劉 星 謝 磊 劉 迅 池少寧 張均成

（1.國(guó)網(wǎng)湖南省電力有限公司信息通信分公司；2.國(guó)家電網(wǎng)有限公司信息通信分公司；3.福建億榕信息技術(shù)有限公司）

眾所周知，傳統(tǒng)公文存檔方法大多以紙質(zhì)原件居多，經(jīng)整理與裝訂之后，通常會(huì)保存于檔案局等特殊機(jī)關(guān)中，以提高公文的穩(wěn)定性與可查性。不過(guò)，在歸還的公文量逐步增多時(shí)，公文搜索的效果會(huì)大幅度降低，特別是在對(duì)于所要求檢索的公文的具體年份、標(biāo)題等內(nèi)容并不清晰時(shí)，查找起來(lái)困難重重，不僅浪費(fèi)了大量的時(shí)間，也浪費(fèi)了大量的人力資源，所以，紙質(zhì)歸檔公文并不能實(shí)現(xiàn)基于內(nèi)容的模糊查詢。因此，越來(lái)越多的政府相關(guān)部門開(kāi)始選用公文管理系統(tǒng)。所謂公文管理系統(tǒng)是指公文的創(chuàng)建、處理和管理。

1 公文應(yīng)用現(xiàn)狀

據(jù)相關(guān)調(diào)查，現(xiàn)階段，對(duì)于公文的應(yīng)用一般會(huì)有兩方面問(wèn)題。一方面規(guī)范化程度較低。系統(tǒng)處理公文信息內(nèi)容和范圍，與公文管理的有關(guān)規(guī)定和準(zhǔn)則有著相當(dāng)距離，且系統(tǒng)共享性和通用性還不夠。由于管理的電子文檔格式可以有純文字（txt）、超文本（HTML）、word、Excel、PDF、WPS等，已成為政府辦公自動(dòng)化管理系統(tǒng)中的主要內(nèi)容，但怎樣管理和共享電子數(shù)據(jù)檔案尚有待進(jìn)一步研究與完善。這也是辦公自動(dòng)化向知識(shí)管理方向發(fā)展的最大阻礙所在。另一方面則主要局限于公文的傳遞、受理、記錄和簡(jiǎn)單的檢索功能，不支持公文運(yùn)行的全過(guò)程。另外，系統(tǒng)穩(wěn)定性也不好。如不能提供一種較為完善的安全管理機(jī)制，將無(wú)法從保護(hù)文件流轉(zhuǎn)簽名、文件信息存取權(quán)限、對(duì)抗網(wǎng)絡(luò)黑客和計(jì)算機(jī)病毒攻擊等方面，給文件管理信息系統(tǒng)提供更高效的安全保證。

2 機(jī)器學(xué)習(xí)的公文輔助定密需求

（1）擬稿和核稿環(huán)節(jié)。系統(tǒng)需要依據(jù)預(yù)設(shè)的公文詞庫(kù)與規(guī)則庫(kù)，實(shí)現(xiàn)公文內(nèi)容關(guān)鍵字、敏感內(nèi)容智能校核，提示進(jìn)行公文密級(jí)標(biāo)識(shí)。

（2）文字處理環(huán)節(jié)。實(shí)現(xiàn)與WPS文字處理軟件集成，以方便用戶日常工作中的使用。因此，對(duì)于公文輔助定密的方法需要涉及到控件及WPS相關(guān)API修改。

（3）公文內(nèi)容識(shí)別。公文內(nèi)容的校對(duì)是不可或缺的功能，在校對(duì)的過(guò)程中，需要發(fā)現(xiàn)公文內(nèi)的問(wèn)題，因此，需要利用先進(jìn)的校對(duì)計(jì)算技術(shù)，對(duì)公文正文內(nèi)容進(jìn)行文本轉(zhuǎn)換及分詞處理。使公文的表達(dá)變得更加通順流暢。

（4）詞庫(kù)管理。在公文的寫(xiě)作中，輔助定密的核心在于建立強(qiáng)大的基礎(chǔ)詞庫(kù)，包括設(shè)置通用詞庫(kù)（地名、公司領(lǐng)導(dǎo)排序、領(lǐng)導(dǎo)職務(wù)、單位名稱及排序）、電力行業(yè)專業(yè)詞庫(kù)等維護(hù)管理功能。并且這個(gè)詞庫(kù)需要在應(yīng)用過(guò)程中需不斷豐富并積累成為新的詞匯庫(kù)，以適應(yīng)工作人員不斷更新的寫(xiě)作需求。

3 訓(xùn)練工具Word2Vec及訓(xùn)練模式

3.1 Word2Vec含義

Word2vec，是一種用于數(shù)字向量運(yùn)算的開(kāi)源工具。Word2vec不但能夠在成百上千萬(wàn)字典和數(shù)億個(gè)數(shù)據(jù)集上開(kāi)展有效的練習(xí)，還能夠獲得重要訓(xùn)練成果——詞向量，并能夠很好地度量大量詞間的相似性。

3.2 Word2Vec的優(yōu)缺點(diǎn)分析

（1）Word2Vec的優(yōu)勢(shì)

Word2Vec是一種比較常用的訓(xùn)練工具，常被用于語(yǔ)義分析引擎當(dāng)中，其具備的優(yōu)勢(shì)是相當(dāng)明顯的，其中，最受歡迎的是以下兩個(gè)優(yōu)勢(shì)：首先，word2vec解決了分類器難以處理離散數(shù)據(jù)的問(wèn)題。其次，word2vec也在一定程度上起到了擴(kuò)展功能的作用，使語(yǔ)義分析能夠更加準(zhǔn)確，無(wú)論是開(kāi)發(fā)者還是使用者，都大大提高了效率。

（2）Word2Vec的缺點(diǎn)

雖然Word2Vec在語(yǔ)義分析當(dāng)中發(fā)揮著重要的作用，然而，文本特征表示存在著明顯的問(wèn)題。首先，這是一種不考慮詞匯之間次序信息的詞袋模式（文本中單詞的順序信息也是非常重要的）；第二，它假設(shè)了詞匯的相互獨(dú)立（在大多數(shù)情況下，詞語(yǔ)相互影響）；第三，它得到的特征是離散稀疏的。

3.3 Word2Vec的訓(xùn)練模式

目前，在Word2Vec中包括了多種訓(xùn)練模式，但是常用的一般分為兩種，CBOW和Skip-gram。所謂Skip-gram訓(xùn)練模式，簡(jiǎn)單來(lái)說(shuō)就是通過(guò)當(dāng)前的詞組來(lái)進(jìn)行上下文的預(yù)測(cè)，從而進(jìn)行語(yǔ)義的分析，而CBOW訓(xùn)練模式則恰恰相反，會(huì)通過(guò)分析上下文來(lái)預(yù)測(cè)當(dāng)前的詞組，而兩種模型的選擇和運(yùn)用需要結(jié)合不同的環(huán)境來(lái)進(jìn)行。而本次使用的公文輔助定密的模型，則選用CBOW模型，運(yùn)行過(guò)程如下：首先，需要收集原始語(yǔ)料庫(kù)，即已定密的公文歷史數(shù)據(jù)，通過(guò)文本抽取技術(shù)抽取出正文中的文本數(shù)據(jù)。其次，通過(guò)自然語(yǔ)言處理技術(shù)，對(duì)每一條正文文本進(jìn)行分析處理，經(jīng)過(guò)去停用詞、濾重、中文分詞、詞性標(biāo)注等處理后，抽取出關(guān)鍵詞，形成一個(gè)個(gè)分詞文本，并按密級(jí)行分類。最后，通過(guò)Word2Vec工具并采用CBOW模型對(duì)所有的分詞文本進(jìn)行訓(xùn)練，得到用于定密的模型文件，如圖1所示。

圖1 Word2Vec的訓(xùn)練模式

4 自動(dòng)定密處理過(guò)程

4.1 文本分類的定義和方式

文本分類技術(shù)主要涉及詞匹配、認(rèn)知工程，以及機(jī)器學(xué)習(xí)。目前，最常見(jiàn)的文本分類主要為機(jī)器學(xué)習(xí)。

（1）詞匯匹配文章分類，僅通過(guò)文章中是否出現(xiàn)了帶有同類名的單詞，或者同義詞來(lái)確定文章是不是歸屬于某個(gè)類型。顯然，這些過(guò)于簡(jiǎn)化的方式?jīng)]有產(chǎn)生很好的分類效果。

（2）知識(shí)工程文本分類方法雖然增加了人工確定因素，也明顯增加了劃分的準(zhǔn)確度，但同時(shí)也面臨著許多缺點(diǎn)，例如：主觀因素較多、建立規(guī)范的人力物力多和成本高等。

（3）機(jī)器學(xué)習(xí)的文本分類方法也屬于自監(jiān)督學(xué)習(xí)，它是目前最常用的文本分類方法。其中訓(xùn)練階段，主要取決于一些標(biāo)記的文本，或確定類別的文本。運(yùn)用了文本結(jié)構(gòu)和類型之間的關(guān)聯(lián)模型，提出了文本類型規(guī)則集，即分類器。在分類階段，通過(guò)分類器對(duì)待測(cè)試文本并進(jìn)行分類。事實(shí)上，通過(guò)機(jī)器學(xué)習(xí)的文本分析就相當(dāng)于數(shù)學(xué)中的映射原理。

4.2 自動(dòng)定密處理過(guò)程

在本系統(tǒng)中，對(duì)于公文進(jìn)行自動(dòng)定密處理是非常重要的，其過(guò)程如圖2所示，簡(jiǎn)單來(lái)說(shuō)，會(huì)分為以下幾步驟：首先，通過(guò)文本抽取服務(wù)抽取出當(dāng)前文件的正文內(nèi)容，生成普通文本，并提交至HANLP自然語(yǔ)言處理服務(wù)。其次，通過(guò)自然語(yǔ)言服務(wù)對(duì)正文文本進(jìn)行處理，經(jīng)過(guò)去停用詞、濾重、中文分詞、詞性標(biāo)注等處理后，抽取出關(guān)鍵詞形成分詞文本。最后，分詞文本與定密規(guī)則庫(kù)進(jìn)行匹配，如果符合具體的規(guī)則，則直接返回對(duì)應(yīng)的密級(jí)。此外，如果不符合規(guī)則庫(kù)的規(guī)則，則將分詞文本中提交至定密模型文件中進(jìn)行處理，并返回對(duì)應(yīng)的密級(jí)。

圖2 自動(dòng)定密處理過(guò)程

5 構(gòu)建基礎(chǔ)規(guī)則庫(kù)

依據(jù)國(guó)網(wǎng)公司及湖北公司相關(guān)文件，梳理核心商密、普通商密、工作秘密等定密范圍，結(jié)合近年來(lái)公司歷史文件定密情況，梳理形成輔助定密基礎(chǔ)規(guī)則。

當(dāng)通過(guò)規(guī)則庫(kù)無(wú)法匹配到密級(jí)時(shí)，系統(tǒng)自動(dòng)記錄輔助定密日志，提供統(tǒng)一的視圖進(jìn)行展現(xiàn)，每周對(duì)輔助定密情況進(jìn)行分析總結(jié)，補(bǔ)充完善規(guī)則庫(kù)。后期當(dāng)歷史文件積累到一定數(shù)量，通過(guò)機(jī)器學(xué)習(xí)不斷自動(dòng)完善規(guī)則庫(kù)，逐步替代人工干預(yù)，提升輔助定密準(zhǔn)確度。

結(jié)語(yǔ)：綜上所述，公文分類問(wèn)題逐漸提上議事日程，依靠計(jì)算機(jī)對(duì)電子公文進(jìn)行分類，不僅是現(xiàn)實(shí)的迫切需要，也是科技進(jìn)步的必然產(chǎn)物。本文提出解決傳統(tǒng)手工加密的新舊問(wèn)題，保證加密的效率、準(zhǔn)確性和智能性。