基于關(guān)聯(lián)數(shù)據(jù)的圖書(shū)館信息聚合研究

丁 楠 （浙江大學(xué)圖書(shū)館 浙江杭州 310028）

潘有能 （浙江大學(xué)公共管理學(xué)院信息資源管理系 浙江杭州 310028）

1 引言

關(guān)聯(lián)數(shù)據(jù)可被視為語(yǔ)義網(wǎng)的一種實(shí)現(xiàn)方式，它使得來(lái)自于不同來(lái)源的數(shù)據(jù)相互關(guān)聯(lián)，從而促進(jìn)了萬(wàn)維網(wǎng)的發(fā)展。關(guān)聯(lián)數(shù)據(jù)的出現(xiàn)不僅對(duì)當(dāng)前的超文本網(wǎng)絡(luò)進(jìn)行了擴(kuò)展，同時(shí)也對(duì)當(dāng)前網(wǎng)絡(luò)上紛繁混亂的信息資源進(jìn)行甄別、選擇和定位。［1］隨著大量的數(shù)據(jù)集被轉(zhuǎn)換為關(guān)聯(lián)數(shù)據(jù)，建構(gòu)在其基礎(chǔ)上的應(yīng)用技術(shù)也隨之出現(xiàn)，聚合技術(shù)（Mashup）就是其中最為重要的一種。目前已有的信息聚合技術(shù)主要面向傳統(tǒng)的萬(wàn)維網(wǎng)，而基于關(guān)聯(lián)數(shù)據(jù)的信息聚合技術(shù)主要面向語(yǔ)義網(wǎng)，關(guān)注的焦點(diǎn)在信息本身而不是承載信息的頁(yè)面或是信息的訪問(wèn)接口API，聚合的對(duì)象直接深入到細(xì)粒度級(jí)的具有語(yǔ)義信息的實(shí)體。

圖書(shū)館擁有多年累積的高質(zhì)量數(shù)據(jù)，包含大量值得揭示和參照復(fù)用的有價(jià)值的內(nèi)容實(shí)體，但是這些內(nèi)容實(shí)體都隱藏在書(shū)目記錄內(nèi)部，缺乏獨(dú)立標(biāo)識(shí)和結(jié)構(gòu)化描述，挖掘其相互之間的隱含關(guān)系需要大量的人力，［2］更難以和外部數(shù)據(jù)源建立實(shí)體級(jí)別的鏈接。基于關(guān)聯(lián)數(shù)據(jù)的信息聚合技術(shù)可以幫助圖書(shū)館和全球數(shù)據(jù)網(wǎng)絡(luò)建立鏈接，拓展圖書(shū)館的資源和服務(wù)，使圖書(shū)館和其它相關(guān)領(lǐng)域的數(shù)據(jù)和應(yīng)用進(jìn)行協(xié)同，從而提升圖書(shū)館的價(jià)值。

2 概述

2.1 關(guān)聯(lián)數(shù)據(jù)概述

關(guān)聯(lián)數(shù)據(jù)是國(guó)際互聯(lián)網(wǎng)協(xié)會(huì)（W3C）推薦的一種用來(lái)發(fā)布和聯(lián)接各類數(shù)據(jù)、信息和知識(shí)的標(biāo)準(zhǔn)，它希望在現(xiàn)有的萬(wàn)維網(wǎng)基礎(chǔ)上，建立一個(gè)映射所有自然、社會(huì)和精神世界的數(shù)據(jù)網(wǎng)絡(luò)，通過(guò)對(duì)事物及其相互關(guān)系進(jìn)行機(jī)器可讀的描述，使互聯(lián)網(wǎng)進(jìn)化為一個(gè)富含語(yǔ)義的、互聯(lián)互通的知識(shí)海洋，從而使任何人都能夠借助整個(gè)互聯(lián)網(wǎng)在更大范圍內(nèi)，準(zhǔn)確、高效、可靠地查找、分享、利用這些相互關(guān)聯(lián)的信息和知識(shí)。［3］

關(guān)聯(lián)數(shù)據(jù)采用RDF（資源描述框架）數(shù)據(jù)模型，利用URI（統(tǒng)一資源標(biāo)識(shí)符）命名數(shù)據(jù)實(shí)體，并在網(wǎng)絡(luò)上發(fā)布，從而可以通過(guò)HTTP協(xié)議揭示并獲取這些數(shù)據(jù)，同時(shí)強(qiáng)調(diào)數(shù)據(jù)的相互聯(lián)系以及有助于人和計(jì)算機(jī)理解數(shù)據(jù)的語(yǔ)境信息。［4］

關(guān)聯(lián)數(shù)據(jù)可以在不同來(lái)源的數(shù)據(jù)之間創(chuàng)建鏈接。這些數(shù)據(jù)源可能是兩個(gè)處于不同地理位置的機(jī)構(gòu)所維護(hù)的數(shù)據(jù)庫(kù)，也可能是一個(gè)機(jī)構(gòu)內(nèi)的無(wú)法在數(shù)據(jù)層面上進(jìn)行互操作的不同系統(tǒng)。關(guān)聯(lián)數(shù)據(jù)可鏈接至其它外部數(shù)據(jù)集，同樣也可被來(lái)自外部數(shù)據(jù)集的數(shù)據(jù)所鏈接，從而形成關(guān)聯(lián)數(shù)據(jù)網(wǎng)絡(luò)。

關(guān)聯(lián)數(shù)據(jù)網(wǎng)絡(luò)和當(dāng)前的超文本網(wǎng)絡(luò)有所不同，超文本網(wǎng)絡(luò)是通過(guò)超鏈接將HTML文件連接起來(lái)，但關(guān)聯(lián)數(shù)據(jù)并非是簡(jiǎn)單地連接這些文件，而是使用RDF形成鏈接世界上任何事物的網(wǎng)絡(luò)，也即數(shù)據(jù)網(wǎng)絡(luò)，數(shù)據(jù)網(wǎng)絡(luò)可被定義為由網(wǎng)上數(shù)據(jù)描述世界上所有實(shí)體的網(wǎng)絡(luò)。

2.2 關(guān)聯(lián)數(shù)據(jù)在圖書(shū)館中的應(yīng)用

作為信息收集、組織與處理的專門機(jī)構(gòu)，圖書(shū)館的MARC數(shù)據(jù)，規(guī)范記錄，主題標(biāo)目等資源都可以發(fā)布為關(guān)聯(lián)數(shù)據(jù)。在國(guó)外，瑞典國(guó)家圖書(shū)館早在2008年便將瑞典聯(lián)合目錄（LIBRIS）發(fā)布為關(guān)聯(lián)數(shù)據(jù)。LIBRIS共包含約600萬(wàn)條書(shū)目記錄，2000萬(wàn)條館藏記錄及20萬(wàn)條規(guī)范記錄，為超過(guò)170家大學(xué)圖書(shū)館、公共圖書(shū)館、博物館和檔案館提供編目服務(wù)。LIBRIS是世界上第一個(gè)被整體發(fā)布為關(guān)聯(lián)數(shù)據(jù)的聯(lián)合目錄或國(guó)家圖書(shū)館目錄，在發(fā)布關(guān)聯(lián)數(shù)據(jù)的過(guò)程中，LIBRIS使用的詞匯表并沒(méi)有僅限于圖書(shū)館學(xué)領(lǐng)域，而是一個(gè)包含了DC、SKOS、FOAF和Bibliontology的一個(gè)混合體。［5］此外，美國(guó)國(guó)會(huì)圖書(shū)館、德國(guó)國(guó)家圖書(shū)館、法國(guó)國(guó)家圖書(shū)館、OCLC等國(guó)際、國(guó)家級(jí)的書(shū)目數(shù)據(jù)或規(guī)范數(shù)據(jù)也紛紛開(kāi)放了關(guān)聯(lián)數(shù)據(jù)服務(wù)。

關(guān)聯(lián)數(shù)據(jù)也為圖書(shū)館的資源發(fā)現(xiàn)服務(wù)提供了一種新的途徑，通過(guò)將圖書(shū)館的資源和外部信息源連接起來(lái)，可以增強(qiáng)和擴(kuò)展圖書(shū)館的資源發(fā)現(xiàn)平臺(tái)。近年來(lái)，Library Thing、Syndetic Solutions等系統(tǒng)已能為圖書(shū)館提供圖書(shū)的目次、封面和評(píng)論的外部鏈接，但仍局限于書(shū)目層次上的信息，且需事先指定外部信息源并了解其接口以便編程訪問(wèn)，對(duì)大部分圖書(shū)館來(lái)說(shuō)技術(shù)實(shí)現(xiàn)上存在一定的難度。而關(guān)聯(lián)數(shù)據(jù)允許圖書(shū)館關(guān)聯(lián)到外部海量的結(jié)構(gòu)化數(shù)據(jù)中，并不局限于資源本身，還可以擴(kuò)充地點(diǎn)、人員等信息。［6］

2.3 信息聚合

信息聚合是指將來(lái)自于多個(gè)分布的、異構(gòu)的信息源中的內(nèi)容整合在一起，以便于用戶瀏覽、檢索及利用。早期，一個(gè)網(wǎng)站或網(wǎng)絡(luò)應(yīng)用中的信息通常只來(lái)自于本地存儲(chǔ)，而聚合是從多個(gè)分散的源獲取信息。目前信息聚合的方法主要有兩種：

（1）網(wǎng)頁(yè)層面的簡(jiǎn)單聚合。即通過(guò)RSS把來(lái)自于不同站點(diǎn)的網(wǎng)頁(yè)信息聚合在一起，從而實(shí)現(xiàn)在一個(gè)網(wǎng)站或應(yīng)用系統(tǒng)中可以同時(shí)看到多個(gè)網(wǎng)站的內(nèi)容，常見(jiàn)的RSS閱讀器就是這種形式的聚合。

（2）Web API層面的信息聚合。其信息源不僅限于RSS，也可以通過(guò)各種Web API（網(wǎng)絡(luò)應(yīng)用程序接口）來(lái)獲取，如通過(guò)Google Maps API獲取地圖信息通過(guò)YouTube API獲取視頻信息、通過(guò)Amazon API獲取商品信息等。目前，大部分的聚合應(yīng)用都是基于Web API的，每天都有新的聚合應(yīng)用被開(kāi)發(fā)出來(lái)，又有新的API隨時(shí)發(fā)布到網(wǎng)上，為用戶提供各式各樣的應(yīng)用。但在另一方面，無(wú)論是API的創(chuàng)建還是使用都不是一件容易的事情，需要花費(fèi)大量的時(shí)間。

3 基于關(guān)聯(lián)數(shù)據(jù)的圖書(shū)館信息聚合

和傳統(tǒng)的信息聚合方法相比，關(guān)聯(lián)數(shù)據(jù)技術(shù)提供了一種靈活且易實(shí)現(xiàn)的聚合方法，用戶只需要關(guān)心信息本身，而不需要擔(dān)心各個(gè)數(shù)據(jù)源的API如何使用。對(duì)圖書(shū)館來(lái)說(shuō)，通過(guò)信息聚合將外部資源和本館資源整合到一起，為用戶提供多角度、全方位、可視化的訪問(wèn)和了解信息的途徑，可以擴(kuò)展資源范圍，改進(jìn)用戶服務(wù)，從而提升圖書(shū)館的價(jià)值（見(jiàn)圖1）。

圖1 基于關(guān)聯(lián)數(shù)據(jù)的圖書(shū)館信息聚合模型

3.1 數(shù)據(jù)層

數(shù)據(jù)層可分為本地?cái)?shù)據(jù)源和外部數(shù)據(jù)源兩大部分，其中本地?cái)?shù)據(jù)源是指圖書(shū)館自身所擁有的書(shū)目、詞表和數(shù)字資源等，外地?cái)?shù)據(jù)源即鏈接到關(guān)聯(lián)數(shù)據(jù)網(wǎng)絡(luò)中的各種數(shù)據(jù)集，這些數(shù)據(jù)集原先可能以關(guān)系型數(shù)據(jù)庫(kù)、電子表格、Web網(wǎng)站等多種形式存放，因此必須采取不同的方法轉(zhuǎn)換成關(guān)聯(lián)數(shù)據(jù)。

（1）關(guān)系型數(shù)據(jù)庫(kù)。目前已有很多開(kāi)放的工具用于將關(guān)系型數(shù)據(jù)庫(kù)發(fā)布為關(guān)聯(lián)數(shù)據(jù)，如D2RServer、Triplify等，用于表達(dá)關(guān)聯(lián)數(shù)據(jù)中的實(shí)體的詞匯表可以自行構(gòu)建，也可以使用目前已有的本體或詞匯表中的詞匯，例如用于表述人名的foaf：name，用于表述資源標(biāo)題的dc：title，用于表述經(jīng)緯度的geo：lat和geo：long等等，這些本體或詞匯表可以通過(guò)Swoogle和Sindice等工具來(lái)查找。

（2）電子表格。在許多組織中，大量的數(shù)據(jù)以電子表格的形式通過(guò)Email進(jìn)行傳遞。甚至連美國(guó)政府早期的開(kāi)放數(shù)據(jù)網(wǎng)站recovery.gov中的數(shù)據(jù)都是以電子表格的形式發(fā)布的。目前已有不少工具可將電子表格形式的數(shù)據(jù)轉(zhuǎn)換成RDF，例如 Anzo for Excel和Topbraid Composer能將Excel表格轉(zhuǎn)換為RDF數(shù)據(jù)，而XLWrap除了Excel，還能轉(zhuǎn)換OpenDocument和CSV格式的文檔。

（3）XML。XML文檔可以直接發(fā)布到Web上，為了便于他人使用，最好簡(jiǎn)要說(shuō)明一下XML文檔的內(nèi)容以及文檔之間的關(guān)系。當(dāng)然，也可以用XSLT或ASP、JSP等腳本語(yǔ)言編寫(xiě)一個(gè)簡(jiǎn)單的腳本，將XML文檔轉(zhuǎn)換為RDF。

（4）Web網(wǎng)站。對(duì)于Web網(wǎng)站的頁(yè)面，可以采用RDFa技術(shù)改變產(chǎn)生頁(yè)面的腳本語(yǔ)言，使得這些頁(yè)面所含的數(shù)據(jù)可以被其他人重新抽取并發(fā)布為關(guān)聯(lián)數(shù)據(jù)。另外一種可選的方法就是為每個(gè)Web頁(yè)面都編寫(xiě)一個(gè)平行的包含RDF/XML格式數(shù)據(jù)的頁(yè)面。［7］

3.2 聚合層

在聚合層中，圖書(shū)館通過(guò)統(tǒng)一的規(guī)范訪問(wèn)關(guān)聯(lián)數(shù)據(jù)網(wǎng)絡(luò)，并將其和本館資源進(jìn)行詞表或本體上的映射，自動(dòng)或半自動(dòng)地進(jìn)行實(shí)體識(shí)別，最終形成集成數(shù)據(jù)以便下一步應(yīng)用。

（1）數(shù)據(jù)訪問(wèn)。數(shù)據(jù)訪問(wèn)的基本方法是解析關(guān)聯(lián)數(shù)據(jù)集提供的HTTP URI，獲取以RDF模型描述的對(duì)象信息。也有一些數(shù)據(jù)集提供RDF包供下載，或支持SPARQL遠(yuǎn)程查詢，SPARQL是一種用于RDF的查詢語(yǔ)言，2008年成為W3C推薦標(biāo)準(zhǔn)。此外，Sindice、Falcons等關(guān)聯(lián)數(shù)據(jù)搜索引擎也提供了訪問(wèn)他們從網(wǎng)絡(luò)上獲取到的數(shù)據(jù)的接口。

（2）本體映射。基于關(guān)聯(lián)數(shù)據(jù)的信息聚合是指將來(lái)自于多個(gè)不同的關(guān)聯(lián)數(shù)據(jù)集中的信息集成起來(lái)并進(jìn)行整合，這些數(shù)據(jù)集經(jīng)常使用不同的本體來(lái)描述同一領(lǐng)域的信息。雖然FOAF、SKOS、Dublin Core等通用本體在一些數(shù)據(jù)集中也得到了應(yīng)用，但出于種種原因，大部分的數(shù)據(jù)集還是在使用自行設(shè)計(jì)的領(lǐng)域本體或應(yīng)用本體，甚至根本就沒(méi)有使用本體，而只是附加了一個(gè)簡(jiǎn)單的數(shù)據(jù)說(shuō)明。因此，不同數(shù)據(jù)集之間的本體映射成為信息聚合的主要研究?jī)?nèi)容之一。

通用本體之間的映射比較容易實(shí)現(xiàn)，只需比較用于表示本體概念的字符串是否相同即可。領(lǐng)域本體或應(yīng)用本體之間的映射是當(dāng)前本體與語(yǔ)義網(wǎng)領(lǐng)域的研究熱點(diǎn)之一，主要方法包括基于名稱的技術(shù)、基于結(jié)構(gòu)的技術(shù)和基于語(yǔ)義的技術(shù)等。引入外部知識(shí)也是一種值得關(guān)注的方法，因?yàn)楹蛡鹘y(tǒng)的本體匹配環(huán)境不同，關(guān)聯(lián)數(shù)據(jù)環(huán)境天然具有鏈接到外部知識(shí)庫(kù)并將其作為參照或背景知識(shí)的能力。外部知識(shí)庫(kù)可分為通用知識(shí)庫(kù)（或稱為世界知識(shí)，如Wordnet等）和領(lǐng)域知識(shí)庫(kù)（如UMLS等），這些知識(shí)庫(kù)一般將其所有概念組織為樹(shù)狀結(jié)構(gòu)，可通過(guò)計(jì)算一個(gè)概念到另一個(gè)概念的距離，結(jié)合概念所處層次和概念的疏密程度來(lái)計(jì)算概念間的相似度。

對(duì)于沒(méi)有使用本體的數(shù)據(jù)集，可考慮對(duì)其所含的實(shí)例數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，找出可能指向同一實(shí)體的數(shù)據(jù)記錄并聚類，從而將其隱含的語(yǔ)義信息顯性化，實(shí)現(xiàn)數(shù)據(jù)集之間的映射。

（3）實(shí)體識(shí)別。關(guān)聯(lián)數(shù)據(jù)集之間的本體映射為信息聚合打下了基礎(chǔ)，而在不同的數(shù)據(jù)集中指向同一實(shí)體的實(shí)例數(shù)據(jù)之間建立關(guān)聯(lián)則是信息聚合的重點(diǎn)。本體映射在概念之間建立了關(guān)聯(lián)，相同的概念一定擁有相似的實(shí)例，但具體哪些實(shí)例描述的是同一個(gè)實(shí)體依然未知。單純的基于實(shí)例名稱的比較將產(chǎn)生較多的誤匹配，例如人名、地名等。數(shù)據(jù)關(guān)聯(lián)的核心在于為每個(gè)實(shí)例產(chǎn)生一個(gè)唯一的標(biāo)識(shí)，這些標(biāo)識(shí)可能本身就存在，例如用于標(biāo)識(shí)圖書(shū)的ISBN號(hào)，用于標(biāo)識(shí)期刊的ISSN號(hào)等。也可以將該實(shí)例的多個(gè)屬性值相結(jié)合以生成唯一標(biāo)識(shí)，如姓名加籍貫加出生日期，論文題名加作者加期刊名等。在無(wú)法生成唯一標(biāo)識(shí)的情況下，則可通過(guò)屬性值之間相似度的計(jì)算在實(shí)例之間建立關(guān)聯(lián)，同時(shí)，為了提高關(guān)聯(lián)的準(zhǔn)確度，可以采用一些屬性來(lái)排除關(guān)聯(lián)，例如性別屬性：即使姓名和機(jī)構(gòu)名稱相同，但性別不同的個(gè)體之間不能建立關(guān)聯(lián)。

本體映射與實(shí)體識(shí)別之間存在互補(bǔ)關(guān)系，本體映射是實(shí)體識(shí)別的基礎(chǔ)，同時(shí)實(shí)體識(shí)別的結(jié)果又可用于本體映射的評(píng)價(jià)與改進(jìn)，二者的迭代使用可提高信息聚合的質(zhì)量。

3.3 應(yīng)用層

在信息聚合的基礎(chǔ)上，圖書(shū)館可以對(duì)原有的應(yīng)用進(jìn)行拓展，或是開(kāi)發(fā)新的應(yīng)用。目前，許多圖書(shū)館通過(guò)實(shí)施資源發(fā)現(xiàn)服務(wù)擴(kuò)展其目錄檢索界面，展示更多的館藏信息，使用戶可以瀏覽動(dòng)態(tài)更新的結(jié)果，但由于它主要是通過(guò)主題標(biāo)目和MARC記錄里的數(shù)據(jù)來(lái)實(shí)現(xiàn)，具有一定的局限性。而關(guān)聯(lián)數(shù)據(jù)可以為擴(kuò)展書(shū)目信息提供結(jié)構(gòu)化的集成數(shù)據(jù)，為用戶提供新的資源發(fā)現(xiàn)和訪問(wèn)服務(wù)。

隨著數(shù)據(jù)的保存、交換和再利用受到越來(lái)越多的重視，并從最初的科學(xué)實(shí)驗(yàn)數(shù)據(jù)擴(kuò)大到地理數(shù)據(jù)、統(tǒng)計(jì)數(shù)據(jù)等，圖書(shū)館開(kāi)始幫助研究者保存、管理他們創(chuàng)建的數(shù)據(jù)，并提供給社會(huì)使用。關(guān)聯(lián)數(shù)據(jù)可以使圖書(shū)館在數(shù)據(jù)融合方面發(fā)揮更大的作用，通過(guò)對(duì)地點(diǎn)、名詞、題名和概念等的匹配和映射，在數(shù)據(jù)對(duì)象之間建立語(yǔ)義鏈接，從而為用戶提供更有意義的檢索結(jié)果。

此外，圖書(shū)館越來(lái)越多地參與了學(xué)術(shù)交流過(guò)程中不同階段的活動(dòng)，例如提供研究資料、幫助研究者發(fā)現(xiàn)其研究成果的引文影響力等。在此過(guò)程中，圖書(shū)館需要考慮系統(tǒng)的互操作性，而關(guān)聯(lián)數(shù)據(jù)能在這方面提供很好的支持。［8］

4 結(jié)語(yǔ)

雖然關(guān)聯(lián)數(shù)據(jù)概念的提出至今不過(guò)5年時(shí)間，但由于其本身所具有的開(kāi)放、易用和可擴(kuò)展特點(diǎn)，使其得到了迅速的發(fā)展。目前，僅LOD中的數(shù)據(jù)就已經(jīng)超過(guò)了250億條，并正以指數(shù)速度增長(zhǎng)，構(gòu)建了龐大的數(shù)據(jù)網(wǎng)絡(luò)。基于關(guān)聯(lián)數(shù)據(jù)的信息聚合可以把圖書(shū)館的資源和外部的數(shù)據(jù)網(wǎng)絡(luò)相互連接起來(lái)，增強(qiáng)和擴(kuò)展其資源發(fā)現(xiàn)平臺(tái)，更好的保存、管理和利用研究者創(chuàng)建的數(shù)據(jù)，促進(jìn)學(xué)術(shù)交流。當(dāng)然，本文僅提出了一個(gè)在理論上可行的基于關(guān)聯(lián)數(shù)據(jù)的圖書(shū)館信息聚合模型，可能會(huì)有新的問(wèn)題在系統(tǒng)實(shí)施過(guò)程中出現(xiàn)并得到解決，從而積累更多的經(jīng)驗(yàn)，提升圖書(shū)館在關(guān)聯(lián)數(shù)據(jù)研究、應(yīng)用中的地位和作用。

［1］Christian Bizer，Tom Heath，Tim Berners-Lee.Linked data-the story so far［J］.International Journal on Semantic Web and Information Systems，2009，5（3）：1-22.

［2］［3］劉煒.關(guān)聯(lián)數(shù)據(jù)：概念、技術(shù)及應(yīng)用展望［J］.大學(xué)圖書(shū)館學(xué)報(bào)，2011，29（2）：5-12

［4］Structured Dynamics LLC.Linked Data FAQ［EB/OL］.［2010-03-06］.http：//structureddynamics.com/linked_da ta.html.

［5］Anders S?derb?ck，Martin Malmsten.LIBRIS-Linked Library Data［J］.Nodalities，2008，（5）：19-20.

［6］［8］黃永文.關(guān)聯(lián)數(shù)據(jù)在圖書(shū)館中的應(yīng)用研究綜述［J］.現(xiàn)代圖書(shū)情報(bào)技術(shù)，2010，29（5）：1-7.

［7］Tim Berners-Lee.Putting Government Data online［EB/OL］.［2010-12-06］.http：//www.w3.org/DesignIssues/Gov Data.html.