語(yǔ)義層次網(wǎng)絡(luò)在文書(shū)檔案開(kāi)放審核中的應(yīng)用

王楠 丁原 李軍

摘 要：貫徹新《檔案法》，加大檔案開(kāi)放力度，是《“十四五”全國(guó)檔案事業(yè)發(fā)展規(guī)劃》的主要任務(wù)之一。文章采用語(yǔ)義工程技術(shù)，在構(gòu)建語(yǔ)義層次網(wǎng)絡(luò)的基礎(chǔ)上，開(kāi)發(fā)了檔案智能開(kāi)放審核系統(tǒng)。選取江蘇省檔案館4個(gè)全宗的11萬(wàn)余件檔案，分別利用關(guān)鍵詞過(guò)濾法和基于語(yǔ)義層次網(wǎng)絡(luò)的語(yǔ)義分析法進(jìn)行檢測(cè)。檢測(cè)結(jié)果顯示，基于語(yǔ)義層次網(wǎng)絡(luò)的語(yǔ)義分析法較之關(guān)鍵詞法，在精確率方面有顯著提升，說(shuō)明語(yǔ)義層次網(wǎng)絡(luò)可以突破傳統(tǒng)關(guān)鍵詞技術(shù)只能匹配文書(shū)檔案字面詞義的局限，有效降低關(guān)鍵詞技術(shù)帶來(lái)的語(yǔ)義失真，從而減少開(kāi)放審核中的誤判、漏判和對(duì)不準(zhǔn)的問(wèn)題。

關(guān)鍵詞：語(yǔ)義層次網(wǎng)絡(luò)；檔案開(kāi)放審核；文書(shū)檔案

《“十四五”全國(guó)檔案事業(yè)發(fā)展規(guī)劃》明確將“加快推進(jìn)檔案開(kāi)放”納入“十四五”期間檔案事業(yè)發(fā)展的主要任務(wù)，并進(jìn)一步提出“新一代信息技術(shù)在檔案工作中的應(yīng)用更為廣泛，信息化與檔案事業(yè)各項(xiàng)工作深度融合，檔案管理數(shù)字化、智能化水平得到提升，檔案工作基本實(shí)現(xiàn)數(shù)字轉(zhuǎn)型”的發(fā)展方向。[1]2021年1月起正式施行的新《檔案法》針對(duì)加大檔案開(kāi)放力度做了重要修訂。[2]采用智能化輔助手段提升檔案開(kāi)放審核工作效率，已是大勢(shì)所趨。

一、 研究背景

1. 業(yè)內(nèi)對(duì)檔案開(kāi)放審核的相關(guān)實(shí)踐

近年來(lái)，各地紛紛嘗試?yán)眯畔⒒侄翁嵘龣n案開(kāi)放審核工作效率，如：青島市檔案館編制敏感詞庫(kù)，通過(guò)軟件對(duì)檔案目錄中的敏感詞進(jìn)行掃描；福建省檔案館利用類(lèi)別特征詞進(jìn)行開(kāi)放審核；上海市浦東新區(qū)檔案館借助人工智能技術(shù)對(duì)關(guān)鍵詞進(jìn)行審核；寧波市檔案館開(kāi)發(fā)的館藏資源管理系統(tǒng)可進(jìn)行敏感詞輔助鑒定提示。[3]利用關(guān)鍵詞方式輔助檔案開(kāi)放審核具有投入成本低、門(mén)檻低的優(yōu)勢(shì)，已成為當(dāng)前業(yè)內(nèi)主流。

2. 關(guān)鍵詞技術(shù)存在的問(wèn)題及解決之道

利用關(guān)鍵詞方式輔助檔案開(kāi)放審核，其有效程度嚴(yán)重依賴(lài)檔案題名或全文中是否存在可供判斷的關(guān)鍵詞。此方法的局限性在于關(guān)鍵詞的詞義必須和鑒定條件的語(yǔ)義完全對(duì)應(yīng)。而在以下情境中，很難僅憑關(guān)鍵詞判斷該檔案是否應(yīng)予繼續(xù)控制。

情境一：關(guān)鍵詞與主語(yǔ)義不匹配。如因涉及商業(yè)或技術(shù)秘密，“工藝”作為關(guān)鍵詞有可能成為控制條件。若某檔案題名是“關(guān)于印發(fā)《加強(qiáng)某中藥制劑工藝流程管理》的通知”，雖然題名含有“工藝”，主語(yǔ)義卻是“通知”，與關(guān)鍵詞不匹配。

情境二：檔案不含命中控制條件的關(guān)鍵詞，只有對(duì)應(yīng)的語(yǔ)義。例如，行政案件的原告或被告是行政機(jī)關(guān)，假設(shè)某控制條件為“行政案件相關(guān)檔案應(yīng)予以繼續(xù)控制”，但在相關(guān)檔案的題名和全文里，作為關(guān)鍵詞的“原告”“被告”“行政機(jī)關(guān)”字樣可能都沒(méi)有出現(xiàn)，行文中只有對(duì)具體機(jī)構(gòu)名稱(chēng)和案件的描述。

情境三：語(yǔ)義的層次性造成關(guān)鍵詞范圍難以界定。如涉及我國(guó)“重要資源”的材料需要控制，該控制條件的內(nèi)涵層次則極豐富，本地土地、氣候、水、生物、礦產(chǎn)等方面的重要資源都在范圍中，單靠整理收錄關(guān)鍵詞難以窮舉。

上述情境都可以看作語(yǔ)義層次的問(wèn)題。情境一是文書(shū)檔案中的詞義與檔案分析人員期望的語(yǔ)義脫節(jié)。情境二是文書(shū)檔案中只有一些語(yǔ)義，而沒(méi)有對(duì)應(yīng)的詞及其詞義。情境三是詞義和語(yǔ)義的層次太深，在不知曉語(yǔ)義層次關(guān)系的情況下，很難確認(rèn)文書(shū)檔案中的詞義與哪些深層語(yǔ)義存在對(duì)應(yīng)關(guān)系，或文書(shū)檔案中的一些基層詞義與哪個(gè)抽象的高層語(yǔ)義對(duì)應(yīng)。因此，構(gòu)建語(yǔ)義層次網(wǎng)絡(luò)并用以支撐檔案開(kāi)放審核中的條件匹配，是解決上述關(guān)鍵詞技術(shù)缺陷的可行之道。

3. 業(yè)內(nèi)對(duì)語(yǔ)義層次網(wǎng)絡(luò)的相關(guān)研究

近幾十年，闡述概念及概念之間關(guān)系的理論——本體論（Ontology）被應(yīng)用到計(jì)算機(jī)界。[4]1968年，奎林提出語(yǔ)義網(wǎng)絡(luò)（Semantic Network）概念。1998年，蒂姆·伯納斯提出語(yǔ)義網(wǎng)（Semantic Web）概念。兩者共同的基礎(chǔ)是本體論。國(guó)內(nèi)，夏天、錢(qián)毅把本體論、語(yǔ)義網(wǎng)絡(luò)以及元數(shù)據(jù)的思想運(yùn)用到了檔案數(shù)據(jù)建設(shè)中。[5]相關(guān)研究雖然都提出了語(yǔ)義網(wǎng)絡(luò)的概念，但都未將語(yǔ)義層次作為研究重點(diǎn)，語(yǔ)義層次僅包含在網(wǎng)絡(luò)概念中。根據(jù)奎林的語(yǔ)義網(wǎng)絡(luò)[6]、菲爾墨的格語(yǔ)法[7]、山克的概念從屬邏輯理論[8]及漢語(yǔ)“字義基元化，詞義組合化”現(xiàn)象，中科院聲學(xué)研究所黃增陽(yáng)教授創(chuàng)立了語(yǔ)義層次網(wǎng)絡(luò)（Hierarchical Network of Concepts，HNC）理論。[9]HNC理論認(rèn)為，所有的自然語(yǔ)言空間對(duì)應(yīng)著同一個(gè)語(yǔ)言概念空間。[10]HNC理論的創(chuàng)新點(diǎn)是專(zhuān)門(mén)針對(duì)層次的論述，缺陷在于把靜態(tài)的概念和動(dòng)態(tài)的事件混雜在一起，使得層次關(guān)系冗雜紊亂。

基于此，本研究采用人工智能領(lǐng)域前沿的語(yǔ)義工程技術(shù)，打造突出層次關(guān)系的語(yǔ)義層次網(wǎng)絡(luò)。與此同時(shí)，對(duì)本體論中的概念定義進(jìn)行了細(xì)化，重點(diǎn)區(qū)分了靜態(tài)實(shí)體概念和動(dòng)態(tài)事物或事件（即在特定環(huán)境中發(fā)生的事物）概念。在此基礎(chǔ)上，開(kāi)發(fā)了檔案智能開(kāi)放審核系統(tǒng)，以期改善以往主要借助關(guān)鍵詞技術(shù)的檔案開(kāi)放審核系統(tǒng)的不足。

二、 技術(shù)方案

1. 開(kāi)放審核的機(jī)理

利用計(jì)算機(jī)輔助檔案館進(jìn)行開(kāi)放審核可以有兩個(gè)設(shè)計(jì)方向：一是讓計(jì)算機(jī)自動(dòng)找出應(yīng)予以控制的檔案；二是讓計(jì)算機(jī)自動(dòng)找出應(yīng)予以開(kāi)放的檔案。即使前者將一部分應(yīng)予以開(kāi)放檔案誤識(shí)別為應(yīng)予以控制檔案，只要誤判率足夠小就可以接受，因?yàn)楸徽`判的檔案尚處于檔案館管控中，未來(lái)還有開(kāi)放機(jī)會(huì)，而并未造成泄密。但對(duì)于后者，哪怕只有一份應(yīng)予以控制檔案被誤開(kāi)放，也是嚴(yán)重的泄密事故。

保證計(jì)算機(jī)識(shí)別的有效性主要靠條件匹配法。一方面，把國(guó)家規(guī)定的抽象劃控鑒定條件與檔案館自身的具體情況相結(jié)合，細(xì)化出適合本檔案館的鑒定條件集；另一方面，讓計(jì)算機(jī)從檔案中自動(dòng)提取適合鑒定條件的線索，與細(xì)化后的鑒定條件匹配，匹配成功就會(huì)觸發(fā)對(duì)檔案的劃控識(shí)別。

2. 基于語(yǔ)義分析的解決方案

準(zhǔn)確匹配文字內(nèi)容的技術(shù)是語(yǔ)義匹配，只要檔案中所表達(dá)的意思與鑒定條件的意思相同，則觸發(fā)劃控識(shí)別的準(zhǔn)確率是100%。故此，開(kāi)放審核的問(wèn)題轉(zhuǎn)化為如何解析鑒定條件到一系列具體語(yǔ)義，如何在檔案中準(zhǔn)確識(shí)別語(yǔ)義，以及如何匹配二者的問(wèn)題。

實(shí)際上，關(guān)鍵詞匹配也是一種語(yǔ)義匹配。如果一個(gè)關(guān)鍵詞不足以表達(dá)目標(biāo)語(yǔ)義，可以用一組關(guān)鍵詞來(lái)映射檔案原文中蘊(yùn)含的語(yǔ)義。如果一組關(guān)鍵詞不夠，可以把詞出現(xiàn)的順序（即詞序）和出現(xiàn)的次數(shù)（即詞頻）也用上。如果加入詞序和詞頻還不夠，可以把詞性、語(yǔ)法和句法等關(guān)系都用上。以上所有方法有一個(gè)共同的特點(diǎn)，即完全依賴(lài)檔案原文中的詞及詞與詞之間的關(guān)系。因此，這類(lèi)語(yǔ)義分析方法稱(chēng)為字面語(yǔ)義分析或淺層語(yǔ)義分析。

檔案中還有很多語(yǔ)義不是直接通過(guò)字面語(yǔ)義表達(dá)出來(lái)的，需要結(jié)合語(yǔ)境、語(yǔ)義模型等進(jìn)行推斷才能獲得。以“聚眾賭博”為例，不是含有這個(gè)詞的檔案都需要控制使用，如《某單位職工行為規(guī)范》；但如果“聚眾賭博”一詞出現(xiàn)在與評(píng)鑒某人相關(guān)的文件里，則該檔案應(yīng)予以控制使用。這類(lèi)語(yǔ)義分析稱(chēng)為隱含語(yǔ)義分析或深層語(yǔ)義分析。本研究開(kāi)發(fā)的利用語(yǔ)義層次網(wǎng)絡(luò)的語(yǔ)義分析技術(shù)就是一種深層語(yǔ)義分析技術(shù)。

3. 語(yǔ)義層次網(wǎng)絡(luò)的構(gòu)建

語(yǔ)義層次網(wǎng)絡(luò)是一種專(zhuān)門(mén)為解決對(duì)不準(zhǔn)問(wèn)題而設(shè)計(jì)的語(yǔ)義模型。一般的語(yǔ)義網(wǎng)絡(luò)中，節(jié)點(diǎn)之間的關(guān)系可以是任意關(guān)系，包括同級(jí)節(jié)點(diǎn)之間的關(guān)系、相鄰節(jié)點(diǎn)之間的關(guān)系、跨節(jié)點(diǎn)的關(guān)系、相鄰層級(jí)之間的關(guān)系以及跨層級(jí)的關(guān)系等。語(yǔ)義層次網(wǎng)絡(luò)只包括相鄰層級(jí)之間的關(guān)系，不包括同層級(jí)的任何關(guān)系，即：同層級(jí)節(jié)點(diǎn)之間相互獨(dú)立，也不包括任何跨節(jié)點(diǎn)關(guān)系和跨層級(jí)關(guān)系（二者的區(qū)別見(jiàn)圖1）。

語(yǔ)義層次網(wǎng)絡(luò)是解析抽象檔案鑒定條件的基礎(chǔ)。語(yǔ)義層次網(wǎng)絡(luò)建設(shè)越完備，抽象鑒定條件就可以被解析得越具體，越容易被計(jì)算機(jī)匹配成功。同樣，語(yǔ)義層次網(wǎng)絡(luò)也是在檔案中從抽象字面語(yǔ)義挖掘具體語(yǔ)義的基礎(chǔ)。語(yǔ)義層次網(wǎng)絡(luò)可以使檔案原文和鑒定條件中邏輯距離看似很遠(yuǎn)的詞組之間在任意語(yǔ)義層次中實(shí)現(xiàn)對(duì)齊，完成匹配，以此有效解決檔案開(kāi)放審核工作中對(duì)不準(zhǔn)的問(wèn)題，同時(shí)減少誤判和漏判。

（1）概念的表示

語(yǔ)義層次網(wǎng)絡(luò)與泛化的語(yǔ)義網(wǎng)絡(luò)都是以概念為節(jié)點(diǎn)，語(yǔ)義層次網(wǎng)絡(luò)的節(jié)點(diǎn)不僅包括靜態(tài)的實(shí)體概念，還包括動(dòng)態(tài)的事物，采用定義更寬泛的參數(shù)作為特征描述量。本研究定義的概念將實(shí)體和事物作了明確區(qū)分，有利于規(guī)范它們各自的關(guān)系和相互之間的關(guān)系。

針對(duì)文書(shū)檔案，概念節(jié)點(diǎn)指一類(lèi)文字語(yǔ)義，由概念名（n）、概念語(yǔ)義定義（d）和概念值（v）組成的三元組[n、d、{v}]表示。{v}代表所有符合d的v值的集合。例如，“人名”是一個(gè)概念，其名稱(chēng)就是“人名”，其語(yǔ)義定義為“人的稱(chēng)呼”，其值為原文中所有符合該語(yǔ)義定義的具體人名。

（2）概念的層次

概念層次（Hierarchy，簡(jiǎn)稱(chēng)：h）的分層方法由各種層次分明的關(guān)系決定，包括但不限于如下類(lèi)型。

① 組成關(guān)系，即：字段之間具有“局部”功能組成“整體”功能的關(guān)系（見(jiàn)圖2）。

② 包含關(guān)系，即：客觀存在的空間形式邏輯關(guān)系定義下的局部與整體關(guān)系，“局部”包含在“整體”之內(nèi)（見(jiàn)圖3）。

③ 種屬關(guān)系，即：相同分類(lèi)特征定義下的一事物類(lèi)與其子類(lèi)的關(guān)系（見(jiàn)圖4）。

④ 嵌套關(guān)系，即：事物過(guò)程與步驟的關(guān)系（見(jiàn)圖5）。

鑒于語(yǔ)義層次網(wǎng)絡(luò)的完整性，設(shè)計(jì)該網(wǎng)絡(luò)的節(jié)點(diǎn)時(shí)可設(shè)計(jì)一定數(shù)量在檔案原文中無(wú)對(duì)應(yīng)內(nèi)容的節(jié)點(diǎn)，稱(chēng)為“虛節(jié)點(diǎn)”，而在原文中有對(duì)應(yīng)內(nèi)容的節(jié)點(diǎn)稱(chēng)為“實(shí)節(jié)點(diǎn)”。如果將語(yǔ)義層次網(wǎng)絡(luò)視為“樹(shù)”，在設(shè)計(jì)和表示語(yǔ)義層次網(wǎng)絡(luò)時(shí)，末端節(jié)點(diǎn)都是實(shí)節(jié)點(diǎn)，但可以“剪枝”?！凹糁Α焙蟮哪┒斯?jié)點(diǎn)，無(wú)論是實(shí)節(jié)點(diǎn)還是虛節(jié)點(diǎn)，應(yīng)繼承其下所有未展開(kāi)節(jié)點(diǎn)的特性。

事物或事件為節(jié)點(diǎn)時(shí)，以它們之間的組成關(guān)系、包含關(guān)系、屬種關(guān)系或嵌套關(guān)系為分層依據(jù)，可以組成更高層次的抽象概念，包括但不限于：一系列簡(jiǎn)單事物類(lèi)概念組成的多層次復(fù)雜事物概念是“復(fù)雜事物”類(lèi)概念，如出訪、交易等；由一系列相關(guān)的典型性事物概念組成的高級(jí)抽象概念是社會(huì)事務(wù)類(lèi)概念，如外交、經(jīng)濟(jì)等；由一系列相關(guān)的、集中發(fā)生的事件概念組成的高級(jí)抽象概念是社會(huì)運(yùn)動(dòng)類(lèi)概念，如戰(zhàn)爭(zhēng)、改革等；由一系列相關(guān)的、經(jīng)常發(fā)生的事件概念形成的高級(jí)抽象概念是社會(huì)現(xiàn)象類(lèi)概念，如科技創(chuàng)新、精神文明建設(shè)等。業(yè)內(nèi)所指的“關(guān)鍵詞”，在本研究中也是一種特殊的概念，概念名就是對(duì)象關(guān)鍵詞本身，其語(yǔ)義定義可能是其自身的詞義，也可能是語(yǔ)義層次網(wǎng)絡(luò)定義人員認(rèn)為重要的任意語(yǔ)義，關(guān)鍵詞概念的值是原文中對(duì)象關(guān)鍵詞的所有同義詞。

（3）概念的參數(shù)

定義概念和概念的層次在很大程度上有助于進(jìn)行語(yǔ)義識(shí)別，但對(duì)于利用概念做語(yǔ)義分析、為文書(shū)檔案開(kāi)放審核設(shè)計(jì)鑒定規(guī)則還遠(yuǎn)遠(yuǎn)不夠。為增強(qiáng)語(yǔ)義分析能力，不僅須定義出概念名表達(dá)的語(yǔ)義和層次關(guān)系，還須定義或識(shí)別出圍繞概念的參數(shù)（Parameter，簡(jiǎn)稱(chēng)p），并掛接在其修飾的概念下。概念擁有屬性、性質(zhì)、方面、數(shù)量、能力等基本參數(shù)，事物或事件節(jié)點(diǎn)還擁有方式、目的、指向、能愿等參數(shù)。

屬性（Attribute），所有可測(cè)量或可感知的量，其特性是可排序、可比較。它的名稱(chēng)是該屬性維度的名稱(chēng)，值是該屬性維度中的一個(gè)特定項(xiàng)。

性質(zhì)（Nature），只可做定性比較的量，一般只有三個(gè)值：左極端值、右極端值、中間值。性質(zhì)的名稱(chēng)一般是性質(zhì)兩個(gè)極端值的組合，例如好壞、強(qiáng)弱、優(yōu)劣等；其值是該性質(zhì)的三個(gè)值之一，例如名稱(chēng)是“優(yōu)劣”，值是“中”。性質(zhì)的名稱(chēng)也可以由形容詞加“性”字后綴表示，如“重要性”，其正值就是形容詞本身，如“重要”；負(fù)值就是形容詞前加“不”字，如“不重要”；中間值就是“既+形容詞+又不+形容詞”，如“既重要又不重要”。

方面（Aspect），修飾宿主概念的其他概念，例如形式、趨勢(shì)等。除專(zhuān)門(mén)解釋這類(lèi)概念的句型，這類(lèi)概念在句中一般不單獨(dú)使用，須與宿主概念搭配表達(dá)才有意義，例如合作形式、發(fā)展趨勢(shì)等。方面類(lèi)參數(shù)的名稱(chēng)是文書(shū)檔案中表示方面的概念詞，其值類(lèi)似性質(zhì)值的表述，即：用幾個(gè)簡(jiǎn)單的等級(jí)做定性描述，例如名稱(chēng)是“形勢(shì)”，值是“好”。

數(shù)量（Quantity），即宿主概念的可數(shù)特征，如概念的“數(shù)量”，行為的“頻次”，對(duì)于事物或事件而言，則既可是數(shù)量，也可是頻次。數(shù)量類(lèi)參數(shù)的名稱(chēng)是文書(shū)檔案中該數(shù)量的宿主實(shí)體或事物的數(shù)量表示，例如總?cè)藬?shù)、銷(xiāo)售額、比賽成績(jī)等，其值就是它們的具體數(shù)值（+度量單位），如80人、1000萬(wàn)元、129分等。

能力（Ability），表示其修飾的實(shí)體概念能夠干什么。能力類(lèi)型的參數(shù)名多以表示能力的事物或事件的“行為+客體”形式命名，如踢球、學(xué)習(xí)英語(yǔ)等，或用“主體+行為”的形式命名，如自我安慰、火山爆發(fā)等。能力的值常用“會(huì)+事物”“能+事物”“干過(guò)+事物”等類(lèi)似短語(yǔ)表示，例如會(huì)武功、能爬山、當(dāng)過(guò)兵等。

事物或事件概念還存在以下參數(shù)：方式（Method），即如何實(shí)施，包括參考依據(jù)、所使用的工具等；目的（Purpose），即實(shí)體概念實(shí)施行為的目的；指向（Point），指實(shí)體概念行為作用的對(duì)象；能愿（Desire），代表實(shí)體概念實(shí)施某類(lèi)行為的可能性、傾向性。

值得注意的是，本研究定義的“參數(shù)”與一些學(xué)者在自然語(yǔ)義處理技術(shù)中定義的“元數(shù)據(jù)”類(lèi)似，都是描述或限定概念的量。不同之處是，參數(shù)更強(qiáng)調(diào)原文中宿主概念自身?yè)碛械?、代表語(yǔ)義的特征量，可以用于語(yǔ)義分析，而元數(shù)據(jù)更強(qiáng)調(diào)文字工作者為使用文本內(nèi)容定義給宿主概念的名稱(chēng)，適用于內(nèi)容管理。

（4）概念的狀態(tài)

“狀態(tài)”是概念的一個(gè)動(dòng)態(tài)參數(shù)，指概念任意變化在某個(gè)時(shí)點(diǎn)或時(shí)段的值。狀態(tài)類(lèi)參數(shù)的名稱(chēng)與其宿主概念有關(guān)。如果宿主概念與狀態(tài)參數(shù)的關(guān)系明確，狀態(tài)名可直接使用變化量的名稱(chēng)，否則按“宿主名+‘.’+變化量名”命名。例如，“案卷.質(zhì)量”“館藏檔案.保存情況”等。狀態(tài)值可能有三種形式：一是變化量，如“全宗增加了三個(gè)”；二是在某個(gè)時(shí)段的值，如“立檔單位合并撤銷(xiāo)”；三是發(fā)展趨勢(shì)，如“脫貧攻堅(jiān)檔案整理扎實(shí)推進(jìn)”。

在語(yǔ)義層次網(wǎng)絡(luò)中，一個(gè)節(jié)點(diǎn)的基本概念可由[n，d，{v}]表示，該節(jié)點(diǎn)可能擁有的參數(shù)可由{p}表示，該節(jié)點(diǎn)對(duì)相鄰節(jié)點(diǎn)的所有層次關(guān)系可由{h}表示（注意同層級(jí)節(jié)點(diǎn)之間是相互獨(dú)立的），則語(yǔ)義層次網(wǎng)絡(luò)節(jié)點(diǎn)的完整表述可以是一個(gè)五元組[n，d，{v}，{p}，{h}]。參數(shù)集合{p}中包括動(dòng)態(tài)參數(shù)“狀態(tài)”，因此這個(gè)五元組既表示語(yǔ)義層次網(wǎng)絡(luò)節(jié)點(diǎn)的靜態(tài)關(guān)系，也表示其動(dòng)態(tài)關(guān)系。

4. 基于語(yǔ)義層次網(wǎng)絡(luò)的文書(shū)檔案開(kāi)放審核系統(tǒng)

在上述概念的基礎(chǔ)上，本研究繪出了基于語(yǔ)義層次網(wǎng)絡(luò)的文書(shū)檔案開(kāi)放審核系統(tǒng)總體框架圖（見(jiàn)圖6）。其中，解決方案包括五個(gè)組成部分：①檔案預(yù)處理；②檔案文本解析；③檔案語(yǔ)義分析；④檔案開(kāi)放審核；⑤檔案人工審核。

檔案預(yù)處理模塊把非文本檔案轉(zhuǎn)化為純文本檔案。這是后續(xù)所有語(yǔ)義分析模塊的基礎(chǔ)。

檔案文本解析模塊把純文本檔案轉(zhuǎn)化為一個(gè)可以進(jìn)行語(yǔ)義分析的文件。有兩個(gè)子任務(wù)：一是恢復(fù)純文本檔案的版面格式，例如正確劃分段落、句子，正確區(qū)分標(biāo)題、正文等；二是對(duì)文本的每個(gè)自然句進(jìn)行自然語(yǔ)言解析，包括切詞、詞性標(biāo)注、詞語(yǔ)聚合、短語(yǔ)識(shí)別等。

檔案語(yǔ)義分析是核心模塊，分為格式語(yǔ)義分析、淺層語(yǔ)義分析和深層語(yǔ)義分析。

格式語(yǔ)義分析模塊能夠?qū)n案版面位置所隱含的語(yǔ)義“翻譯”出來(lái)，如識(shí)別密件的密章或“內(nèi)部材料”“機(jī)密”等標(biāo)密格式，使之成為開(kāi)放審核線索之一。它可以在檔案預(yù)處理的結(jié)果上運(yùn)行。在格式語(yǔ)義庫(kù)的支持下，其分析結(jié)果直接輸出至基于語(yǔ)義分析的開(kāi)放審核模塊。

淺層語(yǔ)義分析主要依靠字符串匹配技術(shù)實(shí)現(xiàn)。淺層語(yǔ)義分析又分為全文檢索和字面語(yǔ)義分析。語(yǔ)義主要由詞義體現(xiàn)，沒(méi)有層次。如果一次只匹配一個(gè)詞，則為全文檢索。全文檢索采用業(yè)內(nèi)成熟模塊，在純文本檔案的基礎(chǔ)上，由一個(gè)關(guān)鍵詞庫(kù)支持。如果一次匹配多個(gè)字符串，并集齊字符串的上下文信息用以分析句子乃至整個(gè)檔案的語(yǔ)義，則為字面語(yǔ)義分析。字面語(yǔ)義分析較之全文檢索，語(yǔ)義失真程度明顯更低。

深層語(yǔ)義分析是本研究的重點(diǎn)創(chuàng)新。文書(shū)檔案中的字符串只是語(yǔ)義層次網(wǎng)絡(luò)節(jié)點(diǎn)概念的名稱(chēng)，其語(yǔ)義由語(yǔ)義層次網(wǎng)絡(luò)各層相應(yīng)節(jié)點(diǎn)的語(yǔ)義決定。因此，深層語(yǔ)義分析不再是簡(jiǎn)單的字符串匹配技術(shù)，而是在語(yǔ)義層次網(wǎng)絡(luò)的不同語(yǔ)義層中的語(yǔ)義匹配，由此可以挖掘字符串名下隱含的深層語(yǔ)義。

深層語(yǔ)義分析和鑒定條件解析都由基于語(yǔ)義層次網(wǎng)絡(luò)的語(yǔ)義知識(shí)庫(kù)支撐。進(jìn)行開(kāi)放審核時(shí)，輸入的鑒定條件往往非常抽象，不能為計(jì)算機(jī)直接使用。條件解析模塊將簡(jiǎn)單抽象的鑒定條件在語(yǔ)義層次網(wǎng)絡(luò)中解析，不斷細(xì)化、具體化，直到計(jì)算機(jī)從檔案原文中提取的語(yǔ)義線索為容易匹配的層次，由此形成鑒定條件庫(kù)。

格式語(yǔ)義分析、淺層語(yǔ)義分析和深層語(yǔ)義分析的結(jié)果都會(huì)輸入“基于語(yǔ)義分析的檔案開(kāi)放審核”模塊，在鑒定條件庫(kù)的支撐下，實(shí)現(xiàn)文書(shū)檔案語(yǔ)義與鑒定條件語(yǔ)義的相互匹配，完成對(duì)檔案的開(kāi)放審核，輸出不可開(kāi)放的檔案（集）。在輸出不可開(kāi)放檔案的同時(shí)，系統(tǒng)會(huì)將候選開(kāi)放的檔案移交人工審核。經(jīng)人工確認(rèn)無(wú)誤，系統(tǒng)輸出可以開(kāi)放的檔案（集）。

三、 實(shí)驗(yàn)驗(yàn)證

為驗(yàn)證語(yǔ)義層次網(wǎng)絡(luò)在文書(shū)檔案開(kāi)放審核中的作用，本研究做了一個(gè)對(duì)比實(shí)驗(yàn)，從江蘇省檔案館選取了4個(gè)全宗的11萬(wàn)余件檔案，分別利用傳統(tǒng)的關(guān)鍵詞過(guò)濾法和基于語(yǔ)義層次網(wǎng)絡(luò)的語(yǔ)義分析法各檢測(cè)一遍，并將兩次結(jié)果進(jìn)行比較。

需要說(shuō)明的是，基于語(yǔ)義層次網(wǎng)絡(luò)的語(yǔ)義分析法也包括關(guān)鍵詞技術(shù)。當(dāng)語(yǔ)義層次只有一層時(shí)，字符串匹配就很重要，如果每次只匹配一個(gè)字符串，就是關(guān)鍵詞匹配。理論上講，基于語(yǔ)義層次網(wǎng)絡(luò)的語(yǔ)義分析法在關(guān)鍵詞技術(shù)的基礎(chǔ)上增加了更多、更強(qiáng)大的功能，較之單獨(dú)使用關(guān)鍵詞匹配技術(shù)的方法應(yīng)用效果應(yīng)該更好。

1. 評(píng)價(jià)方法

本次實(shí)驗(yàn)采用的評(píng)價(jià)方法為業(yè)內(nèi)標(biāo)準(zhǔn)的評(píng)價(jià)方法，為便于理解實(shí)驗(yàn)結(jié)果，僅對(duì)相關(guān)術(shù)語(yǔ)做了調(diào)整。本實(shí)驗(yàn)主要采納三個(gè)評(píng)價(jià)指標(biāo)：

① 檢出率（Acc），在整個(gè)件數(shù)樣本N中，被檢出的需要?jiǎng)澘氐臋n案件數(shù)M，即：Acc=M/N；

② 精確率（Pre），在被檢出的需要?jiǎng)澘氐臋n案件數(shù)M中，確實(shí)需要?jiǎng)澘氐募?shù)m，即：Pre=m/M；

③ 召回率（Rec），假設(shè)真實(shí)需要?jiǎng)澘氐臋n案件數(shù)為Z，上述機(jī)器識(shí)別出的正確的劃控件數(shù)m與Z的比為召回率，即：Rec=m/Z。

由于在具體的實(shí)驗(yàn)中，真正需要?jiǎng)澘氐臋n案件數(shù)Z是一個(gè)未知數(shù)，我們用人工鑒定的結(jié)果來(lái)代替，即：把與人工鑒定結(jié)果完全一致的檔案件數(shù)稱(chēng)為“確實(shí)需要?jiǎng)澘氐臋n案件數(shù)m”，把人工鑒定需要?jiǎng)澘氐臋n案總件數(shù)稱(chēng)為“真實(shí)需要?jiǎng)澘氐臋n案件數(shù)Z”。因此，本實(shí)驗(yàn)的精確率和召回率實(shí)際上只是個(gè)近似值，取決于人工鑒定結(jié)果的質(zhì)量。

為保證實(shí)驗(yàn)結(jié)果的可比性，本研究嚴(yán)格遵守“其他條件完全相同”的原則，即人工鑒定結(jié)果造成的系統(tǒng)誤差對(duì)關(guān)鍵詞法和語(yǔ)義分析法的影響相同，以此保證兩種方法實(shí)驗(yàn)結(jié)果的相對(duì)可比性。

2. 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)結(jié)果數(shù)據(jù)如表1所示。對(duì)比各組檢測(cè)結(jié)果和平均值，基于語(yǔ)義層次網(wǎng)絡(luò)的語(yǔ)義分析法較之關(guān)鍵詞法，在精確率方面有較大提升。由此可知，語(yǔ)義分析法更接近人工開(kāi)放審核的真人判斷。該結(jié)果為本研究的理論假設(shè)提供了證據(jù)，即：語(yǔ)義層次網(wǎng)絡(luò)的設(shè)計(jì)可以有效減少關(guān)鍵詞技術(shù)缺陷導(dǎo)致的語(yǔ)義失真，減少誤判、漏判和對(duì)不準(zhǔn)的問(wèn)題。

實(shí)驗(yàn)結(jié)果顯示，在檢出率方面，基于語(yǔ)義層次網(wǎng)絡(luò)的語(yǔ)義分析技術(shù)較之關(guān)鍵詞技術(shù)，改進(jìn)并不明顯。其原因主要在于：一個(gè)全宗內(nèi)能檢出的應(yīng)劃控檔案的數(shù)量，取決于實(shí)際應(yīng)劃控檔案在該全宗內(nèi)的數(shù)量。有的全宗內(nèi)大部分都是需要開(kāi)放的檔案，因此就算把應(yīng)劃控檔案全部識(shí)別出來(lái)，也不會(huì)產(chǎn)生高檢出率；而對(duì)于一個(gè)大部分檔案都需要?jiǎng)澘氐娜诙?，檢出率相應(yīng)就會(huì)很高。因此，對(duì)于計(jì)算機(jī)自動(dòng)開(kāi)放審核而言，主要目標(biāo)是把應(yīng)劃控檔案盡量都檢測(cè)出來(lái)，檢出率只是節(jié)約人力程度的參考指標(biāo)。

與檢出率相比，召回率更能體現(xiàn)機(jī)器算法與人類(lèi)意見(jiàn)的一致性。如果召回率高一些，說(shuō)明計(jì)算機(jī)判定劃控的標(biāo)準(zhǔn)制定得寬松了一些；反之，召回率低一些，說(shuō)明相應(yīng)標(biāo)準(zhǔn)嚴(yán)苛了一些。這正是本實(shí)驗(yàn)語(yǔ)義分析的精確率徘徊在90%左右的原因。理論上，只要鑒定條件設(shè)計(jì)合理，計(jì)算機(jī)檢出的應(yīng)劃控檔案一定押中了某條鑒定規(guī)則，精確率應(yīng)接近100%，但是，本實(shí)驗(yàn)對(duì)比的標(biāo)桿是人工檢測(cè)結(jié)果，人機(jī)認(rèn)識(shí)上的偏差必然導(dǎo)致精確率的下降。換言之，改進(jìn)、完善語(yǔ)義層次網(wǎng)絡(luò)，使計(jì)算機(jī)的鑒定規(guī)則更加貼近人的認(rèn)識(shí)，是提高檔案開(kāi)放審核精確率和召回率的關(guān)鍵。

四、 結(jié)論

本研究提出的語(yǔ)義層次網(wǎng)絡(luò)能夠在文書(shū)檔案字面語(yǔ)義與開(kāi)放審核條件所蘊(yùn)含的深層語(yǔ)義之間搭起一座橋梁，打破了傳統(tǒng)關(guān)鍵詞技術(shù)只能匹配文書(shū)檔案字面詞義的局限性，有效降低關(guān)鍵詞技術(shù)帶來(lái)的語(yǔ)義失真，從而減少開(kāi)放審核中的誤判、漏判和對(duì)不準(zhǔn)問(wèn)題。

提高文書(shū)檔案開(kāi)放審核質(zhì)量的關(guān)鍵在于完善用于支撐開(kāi)放審核的語(yǔ)義層次網(wǎng)絡(luò)以及基于該網(wǎng)絡(luò)的語(yǔ)義知識(shí)庫(kù)，繼而完善基于該語(yǔ)義知識(shí)庫(kù)的文書(shū)檔案語(yǔ)義識(shí)別、分析、判斷和審核系統(tǒng)。此外，考慮到基于語(yǔ)義層次網(wǎng)絡(luò)的文書(shū)檔案開(kāi)放審核系統(tǒng)需要對(duì)待鑒定檔案進(jìn)行全文解析，因此系統(tǒng)在設(shè)計(jì)功能時(shí)應(yīng)具備全文OCR提取能力。與此同時(shí)，鑒于當(dāng)下國(guó)內(nèi)檔案館多采用國(guó)產(chǎn)信創(chuàng)環(huán)境，系統(tǒng)設(shè)置也應(yīng)做到充分兼容，可無(wú)障礙對(duì)接檔案館現(xiàn)有管理系統(tǒng)，從而實(shí)現(xiàn)審核結(jié)果高效率回填。

*本文系國(guó)家檔案局科技項(xiàng)目“基于語(yǔ)義分析的檔案館劃控開(kāi)放智能鑒定的研究”（項(xiàng)目編號(hào)：2021-X-71）階段性研究成果。

注釋與參考文獻(xiàn)

[1]中華人民共和國(guó)國(guó)家檔案局.中辦國(guó)辦印發(fā)《“十四五”全國(guó)檔案事業(yè)發(fā)展規(guī)劃》[EB/OL] .[2021-06-09].https：// www.saac.gov.cn/daj/toutiao/202106/ecca2de5bce44a0eb5 5c890762868683.shtml.

[2]中華人民共和國(guó)國(guó)家檔案局.中華人民共和國(guó)檔案法[EB/OL] .[2020-06-20].https：//www.saac.gov.cn/daj/falv/202006/ 79ca4f151fde470c996bec0d50601505.shtml.

[3]參考自江蘇省檔案館館長(zhǎng)陳向陽(yáng)在2021年12月15日召開(kāi)的“江蘇省館藏檔案開(kāi)放工作視頻會(huì)”上作的報(bào)告：《聚焦主責(zé)主業(yè)、勇于擔(dān)當(dāng)作為，全力提升館藏檔案開(kāi)放工作水平》。

[4]Stanford Encyclopedia of Philosophy.Logic and Ontology[EB/OL].[2022-06-28].https：//plato.stanford.edu/entries/ logic-ontology/.

[5]夏天，錢(qián)毅.面向知識(shí)服務(wù)的檔案數(shù)據(jù)語(yǔ)義化重組[J].檔案學(xué)研究，2021（2）：36-44.

[6]語(yǔ)義網(wǎng)絡(luò)[EB/OL].[2022-06-28].https：//baike.baidu. com/item/%E8%AF%AD%E4%B9%89%E7%BD%91%E7%BB%9C/ 2841346 fr=Aladdin.

[7]Fillmore C J. The case for case[J].Universals in Linguistic Theory，1967（4）：16-24.

[8]Schank R C. Conceptual Dependency： A Theory of Natural Language Understanding[J].Cognitive Psychology， 1972，3：552-631.

[9]溫有奎.文本知識(shí)分析中的語(yǔ)義層次網(wǎng)絡(luò)方法[J].情報(bào)科學(xué)，2002（3）：260-261.

[10]中國(guó)科學(xué)院聲學(xué)研究所.HNC（語(yǔ)義層次網(wǎng)絡(luò)）理論[C]//中國(guó)中文信息學(xué)會(huì)第六次全國(guó)會(huì)員代表大會(huì)暨成立二十五周年學(xué)術(shù)會(huì)議中文信息處理重大成果匯報(bào)展資料匯編，2006：139-143.