本發(fā)明涉及人工智能，具體為一種基于人工智能的檔案系統(tǒng)及方法。

背景技術(shù)：

1、隨著信息技術(shù)的飛速發(fā)展，檔案管理的重要性日益凸顯，在各個領(lǐng)域，大量的信息被記錄和保存為檔案資料，涵蓋了文字、圖像、音頻、視頻等多種形式，傳統(tǒng)的檔案管理主要依賴人工操作和簡單的計(jì)算機(jī)輔助，然而，隨著檔案數(shù)量的不斷增加和種類的日益豐富，這種方式逐漸難以滿足現(xiàn)代社會對高效、準(zhǔn)確檔案管理的需求；

2、現(xiàn)有的一種基于人工智能的檔案系統(tǒng)及方法存在一定的缺陷，一方面，檔案檢索困難，面對數(shù)量龐大、種類繁多的檔案資料，手工檢索難度大且容易出錯，耗費(fèi)時間較多，尤其是檔案室規(guī)模較大時，該問題更為突出，另一方面，在檔案信息共享方面，現(xiàn)有的部分計(jì)算機(jī)管理系統(tǒng)僅僅將其作為存儲資料的工具，信息的共享性能較差，缺乏有效的共享機(jī)制使得檔案信息無法在不同部門、不同用戶之間高效流轉(zhuǎn)，無法真正發(fā)揮信息所具有的服務(wù)功能，這不僅阻礙了工作效率的提升，也限制了信息資源的充分利用，為此，我們提出一種基于人工智能的檔案系統(tǒng)及方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于人工智能的檔案系統(tǒng)及方法。

2、以解決上述背景技術(shù)中提出的問題，本發(fā)明提供如下技術(shù)方案：一種基于人工智能的檔案系統(tǒng)，所述檔案系統(tǒng)包括智能檢索模塊、信息共享優(yōu)化模塊、深度學(xué)習(xí)引擎和自適應(yīng)分類模塊；

3、所述智能檢索模塊利用自然語言處理與深度神經(jīng)網(wǎng)絡(luò)，結(jié)合詞向量模型將檢索請求和檔案文本轉(zhuǎn)化為向量形式，通過余弦相似度及引入時間衰減因子的相關(guān)性計(jì)算公式實(shí)現(xiàn)精準(zhǔn)且具時效性的檢索，檢索出的相關(guān)檔案數(shù)據(jù)會作為輸入傳遞給深度學(xué)習(xí)引擎和自適應(yīng)分類模塊，所述信息共享優(yōu)化模塊采用融合量子隨機(jī)數(shù)生成的高級加密標(biāo)準(zhǔn)改進(jìn)算法，利用量子隨機(jī)數(shù)生成器生成初始密鑰，對檔案信息分組加密并根據(jù)密鑰長度和安全等級動態(tài)調(diào)整加密輪數(shù)，確保信息安全共享，所述深度學(xué)習(xí)引擎運(yùn)用隨機(jī)梯度下降算法對多層卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過計(jì)算損失函數(shù)梯度和更新網(wǎng)絡(luò)參數(shù)實(shí)現(xiàn)對檔案數(shù)據(jù)的準(zhǔn)確特征提取和模式識別，所述深度學(xué)習(xí)引擎從智能檢索模塊獲取檔案數(shù)據(jù)后進(jìn)行特征提取，提取出的特征可以反饋給智能檢索模塊以優(yōu)化檢索結(jié)果，同時也可以為自適應(yīng)分類模塊提供更豐富的特征信息用于分類，所述自適應(yīng)分類模塊依據(jù)檔案屬性通過計(jì)算信息增益值動態(tài)調(diào)整分類策略，所述自適應(yīng)分類模塊接收深度學(xué)習(xí)引擎提取的特征信息以及智能檢索模塊提供的檔案數(shù)據(jù)，綜合考慮這些因素進(jìn)行分類調(diào)整，使得檔案分類更加合理高效，同時，分類結(jié)果也可以為智能檢索模塊提供更準(zhǔn)確的檢索范圍和方向；

4、所述檔案系統(tǒng)還包括數(shù)據(jù)清洗模塊，對數(shù)值型數(shù)據(jù)采用z-score標(biāo)準(zhǔn)化方法，對文本型數(shù)據(jù)進(jìn)行詞干提取和停用詞過濾。

5、作為本發(fā)明的進(jìn)一步方案：所述智能檢索模塊設(shè)置有詞向量模型，運(yùn)用詞向量模型將檢索請求和檔案文本轉(zhuǎn)化為向量形式，通過余弦相似度計(jì)算檢索請求和檔案文本兩者的相關(guān)性，同時，引入時間衰減因子來體現(xiàn)檔案的時效性，對于較新的檔案賦予更高的權(quán)重，通過相關(guān)性計(jì)算公式計(jì)算檢索請求和檔案文本兩者的相關(guān)性得分，具體的相關(guān)性得分計(jì)算公式如下：

6、

7、其中：表示相關(guān)性得分，表示檢索請求，檔案文檔，表示檢索請求與檔案文檔的語義相似度，表示檢索詞在文檔中的詞頻，表示文檔的更新頻率，λ為時間衰減系數(shù)，表示當(dāng)前時間，表示檔案創(chuàng)建時間， α、 β和 γ為可調(diào)整的權(quán)重參數(shù)；

8、通過相關(guān)性得分計(jì)算公式對檢索結(jié)果進(jìn)行倒序排序，優(yōu)先展示相關(guān)性高且時效性強(qiáng)的檔案。

9、作為本發(fā)明的進(jìn)一步方案：所述信息共享優(yōu)化模塊采用融合了量子隨機(jī)數(shù)生成的高級加密標(biāo)準(zhǔn)（aes）改進(jìn)算法對共享的檔案信息進(jìn)行加密處理，在加密初始階段，利用量子隨機(jī)數(shù)生成器生成高度隨機(jī)且不可預(yù)測的初始密鑰，在加密過程中，首先將檔案信息進(jìn)行分組，每組128位，然后，通過結(jié)合量子密鑰和傳統(tǒng)密鑰擴(kuò)展算法生成多個輪密鑰，加密輪數(shù)根據(jù)密鑰長度和檔案的安全等級動態(tài)調(diào)整，128位密鑰進(jìn)行15輪加密，192位密鑰進(jìn)行18輪加密，256位密鑰進(jìn)行20輪加密，在每一輪中，依次進(jìn)行字節(jié)替換、行移位、列混淆和輪密鑰加操作，確保檔案信息在共享過程中的機(jī)密性和完整性，確定只有擁有正確密鑰的用戶能夠通過相應(yīng)的解密算法還原原始檔案信息，從而實(shí)現(xiàn)安全可靠的信息共享。

10、作為本發(fā)明的進(jìn)一步方案：所述深度學(xué)習(xí)引擎運(yùn)用隨機(jī)梯度下降（sgd）算法對多層卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，首先，初始化網(wǎng)絡(luò)參數(shù)，包括卷積核的權(quán)重和偏置，在每次迭代中，隨機(jī)選取一小批檔案數(shù)據(jù)作為訓(xùn)練樣本，計(jì)算損失函數(shù)對網(wǎng)絡(luò)參數(shù)的梯度，這里的損失函數(shù)使用熵?fù)p失函數(shù)，具體的損失函數(shù)公式如下：

11、

12、其中：表示損失值，表示真實(shí)標(biāo)簽，表示預(yù)測輸出；

13、接著，根據(jù)學(xué)習(xí)率對參數(shù)進(jìn)行更新，具體公式如下：

14、

15、其中：更新后的網(wǎng)絡(luò)參數(shù)，當(dāng)前的網(wǎng)絡(luò)參數(shù)，損失函數(shù)的梯度；

16、通過不斷迭代，使網(wǎng)絡(luò)逐漸收斂，能夠準(zhǔn)確對檔案數(shù)據(jù)進(jìn)行特征提取和模式識別。

17、作為本發(fā)明的進(jìn)一步方案：所述自適應(yīng)分類模塊通過計(jì)算檔案的信息增益值來動態(tài)調(diào)整分類策略，首先，對于每個屬性，計(jì)算其在當(dāng)前分類下的信息熵，其中表示某一屬性值出現(xiàn)的概率，然后，計(jì)算該屬性對于分類的信息增益，具體的計(jì)算公式如下：

18、

19、信息增益， d表示數(shù)據(jù)集，表示屬性 a取值為 v時的數(shù)據(jù)子集，表示數(shù)據(jù)集的信息熵，表示數(shù)據(jù)子集的信息熵；

20、對于計(jì)算的信息增益越大，說明該屬性對于分類的貢獻(xiàn)越大，依據(jù)信息增益值的大小，動態(tài)調(diào)整檔案的分類層次和類別劃分。

21、作為本發(fā)明的進(jìn)一步方案：所述數(shù)據(jù)清洗模塊運(yùn)用數(shù)據(jù)標(biāo)準(zhǔn)化技術(shù)對原始檔案數(shù)據(jù)進(jìn)行清洗和規(guī)范化處理，對于數(shù)值型數(shù)據(jù)，采用z-score標(biāo)準(zhǔn)化方法，將數(shù)據(jù)轉(zhuǎn)換為均值為0、標(biāo)準(zhǔn)差為1的分布，z-score標(biāo)準(zhǔn)化的計(jì)算公式如下：

22、

23、其中：表示標(biāo)準(zhǔn)化后的數(shù)值，表示原始數(shù)據(jù)值，表示數(shù)據(jù)均值，表示數(shù)據(jù)標(biāo)準(zhǔn)差；

24、對于文本型數(shù)據(jù)，通過詞干提取和停用詞過濾操作，去除冗余和無關(guān)信息。

25、作為本發(fā)明的進(jìn)一步方案：所述智能檢索模塊還具備自動糾錯功能，當(dāng)用戶輸入的檢索請求存在拼寫錯誤和語義模糊時，通過編輯距離算法計(jì)算與正確檢索詞的相似度，首先，將用戶輸入的字符串轉(zhuǎn)換為字符數(shù)組，然后通過動態(tài)規(guī)劃的方法計(jì)算兩個數(shù)組之間的編輯距離，編輯操作包括插入、刪除和替換字符，根據(jù)編輯距離的大小，判斷與可能的正確檢索詞的相似度，并進(jìn)行自動糾錯和優(yōu)化，同時，結(jié)合上下文信息和歷史檢索記錄，進(jìn)一步提高糾錯的準(zhǔn)確性。

26、作為本發(fā)明的進(jìn)一步方案：所述信息共享優(yōu)化模塊支持基于屬性的訪問控制（abac）策略，所述信息共享優(yōu)化模塊會根據(jù)用戶的屬性、環(huán)境屬性、操作屬性和對象屬性來動態(tài)分配訪問權(quán)限，首先，定義訪問控制策略規(guī)則，然后，在用戶發(fā)起訪問請求時，提取相關(guān)的屬性信息，并使用規(guī)則引擎對這些屬性進(jìn)行評估和匹配，如果匹配成功，則授予相應(yīng)的訪問權(quán)限，否則，拒絕訪問。

27、作為本發(fā)明的進(jìn)一步方案：所述深度學(xué)習(xí)引擎在進(jìn)行特征提取時，采用局部二值模式（lbp）算法對檔案圖像數(shù)據(jù)進(jìn)行特征提取，首先，將圖像劃分為若干個小區(qū)域，對于每個區(qū)域的中心像素，與其鄰域像素進(jìn)行比較，如果鄰域像素值大于中心像素值，則標(biāo)記為1，否則，標(biāo)記為0，將這些標(biāo)記值按照一定順序組合成一個二進(jìn)制數(shù)，轉(zhuǎn)換為十進(jìn)制數(shù)作為該區(qū)域的lbp值，然后，統(tǒng)計(jì)圖像中不同lbp值出現(xiàn)的頻率，形成特征向量，通過這種方式，可以有效捕捉檔案圖像數(shù)據(jù)的細(xì)節(jié)特征。

28、另外，本發(fā)明還提供了一種基于人工智能的檔案方法，所述檔案方法包括以下步驟：

29、步驟一、利用智能檢索模塊中的詞向量模型，該模型經(jīng)過深度神經(jīng)網(wǎng)絡(luò)的優(yōu)化訓(xùn)練，將用戶輸入的檢索請求和檔案文本轉(zhuǎn)化為向量形式，幫助準(zhǔn)確地捕捉文本的語義特征，為后續(xù)的相關(guān)性計(jì)算提供基礎(chǔ)；

30、步驟二、通過余弦相似度計(jì)算檢索請求與檔案文檔的語義相似度，在計(jì)算過程中，結(jié)合自然語言處理技術(shù)對向量進(jìn)行進(jìn)一步的分析和優(yōu)化，提高語義相似度計(jì)算的準(zhǔn)確性；

31、步驟三、引入時間衰減因子以體現(xiàn)檔案的時效性，對較新的檔案賦予更高權(quán)重，考慮檔案的時間特性，使得檢索結(jié)果更加符合用戶對最新信息的需求，通過動態(tài)調(diào)整時間衰減系數(shù)，可以根據(jù)不同的檔案類型和應(yīng)用場景，靈活地控制時效性對相關(guān)性得分的影響程度；

32、步驟四、按照相關(guān)性計(jì)算公式

33、計(jì)算檢索請求和檔案文本兩者的相關(guān)性得分，通過相關(guān)性得分計(jì)算公式對檢索結(jié)果進(jìn)行倒序排序，優(yōu)先展示相關(guān)性高且時效性強(qiáng)的檔案，為用戶提供最符合需求的檢索結(jié)果。

34、采用上述技術(shù)方案，與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：

35、1.本發(fā)明通過智能檢索模塊利用自然語言處理技術(shù)，能夠深入理解用戶輸入的檢索請求的語義，深度神經(jīng)網(wǎng)絡(luò)則進(jìn)一步強(qiáng)化了對復(fù)雜語義關(guān)系的分析能力，結(jié)合詞向量模型，將檢索請求和檔案文本轉(zhuǎn)化為高維向量，通過精確的余弦相似度計(jì)算及引入時間衰減因子的相關(guān)性計(jì)算公式，快速而準(zhǔn)確地從海量檔案庫中篩選出最符合需求的檔案，即使在規(guī)模龐大的檔案室中，深度學(xué)習(xí)引擎也能通過對大量檔案數(shù)據(jù)的訓(xùn)練，不斷優(yōu)化特征提取和模式識別能力，極大地提高檢索的準(zhǔn)確性和效率，節(jié)省大量時間并減少錯誤發(fā)生的可能性；

36、2.本發(fā)明通過信息共享優(yōu)化模塊采用融合量子隨機(jī)數(shù)生成的高級加密標(biāo)準(zhǔn)改進(jìn)算法，利用量子隨機(jī)數(shù)生成器生成高度隨機(jī)且不可預(yù)測的初始密鑰，確保檔案信息在共享過程中的安全性，在加密過程中，將檔案信息進(jìn)行分組，通過結(jié)合量子密鑰和傳統(tǒng)密鑰擴(kuò)展算法生成多個輪密鑰，并根據(jù)密鑰長度和檔案的安全等級動態(tài)調(diào)整加密輪數(shù)，同時，智能檢索模塊與信息共享優(yōu)化模塊協(xié)同工作，使得檔案信息能夠在不同用戶和系統(tǒng)之間高效流轉(zhuǎn)，數(shù)據(jù)清洗模塊為信息共享提供高質(zhì)量的數(shù)據(jù)基礎(chǔ)，真正發(fā)揮信息所具有的服務(wù)功能，促進(jìn)各部門之間的協(xié)作與溝通，提高整體工作效率；

37、3.本發(fā)明通過自適應(yīng)分類模塊依據(jù)檔案屬性計(jì)算信息增益值動態(tài)調(diào)整分類策略，結(jié)合深度學(xué)習(xí)引擎提取的豐富特征信息，能夠更加精準(zhǔn)地對檔案進(jìn)行分類，在面對龐大且種類繁多的檔案資料時，這種動態(tài)分類方式確保檔案始終處于合理的分類體系中，方便用戶快速定位所需檔案，同時，深度學(xué)習(xí)引擎在特征提取時采用局部二值模式算法對檔案圖像數(shù)據(jù)進(jìn)行處理，有效捕捉圖像細(xì)節(jié)特征，進(jìn)一步豐富了檔案的特征信息，為檔案的準(zhǔn)確分類和高效檢索提供了有力支持，大大提高了檔案管理的整體效率和服務(wù)質(zhì)量。