檔案智能編目校對研究與實踐

1研究背景

檔案編目是檔案管理過程中形成檢索體系的核心環(huán)節(jié)，通過對檔案內(nèi)容的分類著錄構(gòu)建規(guī)范目錄；檔案校對則是保障數(shù)據(jù)準確性的關(guān)鍵工序，通過核驗確保目錄與實體檔案一致。檔案編目與校對是檔案管理部門和檔案利用者管理、檢索和利用檔案資源的重要手段，能夠保持檔案的完整性和連續(xù)性，促進檔案工作標準化，助推檔案信息化建設(shè)，進一步提升檔案治理能力與水平。《“十四五”全國檔案事業(yè)發(fā)展規(guī)劃》明確“加強檔案資源質(zhì)量管控”的重要任務(wù)，對編目與校對的協(xié)同效能提出要求，深化檔案檢索工具，提升內(nèi)容管理水平。[1]

隨著各單位檔案意識增強和檔案業(yè)務(wù)水平整體提升，綜合檔案館及檔案室檔案數(shù)量和質(zhì)量躍升，在從以實體為中心向信息化管理的跨越過程中，[2]檔案數(shù)字資產(chǎn)面臨著“數(shù)據(jù)量激增”與“管理效能滯后”的矛盾。面對海量數(shù)字化檔案，傳統(tǒng)人工編目及校對模式效率低下，同時使檔案數(shù)據(jù)不可避免地存在目錄字段不規(guī)范導致的查全率、查準率不足等問題，直接影響檔案檢索的準確性與利用效率。通過科技賦能，實現(xiàn)智能編目校對，成為推動“數(shù)據(jù)資源優(yōu)勢轉(zhuǎn)化為服務(wù)效能”的必然選擇。

2案例概述

2023年7月，昆山市檔案館檔案智能編目校對系統(tǒng)一期開發(fā)完成。該系統(tǒng)能夠在線或離線批量導人電子檔案或數(shù)字化副本，并可自動進行OCR識讀歸檔章、全文檔案信息，同時自動采集分類、保管期限、文件標題等檔案目錄項，實現(xiàn)了檔案編目及校對自動化，替代人工著錄。2024年進行二期開發(fā)，與市公共智慧底座人工智能服務(wù)臺對接，依托后臺智能計算資源加大圖形識別、大數(shù)據(jù)分析等智能算力投入，不斷試錯糾正，提升識別正確率。通過該系統(tǒng)，將大量的檔案數(shù)據(jù)機器學習與人工智能服務(wù)中臺的文字識別（OCR）服務(wù)、自然語言處理（NLP）服務(wù)進行對接，通過預(yù)處理模塊、文本檢測模塊、文字識別模塊、語義分析預(yù)處理模塊、對比分析模塊等后臺功能把檔案目錄和全文進行智能編目索引，并與原目錄內(nèi)容進行比對，進而實現(xiàn)檔案數(shù)據(jù)智能校對。將人工編目校對的“經(jīng)驗驅(qū)動”轉(zhuǎn)變?yōu)椤皵?shù)據(jù)驅(qū)動”，形成“機器初校一人工核驗—數(shù)據(jù)優(yōu)化”的高效協(xié)同模式[]。

3創(chuàng)新點

3.1機器學習技術(shù)與檔案數(shù)據(jù)校核結(jié)合應(yīng)用目前大多數(shù)檔案館普遍采用人工校核的方式，費時費力且效率不高。昆山市檔案館率先將機器學習技術(shù)應(yīng)用于校核工作，重點加大圖形識別、大數(shù)據(jù)分析等智能算力，大大提升檔案校核的準確率。

3.2應(yīng)用人工智能技術(shù)實現(xiàn)檔案自動編目

以O(shè)CR和自然語言分析為技術(shù)突破核心，依托公共智慧底座算力，能夠在線或離線批量導入電子檔案或數(shù)字化副本，并可自動進行OCR識讀歸檔、全文檔案信息，自動采集分類、保管期限、文件標題等檔案目錄項，實現(xiàn)了檔案編目自動化，替代人工著錄。

3.3系統(tǒng)應(yīng)用架構(gòu)采用算力分離

基于“云原生”理念，實踐中采取“算力一應(yīng)用一數(shù)據(jù)”解耦模式。將OCR識別、NLP語義分析等任務(wù)拆解，減少任務(wù)的平均等待時間，提高算力。將算法模塊封裝為容器，支持“熱部署”迭代，減少迭代周期，提高資源利用效率。掛接公共智慧底座的數(shù)據(jù)存儲空間，計算節(jié)點僅負責任務(wù)處理，存儲空間不足時動態(tài)掛載新存儲卷，通過算力與應(yīng)用的解耦，使得算力資源按需分配，為應(yīng)用創(chuàng)新提供了更多可能性。

3.4研究成果實現(xiàn)產(chǎn)品化

推出AI智能校對單機版，通過優(yōu)化硬件配置，采用先進處理器、內(nèi)存架構(gòu)及大容量存儲設(shè)備，可以保障系統(tǒng)高效自運行。借助優(yōu)化的OCR和NLP服務(wù)精準提取文本，融合圖像識別與自然語言處理技術(shù)，實現(xiàn)文字深度處理，生成關(guān)鍵事件[4]，完成智能編目索引與校對。大幅提升檔案管理效率，顯著降低運營成本，推動檔案管理向智能化方向快速發(fā)展。

4具體做法

4.1聚焦檔案識別全流程，推行效率與精準雙優(yōu)處理機制

為保障檔案數(shù)據(jù)一致性與完整性，采用文件鎖機制，避免多進程同時操作同一文件造成數(shù)據(jù)丟失或損壞，借助公共智慧底座的彈性計算資源，結(jié)合分布式架構(gòu)與緩存技術(shù)，確保系統(tǒng)在高并發(fā)壓力下依然能夠穩(wěn)定運行，及時處理突發(fā)的大量識別請求。

圖1多模智能處理流程圖

在提升識別效率方面，通過分布式集群部署并結(jié)合負載均衡技術(shù)，將OCR任務(wù)均勻分配至多個服務(wù)器節(jié)點，引入緩存機制存儲常用數(shù)據(jù)，借助多核處理器與GPU集群計算，將復(fù)雜任務(wù)分解為多個子任務(wù)并行處理，顯著提升處理速度。采用消息隊列技術(shù)分離任務(wù)處理與響應(yīng)流程，實現(xiàn)異步處理。依據(jù)實時任務(wù)量動態(tài)調(diào)整資源配置，對識別算法進行輕量化應(yīng)用，降低算法復(fù)雜度，減少計算資源消耗。在提高識別準確率方面，利用圖像預(yù)處理技術(shù)對輸入圖像進行灰度化、降噪、傾斜校正處理，優(yōu)化圖像特征，并結(jié)合深度學習算法，有效提升識別準確率。

4.2預(yù)先建立印章模板庫，提升OCR去章識別準確率

檔案中的印章（包括公章、簽名章等）對OCR識別準確性產(chǎn)生了不可忽略的干擾，成為影響檔案數(shù)字化質(zhì)量的關(guān)鍵因素之一。「5]印章的圖案、顏色與文字內(nèi)容交織，使得OCR軟件在識別過程中容易出現(xiàn)誤判，將印章部分誤識別為文字，或因印章遮擋導致文字識別錯誤、信息丟失，嚴重影響檔案信息的準確性與完整性。

為排除干擾并實現(xiàn)信息精準提取，將檔案圖像輸入OCR系統(tǒng)后，先進行去噪處理，通過濾波算法去除圖像中的噪聲干擾，同時將彩色圖像轉(zhuǎn)換為二值圖像，簡化圖像信息，突出文字特征。基于構(gòu)建的印章模板庫，對圖像中的印章區(qū)域進行檢測。通過提取印章的形狀、顏色、紋理等特征，與模板進行比對匹配，精準定位印章位置。在確定印章區(qū)域后，根據(jù)實際需求選擇去除印章或?qū)ζ溥M行模糊處理，以消除印章對文字識別的干擾。最后，對經(jīng)過處理的剩余文字區(qū)域進行字符分割，將連續(xù)的文本分割為單個字符或單詞，再通過OCR識別模型進行識別，并對識別結(jié)果進行校正和優(yōu)化，最終將其轉(zhuǎn)換為可編輯的文本信息，有效提高了帶章檔案的識別準確率。

4.3構(gòu)建目標檢測模型，提高文本標題識別著錄人名提取能力

在檔案智能編目校對工作中，準確提取檔案標題對于檔案分類、檢索和管理至關(guān)重要。在實際查檔利用過程中，“人名”等字段的利用需求明顯增多。在格式多樣的檔案文本圖像中，為快速識別、精準定位文本標題和提取著錄人名，專門搭建目標檢測模型，基于一張圖片只會存在一個標題的項目需求，設(shè)定標題預(yù)測框，采取加權(quán)圖像策略，動態(tài)選擇適合的置信度閾值，通過實驗在標題提取的準確率和查全率之間找到最佳平衡，提高模型對各類標題的識別能力。同時，檢測模型進行數(shù)據(jù)預(yù)處理，去除文本中的無關(guān)字符、標點等噪聲信息，并將文本拆分為獨立的詞語，使用NLP工具庫進行文本詞性標注，結(jié)合詞性特征和命名實體識別技術(shù)，提取出人名候選詞及人名、地名等各類實體，與人名庫進行匹配，篩選出可能的真實人名。利用上下文語境信息對人名進一步驗證，分析人名在句子中的語法位置、與其他詞匯的語義關(guān)聯(lián)等，判斷其是否符合人名的語義邏輯，從而提高人名識別的準確性。對識別及驗證過的人名進行整理、排序、去重，將結(jié)果整理為規(guī)范的可編輯電子格式，并通過可視化工具展示，方便查看和使用。

4.4實施“四維防護”策略，打造全鏈路數(shù)據(jù)安全保障防線

在檔案智能編目校對系統(tǒng)運行過程中，數(shù)據(jù)安全與操作可信可追溯至關(guān)重要。［6]為確保系統(tǒng)的安全性與穩(wěn)定性，構(gòu)建全鏈路檔案安全保障體系。在網(wǎng)絡(luò)安全層面，部署VPN專用通道，采用組合加密算法，用于數(shù)據(jù)加密，確保數(shù)據(jù)在傳輸過程中的保密性及完整性校驗，防止數(shù)據(jù)被篡改。在訪問控制層面，設(shè)計系統(tǒng)管理員、部門管理員、普通用戶和訪客四級權(quán)限體系。不同角色被賦予不同的操作權(quán)限和數(shù)據(jù)訪問范圍，嚴格實現(xiàn)功能與數(shù)據(jù)的隔離，防止越權(quán)訪問帶來的安全風險。在數(shù)據(jù)安全層面，對用戶密碼采用哈希加鹽處理，增加密碼破解難度，保障用戶登錄安全。對于核心業(yè)務(wù)數(shù)據(jù)進行加密存儲，密鑰通過硬件安全模塊管理，實現(xiàn)數(shù)據(jù)從落地存儲到傳輸過程的全程加密，并在訪問時進行嚴格的權(quán)限鑒權(quán)，全方位保障數(shù)據(jù)安全。在審計追蹤層面，部署日志分析平臺，實時采集用戶操作日志，包括登錄時間、數(shù)據(jù)修改記錄、異常訪問等關(guān)鍵信息。將關(guān)鍵審計日志通過區(qū)塊鏈技術(shù)上鏈存證，利用區(qū)塊鏈的不可篡改特性，實現(xiàn)操作過程的可信追溯，確保系統(tǒng)操作的合規(guī)性與可審計性。

5實踐成效

5.1圖像檢測與智能編目

利用目標檢測算法，進行多維圖像質(zhì)量檢測，有效保障了檔案圖像數(shù)據(jù)的質(zhì)量，為檔案編目和利用提供了高質(zhì)量的數(shù)據(jù)支持。基于NLP深度學習算法，自動構(gòu)建邏輯清晰、準確的目錄結(jié)構(gòu)，完成從原始檔案數(shù)據(jù)到結(jié)構(gòu)化目錄的智能轉(zhuǎn)換

5.2對比分析與目錄矯正

通過將原文件圖片與識別后的文字在同一界面進行直觀對比展示，利用圖像匹配算法和文本相似度計算方法，快速準確地進行差異性校對和修正，確保檔案信息的一致性，有效減少人工校對的工作量和錯誤率。利用智能算法，對原人工著錄的多個關(guān)鍵字段，如檔號、頁數(shù)、全文頁數(shù)、題名、著錄人名、文號、成文日期、責任者、機構(gòu)或問題、件號、年度、保管期限、密級等進行自動識別和分析。通過建立字段識別模型和規(guī)則庫，對不準確或不規(guī)范的字段進行自動替換更正，實現(xiàn)了目錄數(shù)據(jù)的優(yōu)化和標準化，為檔案管理信息化和智能化發(fā)展提供支撐。

5.3實踐成本降低與管理效能提升

2023年，檔案智能編目校驗系統(tǒng)對昆山市超過27萬件PDF文書檔案進行校驗，涉及32家不同單位、部門的文檔，總頁數(shù)近290萬頁，平均識準率近81% ；2024年，校驗PDF文書檔案29萬余件，總頁數(shù)近300萬頁，平均識準率近 85% ，隨著系統(tǒng)的不斷優(yōu)化和應(yīng)用經(jīng)驗的積累，識準率呈逐年上升趨勢，大大減少了校對所需投人的人工成本。通過智能化的處理流程，檔案管理效率顯著提升，從傳統(tǒng)的人力密集型工作模式向智能化、高效化轉(zhuǎn)變。

6展望

6.1檔案生成與編目同步，開啟檔案管理新變革

將檔案智能編目前置到檔案生成階段，從源頭環(huán)節(jié)實現(xiàn)檔案生成與編目同步，將是檔案管理領(lǐng)域一次新的突破。借助OCR文字識別、自然語言處理等AI技術(shù)，可對電子文體、圖像、音視頻等各類檔案載體進行自動識別，精準提取題名、文號、形成時間、責任者等著錄項，并按照《檔案著錄規(guī)則》自動完成編目數(shù)據(jù)生成。通過預(yù)設(shè)校驗規(guī)則對數(shù)據(jù)邏輯性、格式規(guī)范性進行智能校對，如自動識別重復(fù)文號、異常日期格式等，大幅降低人工干預(yù)成本。

當然，受限于檔案形成場景的復(fù)雜性，如手寫文件字跡模糊、特殊格式文件解析困難等問題，仍需人工著錄或?qū)χ悄芫幠拷Y(jié)果進行復(fù)核。但隨著深度學習模型的迭代，未來可將智能編自模塊嵌入OA系統(tǒng)、業(yè)務(wù)系統(tǒng)等檔案生成的源頭環(huán)節(jié)，同步進行檔案編目并自動校核，從根本上提升檔案著錄效率與數(shù)據(jù)質(zhì)量。

6.2驅(qū)動AI技術(shù)深度融合，釋放檔案數(shù)據(jù)新潛能

借助自然語言處理和知識圖譜技術(shù)，智能構(gòu)建檔案主題知識庫，從檔案中提取關(guān)鍵信息并構(gòu)建語義關(guān)聯(lián)網(wǎng)絡(luò)，清晰呈現(xiàn)特定時期的人物關(guān)系、事件脈絡(luò)和政策演變，為歷史研究、文化傳承提供有力支撐。利用物聯(lián)網(wǎng)采集檔案庫房環(huán)境、設(shè)備狀態(tài)及檔案流轉(zhuǎn)數(shù)據(jù)，構(gòu)建數(shù)字孿生模型，模擬管理策略和業(yè)務(wù)流程，預(yù)測潛在問題，優(yōu)化管理決策。加強檔案數(shù)據(jù)分析，運用數(shù)據(jù)挖掘算法分析檔案數(shù)據(jù)規(guī)律和趨勢，優(yōu)化檔案資源配置，提升檔案管理的科學性與合理性，充分釋放檔案數(shù)據(jù)價值。

6.3賦能檔案全生命周期，拓展主動服務(wù)新篇章

將AI技術(shù)應(yīng)用于檔案業(yè)務(wù)全鏈條，不斷拓展檔案接收、管理、存儲、利用方面應(yīng)用場景，構(gòu)建覆蓋全生命周期的智能管理體系，釋放檔案資源的多元價值。接收環(huán)節(jié)通過“三合一”智能分類算法自動識別檔案類型并匹配保管期限，結(jié)合區(qū)塊鏈技術(shù)實現(xiàn)接收過程的可信存證；管理階段運用智能檢索引擎，支持語義聯(lián)想、跨庫關(guān)聯(lián)等高級查詢，同時通過圖像識別技術(shù)實現(xiàn)破損檔案的自動修復(fù)建議；存儲層面借助智能監(jiān)控系統(tǒng)，實時調(diào)節(jié)庫房溫濕度并預(yù)警安全隱患；利用環(huán)節(jié)通過知識圖譜技術(shù)挖掘檔案間隱含關(guān)聯(lián)，為決策提供數(shù)據(jù)支撐，在政務(wù)服務(wù)、企業(yè)管理、歷史研究等領(lǐng)域發(fā)揮重要作用，推動檔案工作從“存進來”向“走出去”主動服務(wù)轉(zhuǎn)型。

總之，科技賦能應(yīng)用帶來的檔案業(yè)務(wù)效率提升與數(shù)據(jù)質(zhì)量優(yōu)化，證明機器學習算法與檔案業(yè)務(wù)的深度耦合能夠釋放巨大價值，持續(xù)推動AI與物聯(lián)網(wǎng)、區(qū)塊鏈、數(shù)字孿生等技術(shù)融合創(chuàng)新，讓科技賦能檔案治理各環(huán)節(jié)，實現(xiàn)“為黨管檔更科學、為國守史更可靠、為民服務(wù)更高效”的目標。

注釋與參考文獻

［1］中辦國辦印發(fā)《“十四五”全國檔案事業(yè)發(fā)展 規(guī)劃》[EB/OL].[2025-07-20].https：//www.saac. gov.cn/daj/yaow/202106/899650c1b1ec4c0e9ad3c2ca73 10eca4.shtml.

[2］紙質(zhì)檔案數(shù)字化規(guī)范［EB/OL].［2025-07- 20l.https：//www.saac.gov.cn/daj/hybz/201806/496cc2b 091344843b5b388b744818c65/files/fa10b12908dc47c3b7 ccc3aaab746625.pdf.

[3]王平，李夢垚，侯景瑞.人工智能賦能檔案工作的進展報告[J].檔案與建設(shè)，2025（4）：15-28.

[4]張笑瑋，吳建華.生成式人工智能賦能檔案館服務(wù)質(zhì)量的優(yōu)化路徑研究［J].檔案與建設(shè)，2025（2）：62-70.

[5]邢變變，劉陽.生成式人工智能背景下檔案館智慧編研的應(yīng)然態(tài)勢、實然困境和使然策略[J］.檔案與建設(shè)，2025（2）：71-76.

[6」朱建忠.在依法治檔中推動實現(xiàn)檔案治理能力現(xiàn)代化［J」.檔案與建設(shè)，2024（4）：8-9.

（責任編輯：邵澍）