文書画像を対象とした未知単語の抽出法

概要

論文の詳細を見る
データベースに蓄積された文書を効率的に検索することを目的として, 文書の自動分類やキーワードの自動抽出といった研究が行われている. これらの研究では, 文書中に出現する単語の分布を手がかりにするので, 人手をかけずに大量の文書を処理することができる. 同様に, 単語の共起関係に基づいて検索質問の作成を支援する研究においても, 文書中から抽出した単語を利用している. 筆者らは, 与えられたキーワードの文書画像中での位置を高速に捜し出すことのできる文書画像検索システムについて報告した. このシステムは, 文書画像の文字認識結果を曖昧な仮説(文字ラティス)の形で蓄積するので, 文字認識率が低い場合でも高い検索率を達成している. このシステムで用いた検索手法は同時に複数のキーワードを検索することができるので, あらかじめ用意した辞書単語を与えることによって, 文書画像から辞書単語の抽出を行うことができる. これによって, 文書画像の自動分類や文書画像からのキーワードの自動抽出が可能となる. しかし, 辞書中に存在しない単語(未知単語)は, 文書を特徴づける重要なキーワードとなっていることが多いにもかかわらず, 上記の手法では抽出することができない. 本稿では, 日本語で書かれた文書画像を対象として, 日本語の性質と単語の出現頻度を利用した未知単語抽出法を提案する. さらに, 実験によって, 本手法の有効性を示す.
一般社団法人情報処理学会の論文
1994-03-07

文書画像を対象とした未知単語の抽出法

スポンサーリンク

概要

著者

関連論文

スポンサーリンク