文书档案自动著录系统研究.pdfVIP

ofthe3“Wodd on Controland Procccdiags CongressIntelligent AutomationJune 2．2000，He诧i，P．R．China 28—0uIy ofAutomation forChineseArchives TheResearch IndexingSystem 札Xia02 Wang，Xinl Zhang，Xiaoting‘ InstituteofPost＆Telecommunication l：ChangChun CharIgchunt30012 Force 130022 2：TheSecondAeronauticalofAir Institute ChangChun ofautomation TheautIlop3 themethod for archives havemadesome Abstract；Theintroduees Chinese paper indexing researchonthe of andclassification functionof and indexing indexing algorithmsubject indexing．Theweight descriptors isusedinthe of of are relmion classification thethesaurus reasonab耻Thc indexing keywords·descriptorsorganized fuzzy archives． ofNatural Processing Language Keywords：SubjectIndexing，ClassificationIndexing，the 文书档案自动著录系统的研究 王欣 于晓 长春邮电学院计算机系 长春130012 空军_二航院计算机教研室长春130022 张晓婷 长春邮电学院长春130012 摘要：本文介绍了文书档案自动著录方法．主要针对主题标引．分类标引算法进行了研究，培出了标引主题词 的加权函敷，合理构造了词典．利用模糊关东对档案进行分类标引． 关键词：主题标引。分类标引，自然语言处理 一、引言 二、主题词典和主题词抽取算法 档案著录是编制档案检索工具时．对案卷或文 主题词典是计算机辅助标引的中心，通过关键 件的内容和形式特征进行分析、选择和记录，以形 词——主题词的转换和词典的生成及维护来完成 成档案条目的过程。所谓档案的内容。是指文件或 的。它的作用是在输入文献文本信息后．通过与之 卷宗论述的主题内容：所谓档案的形式．是指文件 匹配抽出主题词。在此我们主题标引的依据是‘中 或卷宗的实体形式、文字表达形式．物质载体以及 国档案主题词表》，该主题词表对每个主题词提供了 史件的时间、数量、责任者等有关记载。文件级# 如下描述： 片式条目著录格式如下表l： Y：正式主题词 D：非正式主题词 衰 F：分项 概念下位词 S：属项 上位词 C：参项 其中分项、属项及参项在计算机检索 时可用于缩检、扩检与相关检索。 分类号 档案馆代号 对于任意一篇给定的文书档案，主题词抽取的 档号 缩微号 正题名 并列题名：副题名及说明题名文字：文件 大致步骤如下： 编号／第一责任者：其它责任者一文本一密级． 1．将文献转换为机内表示。采用单汉字标引法．以 保管期限一文件形成时间、数量及单位：规格+附件 ASCII码形式读取文件．通过对标点符号的判断将 主题侧 字的使用情况用一个五元组表示： 文章号，段 摘要 号．句号，分句号，字号 ，并将其存入对应于该 字的外部文件中，完成机内表示。为了积累背景 通过分类号和主题词可以进行档案标引，为查 知识，而又节省存储空间，机内表示数据库中保 找档案提供依据。赋予文件或案卷以分类号标识的。 留5000篇文章，超过时将最早的五元组删除。 称为档案分类标引：赋予主题词标识的．称为档案 2．候选主题词切分。我们采用逐字搜索，前方一致， 士题标引。档案著录中．分类标引、主题标引是工 最长匹配，删除停用词，再识别关键词，得到候 作姑最人的．目前仍以人t为主。人]：著录是高智 选主题词的方法。 能活动，对J：作人员要求很高．但速度和一致性却 选出的候选主题词记入“候选主题词表”，结构如 很低，面对庞大的信息量，传统的手r著录显得无 表2： 能为力，这就迫切提出了档案自动著录这个论题。 2736 0002000IEEE． O-7803-599J-X．|00／$10 其中“词频”为该主题词在文本中出现的次数。 中文信息 Al 0．3 词位置是指“标题”、“段首、段尾句”、“其它位 A2 0．5 置”等，表明该词出现在文本何处