基于著录行为图谱与时代感知检索的档案管理方法及系统

摘要: 本发明涉及档案管理,更确切地说,它涉及基于著录行为图谱与时代感知检索的档案管理方法及系统。背景技术:1、档案管理的信息化与智能化转型,对著录效率、质量控制及检索...
基于著录行为图谱与时代感知检索的档案管理方法及系统

本发明涉及档案管理,更确切地说,它涉及基于著录行为图谱与时代感知检索的档案管理方法及系统。

背景技术:

1、档案管理的信息化与智能化转型,对著录效率、质量控制及检索服务提出了更高的技术要求。运用计算机视觉、自然语言处理及知识图谱等人工智能技术辅助档案信息的自动化提取、规范化整理与语义化检索,已成为该技术领域的重要发展方向。然而,在档案智能管理系统的工程化实践中,存在两类相互独立但均严重影响系统效用的共性技术难题,现有技术方案尚未给出有效的系统性解决手段。

2、在著录质量控制方面,当前主流技术方案主要依赖字段级规则验证,其技术实质为逐条记录的独立判定。然而,实际场景中的著录错误并非随机分布的孤立现象,而是呈现出显著的系统性集聚与链式传播特征——少量错误根因通过著录员行为同源性、著录模板缺陷传播及历史样本循环引用三类路径,在著录行为网络中快速蔓延,最终形成规模化同源错误集聚。逐条验证技术在架构层面缺乏对错误记录集合进行根因反向定位与传播链阻断的功能设计,导致人工复核工作量与数据规模呈线性增长关系,系统性偏差呈长期残留态势。

3、在检索服务方面,馆藏档案时间跨度广阔,历史时期档案用语习惯与现代通用语料之间存在显著的"时代漂移"现象,具体表现为机构及行政实体名称的历史更迭、社会及专业术语的语义演变、同一实体的跨时期名称异化等三类语义非对齐情形。现有向量检索模型因训练语料以现代文本为主,其语义表征能力对历史档案内容严重失效,历史档案检索召回率显著低于现代档案。此外,通用光学字符识别引擎对档案页面中手写内容、印章及复杂表格结构的识别准确率尚不能满足实用要求,通用知识图谱亦未包含面向档案领域历时语言演变过程的专域语义漂移关系。上述技术不足相互叠加,共同构成制约档案智能化管理水平提升的系统性技术瓶颈。

技术实现思路

1、本发明的目的是克服现有技术中的不足,提供了基于著录行为图谱与时代感知检索的档案管理方法及系统。

2、第一方面,提供了一种档案著录错误溯源修复方法,,包括:

3、s1、构建著录行为关联图,以著录行为单元为节点,基于著录员时间同源性、著录模板同源性、批量导入同源性三类条件建立节点之间的加权连接边;

4、s2、对著录记录执行字段级规则验证,将包含错误的著录行为单元标记为错误节点集;在著录行为关联图上以错误节点集为种子,采用图神经网络进行特征聚合,并执行社区检测,将错误节点划分为k个聚类,对每个聚类执行根因判定,确认各聚类的根因类型;

5、s3、依据步骤s2所确认的各聚类的根因类型,将聚类归因至对应的错误来源类别;

6、s4、以每个聚类为起点在著录行为关联图上执行图遍历,识别由该聚类对应的根因传播产生但尚未被标记的高风险著录记录,构成传播影响域;

7、s5、在传播影响域内以档案记录为修复对象,采用集合覆盖算法生成修复优先级列表;

8、s6、将修复结果回写至档案管理系统,并提取本次修复记录的修复前字段值与修复后字段值,输出字段差异对。

9、作为优选,步骤s2中所述根因判定包括:计算聚类内主导边类型占比,主导边类型占比最高者超过预设阈值时判定为对应根因类型;验证聚类内错误字段类型一致性;计算三类同源特征的聚类内纯度,纯度超过阈值时触发同源根因判定;综合上述指标以加权评分方式输出根因置信度,置信度低于阈值的聚类触发人工验证;步骤s3中所述错误来源类别包括:主导边为著录员时间同源边时归因为著录员个人偏差,主导边为模板同源边时归因为著录模板缺陷,主导边为批次同源边时归因为批量导入错误。

10、作为优选,步骤s1中所述加权连接边的权重由著录员时间同源性指示函数、模板同源性指示函数、批次同源性指示函数中的至少两项加权求和得到;步骤s2中采用模块度优化算法自动确定最优聚类数量k。

11、作为优选,步骤s4中所述图遍历为加权广度优先搜索,将边权重大于预设阈值的邻居节点加入所述传播影响域;步骤s6还包括:对每位著录员建立动态偏差画像,在著录员提交新著录记录时计算个性化预警评分,超过预警阈值时触发核查提示。

12、第二方面,提供了一种档案跨时代语义检索方法,所述方法接收第一方面任一项所述方法s6步骤输出的所述字段差异对作为输入,包括以下步骤:

13、s1、构建档案用语时代漂移知识图谱,以历史用语、现代等价用语、漂移关系类型及历史活跃时间区间为要素,表达跨时代语义等价关系;

14、s2、将接收到的所述字段差异对经置信度评估通过后,作为新词对增量写入所述时代漂移知识图谱;对修复后的档案记录重新执行向量嵌入,以增量方式更新检索向量索引;

15、s3、基于馆藏档案语料的时间切片,通过词频跃迁统计检验自动挖掘漂移候选词对,经置信度过滤后推送确认入库;

16、s4、对用户查询进行时代语境检测,通过所述时代漂移知识图谱查找现代用语在各历史时期的等价用语,构建扩展查询集;

17、s5、对所述扩展查询集执行向量语义检索与知识图谱实体扩展检索,通过融合排序算法生成综合检索结果。

18、作为优选,步骤s5中的融合排序包含时代匹配奖励项,当候选档案的形成年代落入查询扩展词的历史活跃时间区间时给予额外排名奖励权重;所述漂移关系类型中包含无现代等价用语的历史术语类型,该类历史术语通过查询时间条件与历史活跃时间区间的交集、关联事件关键词、主题标签及档案形成时间中的至少一项触发检索扩展。

19、作为优选,步骤s3中所述词频跃迁统计检验为:将馆藏档案按时间戳划分为多个时间切片,构建时态词频矩阵,对相邻切片间的词频变化执行统计显著性检验,将通过检验的候选跃迁词按时间互补性、语义相关性及上下文分布相似性进行配对,经综合置信度评分与误配过滤后推送确认入库。

20、第三方面,提供了一种基于著录行为图谱与时代感知检索的档案管理系统,包括:

21、著录行为图谱错误溯源修复模块,用于执行第一方面所述方法的步骤s1至s6,构建著录行为关联图,执行错误根因聚类归因与传播影响域扩展,生成修复路径,并提取修复前后字段差异对;

22、时代感知语义检索模块,用于执行第二方面所述方法的步骤s1至s5,接收所述修复前后字段差异对以更新档案用语时代漂移知识图谱,对用户查询进行时代语境扩展,结合向量检索与知识图谱检索实现跨时代档案检索;

23、多模态档案解析引擎,用于对档案扫描件进行识别,输出结构化档案内容表示,为所述著录行为图谱错误溯源修复模块提供著录字段输入;

24、档案知识图谱存储模块,用于存储档案实体及其关系,为所述时代感知语义检索模块提供知识图谱检索支持;

25、向量检索库存储模块,用于存储档案记录的语义向量表示,为所述时代感知语义检索模块提供向量检索支持。

26、作为优选,所述多模态档案解析引擎对档案扫描件执行语义区块分割,将页面划分为标题区、正文区、表格区、手写批注区和印章区,分别送入对应的识别子模块进行处理。

27、作为优选,所述系统支持在双显卡配置下部署运行:多模态解析模型采用int8量化,图神经网络推理阶段在中央处理器上执行,时代漂移知识图谱与向量检索库均与图形处理器解耦独立运行。

28、本发明的有益效果是:

29、1.本发明通过构建著录行为关联图并引入图神经网络进行错误根因聚类,将错误识别粒度从逐条记录提升至根因簇级别,可批量定位系统性错误的源头并阻断传播链,使系统性著录错误识别率显著提升,人工复核工作量大幅降低,在数据规模持续增长时修复成本不再线性攀升,从根本上克服了现有逐条验证方案效率低下的技术缺陷。

30、2.本发明通过构建档案用语时代漂移知识图谱,将现代用户查询自动扩展为覆盖各历史时期的等价词集合,无需替换现有向量检索模型即可弥合历时语义鸿沟,使历史档案检索召回率和含时代漂移词查询的召回率均获得大幅提升,在不牺牲现代档案检索精度的前提下显著改善了历史档案的可发现性。

31、3.本发明将著录错误溯源修复过程与时代漂移知识图谱更新机制深度融合,修复产生的字段差异对经置信度评估后自动增量写入知识图谱,使检索能力随著录质量的持续提升而同步增强,形成“修复—反馈—检索优化”的正向技术闭环;同时辅以多模态档案解析引擎与轻量化部署方案,在著录字段自动化提取、手写批注识别及硬件资源适配等方面均具备优良性能,兼具技术先进性与工程实用性。