[发明专利]一种基于命名实体的公文判定方法及判定系统

说明书

本发明公开了一种基于命名实体的公文判定方法及判定系统，该判定方法包括以下步骤：S1、采用预设方法对公文实体权重进行训练，并赋予每个公文实体相应的权重值；S2、获取待判定文本，并采用预设方法对待判定文本进行公文实体提取；S3、将待判定文本转化为关于公文实体的向量，并采用预设方法计算向量的分值；S4、将分值与预先设定的阀值进行对比，当分值超过阀值时，则确定待判定文本为公文；该判定系统包括公文实体提取模块、公文实体权重训练模块和公文判定模块。有益效果：不仅解决了以往公文识别过程中特征词穷举不尽的现象，而且也解决了公文内容随着时代变迁词语的变化问题。

技术领域

本发明涉及计算机算法技术领域，具体来说，涉及一种基于命名实体的公文判定方法及判定系统。

背景技术

随着大数据时代的到来，电子公文和其他文种的文件充斥在互联网上。其中可能存在一些涉密文件，而公文作为党政机关进行日期工作的主要方式，是涉密文件最主要的来源。为确保国家保密工作的安全，从海量的文件中识别出公文刻不容缓。

目前公文判定的方法分为两类，一类是依据相关格式规定，如规定中对格式的要求可以分为版头、主题、版记、页码四个部分，进行公文判定。另一类是分类的思想，首先对公文文件和非公文进行训练，选取特征词向量，对待判定文档打分，分数大于预设阈值即判定为公文。

然而，第一种方法的缺点是若公文写作未按照相关规定书写，或者公文在流传过程中，原有格式丢失时，这种方法就不能有效筛选出公文。第二中方法的缺点是相关条例中规定的公文种类有15种，不同文种公文的特征词向量差异很大；另外，非公文文件数量更多，涉及范围更广，比如政治、经济、文化等。所以，很难获取适应不同行业范围的统一的特征词向量，使得公文判定准确率较低。

发明内容

针对相关技术中的问题，本发明提出一种基于命名实体的公文判定方法及判定系统，以克服现有相关技术所存在的上述技术问题。

为此，本发明采用的具体技术方案如下：

根据本发明的一个方面，提供了一种基于命名实体的公文判定方法，该判定方法包括以下步骤：

S1、采用预设方法对公文实体权重进行训练，并赋予每个所述公文实体相应的权重值；

S2、获取待判定文本，并采用预设方法对所述待判定文本进行公文实体提取；

S3、将所述待判定文本转化为关于所述公文实体的向量，并采用预设方法计算所述向量的分值；

S4、将所述分值与预先设定的阀值进行对比，当所述分值超过所述阀值时，则确定所述待判定文本为公文；

其中，所述向量为t＝(t₁，t₂，t₃，t₄，t₅，t₆，t₇，t₈)，且计算所述向量的分值采用分值计算公式进行计算。

进一步的，所述S1采用预设方法对公文实体权重进行训练，并赋予每个所述公文实体相应的权重值包括以下步骤：

S11、获取相同数量的公文及非公文文本，并通过训练得到每篇文本的公文实体；

S12、赋予每个所述公文实体相应的权重值，记为权向量w＝(1.0，1.0，0.6，1.0，0.8，1.0，1.0，1.0)。

进一步的，所述S2中采用预设方法对所述待判定文本进行公文实体提取包括以下步骤：

S21、对所述待判定文本进行秘密等级识别；

S22、对所述待判定文本进行公文标题识别；

S23、对所述待判定文本进行签发人识别。