(优秀成果推介.docxVIP

项目概述按照国家电网公司档案馆“三个中心、一个窗口”（重要档案保管中心，档案信息资源数据中心、档案开发利用服务中心、企业形象和社会责任展示窗口）的定位，档案馆已完成信息化的十二五规划，并纳入了国家电网公司十二五期间SG-ERP 整体工程建设中。在十二五规划中将其发展分为了三个阶段目标，目前，档案馆信息化建设已进入第二阶段的建设。通过第一阶段的建设，档案馆已建包含539余万卷案卷、4537余万件档案的全公司档案目录中心，实现了档案信息跨区域、跨全宗的共享。但随着档案馆信息化建设的不断推进，却带来了新的问题： 如何利用海量数据？ 如何在海量数据中发掘出知识？ 如何在这些海量数据中进行档案资源的二次开发？ 这些问题已是档案馆当前比较突出的矛盾，也已成为档案馆进一步发展的瓶颈。国家电网公档案馆的档案资源大量为非结构化数据，例如扫描图像、传真、照片、字处理文档、电子表格、演示文稿、语音和视频片段等。与传统档案的馆藏资源或者其它应用相比，数字档案馆信息资源有其自身的特点。从存储的角度来考虑，档案馆馆藏数字资源具有以下特点： 媒体形式多。数字档案馆馆藏包括数字化的文书、图纸、实物、照片、电子出版物、互联网内容等各种数据资源。其存储媒介已不限于印刷体，它包含文本、声音、图像、影视等多种媒体形式，数据类型复杂。存储容量大。档案馆馆藏量已由GB向TB，将由TB向PB转变，同时，随着国家电网公司电子文件应用的推广，数字档案和全文数据库是数字档案馆藏资源的重要增长点，其数据量将呈几何级数增长，因此，存储的数据总量成了名副其实的海量规模。如何在海量数据中抽取和挖掘有用的信息和知识，成为当前档案馆关注的问题，也是档案馆进一步发展的瓶颈。本课题的研究，通过模式识别、数据挖掘等技术手段，对海量的文本、多种媒体等形式非结构化数据进行处理，以解决在海量数据中利用档案资源的问题。国家电网公司档案馆数据挖掘智能化管理平台的研究与应用项目是在国家电网公司档案馆信息化一期建设的基础上，完成国家档案馆数据挖掘智能化管理平台的建设，主要针对数字档案馆系统中的文本、多媒体以及公司内外网网页等非结构化数据进行数据挖掘的研究及应用。 技术原理和应用挖掘项目综合运用了数据挖掘、基于内容特征的多媒体处理、语音识别等核心技术，请技术原理和在项目中的应用点如下。数据挖掘技术数据挖掘技术原理在网络时代，一方面随着人们活动的广领域、纵深化开展，不断地产生巨量的、异质的文档信息；另一方面，人们的信息需求呈现出多样化、高效化、个性化、专深化等特点。在数字档案馆建设中，如何从海量原始档案数据中发掘出有价值的信息和知识，满足不同档案用户的信息需求，数据挖掘技术(Data Mining) 将会起到巨大作用。广义上，数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含的、事先未知的但有潜在应用价值的信息和知识的过程。它融合了数据库、计算机技术、人工智能、机器学习、数理统计、模糊数学等多个领域的理论和技术，已被广泛应用于金融、电信、保险、网络、零售、制造及医疗等行业，并显现出巨大的价值。挖掘技术在项目中的应用基于语义检索（按照关键词的意思，而不仅仅依靠关键字的匹配）提供自动摘要出文本主要内容；提供计算机可以理解人类语言后的一种搜索模式。档案智能化辅助分类可从历史分类中智能提取档案分类，提高用户整编效率，实现文献的自动分类；系统可自主根据已有档案分类进行学习，促进以后辅助分类的准确度；支持多维度的动态分类；支持用户自定义分类展示。档案关联查询可以将存放在不同地域、不同单位的档案进行相关性搜索。将分散的档案进行相关联的信息集中展示，比如搜索“XX请示”，对应的批复也应出现在搜索结果中。针对文档之间语义分析与用户的关注点分析后，自动多维度关联图，并可以在图谱中点击文档或与用户进行交互动作。支持智能检索的条件存储，方便下次再用。网页（内外网）素材的自动收集整理支持从内外网中采集多种格式的内容（txt、word、pdf、ceb、ppt、zip、rar、图片、视频、音频内容。采集内容范围可配置，比如采集的规则、采集的时间间隔等。可以自动归类，整理。支持对设定范围内的网站，实现增量提醒采集。对新闻主题的采集，自动聚类，发现当前热点新闻。每个热点可以提供一组相关新闻列表，可以方便提供利用。支持多种网页格式（HTML、ASP、JSP、PHP等）支持网页内容自动提取（如：网页标题，网页正文、时间、来源）。基于内容特征的多媒体处理技术基于内容特征的多媒体处理技术原理基于内容的检索(CBR Content Based Retrieval)。所谓基于内容特征的检索是对媒体对象的内容及上下文语义环境所进行的检索。这类检索根据用户的要求,对文本、声音、图形、图像、动画等多媒体信息进行检索。基于内容的检索系统