[發明專利]一種多格式文檔錄入并比對的方法

有效

• 申請號: 201310696955.0
• 申請日: 2013-12-18
• 公開（公告）號: CN103823838B
• 公開（公告）日: 2018-07-20
• 發明（設計）人: 鞠非;華凱;顧梅;吳國奇;湯丹
• 申請（專利權）人: 國網江蘇省電力有限公司常州供電分公司;國網江蘇省電力有限公司;國家電網公司
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 常州市江海陽光知識產權代理有限公司 32214
• 代理人: 陸文俊

本發明涉及一種多格式文檔錄入并比對的方法，首先判斷待錄入文檔是否為紙質文檔，如果是紙質文檔則通過前端設備將紙制文件自動掃描錄入原始格式文檔庫中，如果是電子文檔則直接錄入原始格式文檔庫中，再將原始格式文檔庫中的所有文檔轉換為統一格式的文檔，然后對文檔進行關鍵屬性標注和基礎管理，最后通過Nakastu算法和分詞系統進行基于內容的文檔比對，并將根據比對相似程度進行文檔關聯且錄入數據庫中。本發明能將各類型和格式的文檔自動錄入、統一分類、智能管理和與已有文件的比對，提高文檔利用效率，節省文檔比對時間，提升文檔管理效率。

技術領域

本發明涉及文檔處理管理領域，更具體的涉及一種將電子文檔或紙質文檔錄入并進行比對的方法。

背景技術

目前典型的文檔比對技術應用有：(1)信息智能檢索：搜索引擎對用戶輸入關鍵字的反應是列出所有與該關鍵字相匹配的信息。(2)自動問答系統：在這種系統中，問題是多種多樣，且非常巨大的，有些問題是非常相似的，如果用人工來回答，將耗費大量的時間和人力，如果在這種系統中應用文本相似度技術，將相似度很高的問題歸為一類，使系統對這類問題自動做出答復，將節省大量的時間。(3)文本查重：在某些領域，考慮到隱私性和獨創性，要求文本不能重復出現，那么應用文本相似度技術，對這類文本進行相似度的計算，就可以看出哪些文本多次出現。由上述，文檔比對技術越來越多地應用在各個領域。

目前，對文檔的比對分析管理研究主要集中在文本相似度計算，對于文本相似度計算側重在字符串相似度，已經形成比較成熟的聚類算法，但是這些算法在比較的過程中沒有考慮文本或者字符的語義，計算出來的相似度參考度不高，在實際應用過程中給用戶提供參考價值不高。雖然通過分詞來計算文本相似度，即通過中文分詞算法按照語義角度進行分詞，然后根據分詞和比對算法結合計算文本之間的相似度，其重點是從詞語級來比對文檔之間相似度。但這些文檔比對支持的文檔都是單一的TXT文本或者Word文件，對于多格式文檔的比對無法直接進行，需要事先由人工進行格式轉換后才能比較，大大影響工作效率。

發明內容

本發明要解決的技術問題是提供一種可以對多種格式的文檔錄入并進行比對的方法。

實現本發明目的的技術方案是提供一種多格式文檔錄入并比對的方法，包括如下步驟：

①判斷需要錄入的文檔是否為紙制文檔，如果為紙制文檔則將需要錄入的紙制文檔按照先后次序疊放整齊后放置到掃描設備上，通過掃描設備將文檔掃描成PDF格式的電子文檔并存儲到與掃描設備電連接的計算機的存儲設備的原始格式文檔庫中；

如果是包括PDF、Word或TXT在內的多種格式的電子文檔，則直接存儲到計算機的存儲設備的原始格式文檔庫中；

②通過計算機對原始格式文檔庫中的各個電子文檔轉換成統一格式的文檔并存儲到計算機的存儲設備的統一格式文檔庫中，可以根據需要自行設定轉換后的文件格式，優選的文件格式為Word格式或TXT文本形式，如果原始的電子文檔的文件格式與設定轉換后的文件格式一致則直接從原始格式文檔庫拷貝至統一格式文檔庫；

③對轉換后統一格式成Word格式或TXT文本形式的各個電子文檔的內容，通過分詞系統將各個文檔的內容提取為句子集合，并以與各個文檔相對應的條目的形式存儲到句子數據表中；

④對轉換后統一格式成Word格式或TXT文本形式的各個電子文檔進行包括類別、標題、來源、關鍵詞、創建時間在內的關鍵屬性的標注，并以與各個文檔相對應的條目的形式存儲到句子數據表中；

⑤選擇最新錄入統一格式文檔庫的一個文檔或者統一格式文檔庫內某個文檔作為待比對文檔與統一格式文檔庫的其他所有文檔進行比對，首先通過句子數據表根據文檔的包括類別、標題、來源、關鍵詞、創建時間在內的關鍵屬性進行比對和匹配，從而從統一格式文檔庫中篩選出包括類別、標題、來源、關鍵詞、創建時間在內的關鍵屬性中的任一個屬性與待比對文檔的類別、標題、來源、關鍵詞、創建時間5個關鍵屬性的任一個屬性匹配的所有文檔；