房地產檔案分類管理中數字化技術的應用研究

中圖分類號：G271 文獻標識碼：A

引言

房地產檔案類型較多，劃分標準比較復雜，可按照用途、交易類型、產權性質及項目等標準劃分。運用檔案的數字化分類管理技術，為用戶提供管理、索引及查詢的工具，保障了用戶的檔案信息提取效率和質量。數字化檔案管理通過電子檔案的形式展現，但在檔案經過文字提取后，常出現句子不連貫的問題，且主題索引方法缺乏規范性，存在主題詞冗余的現象。如何在數字化檔案分類管理中解決實際問題，滿足高效分類管理的基本要求是需要重點研究的內容。

一、房地產檔案數字化分類管理技術基礎

1.知識圖譜構建

知識圖譜可將大量的概念性及關系元素圖形化，呈現知識的本質特征。在房地產檔案分類管理中，可用知識圖譜將檔案性質、內容結構化。實現對不同類型檔案的關系體系構建，將不同用途的房地產檔案按照地理區域、交易類型及產權性質進一步劃分。知識圖譜為三元結構，由節點、邊及數據組合而成，節點主要表示實體概念，邊用于表示關系屬性，數據表示元素的屬性值。具體知識圖譜的結構如下：

公式中的G表示知識圖譜結構，N表示實體集合，R表示關系集合，S表示數集合。N、R、S分別表示不同集合內的數據。在整個圖譜結構中，由數據層和模式層組成，前者用于存儲數據，后者用于描述事實。利用知識圖譜，能夠實現對房地產檔案的科學分類管理，描述和定義不同類型檔案的屬性和內在邏輯關系，具體知識圖

譜構建結構如圖1。

2.深度學習模型構建

深度學習模型可用于大量的文本數據處理，對房地產方案展開分類和識別處理。深度學習是機器學習的領域，由多個神經元組成，建立學習神經網絡，深度學習模型由輸入層、隱藏層及輸出層組成，具有自動學習特征，可用于處理大量非線性關系數據。卷積神經網絡結構如下：

卷積神經網絡可對大量的數據實行卷積和池化處理，提取檔案數據的拓撲結構特征，得到更有價值的信息，使得檔案分類管理更加準確。卷積層是提取輸入數據的關鍵，采用卷積運算的方式提取輸入數據的特征。池化層通過對數據的降維處理，實現模型的擬合處理。全連接層主要用于特征的非線性組合，輸出最終的預測結果，具體各層級的公式如下：

公式中的x11和 x12 分別表示卷積層和池化層的輸出，1表示網絡層數， x 表示輸出結果， w 表示卷積核參數，b表示偏置向，w表示權重， β 表示偏置。

二、房地產檔案數字化分類管理技術應用

1.檔案分類提取

（1）文字識別與預處理。在房地產檔案中包含大量的符號、圖形、數字及文字等信息，其中大量的文字數據信息呈現顛倒的特征。在數字化檔案分類前，需要完成預處理的過程，即將檔案中的文字內容經過解析、清洗及分詞等處理后，完成預處理過程。檔案格式包括PDF和圖片等，使用開源工具提取檔案數據中的文字，得到文字結果。清洗是指將文字格式轉化，刪除句子中的標點、公式及長串數字等，剔除特殊字符后，得到標準化的文字集。分詞是對檔案中的文字分割，將文字分詞處理后得到詞集。而后采用去停用詞的方式，將檔案中的語氣詞、連接詞等去除，得到具有實際語義的詞集，生成檔案信息。

（2）文字語義特征提取。在檔案分類管理過程中，需要使用具有代表性的文本特征完成分類的過程。經過文字提取、預處理后，能夠得到文本特征，使得檔案分類的精度和效率得以保障。經過文字識別和預處理后，生成詞集內的可用信息數量比較少，需使用TextRank算法，完成對檔案文本特征的提取，該算法能夠判斷詞與詞之間的關系，調整檔案文本中的詞間距，得到最佳語義特征的文本。按照TextRank算法的權重劃分，表示表意詞集，隨后實施效用指標的計算，并將效用指標添加到候選特征詞列表中，遍歷完成后，實現文本特征的提取過程。該算法使用貢獻關系構建節點邊，在共現窗口的特定長度范圍內，詞節點邊形成，對于范圍內的任意詞，使用效用指標計算，具體公式如下：

公式中的V表示節點表示詞，Vi表示節點指向，d表示阻尼系數，Wij表示節點Vi和Vj之間的相似度，Wi表示效用指標內的任意詞，S表示效用指標，In表示節點集合，out表示指向節點集合，k表示文本至終點關鍵詞。在效用指標計算過程中，將w詞作為效用指標，添加到候選特征詞之中。利用阻尼系數，能夠表示詞之間的相互影響和關聯程度。

（3）文字語義特征拓展。使用TextRank算法完成文字語義特征提取之后，由于考慮部分檔案中的文字類型比較少，在對其分類處理的過程中，無法從稀疏的特征準確提取和分類。因此，使用知識圖譜開展語義特征的拓展，即文本特征詞數量在6個以下時，需要使用分類技術對檔案自動分類管理，并使用語義特征拓展功能，完成文檔分類的過程。提取后的檔案文本特征使用KW（S） O= {kw1， kw2...kwk 表示，特征提取完成后，在對應的知識圖譜中找到實體結合，每個關鍵詞可查詢。在此期間，使用實體消歧算法，從可查詢的實體結合中選擇適合的實體特征，補充和加入詞集中，從相似度的角度出發實行消除處理。在該算法應用過程中，建立關鍵詞候選集，將集合中的實體短文本展開分詞、去停留詞處理，具體公式如下：

C

集合中的Eij表示實體，w表示關鍵詞，p表示關鍵詞的數量。在遍歷所有實體之后，得到關鍵詞kw的上下文詞集。在整個過程中，候選實體的數量為n個，得到候選上下文詞集后，采用相似度計算的方式，按照相似程度從上至下完成排序的過程。在相似度計算期間，將原本的詞集轉化為向量結合，通過向量計算后，將相似度最大的詞集作為目標，使用實體消歧算法，完成最終的計算過程。再將上下文詞集拼接處理，即完成文字語義特征的拓展。例如，在房地產的票據電子檔案分類過程中，將其分為購房相關票據（房款發票、契稅發票等）；租賃相關票據（租金收據、租賃押金收據等）；物業相關票據（物業費發票、水電費收據等）；裝修相關票據（裝修費用發票、材料購買收據等）；維修相關票據（維修費用發票、零部件購買收據等），經過拓展處理后的檔案分類準確率達到 97.5% 以上。

2.電子檔案分類

（1）BERT預訓練。在檔案分類管理期間，基于深度學習的檔案數字化分類技術，在處理語義復雜且包含多個文字區域的檔案時，往往面臨多個相似詞匯表達和語義信息不清晰的情況。在檔案分類管理期間，可采用基于規則的數據抽取方式，建立語言模型，以對其文字信息進行分類與提取。BERT預訓練模型具有詞遮蔽和下一句預測功能，在語言遮蔽任務中，隨機選取文字處理并在檔案中將文字上下文預測，生成最佳字符完成填空。按照標準，在字符隨機覆蓋過程中，選擇 15% 的文字實施處理，將 80% 的文字mask處理， 10% 完成任意替換，保持10% 的文字不變。在預訓練中，將替換的任意字作為條件預測，并采用文字糾錯的方式，開展模型的處理。在BERT模型中，對不同自然語言實施處理，采用微調的方式增加處理的效果，并不需要改變核心模塊，原本具有實際意義的詞經過分詞處理后，分割成為若干個字。但在預訓練過程中，分割后原本的語義可能會被破壞，需要改進原本的BERT模型，改變在模型中原本的mask隨機機制，將實體級別的mask引入模型中，采用相近詞替換的方式展開訓練，使得電子檔案分類模型能夠更深層次地掌握文本信息，理順檔案之中的實體關系，減少訓練的差距。

（2）分類模型構建。分類模型主要利用ProBERT和DPCNN構建，ProBERT是一種基于Transformer架構的預訓練語言模型。在電子檔案分類任務中，它的優勢在于能夠捕捉文本中的長距離依賴關系和語義表示。該算法通過在大規模文本上的預訓練，ProBERT學習到了通用的語言知識和模式，為特定的電子檔案分類任務提供有價值的特征表示。DPCNN（DeepPyramidConvolutionalNeuralNetwork）是一種深度卷積神經網絡。在處理文本分類任務時，該算法通過不斷增加卷積核的大小來獲取不同尺度的文本特征，并且利用殘差連接來解決深度網絡中的梯度消失問題。經過改進后的mask機制，使得模型的語義理解能力得到極大程度的提升。在整個分類模型中，可將其分為輸入層、映射層、提取層和分類層。輸入層負責對數字化檔案展開預處理，經過清洗、去除無用信息后，使得檔案文本語義明確。特征映射層主要負責實現文字到向量之間的映射和轉化，將房地產檔案中的非結構數據轉化為處理方便的詞向量，并使用工具完成文本數據的分割處理。在映射處理過程中，考慮到序列關系，將位置信息映射到模型中，具體文本語義表征如下：

公式中的Ep用于表示位置向量，Et用于表示文本向量，Ef用于表示語義表征，D表示函數的正則化，LN表示函數的歸一化處理。經過特征映射層后，生成靜態向量序列，將特征向量輸入提取層后，利用模型特征提取，并對其實施強化，使得原本的向量序列動態化。在語義信息提取后，完成檔案分類任務。

3.電子檔案規范化主題分類索引

（1）主題詞本體庫構建。在電子檔案的分類管理中，存在與主題不相關的噪聲關鍵詞，數量較少的分類詞不會對分類結果產生影響。主題詞本體庫的構建是核心，主題詞表由存在關系的術語組成。在檔案的數字化分類管理過程中，共計將主題詞分為三個級別，一級主題詞直接描述，二級主題詞是對描述的細化，三級主題詞為補充主題詞。主題詞構建使用Protege工具構建，以OWL的形式表示。在構建過程中，使用英文表示實體URI便于讀取。主題詞庫內的每個詞匯均添加標簽并使用中文表示。一級主題詞包括房產開發、房產交易、房產產權、房產抵押以及房產租賃等，二級主題詞包括買賣流程、合同簽訂、價格評估、稅費繳納以及過戶手續等，三級主題詞包括合同條款、違約責任、補充協議、格式合同以及合同效力等內容。在主題詞本題庫的詞匯分類過程中，主要依據《中國分類主題詞表》和《中國檔案主題詞表》的文件規范進行輸入，從而獲得標準化的主題詞。

（2）分層標引方法。主題詞的分層標引算法應用，使得整個主題詞的分類層次結構更加合理，用戶的檔案檢索和查詢效果更強，為檔案的數字化分類管理提供更加清晰的數據結構。具體主題標引算法流程如下：

主題標引的核心是檔案的預處理，即改變原本的檔案存儲格式，便于計算機設備讀取。該過程需要經過OCR識別、文本清洗及去停用詞的方式，得到文本A，并提取關鍵詞，生成集合。得到關鍵詞結合之后，能夠在一定程度上反映檔案的主題信息，但無法直接用于分類任務中。將關鍵詞經過降噪處理后，采用分層選取的方式，能夠得到三級主題詞下的檔案主題詞，經過標引評價后，完成主題標引。在房地產檔案的數字化分類管理中，詳細閱讀和理解房地產檔案的內容，根據檔案所涉及的主要業務領域、關鍵信息和重要概念分層。例如，將與土地相關的標引在一個層次，與房屋建筑相關的標引在另一個層次。在此過程中，需要參考已有的房地產分類標準和規范，如國家標準、行業標準，將主題詞對應到相應的層次結構中。

三、結論

綜上所述，數字化技術在房地產檔案管理中的運用實現了電子檔案的自動分類、自動標引。本文將文字語義特征提取方法 ^?+ 知識圖譜運用到特征提取中，完成電子檔案的分類任務，并利用BERT預訓練模型，完成電子檔案的分類工作，使得分類更加標準、科學。在分類索引上，研究提出了基于主題詞表的規范化主題標引方法，有效地保障了房地產檔案分類管理的規范性和準確性，提升了檔案分類質量。

參考文獻：

[1]袁媛.數字化時代房地產檔案管理的持續性策略研究[J].山西檔案，2024（07）：163-166.

[2]宿廷，張蕾，劉晶，等.內蒙古自治區住房和城鄉建設檔案數字化建設與應用[J].中國建設信息化，2024（01）：47-49.

[3]袁媛.數字環境下檔案服務民生的模式創新——以房地產檔案為例[J].山西檔案，2024（01）：186-188.

[4]苗長青.信息化背景下房地產檔案信息化管理存在的問題及對策[J].住宅與房地產，2023（24）：110-112.

[5]李國強.“互聯網 + 政務服務”背景下房地產檔案數字化管理的探索與應用一一以日照市智慧房產信息化建設應用為例[J].中國建設信息化，2022（21）：53-55.作者單位：微山縣住房保障和房地產發展事務中心