一种基于描述符延迟绑定的文档引用关系异步解析方法与流程
本技术涉及文档信息处理的,尤其是涉及一种基于描述符延迟绑定的文档引用关系异步解析方法。
背景技术:
1、在政企日常的文档管理、合规审查及知识检索应用场景中,法规条例、行政公文、会议纪要、制度规范等各类正式文档普遍存在密集的相互引用关系,引用关系的准确构建是实现文档关联检索、政策影响分析、合规溯源核查的重要基础。当前行业内针对文档引用关系的解析处理,普遍采用实时绑定的实现方式,在从文档文本中识别出引用表述的瞬间,便立即发起对被引用文档的检索匹配与标识绑定操作,该处理模式高度依赖被引用文档已提前完成入库,若目标文档尚未入库或滞后入库,系统无法完成引用绑定,会直接将该引用关系判定为匹配失效。
2、由上可知,现有引用解析方式无法处理被引用文档晚于引用文档入库的延迟关联场景,导致大量引用关系因目标文档未及时入库而无法完成有效解析,如何在目标文档未及时入库时能够完成有效解析仍有待解决。
技术实现思路
1、为了在目标文档未及时入库时能够完成有效解析,本技术提供一种基于描述符延迟绑定的文档引用关系异步解析方法。
2、第一方面,本技术提供一种基于描述符延迟绑定的文档引用关系异步解析方法,采用如下的技术方案:
3、一种基于描述符延迟绑定的文档引用关系异步解析方法,包括:
4、从待处理文档中识别所有引用表述,提取被引用文档的文档信息生成引用描述符,创建对应引用关系记录,在引用关系记录存入引用描述符、源文档标识和引用位置,标记解析状态为待解析并加入异步解析队列;
5、依次处理异步解析队列中的引用关系记录,提取引用描述符的特征,通过文档编号精确匹配、标题相似度匹配和语义相似度匹配获取候选集合,仅保留发布时间早于或等于源文档发布时间的候选文档;
6、对候选文档按特征匹配程度加权计算匹配分数,最高分数大于第一阈值且与次高分差值大于第二阈值时,绑定目标文档标识并标记为已解析;多候选分数接近时标记为多候选;其中,所有分数低于第三阈值时标记为无法解析;
7、当有新文档入库时,自动扫描所有无法解析的引用关系记录,使用新文档信息重新匹配,完成符合条件的目标绑定。
8、可选地,在从待处理文档中识别所有引用表述,提取被引用文档的编号、标题、发布机构和时间信息生成引用描述符的步骤中,包括:
9、通过正则表达式匹配带有明确格式的文档编号和书名号包裹的文档标题,提取高置信度引用信息;
10、对未匹配到明确格式的自然语言引用,提取自然语言引用对应的上下文片段,将上下文片段补充到引用描述符中;
11、记录每个引用表述在源文档中的页码和字符偏移位置,存入引用关系记录的引用位置字段。
12、可选地,在依次处理异步解析队列中的引用关系记录,提取引用描述符的特征,通过文档编号精确匹配、标题相似度匹配和语义相似度匹配获取候选集合的步骤中,包括:
13、优先执行文档编号精确匹配,匹配成功则直接将对应文档加入候选集合;
14、文档编号匹配失败时,执行标题相似度匹配,获取标题相似度大于预设标题相似度阈值的文档加入候选集合;
15、标题相似度匹配未获得有效候选时,执行语义相似度匹配,获取语义相似度大于预设语义相似度阈值的文档加入候选集合。
16、可选地,在对候选文档按特征匹配程度加权计算匹配分数的步骤中,包括:
17、设定预设的文档编号匹配权重、标题相似度匹配权重、发布机构匹配权重和发布时间匹配权重;
18、分别计算每个候选文档在四个特征上的匹配得分,乘以对应权重后求和得到总匹配分数;
19、当候选文档的文档编号完全匹配时,直接将候选文档的文档编号总匹配分数设为最高值。
20、可选地,在生成待处理文档的拓扑约束时间区间的步骤中,包括:
21、当被引用文档的已确认有效时间区间为推断得到的区间时,递归获取被引用文档的拓扑约束时间区间;
22、将被引用文档的拓扑约束时间区间的最晚结束时间作为待处理文档第一时间约束区间的起始时间下限;
23、当引用文档的已确认有效时间区间为推断得到的区间时,递归获取引用文档的拓扑约束时间区间,将引用文档的拓扑约束时间区间的最早起始时间作为待处理文档第二时间约束区间的结束时间上限。
24、可选地,在接收人工审核结果的步骤之后,包括:
25、提取人工审核结果中的正确匹配对和错误匹配对,生成标注数据集;
26、使用标注数据集更新引用解析的匹配参数和特征权重;
27、后续处理异步解析队列中的引用关系记录时,采用更新后的匹配参数和特征权重进行匹配计算。
28、可选地,在绑定目标文档标识并标记为已解析的步骤之后,包括:
29、监测目标文档的版本变更状态,当目标文档存在更新版本时,获取更新版本的文档标识;
30、为指向旧版本目标文档的引用关系记录添加版本提示元数据,记录更新版本的文档标识;
31、当检索命中带有版本提示元数据的引用关系记录时,在检索结果中展示该引用存在更新版本的提示信息。
32、第二方面,本技术提供一种基于描述符延迟绑定的文档引用关系异步解析系统,采用如下的技术方案:
33、一种基于描述符延迟绑定的文档引用关系异步解析系统,包括:
34、引用描述生成模块,从待处理文档中识别所有引用表述,提取被引用文档的文档信息生成引用描述符,创建对应引用关系记录,在引用关系记录存入引用描述符、源文档标识和引用位置,标记解析状态为待解析并加入异步解析队列;
35、候选匹配筛选模块,依次处理异步解析队列中的引用关系记录,提取引用描述符的特征,通过文档编号精确匹配、标题相似度匹配和语义相似度匹配获取候选集合,仅保留发布时间早于或等于源文档发布时间的候选文档;
36、分数判定绑定模块,对候选文档按特征匹配程度加权计算匹配分数,最高分数大于第一阈值且与次高分差值大于第二阈值时,绑定目标文档标识并标记为已解析;多候选分数接近时标记为多候选;其中,所有分数低于第三阈值时标记为无法解析;
37、重试解析更新模块,当有新文档入库时,自动扫描所有无法解析的引用关系记录,使用新文档信息重新匹配,完成符合条件的目标绑定。
38、第三方面,本技术提供一种电子设备,采用如下的技术方案:
39、一种电子设备,包括处理器,所述处理器中运行有上述中任意一项所述的基于描述符延迟绑定的文档引用关系异步解析方法的程序。
40、第四方面,本技术提供一种存储介质,采用如下的技术方案:
41、一种存储介质,存储有上述中任意一项所述的基于描述符延迟绑定的文档引用关系异步解析方法的程序。
42、综上所述,本技术包括以下至少一种有益技术效果:
43、通过描述符延迟绑定与异步解析队列的组合设计,可以打破现有实时绑定模式对被引用文档入库时序的强依赖,从而可以实现目标文档未及时入库场景下引用关系的有效解析。系统在识别引用表述后不立即执行强制匹配,而是将所有引用信息封装为独立的引用描述符持久化存储并标记为待解析状态,当后续有新文档入库时,自动触发对所有未解析引用记录的全量重扫与匹配,使滞后入库的目标文档能够与之前识别的引用关系完成自动关联,从而可以解决因文档入库顺序不一致导致的大量引用关系丢失问题。
44、同时,通过采用多维度加权匹配与时间前置过滤相结合的方式,在保证延迟解析可行性的前提下维持了较高的解析准确率,多候选人工审核与参数自更新机制可以进一步提升复杂引用场景的适配能力,版本变更提示功能则可以完善引用关系的全生命周期管理,整体提升了政企文档引用关系构建的完整性与可靠性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com