语义Web环境下数字图书馆知识发现的维度框架研究_数字图书馆论文

语义网环境下数字图书馆知识发现的维度框架研究，本文主要内容关键词为：维度论文,语义论文,框架论文,数字图书馆论文,发现论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。

      doi:10.3772/j.issn.1000-0135.2014.02.004

      1 引言

      知识发现(Knowledge Discovery in Databases，KDD)是从海量数据中提取隐含在其中的、尚不为人所知的、可信的潜在信息和知识的过程。1993年，美国NSF\DARPA \NASA联合发起了数字图书馆创始工程(DLI1)，数字图书馆(Digital Library，DL)的概念被正式提出，馆藏资源开始大量地被以数字化形式存储、检索、传输。数字图书馆知识发现是知识发现在数字化馆藏资源上的应用，即从数字化馆藏资源中发现某些知识片段中存在的隐含的关系规则，从而挖掘关系规则背后隐藏的知识。

      近年来，随着知识发现相关理论与技术的不断成熟，知识发现作为挖掘和发现数字图书馆资源之间及其内在的语义关联的重要途径，引起了学术界的关注。与此同时，语义网技术的发展对数字图书馆的知识发现既提出了新的挑战，同时也带来了新的机遇。原本聚焦于数据和信息层面进行资源聚合，发展到对资源内在特征、知识内容的深度揭示，以及基于语义层面的知识挖掘与发现等。从而使得语义网环境下数字图书馆知识发现成为提升图书馆知识服务水平的重要渠道。

      实现数字图书馆知识发现的基本条件是发现资源之间及其内在的语义关联，语义关系揭示的越丰富，资源聚合和挖掘的深广度与效果就越好。对数字图书馆知识发现进行研究，有助于构建一个内容相互关联、多维度、多层次的资源体系；有助于将不同主题学科、不同内涵外延、不同属性关系的知识内容进行识别、标识和关联，形成集概念主题、学科内容和科研对象实体为一体的立体化知识网络。[1]

      本文从数字图书馆知识发现角度出发，从组织结构维度、传播扩散维度、关联关系维度三个方面论述了数字图书馆知识发现的多维性，构建了数字图书馆知识发现的多维度理论框架，以期对为语义网络环境下数字图书馆知识发现研究提供借鉴。

      2 研究背景与相关研究工作

      2.1 基本定义

      知识发现(Knowledge Discovery in Database，KDD)一词最早出现在1989年8月在底特律举行的第十一届国际人工智能联合会议上[2]。随后在1991年、1993年和1994年都举行KDD专题讨论会，汇集来自各个领域的研究人员和应用开发者，集中讨论数据统计、海量数据分析算法、知识表示、知识运用等问题。随着参与人员的不断增多，KDD于1995年由国际研讨会发展成为国际会议年会。由于蕴藏知识的信息大多存储在数据库中，知识发现在学术领域通常被称作数据库中的知识发现模式(KDD)，如关联规则、决策树等。在我国，直至1997年国家自然科学基金首次支持对该领域的项目研究。语义网络环境下的数字图书馆知识发现的研究，实质上是一个基于语义关联的知识结构与知识扩散的智能化、自动化的过程，它通过数据挖掘等技术提炼知识关联数据，使知识结构与知识扩散模式更抽象、更有用。

      2.2 研究动态与趋向

      目前国内外数字图书馆知识发现的研究主要是以知识发现的任务描述、知识评价与知识表示为主线，有效的知识发现算法为中心，且已取得了一些研究成果，主要包括从数据库的角度进行研究，强调知识发现的效率；从机器学习的角度进行研究，强调知识发现的有效性；从计量分析的角度进行研究，强调知识发现的正确性；以及从微观经济学角度进行研究，强调知识发现的最大效用。这是相当长一段时间内保持的主流基调，其现实发展的持续特征包括强化基础理论、方法拓展、复杂类型数据挖掘、新技术应用四个方面。

      (1)强化基础理论研究。数据库知识发现是一个很成熟的领域，起源于20世纪80年代人工智能领域研究中，但自情报学领域的学者D.R.Swanson把数据库知识发现应用到美国的大型医学文献数据库中，发现了新的知识，从而创造了情报学研究的新方法，时至今日数字图书馆知识发现已经成为与其他学科结合紧密的新兴学科，这种以数据为基础的科学发现被称作学科情报学(X-informatics)，是有关知识发现的组织、描述、获取、集成、挖掘、分析分布数据资源的学科。用户利用学科情报学的理论，实践他们系统接受连接大型数据仓库、了解重要数据调查方法、挖掘分析数字图书馆资源的内容特征等[3]。数字图书馆独立完成分析、组织、存储功能也受到挑战，通过采取分权理论，邀请用户参与到数字图书馆知识库的建设中来，为数字图书馆资源的开发利用提供相应的理论支持[4]。

      (2)原有理论方法的深化与拓展。如传统研究方法在数字图书馆知识发现方面取得了一定的突破或得到新的应用。应用于传统文本搜索领域的“文本频率—逆向文档频率(TF-IDF)”面向词对扩展成为“词对频率—逆向文档频率—词对无关联(TPFIDF-TPU)”方法，在发现文档中新词汇关联，建立概念地图方面发挥了重要作用[5]；诞生于20世纪60年代的创新性思维模型的核心思想“双重关联(Bisociation)”方法应用于数字图书馆知识发现中[6]；小波分析方法也成功用于数字图书馆文本类型分析，实现对文本分类的重构[7]；对数字图书馆知识发现系统评价方法研究，如测量布尔和统计学信息检索方法的召回率与精确度[8]等；尤其是信息计量学所特有的引文分析方法以及共现分析的综合运用，对数字图书馆资源的知识发现和相关资源推荐提供了有益的启示，如Science Direct、pubMed等数据库都集成了该类型的文献推送应用，它们的知识发现功能多体现在学科领域结构探测中，具体表现为学者交流、群体演化、学科结构演进与发现[9]，以及科学范式的表达、学科知识图谱的绘制[10]等；近年来，共现分析、引文分析与语义分析的融合研究也越来越多，基于引证网络与文本挖掘的微观主题知识探测[11]、基于引文耦合的核心文献发现与检索推荐[12]、概率潜在语义分析与主题模型等方法应用于数字图书馆资源知识发现[13，14]等方面的研究已逐渐成为国外学者关注的热点。

      (3)复杂类型数据挖掘成为热点。如生物信息挖掘、半结构化、非结构化等复杂类型数据挖掘、分布式数据挖掘系统、流数据挖掘系统等。Naderi和Witte综合利用语义分析与本体模型以及文本挖掘技术构建了开放突变挖掘系统，实现了生物医学文献中的突变影响信息智能预测[15]；基于非结构化的知识模式，实现以推理为基础的数字图书馆资源知识发现与智能检索[16]。

      (4)新技术的引入与应用。数字图书馆知识发现应用技术主要包括可视化技术、语义信息分析与抽取技术。国外研究者主要从数字图书馆文本信息可视化、检索过程可视化、检索结果集可视化、语义呈现可视化[17]、可视化的用户分析和数字图书馆可视化应用[18-20]等方面进行研讨。在数字图书馆信息检索过程可视化研究中Xerox PARC作出了代表性的研究成果，如Tilebars系统，以及Scatter/Gather系统。Scatter/Gather系统是检索结果可视化中基于分类的文档簇法；TileBARS是加州大学数字图书馆项目中基于Web的分布式检索课题CheshireⅡ的一部分，也是当前比较方便、实用的检索可视化系统。由EC(European Community)支持开发的AQUA(Advanced Query User Interface Architecture)系统也是其代表之一。语义信息分析与抽取技术是目前数字图书馆知识发现领域应用最广的技术，相关成果也较多，主要归结为三大类，即语法分析、语义分析、语法与语义结合分析。语义分析与抽取的研究均呈现出自动化、智能化、深层语义化的趋势，语义分析从“词-句”小规模分析向“词-文本/客观对象”大规模分析转变，语义信息提取也逐步从部分的浅层语义信息向全部的深层语义知识提取转变[21]。如使用本体来提升内容质量，减少冗余搜索结果[22]；或者透过概念间的语义关系在看似不存在关联的多个领域建立信息网络，识别重要领域的相关概念，即网络中的核心节点，由此找到原本未发现的跨领域连结[23]。下一代多媒体数字图书馆技术是实现自动化媒体处理链，用云计算技术对各种文献类型进行内容分析，提取媒体内在信息的文字表达，而后对媒体档案的名称和类型进行提取并消除歧义；其搜索引擎集成语义网技术，描述媒体与各类实体项目的联系。查询可以通过用户的探索行为来缩小或扩展，检索结果也能通过从主题和实体项目方面去除二义性而变得精炼[24]。

      我国数字图书馆知识发现研究虽然起步较晚，但研究力量不容小觑。贺德方和曾建勋创新性提出的从涉及文献内部到文献外部再到社会环境的多种方法的融合在一定程度上促进了数字图书馆资源的深度聚合与知识发现[25]。韩涛曾指出生物信息学领域内科学数据库与文献数据库之间存在着通过外部相似性建立的交叉引用关系，以及在内容层面直至知识层面的内部关联关系，而这种关系则可实现两个库之间的聚合与知识发现[26]。邱均平研究团队提出了基于计量分析的馆藏资源语义化理论[27]，并从共现与耦合的理论原理出发，基于计量学中共现与耦合方法在馆藏资源聚合中的应用，从文献特征关联利用、过程关联、知识关联、用户需求关联四维角度探讨了典型的八种馆藏文献资源聚合模式[28]，这对于扩大数字图书馆资源语义化的应用范围，促进知识发现和提升数字图书馆智能服务提供了更广泛的探索空间。

      综上所述，尽管学术界近年来对数字图书馆知识发现进行了较为广泛的研究，相关研究成果也比较丰富，但是大多数研究仅仅局限于单一的视角，研究深度有待进一步提高。有鉴于此，多视角、多维度融合的数字图书馆知识发现研究已逐渐引起学术界的关注。

      

      图1 三种维度间的概略关系

      3 数字图书馆知识发现的三种主要维度

      研究发现，数字图书馆知识发现并非是单一线索下的线性知识延展，而是多维的，且在实践工作中不同维度之间总是相互关联、相互作用的。在对当前数字图书馆知识发现相关研究进行充分回顾与分析的基础上，提炼出知识的组织结构维度、关联关系维度、传递扩散维度。

      组织结构维度：知识的结构是知识序化的基础，是知识系统化、学科化的保障，组织结构维度主要聚焦于领域知识的内部组织结构。换句话说在特定领域内，知识概念间的种属关系(父子、兄弟等)构成了具有一定层级性(偏序性)的组织结构。目前在揭示知识组织结构方面，最具有代表性的当属领域本体。由于领域本体内部结构严谨、逻辑严密，因此无论是用于资源聚合还是基于本体进行知识推理都取得了较为丰富的成果，并且基于概念的语义映射正逐步向多本体协同的方向发展。与此同时，社会网络分析也为丰富本体语义关系做出了贡献。

      传递扩散维度：传递扩散维度强调的是客观知识世界与人类主观意识世界的交互。知识与人总是紧密相连的，即使波普尔划分了“世界3”为客观知识世界，但是还是强调“世界2”(主观认识世界)与“世界3”的联系。传递扩散维度关注人类主观认知与客观知识之间的互动关系。当前最能反映这一问题的就是风靡整个互联网的分众分类法。分众分类法允许用户自由标注资源，通过“统计上浮”原理使反映群体意识的用户标签生成标签云。从而使得知识在人类主观认知作用下传递扩散，并在过程中发生嬗变与迁移。

      关联关系维度：关联关系维度主要是从知识间关联关系的角度出发，重点观测知识间相互影响、相互扰动的状态、规律与模式。所谓“关联关系”既可以是知识单元间的关联关系，也可以是知识单元与知识群落(按照某一标准的知识单元集合)的关联关系，还可以是知识群落与知识群落的关联关系，甚至是资源间的关联关系、语义关联关系、数据关联关系等。复杂网络与社会网络分析是这一维度下的主要研究方法，考虑到文献计量(作者、机构、关键词、引文等)、Web计量(