对档案管理中的文档分类技术应用的分析.docVIP

对档案管理中的文档分类技术应用的分析 　　【摘要】随着信息技术的不断快速发展，档案管理中所涉及到的信息也是越来越多，而这就需要开发一种较为先进的方式，保障档案管理及使用者可以快速的获得想得到的文档。在这种背景下，本文技术与文档分类技术，探讨了档案管理中的文档分类技术的应用方法及可选用的词汇。 　　【关键词】档案管理；文档分类；技术应用；方法；词汇 　　一、档案管理中的文档分类技术应用的必要性 　　在竞争的产业环境里，档案资料大有可为，企业势必要仰赖大量的档案信息来辅助决策者在最适当的时机做出适当的判断。因此有效地利用大量的档案信息就成为企业成功的关键要素之一。关联式资料库（Relational Database System）就是在这种时空背景环境之下而发明的系统。关联式资料库可以处理结构化的数值型态档案资料，利用资料表（Table）储存企业每天的运营资料，同时使用限制条件（Constraint）让这些档案资料是依指定的格式正确地存入资料表中，之后再辅以网上分析处理（Online Analytical Processing， OLAP）和资料探勘（Data Mining）的技术，就能快速地产生文档报表，作为决策者下决策的参考。 　　随着网络的成熟发展，企业开始利用网络来传送电子化的文档，加上以惊人速度成长的企业入口网站和个人网页，数字化的结果使得我们开始面对越来越多非结构化或是半结构化的电子档案资料。如果再使用传统档案管理方式来管理文档，似乎是不恰当的，无法反应文档特有的性质。更进一步分析，我们可以预期，当文档的数量到达一定的程度，加上档案文档产出的速度超过人类所能处理的速度时，传统以人工进行文档分类和标示已经是不太可能的事。因此如果有方法可以让我们快速地知道档案文档内的作者、标题、出处或者是文档内所包含的关键字，我们就有可能更进一步去了解档案文档的深层含意以。本文希望对档案管理中的自动化文档分类技术的应用加以探讨，揭示有效的储存及利用的电子化档案文档的方式，从档案文档中挖掘出有用的信息与知识的方式。 　　二、档案管理中的文档分类技术应用方法 　　文档分类，或者称之为自动地指派语意上的类别予以由自然语言所构成的文档，是目前常用来管理档案信息的一种方法。归纳式的文档分类希望从一些事先标定的文档集里推导出一个分类的准则，此后可以正确地应用此分类准则来对未知的新文档做分类。 　　一是二元（Binary）设定法。二元设定法是最简单，也是学习型问题（Learning Problem）里最重要的设定公式。其它复杂的设定法都可以通过一定的简化步骤，退化为二元设定法的公式。在二元设定法里，只存在两种类别标签。例如在档案信息检索（Information Retrieval）的应用问题里，此两种类别标签可以被标定为“相关”或者是“不相关”这两大类。同样的，在电子档案的分类应用里，可以将接收的电子档案区隔为“垃圾文档”与“非垃圾文档”这两大类。这代表类别标签的值只能有两种可能的值，为了符号定义的方便，这两种可能的值设定为-1与1。 　　二是多类别（Multi-Class）设定法。有些分类的问题牵涉两类以上的分类法。例如一个电子文档派送代理程序，它负责判断是否将所有接收到的电子文档转发给十位中层管理人员。这代表类别标签可以是十个（更广义的说法为l）同的值。 　　三是多标签（Multi-Label）设定法。绝大多数文档分类的问题落在该设定法内。它和多类别设定法不同之处在于类别标签和文档之间不是一对一的对应关系。相反地，每一个文档都可以落在多个、唯一一个，甚至是零个的类别之内。例如，当档案的情境为分类新闻报导时，每一个语意上的主题都可以成为某一类别的标签，所以一篇新进的新闻报导可以同时落在“足球”和“巴西”这两个不同的类别之内。这类的设定法可以用一个多维度的二元向量来代表众多的类别标签。因为类别标签已经使用单维度的二元向量的方式来表示，分类规则所产出的结果也必须是单维度的二元向量。 　　三、档案管理中的文档分类应用词汇 　　在处理自然语言的问题时，文档内的上下文脉络（Context）会影响一段文字表达的意义，同样的一个单词，在不同的句子里可以有不同的意义。在文档分类的问题里，会采用不同的方法来表达文字，根据不同的需求，可能会也可能不会辨别这些不同的相依性和意义。一般而言，根据文档分析层级的深度，总共有下列四种不同的表达法：次词（Sub-Word）层级；字词（Word）层级；多词（Multi-Word）层级；语意（Semantic）层级。在每一个层级里，最基本的构成组件（Building Block）称之为索引字（Index Term）。一是字词（Word）层级。在很多的情况之下，单词是很好的表达单位，同时单词具备很低的模棱