优秀成果推介.pdfVIP

1 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： 1. 如何利用海量数据？ 2. 如何在海量数据中发掘出知识？ 3. 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： 1. 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。 2. 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。 2 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。 2.1 数据挖掘技术 2.1.1 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。 2.1.2 挖掘技术在项目中的应用 1. 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