[發明專利]基于知識圖譜的紙質檔案數字化方法

在審

• 申請號: 201810111488.3
• 申請日: 2018-02-05
• 公開（公告）號: CN108197119A
• 公開（公告）日: 2018-06-22
• 發明（設計）人: 李進榮;孫懿鑫;張步明
• 申請（專利權）人: 成都卓觀信息技術有限公司
• 主分類號: G06F17/27
• 分類號: G06F17/27;G06F17/30
• 代理公司: 成都虹盛匯泉專利代理有限公司 51268
• 代理人: 王偉

1.一種基于知識圖譜的紙質檔案數字化方法，其特征在于，包括

A、獲取需要進行數字化的紙質檔案圖片信息；

B、對步驟A中紙質檔案圖片信息進行詞法、語法和/或語義分析，得到標準化文本數據；

C、從步驟B的標準化文本數據中抽取關鍵實體的實體信息；

D、構建標準字典表，根據標準字典表將步驟C中實體信息進行數據融合，形成結構化數據；

E、根據步驟D中結構化數據作為知識條目，構建知識圖譜；

F、根據步驟E中知識圖譜獲取紙質檔案圖片信息中的內容數據并生成電子文件。

2.如權利要求1所述的基于知識圖譜的紙質檔案數字化方法，其特征在于，所述步驟B對步驟A中紙質檔案圖片信息進行詞法、語法和/或語義分析，得到標準化文本數據具體為：

采用預先訓練的段落分類器模型對步驟A中紙質檔案圖片信息的段落進行文檔結構分類，根據分類結果對所述紙質檔案圖片信息進行段落結構劃分；

若所述紙質檔案圖片信息為中文資源時，對劃分出的各段落結構進行分詞、詞性標注以及短語識別，并去除段落結構中的標點符號；

若所述紙質檔案圖片信息為外語資源時，對劃分出的各段落結構進行詞干處理、詞形還原以及短語識別，并去除段落結構中的標點符號。

3.如權利要求2所述的基于知識圖譜的紙質檔案數字化方法，其特征在于，所述步驟C從步驟B的標準化文本數據中抽取關鍵實體的實體信息具體為：

采用預先訓練的名詞分類器模型對所述標準化文本數據中的詞語進行分類，根據分類結果識別并抽取各類別的名詞以及各名詞之間的關系。

4.如權利要求3所述的基于知識圖譜的紙質檔案數字化方法，其特征在于，所述步驟D中構建標準字典表具體為：

根據通用數據標準建立知識圖譜的基礎架構；

將步驟C中關鍵實體的實體屬性轉換成三元組數據；

根據三元組數據將所述實體屬性與所述關鍵實體的關系類型和命名規則進行統一規范，得到具有標準規范的標準字典表。

5.如權利要求4所述的基于知識圖譜的紙質檔案數字化方法，其特征在于，所述步驟D中根據標準字典表將步驟C中實體信息進行數據融合，形成結構化數據具體為：

將所述關鍵實體與構建的標準字典表中的內容進行對照映射，同時保留所述關鍵實體的屬性關系，形成結構化數據。