AIGC赋能档案知识服务：价值意蕴与应用场景

摘 要：人工智能时代，人工智能生成内容（AIGC）在颠覆内容生产行业的同时，也驱动着其他领域的革新与发展。AIGC赋能档案知识服务，将助推档案资源知识转化效能的提升、档案知识融合障碍的清除以及档案知识服务交互体验的优化。AIGC融入档案知识服务涉及知识组织、知识生产与知识供应三大环节的具体场景，可通过夯实资源基础、促进质效提升、提升用户体验等共同推动档案服务的转型升级。

关键词：AIGC；ChatGPT；档案知识服务；应用场景

分类号：G270.7

AIGC Enabling Archival Knowledge Service： Value Implications and Application Scenarios

Yan Han， Yu Yingxiang

（ School of Cultural Heritage and Information Management of Shanghai University， Shanghai 200444 ）

Abstract： In the era of artificial intelligence， Artificial Intelligence Generated Content （AIGC） is not only subverting the content production industry， but also driving innovation and development in other fields. AIGC enables archival knowledge service， which will promote the efficiency of archival resource knowledge transformation， remove the obstacles of archival knowledge fusion and optimize the interactive experience of archival knowledge service. The integration of AIGC into the three specific scenarios of knowledge organization， knowledge production and knowledge supply involved in archival knowledge services can jointly promote the transformation and upgrading of archival services from the aspects of consolidating the resource base， promoting the improvement of quality and efficiency， and improving user experience.

Keywords： AIGC； ChatGPT； Archival Knowledge Service； Application Scenarios

2022年底，美国OpenAI公司推出了人工智能生成内容（AIGC）的典型代表ChatGPT，该应用上线后仅用两个月时间便打破了TikTok历时九个月达到1亿月活用户的最快纪录。ChatGPT的出圈成功引爆了AIGC，2023年初AIGC的概念迅速席卷了科技领域及各大网络社交平台，引发了各行各业产学研界的广泛关注。2023年7月10日，国家互联网信息办公室等七个部门联合发布了我国首个针对生成式人工智能产业的规范性政策——《生成式人工智能服务管理暂行办法》，并于2023年8月15日起正式实施。该政策的出台在规范AIGC发展的同时，也鼓励和引导其在各行业、各领域的创新应用。目前AIGC虽暂未在档案领域掀起研究与应用的热潮，但与档案相关的现有法律规划中却彰显了明显的技术指向。2021年，《“十四五”全国档案事业发展规划》明确指出：要积极探索知识管理、人工智能、数字人文等技术在档案信息深层加工和利用中的应用。[1]2020年修订的《中华人民共和国档案法》也提出加速推进科研成果转化，充分发挥科技力量在档案事业发展中的支撑作用。[2]可见，作为高阶人工智能的AIGC被应用于档案领域已是大势所趋。当前，档案利用向知识服务发展的趋势，已成为档案界的共识。[3]伴随着服务升级，传统“手动式”“半自动化”的档案工作模式，已无法满足档案部门面临的“更全面、更高效、更高质”的现实工作需求。AIGC赋能档案知识服务将优化档案工作流程，为用户创造更为优质的利用体验，“智能化”将成为知识服务背景下档案工作发展的应然走向。AIGC在档案知识服务中的应用，不仅顺应了数智时代发展的需要，还将为档案工作与事业带来新的发展契机。

1 AIGC赋能档案知识服务的价值意蕴

AIGC全称为AI Generated Content（人工智能生成内容），旨在通过机器翻译、文档自动摘要、智能文本生成、自动问答系统、文档分类检索以及图像识别等技术自动生成所需内容[4]，能够从认知计算、跨模态内容理解和策略生成等方面满足用户多元化的信息与知识需求。[5]“AIGC+档案知识服务”的应用将重新定义档案利用的途径与方式，势必会带来档案服务理念、服务形式、服务功能、服务层次等相应变革，继而推动档案工作模式的转变，充分满足用户日益增长的知识利用需求，实现档案的知识价值，打造全新业态。结合AIGC的技术特征与档案知识服务的现实需要，可以从三个方面具体阐释AIGC赋能档案知识服务的价值。

1.1 从人工转向智能：提升档案资源的知识转化效能

档案知识服务作为档案信息资源深层次开发利用的技术和手段之一，其实现以档案信息资源的知识化组织为前提。因此，档案工作过程中的数字化与数据化处理、知识抽取、知识聚合、知识关联等环节尤为重要。目前，绝大多数档案馆的业务流程与管理工作都是通过人工来完成的，部分档案馆顺应信息化、数字化转型趋势利用云计算、关联数据、OCR等技术辅助完成数字化工作，但总体而言，档案工作效率仍偏低且人工成本较高，对于档案信息资源的开发利用仍停留在浅层次的实体档案信息服务层面，未对档案信息资源进行相应的知识转化。将AIGC引入档案知识服务，利用支持向量机、神经网络等机器学习、深度学习算法对呈爆炸式增长的档案信息资源进行大规模自动化批处理（规范化、语义化处理等）[6-7]，形成计算机能够识别和分析推理的档案知识资源，实现档案分类、著录、标引、知识关联、知识聚合、编研等工作环节的智能化转向，构建起完整的档案知识库，同时透过用户行为数据感知用户的行为状态，进而为用户提供个性化的知识推荐。

1.2 从单模态转向多模态：清除档案知识融合障碍

为了促进档案知识的高效共享，要善于对档案中蕴含的各种显性或隐性知识进行加工处理，形成完整系统的知识体系，同时对于知识的表达也不能局限于文本形式，要上升到多媒体形式的可视化层面。[8]大数据背景下，传统档案馆依据馆藏纸质档案及电子文件所提供的单一模态（以档案文本为主）的、分散式的档案资源内容，已无法充分满足用户日益增长的多元化利用需求，特别是知识需求。将AIGC技术引入档案知识服务，可进一步健全档案资源体系，在丰富资源形态的同时，促进不同模态及异构数据中蕴含的档案知识的融合，拓展档案知识服务所提供的内容形式。“跨模态融合”作为AIGC的显著技术特征，能够打通不同载体档案及异构档案数据服务利用过程中存在的壁垒，利用AIGC技术对多模态（文本、音频、视频、图片等）档案资源进行聚类、融合与重组，可以丰富档案部门为用户提供利用的资源类型与数据形态，生成满足用户个性化需求的多样化信息与知识，并通过知识关联以多元组合的形式对档案知识内容进行立体化呈现，从而提升知识服务水平。

1.3 从单向转向双向：优化档案知识服务的交互体验

传统的档案信息服务仍停留在档案馆的单向输出层面，缺乏与用户的关联互动，档案知识服务应充分考虑用户参与，为用户提供其所需的 知识。[9]随着CLIP（Contrastive Language-Image Pretraining）、Stable Diffusion和ChatGPT等预训练大模型的出现及芯片算力的进一步提升，AIGC具备了更强的数据分析与运算处理能力，基于云平台、超算中心等数据基础设施的有力支撑，可以实现多模态数据的实时采集与分析，从而对档案数据资源、用户行为数据进行及时更新，将用户数据反馈出来的用户个性化需求与档案知识库中的信息相匹配，并通过智慧问答与自主推荐相结合的模式，实现档案知识服务“以用户需求为中心”的核心要义，进一步优化档案馆智慧服务模式。AIGC的应用，将打造虚实交融的服务场域，打破档案实体资源与虚拟资源之间的壁垒，实现数字世界与虚拟世界的双向交互；推动档案馆知识服务从简单的数据资源分析与可视化处理向数字内容孪生、数字内容编辑和数字内容创作转变，以更高的效率为用户提供沉浸式交互体验与智慧服务。

现今，档案管理愈发关注其信息资源价值，重视并强调应用档案显性知识提供知识服务[10]，与此同时，档案信息资源中还蕴含着大量的隐性知识，能够创造巨大的经济效益与社会效益。AIGC作为一种全新的内容生产模式，其本质就是通过将现有的知识进行组合，从而产生新的知识。[11]故把AIGC融入档案知识服务实现所涉及的具体流程——“知识组织”“知识生产”“知识供应”之中（如图1所示），将驱动档案资源中蕴含的隐性知识显性化，充分彰显档案信息资源的潜在价值，助推档案部门的工作效率与用户服务水平的提升，进而满足用户多元化的利用需求。

2 AIGC+档案知识组织，夯实知识服务的资源基础

国外学者将“知识组织”定义为对文献的分类、标引、编目、文摘、索引等一系列整序活动。[12] 将海量的档案信息资源重新组织为档案知识资源，构建起系统性的档案知识库，使杂乱的档案信息有序化、有序的档案信息知识化[13]，是凸显档案信息资源知识价值，提升档案知识服务水平的有效路径。通过将AIGC具体应用到档案知识组织过程中的“资源分类标引”“知识元抽取”“知识关联的可视化呈现”等具体场景之中，将促进系统化档案知识库的构建，为档案知识服务提供强大的资源支持。

2.1 基于思维链推理的自动化分类标引

所谓“分类标引”，即对档案内容进行主题分析，赋予检索标识的过程[14]，是档案部门提供知识服务的前期准备工作。当前档案馆馆藏仍以文本形式的档案居多，且档案资源来源广泛、主题种类繁多，因此需要对其进行系统分类标引，才能便于档案的有效管理与充分利用，以提升档案知识服务的效能。传统的分类一是直接根据来源、形成时间、载体等条件对档案资源进行分类；二是通过人工阅读和理解具体的档案内容，提取出关键信息，再按照拟定的划分标准手动进行分类和规范化标注。前者往往难以全面描述各档案资源之间的多元复杂关系，后者不仅人工成本高昂且效率低下。ChatGPT作为AIGC生成的聊天机器人，可以说是AIGC的集大成者，其本质也是人工智能生成技术。[15]一方面，ChatGPT具备思维链推理能力，能够通过对题名及全文内容进行语义分析，推理出档案的中心内容及涉及的主要问题、判明其属性特征、解释相应的推理过程，并构建起推理模型，为档案的正确归类提供一定的参考，同时还可以在此基础之上根据档案内容及用户使用情况自动生成聚合性、实用性更强的新类别，使杂乱、分散的档案知识进一步有序化。另一方面，可以充分利用ChatGPT具备的自动分类功能，将ChatGPT模型训练成一个文本分类器[16]，通过一定的数据训练，使得模型能够根据输入档案文本的主体内容，依照档案来源、内容主题等不同划分标准，对不同来源的档案信息资源进行智能化的系统分类，形成多元档案集合；根据设置的著录标引标准格式，快速从冗长的档案文本信息中提取出相关信息实现自动著录标引，进一步解放档案馆工作人员，减少人为失误，进而提高分类标引的效率和准确性，为构建档案知识库做好前期的资源准备。

2.2 基于“语境-语用-语义”的细粒度知识元抽取

从档案数字资源中抽取知识元是提供知识服务的基础，为了深入到档案知识内容层次的内容管理，必须对档案中蕴含的知识内容进行颗粒化表达与组织，实现档案资源的知识元化。[17]“知识元”作为知识结构和内容的基本单元，将有助于知识用户的知识发现和知识点更新。目前知识抽取技术正转向以文献内容结构分析为重点，如段落、句子、语法分析等。[18]AIGC中具备强大语言处理和自监督学习能力的ChatGPT、BERT（Bidirectional Encoder Representation from Transformer）、Megatron-Turing NLG等代表性自然语言处理模型（NLP），通过对海量无标注语料的预训练与学习，可以掌握语言表达模式及文字前后逻辑。利用相关模型对大量档案文本中的词句进行基于上下文的语用分析、理解与推断，从中提取出标题、摘要等能够表达整篇文档关键信息的相关内容（如段主题、句主题等），并在此基础上抽取出更加细颗粒度的主题词同时自动做好相应的语义标注作为知识元，将档案中的隐性知识内容特征显性化。根据语义、语境抽取知识元而非传统的基于关键词或句子的重要程度进行抽取，可以有效避免单篇文档中内容信息的主题遗漏。随后利用CBOW（Continuous Bag-of-Words）、Skip-gram等模型将知识元转化为稠密向量，进行比较分析，构建起以主题为单位的知识元集合，进而为用户以知识元为单位的知识检索创造条件。同时，AIGC还可以对图像、音频、视频进行智能分析，从中发现知识信息，便于用户对多模态档案资源的浏览与检索。

2.3 多源异构数据内在关联的可视化呈现

知识图谱作为AIGC的重要分支技术，即通过挖掘、分析将散落的知识信息重新组合，对相关内容之间的复杂关系进行可视化呈现。档案知识图谱建构是将档案内容向显性结构化档案知识转化的过程[19]，可以实现档案资源中多源异构知识数据的有效集成。AIGC中的知识图谱技术，能够从大量结构化和非结构化的档案数据中提取和整合关联的知识，并将其组织成易于理解和操作的结构化形式，最终通过各类图形，将各类档案资源中的知识内容的显性与隐性关系加以呈现，自动构建起系统的知识网络。例如，基于GPT-4的图像生成能力，GPT系列模型可以帮助档案工作人员更好地可视化处理数据，如生成图表、词云等，使得档案服务平台具备对用户提出的相关问题、概念进行精准识别、全面解释的能力，进而提升档案的知识服务水平。

3 AIGC+档案知识生产，促进知识服务的质效提升

档案知识服务是面向知识内容的服务，故在其日常管理工作中不仅要聚焦于档案的存储与保护，更应重视档案知识内容的生产，充分释放档案所蕴含的多元化价值。AIGC赋能档案知识生产，可大幅提高知识生产效率，并使产出内容具备丰富性、完整性、创新性等优势特征。

3.1 融合多模态资源的知识内容生成

数字时代，档案资源的模态形式逐步由文本、图像、音频、视频等单一模态向相互融合的多模态形式转变。[20]对于某一人物或事件的描述可能由纸质档案与图像、视频记录共同呈现，不同模态档案资源间的组合性不断增强，但在计算机综W9NVzQIYZgQewZDxfzzMbRHpy8YbAfv4jC+3yp1W9oA=合处理多模态档案资源的过程中容易产生语义纠缠问题。而AIGC能够通过抽取、克隆、识别、对齐、理解和组合等方式对信息的语义纠缠问题进行拆分解析。[21]AIGC利用多模态大模型寻找不同模态数据间的对应关系，然后通过原始数据映射、统一对齐语义空间、完成不同模态信息的理解。[22]基于此，档案部门可以对跨模态的档案资源进行多样化组合，进而提高档案知识生产创作的内容丰富度、创新档案知识生产最终呈现的内容形态。AIGC的可增强多模态内容深度学习后的可理解性、可解释性和可处理性，将关于同一事件、主题的不同模态档案资源关联汇集，打破不同模态档案资源综合运用、联合开发的技术壁垒，可以进一步拓展档案知识生产的创作空间。例如，在虚拟展览中，AIGC通过利用图像合成、语音合成和肢体语言合成等技术，并与AR/VR技术相结合，对档案文本、图像、音频、视频资源进行综合处理，实现“历史再现”“人物面貌神态、肢体动作、声音还原”等展览效果，为用户创造沉浸式体验，通过多模态内容的融合完成跨时空、跨场景的档案知识生产。

3.2 降本增效的智能化编研

档案编研是实现社会知识生产的关键路径，也是档案部门提供知识服务的基础性工作。现有的档案编研工作基本由人工完成，主要可分为两种编研模式：一是把分散凌乱的原始材料进行排列、组织，成为系列汇编；二是根据既定题目，精选档案内容并加以分析。[23]前者在知识组织阶段就已经完成；后者能够将档案信息知识化、隐性知识显性化，实现真正意义上的知识生产。在档案编研过程中引入AIGC，充分发挥其内容创作能力，将实现档案自动化、智能化编研，降低编研工作消耗的人力资源，并大幅缩短知识成果的生产周期。具体来看，一是可以利用AIGC自然语言处理技术，在编研素材收集时通过档案智能检索，在档案编研素材语料库中快速筛选出符合编研主题且较为完整的各类模态档案资源，为档案编研提供丰富、高质量的素材，提高档案编研的质量和效率。二是AIGC具有强大的认知对抗中的内容生成能力，在档案编研的文本内容分析创作过程中，通过对大量的自然语言文本数据进行训练，能够对输入的档案资源内容进行语义识别，理解任务主题，生成符合语法和语义规则、主题语言情境，具有一定完整性、连贯性与逻辑性的长文本，即文本类编研成果。三是利用AIGC+视频生成技术可直接生成档案视频内容，搭建起档案资源描述的故事场景，并在虚拟空间建立代表自我的数字人，独立完成活动任务，以探寻档案蕴藏的奥秘。

3.3 缺损内容的补充还原

档案知识生产是以海量的档案信息资源为基础的，是在保障档案真实性的基础之上对于已有档案信息资源的再创造。对于档案资源中模糊、缺损资源的补充还原，能够为档案部门开展新的知识生产提供强大的资源支撑。传统的OCR技术的识别能力已无法适应数据时代多元档案资源的修复需要，而AIGC的技术应用演化出了强大的智能数字内容孪生能力，其包含的智能增强技术在档案资源内容修复方面具有巨大的潜力。一方面，部分馆藏档案资源在内容完整性方面可能带有一定的先天缺陷。另一方面，馆藏纸质档案因其自身载体的脆弱性、保存时间过长或保管不当，可能会出现字迹模糊或消失、照片褪色、纸张破损等现象。同时，部分档案数据资源在收集、传输和存储的过程中，可能存在缺失或损坏的问题。AIGC的智能增强技术可以有效消除档案先天或后期存储过程中所产生的信息内容缺失问题，能够根据给定的低质量原始档案数据信息生成经过增强后的高质量数字内容，在数字世界中孪生再现或重构完整的数据信息内容，还原那些珍贵的记忆。而且，对于有缺陷的音视频档案，相关的智能增强技术可以解决片段缺失、脉冲干扰和音频失真等问题，对档案数据资源进行相应的修复与增强，复原生成高质量的数据内容。

4 AIGC+档案知识供应，提升知识服务的用户体验

档案知识服务与信息服务最大的区别在于，知识服务是一种用户目标驱动的服务，其驱动力来源于用户。故档案知识服务的实现与升级，亟须从需求端入手完成相应的档案知识供应。所谓知识供应即在知识组织与知识生产的基础之上，根据知识服务对象的实际需求，经过知识获取、知识推送、知识反馈将知识传递给知识需求者的阶段[24]，其主要任务是在合适的时候将全面、正确的知识提供给需要知识的人，最终实现主动智能知识服务。档案部门的知识供应涉及用户知识需求分析、知识推送与拉取、知识服务反馈等具体流程，知识供应过程中AIGC的融入，将完善档案知识供应机制，进而助推档案知识服务工作变被动为主动，创新档案利用服务模式，提升档案资源的利用率，彰显档案部门服务的智慧化特征。

4.1 基于即时纠错的问答式知识获取

用户的档案知识利用需求在检索过程中需要转化为规范化的检索语言，在语言表达转换过程中容易出现转换误差，因此在将用户需求与档案资源内容匹配时，会出现供需不适配的现象，从而降低档案知识服务水平并破坏用户体验。AIGC生成的聊天机器人，以ChatGPT为典型代表，并非通过有监督的“问题—答案式”的训练直接给出结果，而是通过“基于人类反馈的强化学习（RLHF）”来学习什么是好的回答，以此模仿人类的思维方式，能够主动承认错误、不断自我更新、不断理解人类语言、不断认知用户需求场景，并经过多轮长对话输出优质结果。档案部门可以借助AIGC生成的聊天机器人，为用户提供交互式知识服务，当用户对检索结果不满意时，可以通过与用户进行多轮对话，根据用户的补充描述或提出的质疑，准确把握用户的知识利用需求，不断更新完善自身提供的答案，最终筛选出用户真正需要的、满意的档案资源。

4.2 基于深度学习算法与动态模型的个性化知识推送

档案知识服务是一种“以用户需求为中心” “面向问题”的主动式服务。AIGC技术可以通过深度学习算法，帮助档案馆实现用户行为偏好数据的长期收集与分析，并对其进行管理追踪，建立起更为完整的多维用户画像体系，再将用户画像与基于档案知识数据内容的资源画像相匹配，以此来锚定用户独特的利用需求，主动为用户提供个性化精准服务，克服基于用户自主检索的推荐范式存在的缺陷，并免除用户在海量档案信息内容中的搜索之苦。例如，当用户登录档案网站时，网站后台会根据关键词匹配、用户查询记录与使用轨迹制定相应算法，进而推断用户的个人偏好及潜在需求，并基于此自动调用相关档案信息资源，形成对应的知识内容库，以增强用户深度个性化体验。同时AIGC技术能够自动学习和调整推荐模型，不断适应用户行为的变化。相比传统的推荐算法，AIGC技术融入后可以更加精准地捕捉到用户的需求演变，帮助档案知识供给端及时调整推荐策略。经过对大量数据的反复训练，形成各类推荐模式，再由多种推荐算法复合形成综合性的智能推荐模型，进而实现档案知识内容的“精准推送”。

4.3 基于智能转译的跨模态知识检索

档案馆信息检索的效果是评价其用户服务水平的重要标准之一。当前，档案馆及档案网站使用的档案检索语言与检索工具的专业性较强，虽然这在一定程度上保证了检索的规范性，但同时也提高了信息检索利用的门槛，不利于多层次社会群体的使用[25]，同时检索结果的形式也较为单一，用户体验较差。AIGC赋能的档案检索，可以综合利用各种多模态预训练模型，支持用户使用自然语言（具有专指度高、词汇更新及时和面向用户能力好等优势[26]）进行跨模态检索。例如，由OpenAI团队推出的跨模态深度学习模型CLIP，能够同时进行自然语言理解和计算机视觉分析，进而找到文本、图像与音视频等不同模态信息资源沟通对话的交界点，并实现跨模态资源间的关联匹配。即用户在档案检索系统中利用文字进行搜索，系统除了会通过提取档案资源的语义内容来实现匹配和推理，筛选符合要求的文本资料，同时还可以利用智能转译技术将档案音频、视频中的内容信息转化为文本模态的数据信息，与用户需求相匹配，最终将多模态内容组合，实现跨模态检索，为用户提供多元完整的档案知识信息。同时，还可以利用AIGC中基于多模态模型的智能转译技术，为具有视觉障碍的用户提供语音检索服务。

5 结 语

随着人工智能技术的深入发展，未来AIGC在档案领域的价值会愈发凸显，并逐步实现档案服务模式的转型，为用户提供更全面、满意度更高的智慧服务。然而，尽管AIGC在档案领域具有诸多的应用场景，且依据其技术特征能够进一步提升档案知识服务的效能、优化档案用户体验、促进档案工作的转型升级，但目前档案部门的算力、算法及软硬件基础设施与企业差距较大，仍有很大的提升空间，故AIGC赋能档案知识服务的具体进路亟待进一步的研究。而如何在实际的档案工作中“用好”“用对”AIGC，如何采取相应的措施有效防范应用过程中存在的风险挑战，如何在坚持技术理性的基础上逐步推进其应用，是未来档案学界与档案实践工作者需要持续关注的问题。

*本文系上海市哲学社会科学规划一般项目“知识服务背景下档案数据化转型机制研究”（项目编号：2023BTQ001）阶段性研究成果。

作者贡献说明

颜涵：提出选题与研究框架、撰写论文，本文通讯作者；于英香：参与选题讨论与框架设计、修改论文并定稿。

注释与参考文献

[1]中办国办印发《“十四五”全国档案事业发展规划》[EB/OL].[2024-06-01].https：//www.saac. gov.cn/daj/toutiao/202106/ecca2de5bce44a0eb5 5c890762868683.shtml.

[2]中华人民共和国档案法[EB/OL].[2024-06-01].https：//www.saac.gov.cn/daj/falv/202006/79ca4 f151fde470c996bec0d50601505.shtml.

[3]夏天，钱毅.面向知识服务的档案数据语义化重组[J].档案学研究，2021（2）：36-44.

[4]姚元杰，龚毅光，刘佳，等.基于深度学习的智能问答系统综述[J].计算机系统应用，2023（4）：1-15.

[5][7]赵杨，张雪，范圣悦.AIGC驱动的智慧图书馆转型：框架、路径与挑战[J].情报理论与实践，2023（7）：9-16.

[6]吕元智.数字档案资源跨媒体语义关联聚合实现策略研究[J].档案学研究，2015（5）：60-65.

[8]刘永.档案信息服务工程之知识服务[J].档案管理，2012（2）：4-9.

[9]胡凤华，袁继军.略论档案知识服务学研究[J].兰台世界，2014（17）：6-7.

[10]周建军.显性知识服务：档案管理的有为之路[J].档案学通讯，2015（1）：51-54.

[11]陈永伟.超越ChatGPT：生成式AI的机遇、风险与挑战[J].山东大学学报（哲学社会科学版），2023（3）：127-143.

[12]张凌，乔晓东.基于知识地图的企业知识组织设计研究[J].图书情报工作，2014（18）：110-116.

[13]杨智勇，金波，周枫.“智慧型”档案信息服务模式研究[J].档案管理，2018（6）：21-25.

[14]详见GB/T 15418-2009，《档案分类标引规则》。

[15]储节旺，杜秀秀，李佳轩.人工智能生成内容对智慧图书馆服务的冲击及应用展望[J].情报理论与实践，2023（5）：6-13.

[16]陈亮，秦玉婷，费鸿虹，等.GPT赋能档案馆智慧服务：技术特征、应用场景与实现路径[J].档案与建设，2023（12）：35-38.

[17]牛力，袁亚月，韩小汀.对档案信息知识化利用的几点思考[J].档案学研究，2017（3）：26-33.

[18]郑彦宁，化柏林.句子级知识抽取在情报学中的应用分析[J].情报理论与实践，2011（12）：1-4.

[19]蔡之玲，陆阳.基于DKN算法的档案知识推荐系统模型构建[J].档案学通讯，2021（2）：63-71.

[20]牛力，展超凡，高晨翔，等.人物事件导向的多模态档案资源知识聚合模式研究[J].档案学通讯，2021（4）：36-44.

[21]詹希旎，李白杨，孙建军.数智融合环境下AIGC的场景化应用与发展机遇[J].图书情报知识，2023（1）：75-85，55.

[22]王雨竹，谢珺，陈波，等.基于跨模态上下文感知注意力的多模态情感分析[J].数据分析与知识发现，2021（4）：49-59.

[23]霍艳芳，张嘉玮.红色档案编研的现状和发展路径探析——以华东六省一市为例[J].档案与建设，2024（1）：77-81.

[24]毛秀梅，杨晔.面向政府的网络舆情知识服务体系构建研究[J].情报科学，2016（9）：124-128.

[25]马仁杰，谭亚楠，王沐辉.论我国档案检索工作中存在的问题与改进对策[J].档案学通讯，2016（3）：42-45.

[26]史江，李金峰.档案利用信息反馈工作的问题与对策探讨[J].档案学通讯，2007（3）：27-30.

（责任编辑：孙 洁 陈 骞）