關于大數據時代檔案檢索的幾點思考

李 琳

(長沙先導投資控股集團有限公司，湖南 長沙 410000)

檔案檢索是指對檔案信息進行系統存儲和根據需要進行檔案查找的工作，其定義包括檔案信息存儲和查檢兩個具體過程。檔案檢索主要有以下四步：第一步，分析利用檔案的具體需求和特點；第二步，選擇檢索工具，確定將要采用的檢索方式(即根據檔案的特定屬性進行檢索)，如按分類方式、按主題方式、全宗構成者方式、責任者方式、時間段方式或其他方式；第三步，根據選定的檔案檢索方式和檔案檢索標識，如分類號、主題詞、關鍵字等查取需要利用的檔案；第四步，通過一定的方式(比如：復印件、電子件)，將檔案內容或提煉的檔案目錄提供給利用者。

在檔案利用實際工作中，資料存儲的全面豐富、查找的快速準確、信息的方便實用是衡量檔案利用質量水平的主要標準，直接關系到為用戶提供檔案服務的效率與優劣。因此，作為檔案開發利用的前提條件，在大數據時代，檔案檢索也將并且必須實現進步。

1 大數據時代檔案檢索進步的動因

在信息爆炸時代產生的海量數據和與之相關的技術發展與創新中，各個行業的邊界日漸模糊，領域融合快速變化，檔案工作也受到了前所未有的沖擊，檔案檢索也從中得到了進步發展的新的推動力，改變傳統的檔案檢索模式和發展思路，研究適應大數據時代的檔案檢索新模式、新思路，提供更多、更有價值的檔案檢索內容，方能順應大數據時代的發展。

1.1 檔案利用過程的客觀需要

檔案查找的過程，是首先對利用者的檢索要求進行分析，確定利用者所需檔案的實質內容，然后綜合運用檔案檢索工具，找出利用者所需要的檔案。檔案檢索就是為解決檔案信息量與用戶精確需求之間的矛盾而出現并發展起來的。大數據時代背景下，文字圖像資料的信息量呈現幾何式膨脹，同時，現代社會的物資高速流動，使涉及到人物歷史，工程進度、文化發展等資料存在跨時間、跨部門、甚至跨空間分布的趨勢。與此同時，全社會的信息意識迅速增強，不同背景的人們開始有意識通過檔案信息來維護自己的合法權益，用戶數目的增長進一步對檔案檢索的效率提出了嚴峻考驗，也要求檢索平臺與檢索方式趨于簡便與普及。基于手工檢索而生的傳統檢索方式，無疑無法充分滿足人們對檔案信息準確性、豐富性、知識性的需求。這些客觀因素，決定了檔案檢索進步的必然。

1.2 信息進步提供的技術支持

科技進步是推動檔案事業發展的強大動力。檔案工作涉及每一個部門，社會每一個角落，首當其沖面臨當代信息技術的發展革新帶來的驅動力。首先，科技進步給傳統館藏帶來了圖像、音頻、視頻、軟件等信息，使檢索目錄呈現多元化；其次，現代信息技術發展，給標準化、兼容化的檢索平臺的構建提供了可能；最后，數字化的社會現實，使檔案工作人員的知識結構與事務處理方法有了跨越式發展。而今，日新月異的信息技術使得電子檔案檢索方式(見圖1)不斷深化、擴充，正逐步取代傳統手工檢索的主導地位，給檔案檢索帶來了全新的機遇與挑戰。

1.3 社會部門分化整合的影響

作為一項開放性的工作，檔案檢索服務對象綜合性和多樣次性，館藏內容也牽涉社會生活、歷史人文、自然地理等各個領域。其中，服務對象既是資料的提供者，也是提取者，受當前的社會發展需求與簡化政務的大環境影響，部門與企業主體的編制規模變動大大增加，隨著職能的變動，檔案資料內容也在不斷分化整合。同時，服務對象所查的資料范圍也在持續擴大，往往單個事項，就牽涉到個人資歷、行政公文、統計數據等多項內容，對信息要求越發“全”和“精”。這些因素不可避免地影響了檢索的側重點與檢索方式。

圖1 電子檔案檢索的多種方式

檔案檢索發展的是社會、科技、人文動因相互交織的結果，這些動因共同凝聚成推動檔案檢索進步的動力，使之突破傳統檔案檢索的瓶頸。然而，制約檔案檢索向數字化進步的現實情況也始終存在。

2 制約檔案檢索進步的因素

2.1 檔案數字信息化不完全

檢索是基于檔案而生的工作過程，因此，檢索方式的數字化不能脫離檔案數字化存在。目前，由于經費、人力、軟硬件設備的制約，大部分檔案館尤其是地方檔案館，并沒有實現館藏檔案的數字化，這就使檢索數字化成了空中樓閣。所以，目前部分單位正在嘗試實行數字化目錄+紙質化檔案的模式，完全實行檔案數字化的單位非常少。

2.2 數字化檢索缺乏有效標準

首先在學科方面，至今檔案學依然是“冷門”專業，教學內容更集中于傳統的檢索工具、著錄標引、檢索語言等方面，沒有及時更新針對電子文件的內容，整體呈現滯后狀態。其次，在信息化社會，大量檔案以電子文檔、音像制品的形式被存儲利用，現有的檢索標準已很難適應需要。最后，近年來，各地區檔案部門紛紛探索跨區域檔案信息共享，然而至今，標準化、兼容化檔案共享平臺仍然只是地區性的小范圍嘗試。

2.3 從業人員科技水平較低

數字化時代的檔案檢索是計算機、網絡、數據庫、搜索引擎、編程等先進技術的綜合運用，要求檔案管理者不僅要掌握傳統的手工檢索技術理論，更要掌握計算機技術與理念，甚至具備一定建立數據庫能力。而現今大部分檔案工作人員大多未進行專業系統的檔案學科學習，計算機能力與科技理念偏低，有些單位聘請的檔案人員往往年紀偏大，對新事務接受程度偏低或干脆不愿意嘗試新事務，甚至存在一定的思想觀念落后情況，這嚴重阻礙了檔案檢索服務的成功轉型。

這些現實狀況，是現代檔案檢索發展需要克服的命題，卻也為未來的發展提供了一定的指導方向。

3 檔案檢索前進方向的思考

3.1 根據需求，有選擇地數字化館藏

目前，地區檔案館數字化方式一般為“掃描+后期+存儲”，是極其耗費人力與時間的工作，地方檔案館的財力也很難維持全館全文掃描的財政支出。因此，檔案館必須正確把握當地的利用需求，根據服務對象需求的密度和價值來進行選擇性數字化，有計劃選擇存儲內容與形式，強調突出館藏特色。其中，檔案數據庫建設應當以檔案目錄數字化為首要任務，然后逐步擴展到檔案正本的數字化。

在全文數字化的過程中，檔案館應當根據利用頻率和檔案的重要程度，遞進式進行全文數字化。比如先完成利用頻率非常高的婚姻檔案、退伍軍人檔案和改制國有企業的離退休人員檔案；先完成民國時期、明清時期的重點檔案。

3.2 整合資源，增加民生檔案的比例

目前，地方檔案館主要職責為存儲政府機構的公文資料，對社保、婚姻、拆遷、房產、計生、環境、林權等民生檔案的收集相對薄弱，大多散存于各職能部門。而與之相對的是現今民眾日益覺醒的檔案維權需求，實際工作中，因為歷史民生檔案的不完備和分散存儲，給民眾維護自己合法權益帶來了許多不便。而民眾個人查檔受交通條件制約，也對快速確定檔案位置形成了強烈訴求。因此，地方檔案館在現有條件允許下，不妨嘗試增加民生檔案種類，并在資料存儲中有意識選擇數字化形式，減少館藏數字化工程量。

3.3 根據載體，改善檢索方式

隨著時代的變遷，檔案載體目前已多樣化發展，常見的載體有紙張、照片、膠片、磁帶、光碟、軟盤等等。然而，在目前的技術背景下，文字是最主要的檢索手段，圖像和多媒體文件檢索往往通過詳細的文字描述檢索實現，因此，檔案館應加強對多媒體檔案目錄的建設，早日實現真正意義上的多媒體檢索。比如在音視頻中做到幀檢索、幀定位、幀播放，結合語音檢索(見圖2)、圖像檢索(見圖3)等先進技術，直接可以檢索并定位音視頻中的語音內容，或根據某個圖片檢索出音視頻中的響應人像或物體。同時，及時對特殊載體進行復制更新，比如軟盤、錄像帶等載體，必須及時轉錄為符合現代技術水平的多媒體資料，以免因硬件淘汰而造成的檔案丟失。

圖2 語音檢索說明

圖3 圖像檢索說明

3.4 針對實際，開發模糊搜索功能

在檢索實踐中，查閱人往往存在信息要素的不確定現象，庫中存有檔案卻無法檢出的情況屢屢發生。因此，當利用者輸入關鍵詞但沒有得到所需結果時，系統需要進行相應的模糊搜索，提供主題近似的內容或者檢索詞，同時，盡量兼顧發文方、文號、關鍵詞、日期、類別等多種信息進行搜索篩選，以改善查詢結果，縮小甄別的范圍。這一點，可以面向網絡搜索引擎尋求經驗。

對電子檔案的再應用，主要包括兩部分：一是瀏覽掃描的檔案內容，二是對掃描的檔案圖像識別后，再利用識別后的文本文字。一般如果需要文本，必須畫框并對框內內容識別，需要在客戶端安裝OCR軟件，成本較高。雙層PDF在生成的同時就做了OCR處理，那么客戶端打開PDF的同時，不需要再作OCR識別，即可使用文本在檔案原文信息資源庫不斷豐富的基礎上，建立全文索引庫后，全文搜索的速度比數據庫檢索的速度要快數倍。全文檢索庫的建立粒度需要根據用戶常用檢索模式、檔案數據結構、系統性能問題、授權問題綜合考慮。

3.5 依托科技，建設兼容統一檢索平臺

平臺的兼容統一，首先體現在技術方面。目前，數據庫電子文本格式基本為PDF、WORD、TXT等，電子圖片格式有JPG、JPEG等，多媒體格式更是紛繁蕪雜。許多甚至與計算機、瀏覽器相沖突，需要安裝插件。其次在內容上，由于檢索時只能選取其中的一個數據庫進行查詢，一旦信息分散或者交疊，將會帶來極大不便。因此，提供統一的檢索入口，提供兼容的文件格式，實現跨庫檢索和全文檢索是目前檔案信息檢索系統建設需要努力的方向。

圖4 電子檔案的智能檢索

4 結語

時代在進步，新興技術不斷更替發展。大數據時代，檔案人應利用可視化技術描述知識資源及其載體，挖掘、分析、構建、繪制和顯示檔案內容之間的相互聯系，借助機器學習，必將實現檔案的智能檢索(檔案智能檢索，見圖4)，深度發掘檔案信息資源，把握開啟未來之門的鑰匙。同時實事求是，注重科技，更新觀念，推進檔案事業在新的時代煥發新的活力。