[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

本發明公開了一種基于知識圖譜的紙質檔案數字化方法。其包括獲取紙質檔案圖片信息，分析得到標準化文本數據，抽取關鍵實體的實體信息，構建標準字典表將實體信息進行數據融合，形成結構化數據，將結構化數據作為知識條目構建知識圖譜，根據知識圖譜獲取紙質檔案內容數據并生成電子文件。本發明提高了紙質檔案數字化的工作效率，同時降低了誤操率。

技術領域

本發明屬于電子信息技術領域，尤其涉及一種基于知識圖譜的紙質檔案數字化方法。

背景技術

紙質檔案數字化作業是檔案大數據庫建設最基礎的工作，其操作流程包括檔案的分類整理、圖像掃描、文字錄入以及整理入庫等步驟。目前紙質檔案數字化的表象，是將實物紙質檔案，變成電子文檔(JPG、PDF或TFF等格式)的檔案進行存儲，其目的是為信息化服務，因此必須能被相關軟件系統讀取和使用。

為此在建立電子檔案數據庫時，針對每一張紙質檔案，必須生成二個電子文檔：一個是該紙質檔案的圖片，另二個是與該圖片一一對應的信息。目前的解決方法是制作成電子圖片加EXCEL條目。如1張實物紙質檔案，經掃描后，生成圖片名為031-053-01-019-01.jpg的電子圖片，但僅僅從031-053-01-019-01.TIF基本不能全面了解其所有內容信息，因此，需要將這張紙質檔案上涵蓋的信息(如檔案號、類號、年份、檔案類別、頁名、填制單位、部門、屬于哪一類、有幾頁等內容)輸入到EXCEL文件的對應條目中。由此可見，為完成一張紙質檔案的數字化需要做二件事：一是掃描紙質檔案，二是輸入檔案內容到EXCEL文件的對應條日廳中，其工作量是非常龐大的。

雖然目前市面上普通的掃描儀(高拍儀)能對掃描的圖片做一些處理，但普遍缺少對內容信息的抓取并生成到EXCEL文件的對應條日廳中。當然隨著技術進步，也出現了帶有光學字符識別(Optical Character Recognition，簡稱OCR)的高檔掃描儀，但是至今的誤操率不能滿足國家檔案數字化規定的低于0.5％的要求：即使采用進口的高檔掃描儀，雖然誤操率可以降低幾個數量級，但還是不能滿足要求，而且此類進口的高檔掃描儀價格昂貴，動輒幾十萬甚至上百萬一臺，其成本過于高昂。所以至今社會上一般公司檔案數字化工作程序，都是要么同一人二次作業，要么流水線二人前后作業，其工作程序復雜，導致效率低下，且人員成本過高。

發明內容

本發明的發明目的是：為了解決現有技術中紙質檔案數字化程序復雜、導致效率低下等問題，本發明提出了一種基于知識圖譜的紙質檔案數字化方法。

本發明的技術方案是：一種基于知識圖譜的紙質檔案數字化方法，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。

進一步地，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。