干IT的都知道,数字档案馆最怕一种情况:纸质档案吭哧吭哧扫完了,结果还是一堆“死图片”。扫描只是把纸变成了PDF和JPG,后面归档照样靠人翻、靠人猜、靠人拖文件夹。尤其是跨年度公文,2019年的通知、2020年的批复、2021年的资金文件、2022年的总结,分别躺在不同年度目录里,真要找“老旧小区改造”这一件事,得几个年度来回翻。这时候,OCR加知识图谱就能派上用场。别被这俩词吓着,拆开说就是:先让系统“认字”,再让系统“认关系”。
先说OCR。你可以把它理解成给扫描件配了个“识字秘书”。红头文件、盖章页、手写签批、会议纪要,先转成可检索的文字。但注意,OCR不是认完字就完事。实际扫描件里,“市住建局”被认成“市住逮局”太正常了,表格线、印章、装订孔都会捣乱。所以后面还得做字段抽取:发文机关、文号、标题、成文日期、文种、主题词、密级、附件,这些就像快递面单上的信息,得从一大段文字里抠出来。没有这些“面单”,后面分拣就是瞎分。
再说知识图谱。传统归档像文件柜:按年度、科室、文种一层层分。知识图谱更像给档案室画了一张“关系网”或者“族谱”。它不是只问“这份文件是哪一年的”,而是问:这份2021年的批复,是不是对应2020年那份请示?它涉及的是不是“老旧小区改造”?发文单位是不是市住建局?而“市住建局”“住建局”“市住房和城乡建设局”其实是同一家,系统要能认别名。这样一来,跨年度的公文就能被串起来:2019年的改造通知、2020年的立项批复、2021年的资金拨付、2022年的街道实施细则,自动归到同一个专题下,而不是每年各放各的。
落地流程其实不玄乎,就是一条分拣线:扫描件进来,OCR识字,抽元数据,实体对齐,图谱关联,规则分类,最后人工抽检。分类规则可以先从业务最关心的来,比如“年度+发文机关+文种+主题”,或者直接按“专题”归并。系统有多大把握,给个置信度,把握低的转人工,别一上来追求100%无人化。我们见过比较实在的做法:先选“老旧小区改造”“营商环境”“疫情防控”两三个高频专题试点,跑通了再扩。原来人工翻几个年度要几天,现在系统先出候选归档结果,人工半天确认完,效果就很明显。
坑也得提几句。扫描质量差的,先补扫;表格和手写签批多的,OCR后要留人工复核;知识图谱别一上来做大而全,先做部门、文号、主题、年度这几个核心关系;密级和权限要卡住,不能因为自动关联把不该串的串了。总之,OCR解决“看得见”,知识图谱解决“连得上”,规则引擎解决“分得准”,人工抽检兜底。
这套东西不神秘,关键是别把它当玄学,先从一个小专题跑起来。更多方案可访问 itfangan.com。