沈禎杰

核電文檔是核電文件和核電檔案的統(tǒng)稱，是核電建設(shè)、運(yùn)營(yíng)以及管理活動(dòng)中形成的對(duì)國(guó)家、社會(huì)、企業(yè)具有保存價(jià)值，并經(jīng)過整理、歸檔的文件。核電企業(yè)有著復(fù)雜的結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)以及非結(jié)構(gòu)化數(shù)據(jù)，檔案的利用方面長(zhǎng)期存在以下問題：

文檔數(shù)據(jù)檢索速度慢、全文檢索效率低、文件自動(dòng)標(biāo)簽缺乏，用戶在調(diào)閱文檔過程中要花費(fèi)大量的時(shí)間和精力，與大數(shù)據(jù)、智能化時(shí)代的發(fā)展不相適應(yīng)。

基于文件內(nèi)容的目錄數(shù)據(jù)或全文數(shù)據(jù)關(guān)聯(lián)管理無力、針對(duì)用戶檢索習(xí)慣分析全無、通過查閱頻率對(duì)人員和崗位效用分析全無，更談不上有針對(duì)性地將文件進(jìn)行關(guān)聯(lián)以及可視化管理。

不夠便利的使用體驗(yàn)導(dǎo)致用戶對(duì)文檔知識(shí)學(xué)習(xí)動(dòng)力不足，更無法實(shí)現(xiàn)知識(shí)的有效利用和傳遞。

為了解決業(yè)務(wù)痛點(diǎn)，滿足用戶對(duì)于文檔知識(shí)傳遞和利用需求，在此以現(xiàn)階段文檔管理和知識(shí)管理探索取得的成果為基礎(chǔ)，開展了核電文檔大數(shù)據(jù)智能應(yīng)用實(shí)踐。

該平臺(tái)以企業(yè)多個(gè)文檔內(nèi)容庫(kù)為基礎(chǔ)，構(gòu)建文件內(nèi)容管理和數(shù)據(jù)分析模型，以管理程序和技術(shù)文件為主體，采用ETL數(shù)據(jù)抽取、自然語言處理（NLP）、OCR識(shí)別、動(dòng)態(tài)標(biāo)簽索引、全文檢索技術(shù)、機(jī)器學(xué)習(xí)等技術(shù)手段，研究和挖掘文件的正文、附件以及元數(shù)據(jù)之間的關(guān)系。梳理并展現(xiàn)文件間的依據(jù)文件、參考文件等上游文件關(guān)系，直觀顯示文件的生效、升版、作廢狀態(tài)，自動(dòng)繪制文件關(guān)系圖，探索建成文件的可視化知識(shí)圖譜，為核電廠建造、運(yùn)營(yíng)、應(yīng)急等各階段的文檔管理和利用提供支撐。

實(shí)現(xiàn)文檔便捷、高效的檢索服務(wù)

利用文檔內(nèi)容識(shí)別、文檔信息提取、全文檢索等技術(shù)，實(shí)現(xiàn)文檔便捷、高效的檢索服務(wù)，目前在本平臺(tái)中的文件，已實(shí)現(xiàn)在1 s之內(nèi)檢索出用戶需要的結(jié)果，極大提升了文檔利用效率。

基于當(dāng)前互聯(lián)網(wǎng)主流技術(shù)，本項(xiàng)目采用了ElasticSearch搜索引擎技術(shù)。在文檔同步入庫(kù)時(shí)，對(duì)正文、附件、元數(shù)據(jù)等信息建立索引。其原理是利用分詞庫(kù)，對(duì)所有文檔內(nèi)容進(jìn)行查詢，將用戶可能搜索條件的結(jié)果提前寫入數(shù)據(jù)庫(kù)，真正搜索時(shí)只需要在索引庫(kù)進(jìn)行查詢，大大縮短了查詢速度。

此環(huán)節(jié)的一個(gè)關(guān)鍵在于分詞庫(kù)的構(gòu)建與利用。在公司已有的專業(yè)核電語義庫(kù)基礎(chǔ)上，通過AI學(xué)習(xí)逐步完善和構(gòu)建核電文檔大數(shù)據(jù)詞庫(kù)，詞庫(kù)包括了核電行業(yè)相關(guān)的各類詞性詞語100余萬條，同時(shí)還建立了幾萬條近義詞、同義詞等。利用核電語義庫(kù)，可大大提高搜索的準(zhǔn)確性。

建立知識(shí)圖譜，實(shí)現(xiàn)上下游文件聯(lián)動(dòng)提醒

基于對(duì)非結(jié)構(gòu)化文檔的解析，獲取文檔目錄、依據(jù)文件、參考文件等文檔關(guān)聯(lián)關(guān)系的結(jié)構(gòu)化信息。建立上游文件、依據(jù)文件、參考文件、歷史文件、文件主體之間的知識(shí)圖譜，實(shí)現(xiàn)關(guān)聯(lián)文件變動(dòng)、相關(guān)文件關(guān)聯(lián)更新提醒功能，以便文檔編制者及時(shí)獲取關(guān)聯(lián)文件變動(dòng)信息，評(píng)估對(duì)當(dāng)前文檔的影響。系統(tǒng)以圖形化方式展現(xiàn)文件，滿足所見即所得應(yīng)用場(chǎng)景，極大提升了文檔的利用價(jià)值。

圖示化關(guān)聯(lián)信息主要包括了與當(dāng)前文檔相關(guān)聯(lián)的文檔，如參考文件、依據(jù)文件、歷史版本等。此功能體現(xiàn)了本項(xiàng)目的核心思想———系統(tǒng)化文檔利用。對(duì)于一份核電文檔的編制，通常涉及到多份關(guān)聯(lián)文件。關(guān)聯(lián)關(guān)系的展現(xiàn)，有助于文檔用戶進(jìn)一步了解該文檔編制的背景信息，理解編制目的以及正文中涉及到引用內(nèi)容。

建立核電文檔大數(shù)據(jù)詞庫(kù)

引入機(jī)器學(xué)習(xí)，在公司已有的專業(yè)核電語義庫(kù)基礎(chǔ)上，通過對(duì)大量的歷史文檔、數(shù)據(jù)的AI自學(xué)習(xí)和用戶最常用的關(guān)鍵詞語逐步完善和填充核電文檔大數(shù)據(jù)詞庫(kù)內(nèi)容，使核電文檔達(dá)到精準(zhǔn)檢索和精準(zhǔn)推送的目標(biāo)，同時(shí)核電文檔大數(shù)據(jù)詞庫(kù)也可作為基礎(chǔ)語義庫(kù)供其他信息系統(tǒng)利用。

技術(shù)架構(gòu)

系統(tǒng)采用Java語言開發(fā)，使用SSM框架、MVC模式。消息隊(duì)列采用ActiveMQ，數(shù)據(jù)同步采用接口形式，使用Http/Https形式，傳輸?shù)臄?shù)據(jù)采用json格式，OCR識(shí)別采用Tesseract，為Google的開源項(xiàng)目，NLP采用HanLp，搜索引擎采用ElasticSearch，分布式文件系統(tǒng)采用FastDFS，關(guān)系型數(shù)據(jù)庫(kù)使用Mysql，非關(guān)系型數(shù)據(jù)庫(kù)使用MongoDB，日志引擎采用Spring AOP與Log4j結(jié)合的形式，權(quán)限引擎采用shiro，高效緩存采用Redis；接口數(shù)據(jù)交互符合RESTful標(biāo)準(zhǔn)。

此種核電文檔大數(shù)據(jù)智能應(yīng)用實(shí)踐，在研究業(yè)務(wù)痛點(diǎn)的基礎(chǔ)上，實(shí)現(xiàn)了一站式文檔快速查詢、文檔關(guān)聯(lián)關(guān)系展示、一體化學(xué)習(xí)中心、文檔智能利用的技術(shù)突破，大大提升了公司用戶對(duì)文檔知識(shí)利用的效率。9DFD329F-1745-4B52-A7FF-7E21086F462B