對(duì)檔案管理中的文檔分類技術(shù)應(yīng)用的分析

【摘要】隨著信息技術(shù)的不斷快速發(fā)展，檔案管理中所涉及到的信息也是越來越多，而這就需要開發(fā)一種較為先進(jìn)的方式，保障檔案管理及使用者可以快速的獲得想得到的文檔。在這種背景下，本文技術(shù)與文檔分類技術(shù)，探討了檔案管理中的文檔分類技術(shù)的應(yīng)用方法及可選用的詞匯。

【關(guān)鍵詞】檔案管理；文檔分類；技術(shù)應(yīng)用；方法；詞匯

一、檔案管理中的文檔分類技術(shù)應(yīng)用的必要性

在競爭的產(chǎn)業(yè)環(huán)境里，檔案資料大有可為，企業(yè)勢必要仰賴大量的檔案信息來輔助決策者在最適當(dāng)?shù)臅r(shí)機(jī)做出適當(dāng)?shù)呐袛?。因此有效地利用大量的檔案信息就成為企業(yè)成功的關(guān)鍵要素之一。關(guān)聯(lián)式資料庫（Relational Database System）就是在這種時(shí)空背景環(huán)境之下而發(fā)明的系統(tǒng)。關(guān)聯(lián)式資料庫可以處理結(jié)構(gòu)化的數(shù)值型態(tài)檔案資料，利用資料表（Table）儲(chǔ)存企業(yè)每天的運(yùn)營資料，同時(shí)使用限制條件（Constraint）讓這些檔案資料是依指定的格式正確地存入資料表中，之后再輔以網(wǎng)上分析處理（Online Analytical Processing， OLAP）和資料探勘（Data Mining）的技術(shù)，就能快速地產(chǎn)生文檔報(bào)表，作為決策者下決策的參考。

隨著網(wǎng)絡(luò)的成熟發(fā)展，企業(yè)開始利用網(wǎng)絡(luò)來傳送電子化的文檔，加上以驚人速度成長的企業(yè)入口網(wǎng)站和個(gè)人網(wǎng)頁，數(shù)字化的結(jié)果使得我們開始面對(duì)越來越多非結(jié)構(gòu)化或是半結(jié)構(gòu)化的電子檔案資料。如果再使用傳統(tǒng)檔案管理方式來管理文檔，似乎是不恰當(dāng)?shù)?，無法反應(yīng)文檔特有的性質(zhì)。更進(jìn)一步分析，我們可以預(yù)期，當(dāng)文檔的數(shù)量到達(dá)一定的程度，加上檔案文檔產(chǎn)出的速度超過人類所能處理的速度時(shí)，傳統(tǒng)以人工進(jìn)行文檔分類和標(biāo)示已經(jīng)是不太可能的事。因此如果有方法可以讓我們快速地知道檔案文檔內(nèi)的作者、標(biāo)題、出處或者是文檔內(nèi)所包含的關(guān)鍵字，我們就有可能更進(jìn)一步去了解檔案文檔的深層含意以。本文希望對(duì)檔案管理中的自動(dòng)化文檔分類技術(shù)的應(yīng)用加以探討，揭示有效的儲(chǔ)存及利用的電子化檔案文檔的方式，從檔案文檔中挖掘出有用的信息與知識(shí)的方式。

二、檔案管理中的文檔分類技術(shù)應(yīng)用方法

文檔分類，或者稱之為自動(dòng)地指派語意上的類別予以由自然語言所構(gòu)成的文檔，是目前常用來管理檔案信息的一種方法。歸納式的文檔分類希望從一些事先標(biāo)定的文檔集里推導(dǎo)出一個(gè)分類的準(zhǔn)則，此后可以正確地應(yīng)用此分類準(zhǔn)則來對(duì)未知的新文檔做分類。

一是二元（Binary）設(shè)定法。二元設(shè)定法是最簡單，也是學(xué)習(xí)型問題（Learning Problem）里最重要的設(shè)定公式。其它復(fù)雜的設(shè)定法都可以通過一定的簡化步驟，退化為二元設(shè)定法的公式。在二元設(shè)定法里，只存在兩種類別標(biāo)簽。例如在檔案信息檢索（Information Retrieval）的應(yīng)用問題里，此兩種類別標(biāo)簽可以被標(biāo)定為“相關(guān)”或者是“不相關(guān)”這兩大類。同樣的，在電子檔案的分類應(yīng)用里，可以將接收的電子檔案區(qū)隔為“垃圾文檔”與“非垃圾文檔”這兩大類。這代表類別標(biāo)簽的值只能有兩種可能的值，為了符號(hào)定義的方便，這兩種可能的值設(shè)定為-1與1。

二是多類別（Multi-Class）設(shè)定法。有些分類的問題牽涉兩類以上的分類法。例如一個(gè)電子文檔派送代理程序，它負(fù)責(zé)判斷是否將所有接收到的電子文檔轉(zhuǎn)發(fā)給十位中層管理人員。這代表類別標(biāo)簽可以是十個(gè)（更廣義的說法為l）同的值。

三是多標(biāo)簽（Multi-Label）設(shè)定法。絕大多數(shù)文檔分類的問題落在該設(shè)定法內(nèi)。它和多類別設(shè)定法不同之處在于類別標(biāo)簽和文檔之間不是一對(duì)一的對(duì)應(yīng)關(guān)系。相反地，每一個(gè)文檔都可以落在多個(gè)、唯一一個(gè)，甚至是零個(gè)的類別之內(nèi)。例如，當(dāng)檔案的情境為分類新聞報(bào)導(dǎo)時(shí)，每一個(gè)語意上的主題都可以成為某一類別的標(biāo)簽，所以一篇新進(jìn)的新聞報(bào)導(dǎo)可以同時(shí)落在“足球”和“巴西”這兩個(gè)不同的類別之內(nèi)。這類的設(shè)定法可以用一個(gè)多維度的二元向量來代表眾多的類別標(biāo)簽。因?yàn)轭悇e標(biāo)簽已經(jīng)使用單維度的二元向量的方式來表示，分類規(guī)則所產(chǎn)出的結(jié)果也必須是單維度的二元向量。

三、檔案管理中的文檔分類應(yīng)用詞匯

在處理自然語言的問題時(shí)，文檔內(nèi)的上下文脈絡(luò)（Context）會(huì)影響一段文字表達(dá)的意義，同樣的一個(gè)單詞，在不同的句子里可以有不同的意義。在文檔分類的問題里，會(huì)采用不同的方法來表達(dá)文字，根據(jù)不同的需求，可能會(huì)也可能不會(huì)辨別這些不同的相依性和意義。一般而言，根據(jù)文檔分析層級(jí)的深度，總共有下列四種不同的表達(dá)法：次詞（Sub-Word）層級(jí)；字詞（Word）層級(jí)；多詞（Multi-Word）層級(jí)；語意（Semantic）層級(jí)。在每一個(gè)層級(jí)里，最基本的構(gòu)成組件（Building Block）稱之為索引字（Index Term）。一是字詞（Word）層級(jí)。在很多的情況之下，單詞是很好的表達(dá)單位，同時(shí)單詞具備很低的模棱兩可性。盡管存在所謂的多義詞，但也假設(shè)其對(duì)整體文檔的代表性的沖擊是很小的。事實(shí)上，字詞層級(jí)的表達(dá)方式已經(jīng)被證實(shí)在信息檢索與文檔分類的領(lǐng)域里是很有效的。以單詞為基礎(chǔ)的表達(dá)方式的優(yōu)點(diǎn)為簡單和直覺。不考慮邏輯上的結(jié)構(gòu)，使用單詞當(dāng)成是索引字的最小單位可以把一份文檔轉(zhuǎn)化成一連串單詞的組合。同時(shí)我們假設(shè)單詞出現(xiàn)的順序在文檔分類的任務(wù)中是無關(guān)緊要的。

二是次詞（Sub-Word）層級(jí)。該層級(jí)不使用單詞當(dāng)成是索引字，一個(gè)由n個(gè)字母所構(gòu)成的字串被視為基礎(chǔ)的構(gòu)成組件，這種表示法可以建立相似性的模型，如“computer”和“computers”是不同的單詞。使用這種表示法的優(yōu)點(diǎn)是系統(tǒng)可以處理拼字錯(cuò)誤，允許使用者輸入錯(cuò)誤的單詞，經(jīng)由系統(tǒng)比對(duì)，自動(dòng)找到類似的單詞。

三是多詞（Multi-Word）層級(jí)。借助語言學(xué)上的工具的輔助，大量的文檔可以基于句法（Syntactic）上的結(jié)構(gòu)做深入的分析。在這一個(gè)層級(jí)里，索引字通常是參考句法結(jié)構(gòu)的信息所產(chǎn)生的。最常被使用的句法結(jié)構(gòu)之一是“名詞片語”。這種方式通稱為句法片語索引（Syntactic Phrase Indexing）。

四是語意（Semantic）層級(jí)。到目前為此，現(xiàn)今既有的信息科技與技術(shù)尚未能做到自動(dòng)化的摘取一份文檔的內(nèi)容所代表的完整語意，并且表達(dá)成可以用以作為數(shù)學(xué)運(yùn)算的形式。但是就某些角度而言，有研究指稱可以使用分類學(xué)以及一些固定字匯的索引語言來取得文檔所代表的語意。網(wǎng)絡(luò)上的Yahoo！分類架構(gòu)就是其中一個(gè)例子。Yahoo！使用階層式的分類樹，用以組成整體的分類結(jié)構(gòu)，接著以人工的方式將網(wǎng)頁分到一至多個(gè)的分類類別里。