[发明专利]文档数据处理装置

说明书

技术领域

本发明涉及文档数据处理装置，涉及例如用于高效管理大量存在的业务文档的文件数据的技术。

背景技术

对于用于高效处理组织内文档的技术的要求正在提高。例如，伴随着日本版SOX法(金融商品交易法)的施行，企业营业活动中凭证的管理需求正在提高。另外，例如企业内的信息、其中尤其是不保存在相关数据库(非定型)的文档数据正在急剧增加(正产生被称作信息爆炸的现象)。基于该种状况，希望通过标题、生成日、生成人等元数据(meta data)来管理和检索文档的需求正在提高。例如，对于营业文档，如果能够通过文档名称、顾客名称、生成日、定购编号等业务ID进行检索，则进行内部控制的监查时能够迅速地找出所需文档。另外，对于设计文档，如果能够通过文档名称、生成方部门、生成日、产品代码等进行检索，则对于有效灵活运用技术信息具有效果。并且，对于索赔、缺陷信息的记录文档，如果能够通过发生日、采取对策日、产品名称、损失金额、部件名称等进行检索，则对于发生类似缺陷时的迅速应对具有效果。另外，对于业务规定、通告等文档，如果能够通过文档的类别、生成日、实施期间等进行检索，则对于遵照规则高效贯彻业务具有效果。

提出了许多对非定型文档进行解析并自动取得元数据的技术(例如参照专利文献1至3、非专利文献1以及2)。这些文献设想事先确定作为对象的文档的种类，详细调查该种类文档中记述的元数据的特征，保持为作为对象的种类的文档的“模型”(model)。在该基础上，进行文档中出现的字符串和模型的匹配，推测哪个字符串为模型中的哪个结构要素(哪个字符串为元数据)。作为特征，使用版式(layout)上的特征(例如“标题多为居中”等)、临近元数据记载的字符串的特征(例如“订购编号多临近‘订购编号：’这一字符串右侧记载”等)、元数据的部分字符串的特征(例如“顾客名称多起始于‘独立行政法人’”)。

另外，如专利文献4至6以及非专利文献3至8所示，用于自动准备用于元数据取得的模型的解决方案也已经展开。

现有技术文献

专利文献

专利文献1：日本特开平11-184894号公报

专利文献2：日本专利第3425834号公报

专利文献3：日本专利第3425408号公报

专利文献4：美国专利7,149,347B1公报

专利文献5：日本特开2000-90117号公报

专利文献6：日本特开平11-328306号公报

非专利文献

非专利文献1：盛山、直井、武部，以商务文档为对象的关键字自动提取技术，FUJITSU，49，5，pp.404-409(1998-09)

非专利文献2：Ishitani，Y.，Document Transoformation System from Papers to XML Data Based on Pivot XML Document Method，Proceedings of the Seventh International Conference on Document Analysis and Recognition(2003)

非专利文献3：F.Esposito，D.Malerba，G.Semeraro，S.Ferilli，O.Altamura，T.M.A.Basile，M.Berardi，M.Ceci，N.Di Mauro，“Machine Learning methods for automatically processing historical documents：from paper acquisition to XML transformation”，Proceedings of the First Inernational Workshop on Document Image Analysis for Libraries，2004.

非专利文献4：M.Kramer，H.Kaprykowsky，D.Keysers，T.Breuel，“Bibliographic  Meta-Data Extraction Using Probabilistic Finite State Transducers”，Proceedings of International Conference on Document Analysis and Recognition，Vol.2，pp.609-613，2007