因此，知识聚合需先将档案文本预处理为档案数据，在档案数据的基础上实现知识元的挖掘与关联，而经过知识聚合后的档案数据可直接成为知识服务的数据储备。

（二）档案数据清洗与质量评估

尽管目前已有41.93%的省级行政区提供了数据开放平台，但是约六成平台存在质量问题，^[19]数据时代知识服务需要高质量的档案数据支撑，因此，为实现深度知识服务应对档案数据进行清洗与质量评估。

首先，档案数据需是依据统一标准数据化产生的数据。档案从非结构化文本到数据的过程需经过分词、去除停用词、文本表示等数据化过程，而这一过程中数据集构建规则的科学性、系统性和完备性对于整个档案数据化工程的运行都会产生决定性的影响，^[20]若不依据统一标准进行数据化，各部门各行其是，会造成数据化质量参差不齐，且在跨机构进行数据关联整合时会产生障碍，不利于国家层面的数据整合共享。然而，这一领域目前尚无国家层面指导性政策文件出台，由此有学者建议我国档案行政机关及时启动国家层面上的《档案数据化工程技术规范》的起草工作。^[20]

其次，档案数据应用之前应进行数据清洗。梅宏院士指出政府开放数据存在数据缺失、数据格式不规范不统一、未将数据转换为结构化形式、数据单元名称及含义不一致、错误数据、乱码等质量问题。^[19]非结构化档案文本数据转化为结构化数据时也会存在各种数据质量问题，而这些质量参差不齐的数据将会对后续知识服务的精度产生影响。因此，档案数据在应用于知识服务前需先对数据质量进行评估，检测错误数据，并更正、补充或删除错误的数据项，用推测算法补全缺失的数据项，提升数据质量。

最后，档案数据需进行质量评估。数据质量是档案数据赖以生存的生命线，^[23]将直接影响知识服务的质量，在知识聚合前有必要评估档案数据的质量。我国《信息技术数据质量评价指标》中将数据质量评估指标归结于规范性、完整性、准确性、一致性、时效性、可访问性六个维度，^[24]本文中的档案数据质量评估体系基本参照此标准。

20世纪70年代后期，美国情报学家弗拉基米尔·斯拉麦卡教授在华讲学时提出，知识的单位将从文献深入到其中的数据、公式、事实、结论、日期等最小的独立的“知识元”，当时他把这称为“数据元”。^[25]知识元是知识最细粒度的单位，若将档案数据处理为大量的知识元，并将知识元关联，将产生知识增值。文书档案的形式以文本为主，因此文本分解层是构建文书档案知识聚合模型中最为基础的一层，在这一层结构中将文书档案文本进行分解，为知识聚合提供细粒度高质量的档案知识元。文本分解层内含有自顶向下的三个模块，分别是词法分析、清洗与消歧及句法分析。^[26]

文本可以看作是词汇的集合，词法分析也是文本分解层的基础，是对档案文本语言的初步处理，其性能将直接影响档案知识服务的质量与深度。首先，在词法分析这个模块中需根据系统内预先收集存储的词典进行分词，并识别出仿词与新词；其次，分词后根据词性知识库对其进行基本词性标注；最后，通过语义角色标注识别出施事、受事、时间、地点、主题等关键实体并标记。^[27]在这一模块中，词典库与词性库可根据文书档案的特征进行制作，由此档案从文本分解为档案知识元。

经过分解的档案知识元内含有部分词典库与词性库中不存在的未登录词，以及在分词过程中可能存在的歧义词，由此造成部分知识元不可用，且由于歧义的存在将影响数据集整体的质量，因此，对这一部分的知识元需先根据算法规则识别出新词、仿生词、派生词，也就是知识元清洗与消歧，如北京大学语料库中就给出了仿词对应的ELUSLex脚本元规则，^[28]对算法无法识别的知识元需通过人工处理进行识别，对错误知识元需进行清除。

经过清洗与消歧后可得到相对高质量的档案知识元，但是这些知识元之间并无联系，通过句法分析可识别档案文本内句子之间的依存关系、句法内部可能存在的主谓动宾等核心关系、句内语义依存关系等，将完整的句子根据其结构与语义建立内部档案知识元之间的关联关系，为知识聚合奠定基础。

（二）关联聚合层：档案知识元聚合关联形成档案数据集

文本分解层分解的知识元需按照一定的规则进行聚合形成档案数据集，关联聚合层的聚合规则按照语义化程度由浅到深可分为三个聚合规则。

一是档案知识元来源聚合。档案的原始记录性是区别于其他信息资源的独特性质，体现并维护了档案的本质属性，被认为是档案学中最具学科特色并具有核心地位的基础理论，^[29]因此同一来源的档案具有隐性的关联关系，可依据这个关系进行知识聚合。文书档案按照来源归档保存，依据来源可进行档案知识元来源聚合，使得同一来源的文书档案内部知识元及其数量可视化，例如，对同一全宗的文书档案知识元进行来源聚合可较为直观地呈现出该全宗内知识元数量与权重，使用这一聚合规则将便于各单位进行年报统计，但是这一聚合规则仅仅是将知识元进行集合，并无基于知识元自身的语义和关系，因此聚合效果的精细化程度较低。

二是档案知识元关系聚合。经过文本分解层的档案知识元是由关系与知识元两个部分组成，通过关系关联可实现不同知识元之间的聚合。这种聚合规则是依据档案知识元自身已显性化的关系规则进行聚合，尚无根据语义挖掘更为深层次的规则。

三是档案知识元语义聚合。档案知识元语义聚合是最为深层次的、根据知识元的语义概念进行聚合的一种规则，通过语义聚合可实现对于档案文本的知识深度发现。但是在语义聚合时需注意同一概念在不同语义背景下的差异，兼顾知识元的主题及其背景。

（三）服务应用层：档案数据集应用服务

文书档案经过文本分解和关联聚合形成档案数据集，利用这些档案数据集可根据不同用户对象的知识需求提供深度知识服务，服务应用层是知识聚合模型的最顶层。根据文书档案的领域特征，其知识服务的对象主要为政府和社会公众两类群体。从服务形式分析，基于细粒度可计算的档案数据集能提供知识推荐、可视化、知识推理、知识检索等知识服务。

知识推荐服务是面向用户的主动知识服务，从用户数据的获取和整合起始，通过细粒度的算法分析，匹配数据关系，锚定用户个性化偏好，引导和满足用户的知识需求，是满足档案知识服务与用户需求双向匹配的信息过滤服务。^[30]知识可视化服务是指相互关联的档案知识元形成了一个类似于知识图谱的知识网络，这个以知识网络形式呈现的档案数据集本身就是可视化的，是“一种基于图论的数据结构”^[31]。知识推理服务是指知识网络之间的聚合能够将领域内外的知识单元编织成庞大的知识网络，实现高效的知识问答与推理。^[31]通过知识推理可实现非同一来源知识之间的关联，发现新的知识。文书档案在归档时按照预设的来源方案对档案进行管理，其所含知识为隐性知识。通过对每份档案的知识元进行分解、挖掘与关联聚合，可形成一个小型知识网络，而每份档案形成的知识网络可通过同一个知识元进行推理。如在一份档案中挖掘出行为主体A的身份为B单位局长，在另一份档案中挖掘出行为主体A在某一时间于C地发表讲话，将这两个知识网络聚合可推理得到B单位局长在某一时间做了某事这一知识（见图3）。知识检索服务是指用户基于该知识网络进行检索能够获得具有更高精确度和更细粒度的检索结果。此外，服务应用层还可根据用户需求定制知识服务，例如某用户在学术研究时提出探寻两份相关政策法规之间关联的知识需求，为用户提供个性化知识服务。

本文构建了一个面向知识服务的文书档案知识聚合模型，该模型分解为文本分解层、关联聚合层与服务应用层。研究表明，依据该模型可实现对文书档案尤其是文本档案知识元的提取与组合，能够为知识服务提供更为细粒度和可计算的档案数据集。

原文载《北京档案》2023年第3期，

经杂志社和作者授权后发布。

学生研究员学习感悟

潘洁敏：文章从“一网通办”“高效办成一件事”等数字政府建设的现实需求出发，聚焦文书档案中隐藏的大量隐性知识显性化问题，提出了包含文本分解层、关联聚合层与服务应用层的文书档案知识聚合模型，尤其是档案知识元来源、关系和语义的三重聚合，能够为基于规则推理的档案资源开发利用提供新思路。

毛宁：该研究将知识聚合范式引入档案知识管理模式中，提出了由文本分解层、关联聚合层、服务应用层构成的文书档案知识聚合模型。首先通过‘预处理’操作将多源异构的文书档案转化为标准化的数据，以词法分析与句法分析的方式抽取出其中的知识元与关系。并根据数据语义化程度的深浅实现档案知识在来源、关系与语义三个维度的聚合，形成基于知识元与知识关系的档案数据集，以此为政府与社会公众提供知识推荐、可视化、知识推理、知识检索等深度知识服务。该模型的提出拓宽了知识聚合在档案领域的应用范围，扩展了档案知识管理的深度，为新时期档案赋能政府知识服务能力的提质增效提供了理论借鉴。

刘思良：文章以文书档案为研究对象，构建了包含文本分解层、关联聚合层、服务应用层三个层面的档案知识聚合模型，将文书档案从非结构化版式文件分解为高质量的数据元，由数据元经过来源聚合、关系聚合和语义聚合形成档案数据集，最后面向用户主动提供深度个性化知识服务。文章梳理了文书档案知识服务工程的全流程，较为细致地介绍了文本分解层进行档案文本数据化时的语义分歧、数据清洗、标准化和质量评估等问题，为文书档案进行知识元提取和产出可计算细粒度档案数据集提供支持。

王元新：知识服务是档案利用服务的未来，其思想的本质要回归到“存是为了用”的思想。在此基础上，如何用得好，就要考验档案数据的质量，即文章第二部分提到的数据清洗和评估。在此基础上，本文聚焦文书档案，构建知识聚合模型，从分解、关键、服务三层解析文书档案关联政务服务，是逻辑清晰、研究对象明确、极具使用价值的一篇文章。

叶尔达纳：文章主要研究面向知识服务的文书档案知识聚合模型的构建，论文首先分析知识聚合在文书档案知识服务中的价值，并指出进行预处理的必要性，然后构建了一个由文本分解层、关联聚合层和服务应用层组成的文书档案知识聚合模型。文本分解层实现将文书档案文本分解为细粒度的档案知识元；关联聚合层实现档案知识元的聚合关联，形成可计算的档案数据集；服务应用层在数据集基础上提供知识推荐、可视化、知识推理等深度知识服务。文章对知识聚合理论在文书档案管理实践中的创新运用进行尝试和探索，提出的模型框架体现创新性，为推动文书档案管理智能化提供借鉴。

文案：潘洁敏 刘思良 毛宁 叶尔达纳 王元新

校对：张茜雅 许晓彤

排版：田静静

审核：钱毅

本期学生研究员风采

潘洁敏

刘思良

毛宁

叶尔达纳

王元新

张茜雅

许晓彤

田静静