を有する文 書要素、例えば特定の出願人の特許文書からなる文書要素又は特定の出願人が優 位を占める特許文書群からなる文書要素を、他の文書要素と区別した形態で表示す る。これにより、特定の属性を有する文書要素、例えば上記特定の出願人のある分 野に属する特許群が、他社との関係で内容的及び時間的にどのように位置づけられ るのかを一見して知ることができる。上記特定の出願人として自社を選べば、自社の 技術のうちある分野に属する部分につき、業界全体での位置づけを知ることができる 。更に時間軸を表示し、その時間軸に合わせて各文書要素を配置したことにより、当 該技術分野の発展系統上における自社技術の位置付けを把握することができる。 例えば図 26のように類似度を算出し、比較的多い件数 (ここでは類似度上位 3000 件)の類似文書について分析した場合には、比較的多方面の技術分野にわたる類 似文書が抽出され、その中での自社の位置付けを知ることができる。従って、上記の 効果に加え、自社があまり目をつけていな力つた類似技術を発見でき、自社技術の 他分野への適用の可能性を見出すことができるとともに、他社の技術が内容的及び 時間的にどのように発展してきたのかを知ることもできる。
更に図 27のように当該 3000件を母集団として再度類似度を算出し、比較的少な Vヽ件数 (ここでは類似度上位 300件)の類似文書につ!ヽて分析した場合には、更に 絞り込んだ技術分野での、特に他社との競合関係のより詳細な比較ができる。
[0199] 図 28及び図 29は、図 26の文書相関図における別の表示例の一部を示す図であ る。これらの例では、各文書要素につき「〇化ケィ素粉末関連」など内容データに基 づくラベル付けが行なわれている他、より詳細な表示として、当該文書要素に属する 文書数、出願人ランキング (社名と件数)が表示されている。このように詳細な表示を 加えることで、より詳細な分析が可能になる。
詳細表示の内容はこれに限らず、特許文書の国際特許分類 (IPC)、出願日（平均 値又は範囲等）、キーワードなどでも良ぐこれらに基づくランキングでも良い。また、 詳細表示は図 28及び図 29のように全文書要素について同時に行っても良いし、詳 細表示を当初含まない文書相関図を画像表示装置で表示し、 1つの文書要素に力 一ソルを移動したときに、当該文書要素に関する詳細表示を追カ卩出力するようにして も良い。詳細表示の方法は、図 28のように文書要素の記載欄そのものを拡大しても 良いし、図 29のように欄外に吹出しで表示しても良い。また、図 26に限らず、図 27又 はその他の文書相関図について同様の詳細表示をしても良い。
[0200] <4- 5-4.実施例 5の効果 >
本実施例 5によれば、榭状図切断によるクラスタ抽出と時間データに基づくクラスタ 内配列の決定とを行うことにより、分野ごとの時間的発展を適切に表す榭状図を作成 することができる。
特に、親クラスタの抽出を、榭状図に属する文書要素群の結合高さ平均値及び偏 差のうち何れか又は両方を変数として含む関数に基づいて行い、子クラスタの抽出を 、各親クラスタに属する文書要素群の結合高さ平均値及び偏差のうち何れか又は両 方を変数として含む関数に基づいて行うので、要素数 Nが多くても適切な親子クラス タを得ることがでさる。 更に、クラスタの抽出を文書要素群の結合高さ平均値及び偏差のうち何れか又は 両方を変数として含む関数に基づいて行うので、榭状図に属する文書要素群の類似 度が高い場合など様々な榭状図形状に幅広く対応でき、適切な親子クラスタを得るこ とがでさる。
[0201] < 5.時間配列の実施例 >
次に、時間配列過程に関する実施例 6〜8を説明する。
[0202] < 5— 1.実施例 6 (—本釣り配列； PLA) >
一本釣り配列（Pole-and-Line Arrangement)では、文書要素が数個程度の小さなク ラスタに対して、時間データと榭状図配置データとに基づいて、当該クラスタ内にお ける配列を決定する。
[0203] < 5— 1 1.配列決定手順 >
図 30は、実施例 6 (—本釣り配列; PLA)におけるクラスタ内配列過程を説明するフ ローチャートである。このフローチャートは、図 3のステップ S70 (クラスタ抽出）までの 処理でクラスタが抽出されて 、ることを前提とし、図 3のステップ S80 (配置条件読み 出し)及びステップ S90 (クラスタ内要素配列）の部分について、本実施例 6の手順を より詳細に示したものである。図 3と同様のステップには図 3のステップ番号に 600を 加えて下二桁を図 3と同一のステップ番号とし、詳細な説明を省略することがある。 図 31は、実施例 6におけるクラスタ内配列過程での榭状図配置例を示す図であり、 図 30を補足するものである。 E〜E は文書要素を表し、ここでは便宜上、添え字の
1 20
小さいほうがより小さな時間 tをもつ (より古い)文書要素であるものとする。図 31 (A) は、図 3のステップ S70までの処理によって抽出された 5つのクラスタの各榭状図構 造を示している。
[0204] 実施例 1 (均衡切断法： BC法）、実施例 2 (余次元降下法： CR法）、実施例 3 (細胞 分裂法： CD法)或いは実施例 4 (段階切断法： SC法)等でクラスタが抽出されたら、 まず、配置条件読み出し部 80が、クラスタ内での配置条件の読み出しを行う（ステツ プ S680)。この配置条件に従って、クラスタ内要素配置部 90が、当該クラスタ内の各 文書要素の時間データ及び榭状図配置データに基づき、クラスタ内における文書要 素群の配列を決定する。
[0205] 具体的には、まず、榭状図の当該クラスタ部分をトーナメント表とみなし、各段階の 勝者 (時刻 tの小さい方)を決める（図 31 (B) )。すなわち、下位の (結合高さが低い） ノード (結節点)から順番に、いずれの文書要素の時間データ tが小さいかを判定し、 その結果を記録する (ステップ S691)。この判定は、最下位ノード（2体結合)から、当 該クラスタの最上位ノードまで行う（ステップ S692)。その際、下位のノードにおける 勝者 (時間データ tがより小さい文書要素)を、上位のノードにおける対戦当事者 (時 間データ tの比較対象）とする (ステップ S693)。
[0206] 最上位ノードまで判定すると優勝者 (最古文書要素）が決まるので、当該優勝者を 当該クラスタの先頭に配置する (ステップ S694)。更に、当該優勝者と直接対戦し敗 退させられた相手の数 (最古文書要素と直接比較され時間データ tがより大きいと判 定された文書要素の数)だけ、当該優勝者からの分岐を作成する (ステップ S695：図 31 (C) )。以下の処理は、各分岐について行う。
[0207] 次に、これら敗退させられた相手を上記各分岐内における優勝者として、各分岐の 先頭に配置する（ステップ S696：図 31 (D) )。
さらに、各分岐内における優勝者と直接対戦し敗退させられた相手の数を数える（ ステップ S697)。敗退させられた相手の数が 0なら、当該分岐の処理を終了する。敗 退させられた相手の数が 1以上なら、当該相手の数だけ、当該分岐内における優勝 者からの分岐を新たに作成し (ステップ S698：図 31 (D) )、ステップ S696に戻る。 ステップ S696〜S698の処理を繰り返すことにより、クラスタ内配列が決定される ( 図 31 (E) )。
[0208] < 5— 1 2.実施例 6の効果 >
本実施例 6によれば、榭状図切断によるクラスタ抽出と時間データに基づくクラスタ 内配列の決定とを行うことにより、分野ごとの時間的発展を適切に表す榭状図を作成 することができる。
特に、クラスタ内配列を決める際に、時間順による配列を確実に実現するとともに、 当該クラスタ内の分岐構造もある程度反映させることができる。 [0209] < 5— 2.実施例 7 (群時系順序； GTO) >
群時系順序 (Group Time Ordering)では、複数の文書力 なる文書要素の要素定 義を、分類情報及び大きな時間単位に基づ 、て行なった場合に有効な方法である。 要素定義を大きな時間単位に基づいて (例えば一定年数を単位として)行うと同時刻 要素が生じることがあり、時系列での配列を考えるときに支障が生じ得るが、分類情 報を加味して配列を決定することでこれを解決する。
[0210] < 5— 2— 1.配列決定手順 >
図 32は、実施例 7 (群時系順序; GTO)におけるクラスタ内配列過程を説明するフ ローチャートである。このフローチャートは、図 3のステップ S70 (クラスタ抽出）までの 処理でクラスタが抽出されて 、ることを前提とし、図 3のステップ S80 (配置条件読み 出し)及びステップ S90 (クラスタ内要素配列）の部分について、本実施例 7の手順を より詳細に示したものである。図 3と同様のステップには図 3のステップ番号に 700を 加えて下二桁を図 3と同一のステップ番号とし、詳細な説明を省略することがある。 図 33は、実施例 7におけるクラスタ内配列過程での榭状図配置例の一部を示す図 であり、図 32を補足するものである。 E 、E 等はそれぞれ複数の文書からなる文書
Al B1
要素を表し、ここでは便宜上、添え字のアルファベット部分は分類 (国際特許分類 (I PC)等)を、アラビア数字は時間 t (小さいほうがより古い）を表すものとする。
[0211] 切断高さ a =a (但し、結合高さ d=a— bcos 0 )、 a * = < d> + δ σ (但しー3≤
d
δ≤3。特に 0≤ δ≤ 2とするのが好ましぐ δ = 1とするのが最も好ましい。）、或いは 構造連関分析等で導出された切断高さで榭状図を切断しクラスタが抽出されたら（図 33 (A) )、まず、配置条件読み出し部 80が、クラスタ内での配置条件の読み出しを行 う（ステップ S780)。この配置条件に従って、クラスタ内要素配置部 90が、当該クラス タ内の各文書要素の時間データ及び榭状図配置データに基づき、クラスタ内におけ る文書要素群の配列を決定する。
[0212] 具体的には、まず、クラスタ内の最古要素を抽出し、当該クラスタの先頭に配置する
(ステップ S791)。最古要素が複数の場合（図 33 (B)の E と E )は並列結線での
Al B1
配置とする。
次に、上記最古要素を除いた残りの要素について、分類ごとに時系列鎖を構成す る (ステップ S792 :図 33 (B) )。そして、ステップ S792で構成された各時系列鎖につ いて、同分類の要素を、ステップ S791で抽出された最古要素力も探す (ステップ S7 93)。
[0213] 上記時系列鎖のうち、同分類の最古要素があった時系列鎖については、当該同分 類の最古要素と結線する (ステップ S794)。図 33の例で言えば、文書要素 E 及び
A2
E からなる時系列鎖と、文書要素 E 及び E 力 なる時系列鎖については、それ
A3 B2 B3
ぞれ同分類の最古要素 E と E に結線する。
Al B1
上記時系列鎖のうち、同分類の最古要素がない時系列鎖については、そのうちの 最古要素と最も類似度の高い要素を当該クラスタ内から抽出する。そして、当該最も 類似度の高い要素から分岐させて、当該同分類要素のない時系列鎖の最古要素と 結線する (ステップ S795 :図 33 (C) )。図 33では、文書要素 E と最も類似度の高い
C2
クラスタ内要素が文書要素 E であった場合に、文書要素 E を文書要素 E に結線
B2 C2 B2 させた様子を示している。
以上のようにして、クラスタ内配列が決定される。
[0214] < 5— 2— 2.実施例 7の効果 >
本実施例 7によれば、榭状図切断によるクラスタ抽出と時間データに基づくクラスタ 内配列の決定とを行うことにより、分野ごとの時間的発展を適切に表す榭状図を作成 することができる。
特に、要素定義を大きな時間単位に基づいて行ったために同時刻要素が生じる場 合でも、要素定義が分類にも基づいている場合にはその分類情報を加味してクラス タ内配列を決定することで、当該同時刻要素を処理することができる。
< 5— 3.実施例 8 (時断面分析; TSA) >
時断面分析 (Time Slice Analyses)では、分析対象となる複数の文書要素を時間デ ータに基づいて分類した後で、各時間分類内においてクラスタ分析を行う方法である 。時間データに基づく分析を、内容データに基づくクラスタ抽出より先に行う点で、上 記実施例 6及び 7とは異なる。時間データに基づく分類と各時間分類内におけるクラ スタ分析とが終わった後、時間前後のクラスタに属する要素間での結線を行うことに より、文書相関図が完成する。
[0216] < 5- 3- 1.文書相関図作成装置の構成 >
図 34は、実施例 8 (時断面分析; TSA)の文書相関図作成装置における構成と機 能を、図 2より更に詳細に説明する図である。図 2と共通の部分には同一の符号を付 して説明を省略する。
実施例 8の文書相関図作成装置は、図 2で説明した文書相関図作成装置の各構 成に加え、時間スライス分類部 25と、時間スライス間結線部 75とを備えている。
[0217] 時間スライス分類部 25は、時間データ抽出部 20で抽出された各文書要素の時間 データを、作業結果格納部 320から又は直接時間データ抽出部 20から取得し、この 時間データに基づいて、分析対象である文書集団を一定間隔の時間スライスに分類 する。分類の結果は類似度演算部 40に直接送られてそこでの処理に用いられ、或 いは作業結果格納部 320に送られて格納される。類似度演算部 40では、各時間ス ライス内での文書要素の類似度を演算し、榭状図作成部 50では、各時間スライスに ついて榭状図を作成し、クラスタ抽出部 70では、各時間スライスカゝらクラスタを抽出す る。
[0218] 時間スライス間結線部 75は、クラスタ抽出部 70で抽出されたクラスタ情報を作業結 果格納部 320から又は直接クラスタ抽出部 70から取得し、このクラスタ情報に基づき 、異なる時間スライスに属するクラスタ間の結線を行う。生成された結線データは、直 接クラスタ内要素配置部 90に送られてそこでの処理に用いられ、或いは作業結果格 納部 320に送られて格納される。クラスタ内要素配置部 90は、クラスタ内要素の配置 を行うほか、時間スライス間結線部 75の結線データも参照して、文書相関図を完成さ せる。
[0219] く 5— 3— 2.文書相関図作成手順 >
図 35は、実施例 8における文書相関図作成過程を説明するフローチャートである。 このフローチャートは、本実施例 8の手順を図 3より詳細に示している。図 3と同様のス テツプには図 3のステップ番号に 800を加えて下二桁を図 3と同一のステップ番号とし 、図 3と重複する説明を省略することがある。
図 36は、実施例 8における文書相関図作成過程での榭状図配置例を示す図であ り、図 35を補足するものである。
[0220] まず、文書読み出し部 10が、入力装置 2で入力される読み出し条件に従って、分 析対象となる複数の文書要素を記録装置 3の文書格納部 330から読み出す (ステツ プ S810)。
[0221] 次に、時間データ抽出部 20が、文書読み出しステップ S810で読み出された文書 要素群から、各要素の時間データを抽出する (ステップ S820)。
[0222] 各要素の時間データが抽出されたら、これらを時間データに基づいて分類する (ス テツプ S825)。この処理は、時間スライス分類部 25が行う。具体的には、時間軸を一 定間隔（例えば A t= l年）でスライスし、 tの区間 n≤t<n+ l (n=0, 1, 2, ···)内の 時間データをもつ文書要素の集合を「n—スライス」とする。ここで tは、 0—スライスの 前方閾値分だけ原点を移動してある。
時間データに基づく分類は、一定時間間隔でなくとも可変間隔であってもよい。例 えば、時間順に累積して一定件数に達したときに時間切断するなどしてもよい。すな わち、分析対象要素が例えば 100個あり、これら要素を時間順に並べると古い方から E , E , · · · , E となったとき、例えば 20個ごとに E乃至 E を 0—スライス、 E 乃至 E
1 2 100 1 20 21
40を 1 スライス、 · · ·等とする。これにより時間スライス間の要素数の偏在を防止でき る。
[0223] 次に、各スライスにっき、グループ Gを形成する。具体的には、以下のように各スラ イスカゝらクラスタを抽出する。
[0224] まず、索引語データ抽出部 30が索引語データを抽出し (ステップ S830)、類似度 演算部 40が各スライス内の文書要素間の類似度 (又は非類似度)を演算する (ステツ プ S840)。そして各スライスにっき、榭状図作成部 50が榭状図を作成する (ステップ S850) o更に、切断条件読み出し部 60が榭状図切断条件を読み出し (ステップ S86 0)、クラスタ抽出部 70が、各スライス力もクラスタを抽出する (ステップ S870)。
ここで、各 n—スライス力 抽出されたクラスタをそれぞれグループ Gと称することに する。各グループ Gはスライス番号 nとグループ番号 jを持ち、これを G (n, j)で表す（ 図 36 (A) )。グループ Gは複数の文書要素からなる場合もあり、 1つの文書要素から なる場合もある。 1つの文書要素力 なるグループを自明グループと称することにする [0225] 榭状図の切断高さ αとしては、例えば a =<d>+ δ σ (但し 3≤ δ≤3。特に d
-3≤ δ≤0が好ましぐ -2≤ δ≤— 1がより好ましい）を用いる。 -3≤ δとしたのは 、 δが— 3より小さいと、経験上多くのグループが自明グループとなり、—3より小さく しても自明グループという結果に変わりはないからである。自明グループになること自 体は悪!ヽ結果と!/、うわけではな!/、から、 - 3より小さくすることを妨げるものではな 、。 榭状図の切断高さ aとして、上記 a *のように各時間スライスの結合高さ dの平均値 及び偏差のうち何れか又は両方を変数として含む関数を用いる場合は、時間スライ スごとに切断高さが異なることになる。特に、スライス内要素数の少ない（例えば 3以 下）時間スライスにおいては、 1つの要素がスライス内要素の結合高さ dの平均値及 び偏差の変動に及ぼす影響が大きいので、他の時間スライスとの切断高さの相違が 大きくなり過ぎる可能性もある。従って、スライス内要素数の少ない (例えば 3以下）時 間スライスがある場合には、例えば相関係数で類似度を定義し、結合高さ d=a— bco s Θとして榭状図を作成し、切断高さ aを、 a— b≤ a≤a— 0.5bの範囲内とすること が好ましい。
[0226] クラスタの抽出は、ステップ S830〜S870で説明した榭状図切断によることが好ま しいが、それ以外の方法によっても良い。例えば、公知の k一平均法などを用いたク ラスタ抽出でもよい。
また例えば、分析対象の文書要素間を結線し、切断半径 より非類似度の大きい 線を消去することでクラスタを抽出する円弧分割法を用いてもょ 、。この円弧分割法 の具体的な一例を説明すると、分析対象要素が M個 (E , E , ···, E )あるとして、
1 2 M
まずこれら分析対象の要素間距離 rを成分とする距離行列 (M行 M列)を作成する。 次に、要素間距離 rの平均値 <r>と標準偏差 σを用いて、切断半径 * = <r> + δ σ (但しー3≤ δ≤3。特にー3≤ δ≤0が好ましぐ -2≤ δ≤— 1がより好ましい )を決定する。そして、距離行列の成分 rのうち閾値 ρ *を超える成分を 0とした隣接行 列（M行 M列）を作成する。最後に、隣接行列の列成分カゝらなる隣接ベクトル (r ', r
1 2
', ···, r ')の非ゼロ成分によってクラスタを生成する。
M
例えば、文書要素 Eに関する隣接ベクトルが（0, 0.5, 0.6, 0, ···, 0)である場合 ( 各成分はそれぞれ文書要素 E , E , E , E , · · · , E との距離 rに基づき算出したも
1 2 3 4 M
ので、省略した成分はすべて 0とする。 )、この文書要素 Eは、文書要素 E及び文書
1 2 要素 Eと同一クラスタとする。
3
なお、切断半径 において一 3≤ δとしたのは、上記 α *の場合と同様、 δが一 3 より小さいと、経験上多くのグループが自明グループとなり、—3より小さくしても自明 グループと 、う結果に変わりはな 、からである。 - 3より小さくすることを妨げるもので はない。
[0227] グループ Gの形成方法は、上記クラスタ分析以外の方法でも良 、。例えば、文書要 素群が特許分類や企業名などで既に分類されて ヽる場合、これを用いてグループ定 義を行ってもよい。この場合、要素定義とグループ定義が一致するので、複数文書か らなる 1つの文書要素で、 1つのグループが成立することになる（これも自明グループ である)。
[0228] 各 η—スライスにっきクラスタ抽出などの方法によりグループ Gが形成されたら、次 に、 0—スライスに属するグループ間の結線を決定する（ステップ S872)。例えば、榭 状図切断で得られた各クラスタを、切断位置より上位の榭状図結線構造により結線 する（図 36 (B) )。
[0229] 次に、スライス間の結線を行う。この処理は、時間スライス間結線部 75が行う。
[0230] 具体的には、各 n—スライス (n≠0)に属するグループ G (n, j)の最古要素と最も類 似度の高い文書要素 (以下「最短距離要素」と称する)を、 て < nなる時間前方ダル ープ G ( τ , j)の要素力 選出する。そして、グループ G (n, j)の最古要素と、時間前 方グループ G ( τ , j)力も選出された最短距離要素とを結線する (ステップ S875：図 3 6 (C) )。なお、最短距離要素が複数存在する場合は、それらの中で最も古い要素を 選出し、グループ G (n, j)の最古要素と結線する。
[0231] 或いは、各 n—スライス (n≠0)に属するグループ G (n, j)と最もグループ間類似度 の高い（グループ間距離の短い）グループを、 τ < ηなる時間前方グループ G ( τ , j) 力も選出することとしてもよい。この場合、グループ G (n, j)の最古要素と、選出され た時間前方グループ G ( τ , j)の最新要素とを結線する。グループ間距離は、比較さ れるグループに属する要素間の非類似度 (距離)を用いて、重心間距離、全距離平 均などにより定義することができる。 1つの文書要素で 1つのグループが構成される自 明グループであれば、要素間の非類似度 (要素間距離）に一致する。
[0232] 最後に、配置条件読み出し部 80が各グループ内の文書要素配置条件を読み出し
(ステップ S880)、クラスタ内要素配置部 90力 各グループ内の文書要素の配置を 決定し (ステップ S890)、文書相関図が完成する。なお、図 36 (C)では、文書要素を 各グループ内で並列に配置した力 グループ内でも時間順の配置とするなど他の配 置でもよい。
[0233] 図 37は、実施例 8の方法により生成された文書相関図の第 1の具体例及びその生 成過程を示す図である。実施例 1の図 7と同一の公開公報を文書要素とし、各文書 要素の出願日を時間データ tとし、 1年ごとに n=0〜6の時間スライスに分類した。各 時間スライスにっき榭状図を作成し、各榭状図を切断高さ《* = < d >— σ で切断
d
し、グループを形成した（図 37 (A) )。図 37 (A)には n= 2の時間スライスについての 榭状図切断の様子のみを示し、他の時間スライスについては榭状図切断の結果す ベてのグループが要素 1つのみの自明群となったので榭状図切断の図示を省略した 。各グループの最古要素を時間前方群の最短距離要素と結線し、各グループ内で は時系列に結線した。文書相関図には各文書要素につき特許出願番号を記入した ( 図 37 (B) )。
[0234] 図 38は、実施例 8の方法により生成された文書相関図の第 2の具体例及びその生 成過程を示す図である。実施例 3の図 14と同一の 16分野の文書要素 (マクロ要素） について、実施例 8の方法により各文書要素を構成する文書群の出願日平均値を各 文書要素の時間データ tとし、 1年ごとに n=0〜4の時間スライスに分類した。各時間 スライスにっき榭状図を作成し、各榭状図を切断高さ《* = < d >— σ で切断し、グ
d
ループを形成した（図 38 (A) )。各グループの最古要素を時間前方群の最短距離要 素と結線し、各グループ内では時系列に結線した。文書相関図には上記 16分野を 特徴付けるキーワードを記入した（図 38 (B) )。
[0235] 図 39は、実施例 8の方法により生成された文書相関図の第 3の具体例及びその生 成過程を示す図である。実施例 1の図 7と同一の公開公報を文書要素とし、各文書 要素の出願日を時間データ tとし、 1年ごとに n=0〜6の時間スライスに分類した (ここ までは図 37と同様)。各時間スライスにっき、上述の円弧分割法に従って要素間距 離 rを成分とする距離行列を作成し、これを切断半径 p * = <r>— σ により隣接行 列に変換して（図 39 (A) )クラスタ分析し、グループを形成した。なお、要素数 2以下 の時間スライスについては円弧分割法によらず、相関係数で定義した要素間距離が 0.5を超えるものを別グループとし、図 39 (A)での図示を省略した。その後、各グルー プの最古要素を時間前方群の最短距離要素と結線し、各グループ内では時系列に 結線した。文書相関図には各文書要素につき特許出願番号を記入した（図 39 (B) )
[0236] 図 40は、実施例 8の方法により生成された文書相関図の第 4の具体例及びその生 成過程を示す図である。実施例 3の図 14と同一の 16分野の文書要素 (マクロ要素） について、各文書要素を構成する文書群の出願日平均値を各文書要素の時間デー タ tとし、 1年ごとに n=0〜4の時間スライスに分類した (ここまでは図 38と同様)。各時 間スライスにっき、上述の円弧分割法に従って要素間距離 rを成分とする距離行列を 作成し、これを切断半径 p * = <r>— σ により隣接行列に変換して（図 40 (A) )クラ スタ分析し、グループを形成した。なお、要素数 2以下の時間スライスについては円 弧分割法によらず、相関係数で定義した要素間距離が 0.5を超えるものを別グループ とし、図 40 (A)での図示を省略した。その後、各グループの最古要素を時間前方群 の最短距離要素と結線し、各グループ内では時系列に結線した。文書相関図には 上記 16分野を特徴付けるキーワードを記入した（図 40 (Β) )。
[0237] < 5— 3— 3.実施例 8の効果 >
本実施例 8によれば、クラスタ抽出と時間データに基づく分類とを行うことにより、分 野ごとの時間的発展を適切に表す榭状図を作成することができる。
特に、時断面による切り分けを最初に行うので、異なる分類間における同時代文書 の関係を表すことができ、併せて異なる期間における同分野文書の関係も表すこと ができる。

Claims

請求の範囲
[1] 1つ又は複数の文書からなる文書要素の内容データ及び時間データを、複数の文 書要素につき抽出する抽出手段と、
前記各文書要素の内容データに基づき、前記複数の文書要素の相関を示す榭状 図を作成する榭状図作成手段と、
前記榭状図を所定の規則に基づき切断しクラスタを抽出するクラスタリング手段と、 前記各文書要素の時間データに基づき、前記各クラスタに属する文書要素群の当 該クラスタ内における配列を決定するクラスタ内配列手段と、
を備えた、文書相関図作成装置。
[2] 請求項 1において、
前記クラスタリング手段が前記榭状図を切断する前記所定の規則は、連関規則分 析により導出されたものである、文書相関図作成装置。
[3] 請求項 2において、
前記所定の規則は、前記榭状図の形状パラメータに基づき導出されたものである、 文書相関図作成装置。
[4] 請求項 1又は請求項 2において、
前記所定の規則は、前記榭状図の各ノードで結合される複数の文書要素のベタト ル次元数に基づき導出されたものである、文書相関図作成装置。
[5] 請求項 4において、
前記クラスタリング手段は、前記各ノードで結合される複数の文書要素のベクトル次 元数が一定値以上である力否かを前記ノードごとに判定し、前記判定の結果に基づ いて前記一定値以上のノードを個別に切断する、文書相関図作成装置。
[6] 請求項 1において、
前記クラスタリング手段は、前記榭状図を切断して親クラスタを抽出し、前記親クラ スタに属する各文書要素の内容データに基づ 、て前記親クラスタに属する文書要素 群の相関を示す部分榭状図を作成し、当該作成された部分榭状図を所定の規則に 基づき切断して子孫クラスタを抽出する、文書相関図作成装置。 [7] 請求項 6において、
前記クラスタリング手段は、前記部分榭状図の作成のために、前記親クラスタに属 する複数の文書要素間での偏差が所定方法で定めた値より小さい値をとるベクトル 成分を各文書要素ベクトルから除去する、文書相関図作成装置。
[8] 請求項 1において、
前記榭状図作成手段は、文書要素間の結合高さが文書要素間の類似度合いを反 映するように前記榭状図を作成し、
前記クラスタリング手段は、前記榭状図の 2箇所以上の所定の高さで切断して前記 クラスタを抽出する、文書相関図作成装置。
[9] 請求項 1乃至請求項 8の何れか一項において、
前記榭状図作成手段は、文書要素間の結合高さが文書要素間の類似度合いを反 映するように前記榭状図を作成し、
前記クラスタリング手段は、前記榭状図に属する前記文書要素群の結合高さ平均 値及び偏差のうち何れか又は両方を変数として含む関数に基づく切断位置で切断し て前記クラスタを抽出する、文書相関図作成装置。
[10] 請求項 1乃至請求項 7において、
前記榭状図作成手段は、文書要素間の結合高さが文書要素間の類似度合いを反 映するように前記榭状図を作成し、
前記クラスタリング手段は、
前記榭状図に属する前記文書要素群の結合高さ平均値及び偏差のうち何れか又 は両方を変数として含む関数に基づく切断位置で当該榭状図を切断して親クラスタ を抽出し、
当該親クラスタに属する文書要素群の結合高さ平均値及び偏差のうち何れか又は 両方を変数として含む関数に基づく切断位置で当該親クラスタを切断して子孫クラス タを抽出する、文書相関図作成装置。
[11] 請求項 1乃至請求項 10の何れか一項において、
前記文書要素の内容データに基づいて、特定の属性を有する文書要素に対して 他の文書要素と区別する表示を付加する区別表示付加手段を更に備えた、文書相 関図作成装置。
[12] 請求項 1乃至請求項 11の何れか一項において、
前記クラスタ内配列手段は、
前記クラスタ内に属する文書要素群で構成される榭状図にお 、て、結合された文 書要素のどちらがより古いかについて、最下位ノードから順に比較を行い、下位ノー ドでより古いと判定された文書要素を上位ノードでの比較対象として、最上位ノードま で比較して結果を記録し、
最上位ノードでの比較の結果決定された最古要素を当該クラスタの先頭に配置し、 当該最古要素と直接比較された文書要素の数だけ、当該最古要素からの分岐を 作成し、これら比較された文書要素を上記各分岐に接続し、配列を決定する、文書 相関図作成装置。
[13] 請求項 1乃至請求項 11の何れか一項において、
前記クラスタ内配列手段は、
当該クラスタ内の最古要素を 1つ又は複数抽出して先頭に配置し、
前記最古要素を除いた残りの文書要素について、これら文書要素を定義する分類 ごとに時間順配列を形成し、
前記時間順配列のうち、これと同分類の文書要素が前記最古要素として存在する 時間順配列については、当該同分類の最古要素と結線し、
前記時間順配列のうち、これと同分類の文書要素が前記最古要素として存在しな V、時間順配列にっ 、ては、当該時間順配列のうちの最古要素と最も類似度合 、の 高い文書要素を当該クラスタ内から選出し、当該最も類似度合いの高い文書要素と 結線して、
当該クラスタ内の配列を決定する、文書相関図作成装置。
[14] 請求項 1乃至請求項 11の何れか一項において、
時間スライス分類手段と、時間スライス間結線手段とを更に備え、
前記時間スライス分類手段は、前記複数の文書要素を、各文書要素の前記時間デ ータに基づいて複数の時間スライスに分類し、 前記榭状図作成手段は、各時間スライスに属する文書要素群の相関を示す榭状 図を作成し、
前記クラスタリング手段は、前記各時間スライスの榭状図を所定の規則に基づき切 断してクラスタを抽出し、
前記時間スライス間結線手段は、異なる時間スライスに属するクラスタ同士を結線 する、文書相関図作成装置。
1つ又は複数の文書からなる文書要素の内容データ及び時間データを、複数の文 書要素につき抽出する抽出手段と、
前記複数の文書要素を、各文書要素の前記時間データに基づいて複数の時間ス ライスに分類する時間スライス分類手段と、
前記各時間スライスに属する各文書要素の内容データに基づき、前記各時間スラ イス力 クラスタを抽出するクラスタリング手段と、
異なる時間スライスに属するクラスタ同士を結線する時間スライス間結線手段と、を 備えた、文書相関図作成装置。
[16] 1つ又は複数の文書からなる文書要素の内容データ及び時間データを、複数の文 書要素につき抽出する抽出ステップと、
前記各文書要素の内容データに基づき、前記複数の文書要素の相関を示す榭状 図を作成する榭状図作成ステップと、
前記榭状図を所定の規則に基づき切断しクラスタを抽出するクラスタリングステップ と、
前記各文書要素の時間データに基づき、前記各クラスタに属する文書要素群の当 該クラスタ内における配列を決定するクラスタ内配列ステップと、
を備えた、文書相関図作成方法。
[17] 1つ又は複数の文書からなる文書要素の内容データ及び時間データを、複数の文 書要素につき抽出する抽出ステップと、
前記各文書要素の内容データに基づき、前記複数の文書要素の相関を示す榭状 図を作成する榭状図作成ステップと、 前記榭状図を所定の規則に基づき切断しクラスタを抽出するクラスタリングステップ と、
前記各文書要素の時間データに基づき、前記各クラスタに属する文書要素群の当 該クラスタ内における配列を決定するクラスタ内配列ステップと、
をコンピュータに実行させる、文書相関図作成プログラム。
PCT/JP2005/016785 2004-09-14 2005-09-12 文書を時系列に配置した文書相関図の作成装置 WO2006030751A1 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
BRPI0515687-4A BRPI0515687A (pt) 2004-09-14 2005-09-12 dispositivo, programa e método de desenho para o relacionamento de diagrama dos documentos em ordem cronológica
RU2007114059/09A RU2007114059A (ru) 2004-09-14 2005-09-12 Чертежное устройство для схемы взаимосвязи документов, компонующее документы в хронологическом порядке
CA002589531A CA2589531A1 (en) 2004-09-14 2005-09-12 Drawing device for relationship diagram of documents arranging the documents in chronological order
JP2006535132A JP4171514B2 (ja) 2004-09-14 2005-09-12 文書を時系列に配置した文書相関図の作成装置
US11/662,759 US20080294651A1 (en) 2004-09-14 2005-09-12 Drawing Device for Relationship Diagram of Documents Arranging the Documents in Chronolgical Order
EP05782121A EP1806663A1 (en) 2004-09-14 2005-09-12 Device for drawing document correlation diagram where documents are arranged in time series

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2004266199 2004-09-14
JP2004-266199 2004-09-14
JP2005-171755 2005-06-10
JP2005171755 2005-06-10

Publications (1)

Publication Number Publication Date
WO2006030751A1 true WO2006030751A1 (ja) 2006-03-23

Family

ID=36060003

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2005/016785 WO2006030751A1 (ja) 2004-09-14 2005-09-12 文書を時系列に配置した文書相関図の作成装置

Country Status (8)

Country Link
US (1) US20080294651A1 (ja)
EP (1) EP1806663A1 (ja)
JP (2) JP4171514B2 (ja)
KR (1) KR20070053246A (ja)
BR (1) BRPI0515687A (ja)
CA (1) CA2589531A1 (ja)
RU (1) RU2007114059A (ja)
WO (1) WO2006030751A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008090510A (ja) * 2006-09-29 2008-04-17 Shin Etsu Polymer Co Ltd 文書分類装置及び文書分類方法
JP2008234482A (ja) * 2007-03-22 2008-10-02 Nippon Telegr & Teleph Corp <Ntt> 文書分類装置、文書分類方法、プログラムおよび記録媒体

Families Citing this family (206)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8645137B2 (en) 2000-03-16 2014-02-04 Apple Inc. Fast, language-independent method for user authentication by voice
US8082264B2 (en) 2004-04-07 2011-12-20 Inquira, Inc. Automated scheme for identifying user intent in real-time
US8612208B2 (en) 2004-04-07 2013-12-17 Oracle Otc Subsidiary Llc Ontology for use with a system, method, and computer readable medium for retrieving information and response to a query
US7747601B2 (en) 2006-08-14 2010-06-29 Inquira, Inc. Method and apparatus for identifying and classifying query intent
US8005707B1 (en) 2005-05-09 2011-08-23 Sas Institute Inc. Computer-implemented systems and methods for defining events
US8677377B2 (en) 2005-09-08 2014-03-18 Apple Inc. Method and apparatus for building an intelligent automated assistant
US7711734B2 (en) * 2006-04-06 2010-05-04 Sas Institute Inc. Systems and methods for mining transactional and time series data
US7921099B2 (en) * 2006-05-10 2011-04-05 Inquira, Inc. Guided navigation system
US8781813B2 (en) 2006-08-14 2014-07-15 Oracle Otc Subsidiary Llc Intent management tool for identifying concepts associated with a plurality of users' queries
US9318108B2 (en) 2010-01-18 2016-04-19 Apple Inc. Intelligent automated assistant
US8112302B1 (en) 2006-11-03 2012-02-07 Sas Institute Inc. Computer-implemented systems and methods for forecast reconciliation
US8095476B2 (en) * 2006-11-27 2012-01-10 Inquira, Inc. Automated support scheme for electronic forms
JP4550074B2 (ja) * 2007-01-23 2010-09-22 インターナショナル・ビジネス・マシーンズ・コーポレーション 不均質な情報源からの情報トラッキングのためのシステム、方法およびコンピュータ実行可能プログラム
JP4403561B2 (ja) * 2007-01-31 2010-01-27 インターナショナル・ビジネス・マシーンズ・コーポレーション 画面の表示を制御する技術
US7797265B2 (en) * 2007-02-26 2010-09-14 Siemens Corporation Document clustering that applies a locality sensitive hashing function to a feature vector to obtain a limited set of candidate clusters
US7711668B2 (en) * 2007-02-26 2010-05-04 Siemens Corporation Online document clustering using TFIDF and predefined time windows
US8977255B2 (en) 2007-04-03 2015-03-10 Apple Inc. Method and system for operating a multi-function portable electronic device using voice-activation
US8793264B2 (en) * 2007-07-18 2014-07-29 Hewlett-Packard Development Company, L. P. Determining a subset of documents from which a particular document was derived
US8069404B2 (en) 2007-08-22 2011-11-29 Maya-Systems Inc. Method of managing expected documents and system providing same
US8601392B2 (en) 2007-08-22 2013-12-03 9224-5489 Quebec Inc. Timeline for presenting information
US8949177B2 (en) * 2007-10-17 2015-02-03 Avaya Inc. Method for characterizing system state using message logs
JP4146505B1 (ja) * 2007-11-19 2008-09-10 デュアキシズ株式会社 判定装置及び判定方法
US10002189B2 (en) 2007-12-20 2018-06-19 Apple Inc. Method and apparatus for searching using an active ontology
US7921100B2 (en) * 2008-01-02 2011-04-05 At&T Intellectual Property I, L.P. Set similarity selection queries at interactive speeds
US9330720B2 (en) 2008-01-03 2016-05-03 Apple Inc. Methods and apparatus for altering audio output signals
US20090216611A1 (en) * 2008-02-25 2009-08-27 Leonard Michael J Computer-Implemented Systems And Methods Of Product Forecasting For New Products
US8739050B2 (en) 2008-03-07 2014-05-27 9224-5489 Quebec Inc. Documents discrimination system and method thereof
JP5157551B2 (ja) * 2008-03-17 2013-03-06 株式会社リコー オブジェクト連携システム、オブジェクト連携方法およびプログラム
US8996376B2 (en) 2008-04-05 2015-03-31 Apple Inc. Intelligent text-to-speech conversion
US8676815B2 (en) 2008-05-07 2014-03-18 City University Of Hong Kong Suffix tree similarity measure for document clustering
US10496753B2 (en) 2010-01-18 2019-12-03 Apple Inc. Automatically adapting user interfaces for hands-free interaction
US20100030549A1 (en) 2008-07-31 2010-02-04 Lee Michael M Mobile device having human language translation capability with positional feedback
US8676904B2 (en) 2008-10-02 2014-03-18 Apple Inc. Electronic devices with voice command and contextual data processing capabilities
KR101054824B1 (ko) * 2008-11-28 2011-08-05 한국과학기술원 키워드 시맨틱 네트워크 구성을 통한 특허정보 시각화 시스템 및 그 방법
US9959870B2 (en) 2008-12-11 2018-05-01 Apple Inc. Speech recognition involving a mobile device
JP5213758B2 (ja) * 2009-02-26 2013-06-19 三菱電機株式会社 情報処理装置及び情報処理方法及びプログラム
US10241752B2 (en) 2011-09-30 2019-03-26 Apple Inc. Interface for a virtual digital assistant
US10241644B2 (en) 2011-06-03 2019-03-26 Apple Inc. Actionable reminder entries
US9858925B2 (en) 2009-06-05 2018-01-02 Apple Inc. Using context information to facilitate processing of commands in a virtual assistant
US10706373B2 (en) 2011-06-03 2020-07-07 Apple Inc. Performing actions associated with task items that represent tasks to perform
US9431006B2 (en) 2009-07-02 2016-08-30 Apple Inc. Methods and apparatuses for automatic speech recognition
US10679605B2 (en) 2010-01-18 2020-06-09 Apple Inc. Hands-free list-reading by intelligent automated assistant
US10705794B2 (en) 2010-01-18 2020-07-07 Apple Inc. Automatically adapting user interfaces for hands-free interaction
US10553209B2 (en) 2010-01-18 2020-02-04 Apple Inc. Systems and methods for hands-free notification summaries
US10276170B2 (en) 2010-01-18 2019-04-30 Apple Inc. Intelligent automated assistant
US8631040B2 (en) 2010-02-23 2014-01-14 Sas Institute Inc. Computer-implemented systems and methods for flexible definition of time intervals
US8682667B2 (en) 2010-02-25 2014-03-25 Apple Inc. User profiling for selecting user specific voice input processing information
JP2011243148A (ja) * 2010-05-21 2011-12-01 Sony Corp 情報処理装置、情報処理方法及びプログラム
US8713021B2 (en) * 2010-07-07 2014-04-29 Apple Inc. Unsupervised document clustering using latent semantic density analysis
US8407221B2 (en) * 2010-07-09 2013-03-26 International Business Machines Corporation Generalized notion of similarities between uncertain time series
US10762293B2 (en) 2010-12-22 2020-09-01 Apple Inc. Using parts-of-speech tagging and named entity recognition for spelling correction
US9189129B2 (en) 2011-02-01 2015-11-17 9224-5489 Quebec Inc. Non-homogeneous objects magnification and reduction
US9262612B2 (en) 2011-03-21 2016-02-16 Apple Inc. Device access using voice authentication
US8751858B2 (en) 2011-05-20 2014-06-10 International Business Machines Corporation System, method, and computer program product for physical drive failure identification, prevention, and minimization of firmware revisions
US10057736B2 (en) 2011-06-03 2018-08-21 Apple Inc. Active transport based notifications
US9336493B2 (en) 2011-06-06 2016-05-10 Sas Institute Inc. Systems and methods for clustering time series data based on forecast distributions
US9361273B2 (en) * 2011-07-21 2016-06-07 Sap Se Context-aware parameter estimation for forecast models
US9047559B2 (en) 2011-07-22 2015-06-02 Sas Institute Inc. Computer-implemented systems and methods for testing large scale automatic forecast combinations
US8994660B2 (en) 2011-08-29 2015-03-31 Apple Inc. Text correction processing
US10289657B2 (en) 2011-09-25 2019-05-14 9224-5489 Quebec Inc. Method of retrieving information elements on an undisplayed portion of an axis of information elements
CA2801663A1 (en) * 2012-01-10 2013-07-10 Francois Cassistat Method of reducing computing time and apparatus thereof
US10134385B2 (en) 2012-03-02 2018-11-20 Apple Inc. Systems and methods for name pronunciation
US9483461B2 (en) 2012-03-06 2016-11-01 Apple Inc. Handling speech synthesis of content for multiple languages
US9280610B2 (en) 2012-05-14 2016-03-08 Apple Inc. Crowd sourcing information to fulfill user requests
US9721563B2 (en) 2012-06-08 2017-08-01 Apple Inc. Name recognition system
US9519693B2 (en) 2012-06-11 2016-12-13 9224-5489 Quebec Inc. Method and apparatus for displaying data element axes
US9646080B2 (en) 2012-06-12 2017-05-09 9224-5489 Quebec Inc. Multi-functions axis-based interface
US9495129B2 (en) 2012-06-29 2016-11-15 Apple Inc. Device, method, and user interface for voice-activated navigation and browsing of a document
US9087306B2 (en) 2012-07-13 2015-07-21 Sas Institute Inc. Computer-implemented systems and methods for time series exploration
US9244887B2 (en) 2012-07-13 2016-01-26 Sas Institute Inc. Computer-implemented systems and methods for efficient structuring of time series data
US9576574B2 (en) 2012-09-10 2017-02-21 Apple Inc. Context-sensitive handling of interruptions by intelligent digital assistant
US9547647B2 (en) 2012-09-19 2017-01-17 Apple Inc. Voice-based media searching
EP2954514B1 (en) 2013-02-07 2021-03-31 Apple Inc. Voice trigger for a digital assistant
US9147218B2 (en) 2013-03-06 2015-09-29 Sas Institute Inc. Devices for forecasting ratios in hierarchies
US9368114B2 (en) 2013-03-14 2016-06-14 Apple Inc. Context-sensitive handling of interruptions
AU2014233517B2 (en) 2013-03-15 2017-05-25 Apple Inc. Training an at least partial voice command system
WO2014144579A1 (en) 2013-03-15 2014-09-18 Apple Inc. System and method for updating an adaptive speech recognition model
WO2014197334A2 (en) 2013-06-07 2014-12-11 Apple Inc. System and method for user-specified pronunciation of words for speech synthesis and recognition
WO2014197336A1 (en) 2013-06-07 2014-12-11 Apple Inc. System and method for detecting errors in interactions with a voice-based digital assistant
US9582608B2 (en) 2013-06-07 2017-02-28 Apple Inc. Unified ranking with entropy-weighted information for phrase-based semantic auto-completion
WO2014197335A1 (en) 2013-06-08 2014-12-11 Apple Inc. Interpreting and acting upon commands that involve sharing information with remote devices
DE112014002747T5 (de) 2013-06-09 2016-03-03 Apple Inc. Vorrichtung, Verfahren und grafische Benutzerschnittstelle zum Ermöglichen einer Konversationspersistenz über zwei oder mehr Instanzen eines digitalen Assistenten
US10176167B2 (en) 2013-06-09 2019-01-08 Apple Inc. System and method for inferring user intent from speech inputs
KR101809808B1 (ko) 2013-06-13 2017-12-15 애플 인크. 음성 명령에 의해 개시되는 긴급 전화를 걸기 위한 시스템 및 방법
AU2014306221B2 (en) 2013-08-06 2017-04-06 Apple Inc. Auto-activating smart responses based on activities from remote devices
US9934259B2 (en) 2013-08-15 2018-04-03 Sas Institute Inc. In-memory time series database and processing in a distributed environment
US10296160B2 (en) 2013-12-06 2019-05-21 Apple Inc. Method for extracting salient dialog usage from live data
JP6326886B2 (ja) * 2014-03-19 2018-05-23 富士通株式会社 ソフトウェア分割プログラム、ソフトウェア分割装置およびソフトウェア分割方法
US10169720B2 (en) 2014-04-17 2019-01-01 Sas Institute Inc. Systems and methods for machine learning using classifying, clustering, and grouping time series data
US9620105B2 (en) 2014-05-15 2017-04-11 Apple Inc. Analyzing audio input for efficient speech and music recognition
US10592095B2 (en) 2014-05-23 2020-03-17 Apple Inc. Instantaneous speaking of content on touch devices
US9502031B2 (en) 2014-05-27 2016-11-22 Apple Inc. Method for supporting dynamic grammars in WFST-based ASR
US9430463B2 (en) 2014-05-30 2016-08-30 Apple Inc. Exemplar-based natural language processing
US9734193B2 (en) 2014-05-30 2017-08-15 Apple Inc. Determining domain salience ranking from ambiguous words in natural speech
AU2015266863B2 (en) 2014-05-30 2018-03-15 Apple Inc. Multi-command single utterance input method
US9760559B2 (en) 2014-05-30 2017-09-12 Apple Inc. Predictive text input
US10078631B2 (en) 2014-05-30 2018-09-18 Apple Inc. Entropy-guided text prediction using combined word and character n-gram language models
US10289433B2 (en) 2014-05-30 2019-05-14 Apple Inc. Domain specific language for encoding assistant dialog
US10170123B2 (en) 2014-05-30 2019-01-01 Apple Inc. Intelligent assistant for home automation
US9785630B2 (en) 2014-05-30 2017-10-10 Apple Inc. Text prediction using combined word N-gram and unigram language models
US9842101B2 (en) 2014-05-30 2017-12-12 Apple Inc. Predictive conversion of language input
US9633004B2 (en) 2014-05-30 2017-04-25 Apple Inc. Better resolution when referencing to concepts
US9715875B2 (en) 2014-05-30 2017-07-25 Apple Inc. Reducing the need for manual start/end-pointing and trigger phrases
US9892370B2 (en) 2014-06-12 2018-02-13 Sas Institute Inc. Systems and methods for resolving over multiple hierarchies
US9338493B2 (en) 2014-06-30 2016-05-10 Apple Inc. Intelligent automated assistant for TV user interactions
US10659851B2 (en) 2014-06-30 2020-05-19 Apple Inc. Real-time digital assistant knowledge updates
US10446141B2 (en) 2014-08-28 2019-10-15 Apple Inc. Automatic speech recognition based on user feedback
US9818400B2 (en) 2014-09-11 2017-11-14 Apple Inc. Method and apparatus for discovering trending terms in speech requests
US10789041B2 (en) 2014-09-12 2020-09-29 Apple Inc. Dynamic thresholds for always listening speech trigger
US9606986B2 (en) 2014-09-29 2017-03-28 Apple Inc. Integrated word N-gram and class M-gram language models
US9886432B2 (en) 2014-09-30 2018-02-06 Apple Inc. Parsimonious handling of word inflection via categorical stem + suffix N-gram language models
US9668121B2 (en) 2014-09-30 2017-05-30 Apple Inc. Social reminders
US9646609B2 (en) 2014-09-30 2017-05-09 Apple Inc. Caching apparatus for serving phonetic pronunciations
US10074360B2 (en) 2014-09-30 2018-09-11 Apple Inc. Providing an indication of the suitability of speech recognition
US10127911B2 (en) 2014-09-30 2018-11-13 Apple Inc. Speaker identification and unsupervised speaker adaptation techniques
US9208209B1 (en) 2014-10-02 2015-12-08 Sas Institute Inc. Techniques for monitoring transformation techniques using control charts
US10552013B2 (en) 2014-12-02 2020-02-04 Apple Inc. Data detection
US9715418B2 (en) 2014-12-02 2017-07-25 International Business Machines Corporation Performance problem detection in arrays of similar hardware
US9711141B2 (en) 2014-12-09 2017-07-18 Apple Inc. Disambiguating heteronyms in speech synthesis
US9418339B1 (en) 2015-01-26 2016-08-16 Sas Institute, Inc. Systems and methods for time series analysis techniques utilizing count data sets
US10152299B2 (en) 2015-03-06 2018-12-11 Apple Inc. Reducing response latency of intelligent automated assistants
US9865280B2 (en) 2015-03-06 2018-01-09 Apple Inc. Structured dictation using intelligent automated assistants
US9886953B2 (en) 2015-03-08 2018-02-06 Apple Inc. Virtual assistant activation
US10567477B2 (en) 2015-03-08 2020-02-18 Apple Inc. Virtual assistant continuity
US9721566B2 (en) 2015-03-08 2017-08-01 Apple Inc. Competing devices responding to voice triggers
US9899019B2 (en) 2015-03-18 2018-02-20 Apple Inc. Systems and methods for structured stem and suffix language models
US9842105B2 (en) 2015-04-16 2017-12-12 Apple Inc. Parsimonious continuous-space phrase representations for natural language processing
US10083688B2 (en) 2015-05-27 2018-09-25 Apple Inc. Device voice control for selecting a displayed affordance
US10127220B2 (en) 2015-06-04 2018-11-13 Apple Inc. Language identification from short strings
US10101822B2 (en) 2015-06-05 2018-10-16 Apple Inc. Language input correction
US9578173B2 (en) 2015-06-05 2017-02-21 Apple Inc. Virtual assistant aided communication with 3rd party service in a communication session
US10186254B2 (en) 2015-06-07 2019-01-22 Apple Inc. Context-based endpoint detection
US11025565B2 (en) 2015-06-07 2021-06-01 Apple Inc. Personalized prediction of responses for instant messaging
US10255907B2 (en) 2015-06-07 2019-04-09 Apple Inc. Automatic accent detection using acoustic models
US10983682B2 (en) 2015-08-27 2021-04-20 Sas Institute Inc. Interactive graphical user-interface for analyzing and manipulating time-series projections
US10671428B2 (en) 2015-09-08 2020-06-02 Apple Inc. Distributed personal assistant
US10747498B2 (en) 2015-09-08 2020-08-18 Apple Inc. Zero latency digital assistant
US9697820B2 (en) 2015-09-24 2017-07-04 Apple Inc. Unit-selection text-to-speech synthesis using concatenation-sensitive neural networks
US11010550B2 (en) 2015-09-29 2021-05-18 Apple Inc. Unified language modeling framework for word prediction, auto-completion and auto-correction
US10366158B2 (en) 2015-09-29 2019-07-30 Apple Inc. Efficient word encoding for recurrent neural network language models
US11587559B2 (en) 2015-09-30 2023-02-21 Apple Inc. Intelligent device identification
US10691473B2 (en) 2015-11-06 2020-06-23 Apple Inc. Intelligent automated assistant in a messaging environment
US10049668B2 (en) 2015-12-02 2018-08-14 Apple Inc. Applying neural network language models to weighted finite state transducers for automatic speech recognition
US10223066B2 (en) 2015-12-23 2019-03-05 Apple Inc. Proactive assistance based on dialog communication between devices
US10446143B2 (en) 2016-03-14 2019-10-15 Apple Inc. Identification of voice inputs providing credentials
US9934775B2 (en) 2016-05-26 2018-04-03 Apple Inc. Unit-selection text-to-speech synthesis based on predicted concatenation parameters
US9972304B2 (en) 2016-06-03 2018-05-15 Apple Inc. Privacy preserving distributed evaluation framework for embedded personalized systems
US10249300B2 (en) 2016-06-06 2019-04-02 Apple Inc. Intelligent list reading
US10049663B2 (en) 2016-06-08 2018-08-14 Apple, Inc. Intelligent automated assistant for media exploration
DK179309B1 (en) 2016-06-09 2018-04-23 Apple Inc Intelligent automated assistant in a home environment
US10490187B2 (en) 2016-06-10 2019-11-26 Apple Inc. Digital assistant providing automated status report
US10192552B2 (en) 2016-06-10 2019-01-29 Apple Inc. Digital assistant providing whispered speech
US10509862B2 (en) 2016-06-10 2019-12-17 Apple Inc. Dynamic phrase expansion of language input
US10586535B2 (en) 2016-06-10 2020-03-10 Apple Inc. Intelligent digital assistant in a multi-tasking environment
US10067938B2 (en) 2016-06-10 2018-09-04 Apple Inc. Multilingual word prediction
DK179343B1 (en) 2016-06-11 2018-05-14 Apple Inc Intelligent task discovery
DK201670540A1 (en) 2016-06-11 2018-01-08 Apple Inc Application integration with a digital assistant
DK179049B1 (en) 2016-06-11 2017-09-18 Apple Inc Data driven natural language event detection and classification
DK179415B1 (en) 2016-06-11 2018-06-14 Apple Inc Intelligent device arbitration and control
US10474753B2 (en) 2016-09-07 2019-11-12 Apple Inc. Language identification using recurrent neural networks
US10043516B2 (en) 2016-09-23 2018-08-07 Apple Inc. Intelligent automated assistant
US11281993B2 (en) 2016-12-05 2022-03-22 Apple Inc. Model and ensemble compression for metric learning
US10593346B2 (en) 2016-12-22 2020-03-17 Apple Inc. Rank-reduced token representation for automatic speech recognition
US11204787B2 (en) 2017-01-09 2021-12-21 Apple Inc. Application integration with a digital assistant
DK201770383A1 (en) 2017-05-09 2018-12-14 Apple Inc. USER INTERFACE FOR CORRECTING RECOGNITION ERRORS
US10417266B2 (en) 2017-05-09 2019-09-17 Apple Inc. Context-aware ranking of intelligent response suggestions
DK201770439A1 (en) 2017-05-11 2018-12-13 Apple Inc. Offline personal assistant
US10395654B2 (en) 2017-05-11 2019-08-27 Apple Inc. Text normalization based on a data-driven learning network
US10726832B2 (en) 2017-05-11 2020-07-28 Apple Inc. Maintaining privacy of personal information
DK179496B1 (en) 2017-05-12 2019-01-15 Apple Inc. USER-SPECIFIC Acoustic Models
DK179745B1 (en) 2017-05-12 2019-05-01 Apple Inc. SYNCHRONIZATION AND TASK DELEGATION OF A DIGITAL ASSISTANT
US11301477B2 (en) 2017-05-12 2022-04-12 Apple Inc. Feedback analysis of a digital assistant
DK201770427A1 (en) 2017-05-12 2018-12-20 Apple Inc. LOW-LATENCY INTELLIGENT AUTOMATED ASSISTANT
DK201770432A1 (en) 2017-05-15 2018-12-21 Apple Inc. Hierarchical belief states for digital assistants
DK201770431A1 (en) 2017-05-15 2018-12-20 Apple Inc. Optimizing dialogue policy decisions for digital assistants using implicit feedback
US10403278B2 (en) 2017-05-16 2019-09-03 Apple Inc. Methods and systems for phonetic matching in digital assistant services
US10311144B2 (en) 2017-05-16 2019-06-04 Apple Inc. Emoji word sense disambiguation
DK179549B1 (en) 2017-05-16 2019-02-12 Apple Inc. FAR-FIELD EXTENSION FOR DIGITAL ASSISTANT SERVICES
US20180336275A1 (en) 2017-05-16 2018-11-22 Apple Inc. Intelligent automated assistant for media exploration
US10657328B2 (en) 2017-06-02 2020-05-19 Apple Inc. Multi-task recurrent neural network architecture for efficient morphology handling in neural language modeling
US10671266B2 (en) 2017-06-05 2020-06-02 9224-5489 Quebec Inc. Method and apparatus of aligning information element axes
US10565444B2 (en) * 2017-09-07 2020-02-18 International Business Machines Corporation Using visual features to identify document sections
US10445429B2 (en) 2017-09-21 2019-10-15 Apple Inc. Natural language understanding using vocabularies with compressed serialized tries
US10755051B2 (en) 2017-09-29 2020-08-25 Apple Inc. Rule-based natural language processing
US10331490B2 (en) 2017-11-16 2019-06-25 Sas Institute Inc. Scalable cloud-based time series analysis
US10636424B2 (en) 2017-11-30 2020-04-28 Apple Inc. Multi-turn canned dialog
US10733982B2 (en) 2018-01-08 2020-08-04 Apple Inc. Multi-directional dialog
US10733375B2 (en) 2018-01-31 2020-08-04 Apple Inc. Knowledge-based framework for improving natural language understanding
US10338994B1 (en) 2018-02-22 2019-07-02 Sas Institute Inc. Predicting and adjusting computer functionality to avoid failures
US10789959B2 (en) 2018-03-02 2020-09-29 Apple Inc. Training speaker recognition models for digital assistants
US10592604B2 (en) 2018-03-12 2020-03-17 Apple Inc. Inverse text normalization for automatic speech recognition
US10255085B1 (en) 2018-03-13 2019-04-09 Sas Institute Inc. Interactive graphical user interface with override guidance
US10818288B2 (en) 2018-03-26 2020-10-27 Apple Inc. Natural assistant interaction
US10909331B2 (en) 2018-03-30 2021-02-02 Apple Inc. Implicit identification of translation payload with neural machine translation
US10928918B2 (en) 2018-05-07 2021-02-23 Apple Inc. Raise to speak
US11145294B2 (en) 2018-05-07 2021-10-12 Apple Inc. Intelligent automated assistant for delivering content from user experiences
US10984780B2 (en) 2018-05-21 2021-04-20 Apple Inc. Global semantic word embeddings using bi-directional recurrent neural networks
DK180639B1 (en) 2018-06-01 2021-11-04 Apple Inc DISABILITY OF ATTENTION-ATTENTIVE VIRTUAL ASSISTANT
US11386266B2 (en) 2018-06-01 2022-07-12 Apple Inc. Text correction
US10892996B2 (en) 2018-06-01 2021-01-12 Apple Inc. Variable latency device coordination
DK201870355A1 (en) 2018-06-01 2019-12-16 Apple Inc. VIRTUAL ASSISTANT OPERATION IN MULTI-DEVICE ENVIRONMENTS
DK179822B1 (da) 2018-06-01 2019-07-12 Apple Inc. Voice interaction at a primary device to access call functionality of a companion device
US11076039B2 (en) 2018-06-03 2021-07-27 Apple Inc. Accelerated task performance
US10685283B2 (en) 2018-06-26 2020-06-16 Sas Institute Inc. Demand classification based pipeline system for time-series data forecasting
US10560313B2 (en) 2018-06-26 2020-02-11 Sas Institute Inc. Pipeline system for time-series data forecasting
US10922271B2 (en) * 2018-10-08 2021-02-16 Minereye Ltd. Methods and systems for clustering files

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07319905A (ja) * 1994-05-25 1995-12-08 Fujitsu Ltd 情報検索装置
JP2572308B2 (ja) * 1991-01-25 1997-01-16 株式会社テレマティーク国際研究所 レビュー処理装置
JP2000242652A (ja) * 1999-02-18 2000-09-08 Nippon Telegr & Teleph Corp <Ntt> 情報潮流検索方法、装置、および情報潮流検索プログラムを記録した記録媒体
JP2002163275A (ja) * 2000-11-29 2002-06-07 Matsushita Electric Ind Co Ltd 技術文書検索装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB9517988D0 (en) * 1995-09-04 1995-11-08 Ibm Interactive visualisation aid
JPH1153387A (ja) * 1997-08-06 1999-02-26 Ibm Japan Ltd 文書の関連付け方法及びそのシステム
US6526398B2 (en) * 1999-05-28 2003-02-25 Ricoh Co., Ltd. Generating labels indicating gaps in retrieval of electronic documents
US7395256B2 (en) * 2003-06-20 2008-07-01 Agency For Science, Technology And Research Method and platform for term extraction from large collection of documents

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2572308B2 (ja) * 1991-01-25 1997-01-16 株式会社テレマティーク国際研究所 レビュー処理装置
JPH07319905A (ja) * 1994-05-25 1995-12-08 Fujitsu Ltd 情報検索装置
JP2000242652A (ja) * 1999-02-18 2000-09-08 Nippon Telegr & Teleph Corp <Ntt> 情報潮流検索方法、装置、および情報潮流検索プログラムを記録した記録媒体
JP2002163275A (ja) * 2000-11-29 2002-06-07 Matsushita Electric Ind Co Ltd 技術文書検索装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TAKEDA K. ET AL: "Text Joho no Kashika o Riyo shita Joho Kensaku", JOHO SHORI, vol. 41, no. 4, 15 April 2000 (2000-04-15), pages 343 - 350, XP002955618 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008090510A (ja) * 2006-09-29 2008-04-17 Shin Etsu Polymer Co Ltd 文書分類装置及び文書分類方法
JP2008234482A (ja) * 2007-03-22 2008-10-02 Nippon Telegr & Teleph Corp <Ntt> 文書分類装置、文書分類方法、プログラムおよび記録媒体

Also Published As

Publication number Publication date
CA2589531A1 (en) 2006-03-23
KR20070053246A (ko) 2007-05-23
JP4171514B2 (ja) 2008-10-22
EP1806663A1 (en) 2007-07-11
RU2007114059A (ru) 2008-10-27
JP2008269639A (ja) 2008-11-06
BRPI0515687A (pt) 2008-07-29
US20080294651A1 (en) 2008-11-27
JPWO2006030751A1 (ja) 2008-05-15

Similar Documents

Publication Publication Date Title
WO2006030751A1 (ja) 文書を時系列に配置した文書相関図の作成装置
US8131087B2 (en) Program and apparatus for forms processing
JP5407169B2 (ja) クラスタリングプログラム、検索プログラム、クラスタリング方法、検索方法、クラスタリング装置および検索装置
CN101916382B (zh) 一种植物叶片的图像识别方法
CN107577785A (zh) 一种适用于法律识别的层次多标签分类方法
US20020078044A1 (en) System for automatically classifying documents by category learning using a genetic algorithm and a term cluster and method thereof
US20120197908A1 (en) Method and apparatus for associating a table of contents and headings
CN110532379B (zh) 一种基于lstm的用户评论情感分析的电子资讯推荐方法
CN111324765A (zh) 基于深度级联跨模态相关性的细粒度草图图像检索方法
JP6973782B2 (ja) 標準項目名設定装置、標準項目名設定方法及び標準項目名設定プログラム
CN110738053A (zh) 基于语义分析与监督学习模型的新闻主题推荐算法
KR101224312B1 (ko) 소셜 네트워킹 서비스 사용자를 위한 친구 추천 방법, 이를 위한 기록 매체 및 이를 이용하는 소셜 네트워킹 서비스 및 서버
CN104778157A (zh) 一种多文档摘要句的生成方法
JP4017354B2 (ja) 情報分類装置および情報分類プログラム
Steven et al. The right sentiment analysis method of Indonesian tourism in social media Twitter
Luqman et al. Subgraph spotting through explicit graph embedding: An application to content spotting in graphic document images
CN110781300A (zh) 基于百度百科知识图谱的旅游资源文化特色评分算法
WO2022038821A1 (ja) 表構造認識装置及び方法
JP2008176489A (ja) テキスト判別装置およびテキスト判別方法
JP2000250919A (ja) 文書処理装置及びそのプログラム記憶媒体
CN115630141B (zh) 基于社区查询和高维向量检索的科技专家检索方法
CN100462966C (zh) 将文件配置成时间序列的文件相关图的制成装置
CN113505223B (zh) 一种网络水军识别方法与系统
CN106202116B (zh) 一种基于粗糙集与knn的文本分类方法及系统
Saund A graph lattice approach to maintaining and learning dense collections of subgraphs as image features

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A1

Designated state(s): AE AG AL AM AT AU AZ BA BB BG BR BW BY BZ CA CH CN CO CR CU CZ DE DK DM DZ EC EE EG ES FI GB GD GE GH GM HR HU ID IL IN IS JP KE KG KM KP KR KZ LC LK LR LS LT LU LV MA MD MG MK MN MW MX MZ NA NG NI NO NZ OM PG PH PL PT RO RU SC SD SE SG SK SL SM SY TJ TM TN TR TT TZ UA UG US UZ VC VN YU ZA ZM ZW

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): BW GH GM KE LS MW MZ NA SD SL SZ TZ UG ZM ZW AM AZ BY KG KZ MD RU TJ TM AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IS IT LT LU LV MC NL PL PT RO SE SI SK TR BF BJ CF CG CI CM GA GN GQ GW ML MR NE SN TD TG

DPE1 Request for preliminary examination filed after expiration of 19th month from priority date (pct application filed from 20040101)
121 Ep: the epo has been informed by wipo that ep was designated in this application
WWE Wipo information: entry into national phase

Ref document number: 2006535132

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 1020077005827

Country of ref document: KR

Ref document number: 200580030724.X

Country of ref document: CN

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2005782121

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 2007114059

Country of ref document: RU

Ref document number: 2823/DELNP/2007

Country of ref document: IN

WWE Wipo information: entry into national phase

Ref document number: 2589531

Country of ref document: CA

WWP Wipo information: published in national office

Ref document number: 2005782121

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 11662759

Country of ref document: US

ENP Entry into the national phase

Ref document number: PI0515687

Country of ref document: BR