지식 집약적 운영에 대한 수요 증가와 클라우드 기반 문서 관리 시스템의 광범위한 채택에 대응하기 위해, 본 연구는 사무 환경에서 고품질 지식 획득 및 지능형 가치 증대를 위한 포괄적인 프레임워크를 제안합니다. 비정형 문서 처리의 어려움, 지식 추출의 낮은 정확도, 스마트 사무 환경에서의 제한된 재사용 가능성과 같은 주요 과제를 해결하기 위해 다단계 지식 처리 파이프라인을 설계하였습니다. 여기에는 문서 구조 복원, BERT 기반 모델을 이용한 의미 표현, BiLSTM-CRF를 이용한 개체 인식, 코사인 유사도를 통한 관계 추출 및 개체 모호성 해소가 포함됩니다. 본 방법론은 최첨단 NLP 기술을 활용하여 정확한 개체 인식 및 관계 추출을 보장하며, 의미적 모호성 극복과 작업 관련성 개선에 중점을 둡니다. 추출된 지식은 구조화된 삼중체로 융합되고, 온톨로지 제약 및 외부 지식 통합(예: 위키데이터)에 의해 안내되는 역동적으로 진화하는 지식 그래프로 구성됩니다. 지식 그래프의 이러한 지속적인 진화는 적응형 학습을 가능하게 하며 사용자 피드백 및 실시간 사무 요구에 기반한 추천을 개선합니다. 이 그래프 위에 의미적 QA, GAT를 통한 작업 추천 및 문서 기반 추론 등의 지능형 서비스를 구현합니다. 정부, 금융, 제조 등 다양한 분야의 42,000개 이상의 실제 기업 문서에 대한 실험 결과, 본 방법은 정밀도(0.93), 재현율(0.91) 및 융합 일관성(0.89)에서 우수한 성능을 달성하며, 기준 방법을 대폭 초과하는 결과를 보였습니다.
Zhou et al. (Sun,)가 이 질문을 연구하였습니다.