數字資源元數據質量管理的研究與探索

程 穎（武漢大學圖書館 武漢 430072）

數字資源元數據質量管理的研究與探索

程 穎
（武漢大學圖書館 武漢 430072）

〔摘 要〕數字資源已成為圖書館重要的信息資源，對數字資源元數據進行質量管理是數字資源管理的重要內容。文章從數字資源元數據質量管理的需求出發，分析了元數據質量問題，結合武漢大學圖書館多年來數字資源元數據質量管理的研究與實踐探索，構建了數字資源元數據質量管理模型，并給出了元數據質量管理流程和質量管理相關建議。

〔關鍵詞〕數字資源 元數據 數據質量 數據管理 信息組織 大數據

數字資源又稱電子資源，是伴隨著計算機技術、信息技術及網絡技術的發展而產生的一種新型資源[1]，它包括電子期刊、電子圖書、電子學位論文和電子會議論文等。隨著數字圖書館的發展，數字資源已在資源建設中發揮著非常重要的作用。目前，許多圖書館的數字資源數量巨大，以武漢大學圖書館為例，截至2014 年12月，共訂購各類數據庫455個，其中中外文數字化書刊達到871萬冊[2]，隨著今后繼續訂購數字資源，及網絡開放存取資源的不斷發展，圖書館可提供用戶訪問的數字資源數量將持續攀升。元數據作為揭示數字資源內容、屬性及特征等信息的一種數據形式，在資源整合、資源檢索、資源發現、資源評估及資源管理等應用中發揮著非常重要的作用[3-5]，數字資源元數據質量也直接影響數字資源的建設水平和服務質量。2004年美國學者Bruce和Hillman將元數據質量定義為“元數據滿足需求和目標的程度”[6]。由于數字資源元數據來源多樣、數據量大及重復率高等原因，造成數據質量問題頻現，從而影響了數字資源的有效利用。如何對獲得的數字資源元數據進行質量管理，建設高質量的元數據倉儲，以提供更好的信息服務，而不過多地依賴外部公司，是圖書館需要探索與解決的問題。

1 數字資源元數據質量管理的需求分析

數字資源元數據是關于數字資源及其特性的結構化信息[7]，是數字圖書館信息組織的基礎[8]，對數字資源元數據進行質量管理是圖書館業務發展的需要。

揭示數字資源的需要。通過查看元數據可以了解數字資源的信息：①內容信息。包括題名、著者、摘要、主題、關鍵詞及分類等信息。②屬性信息。包括數字資源特征、資源類型特征、數據來源特征及服務類型特征等。③定位信息。提供數字資源的網絡鏈接地址，以方便直接查看數字資源的內容。④歷史沿革。描述數字資源的發展變化，例如電子期刊改名、頻率變化、合刊、分刊、前刊和后續刊等情況。⑤關聯關系。揭示數字資源與相關資源、相關系統及數據庫的關系，如數字資源與其對應的印刷型資源的關聯。

管理數字資源的需要。目前，許多數字資源仍采取以單個數據庫為單位的管理模式，這種模式很難準確地掌握電子圖書、電子期刊等單個數字資源的實際情況。元數據是“數字資源”的替代品[9-10]，通過它可以管理電子圖書、電子期刊等單個數字資源，及基于單個資源而衍生出的集合式數字資源的訪問控制、各數據庫訪問點的集成、互操作、數字資源的訪問統計、評價及引用等。

利用數字資源的需要。數字資源元數據使得數字資源的許多應用成為可能，如資源發現、資源檢索、資源共享、資源鏈接及數字資源評介等應用均依賴于元數據，且與元數據質量緊密相關。高質量元數據使得用戶檢索時能準確地定位到數字資源的內容，低劣的元數據則會導致檢索時出現過多的、不相關的、或重復記錄，從而影響數字資源的利用。

目前，數字資源元數據質量出現各種問題，以正在發展中的資源發現系統為例，它是基于元數據倉儲的一種資源整合系統，由于其數據獲取渠道多樣、著錄規范不統一、元數據倉儲不在本地，及系統商缺乏元數據技術人員等原因，使得僅依賴資源發現系統商難以解決元數據質量問題[11]，圖書館專注元數據發展，有經驗豐富的從事元數據工作的隊伍，因此，可在數字資源元數據質量管理上做些探索性工作。數字資源元數據質量管理是通過規劃及運用相應的技術和方法對獲取的各來源的數字資源元數據實施科學的、有效的質量管理，以提供高質量的信息服務，使數字資源能夠得到更好的利用。檢索中國學術期刊網絡出版總庫，2005-2014年間數字資源元數據質量方面的論文只有9篇，表明元數據質量管理尚處于摸索階段，缺乏一套適應國內實際情況的數字資源元數據質量管理方案。武漢大學圖書館多年來一直進行數字資源元數據質量管理的理論研究及實踐探索，以下結合實踐來探討元數據質量管理的若干問題。

2 數字資源元數據質量問題及分析

2. 1 數字資源元數據的質量問題

（1） 數據有誤。數字資源元數據沒有嚴格遵循國際、國內及行業內的著錄標準和規范。一方面表現在著錄有誤，如字段名稱錯誤，指示符設置錯誤，字母拼寫錯誤，外國人名順序錯誤、定長字段字符位設置錯誤等；另一方面是數據格式有誤。不標準或錯誤的數據格式會造成元數據無法被轉換，或轉換后出現記錄錯位、截斷或漏掉記錄等情況。

（2） 數據遺漏。指元數據不完整，如缺少一些字段、子字段和字段指示符，字段內容不完整，缺少主題和分類信息，多著者著錄不全等。

（3） 數據失效。數據失效會造成元數據無法被利用，數據失效的原因有多種，如元數據所對應的數字資源實際并未被圖書館訂購，元數據中的網絡鏈接地址有誤，或者因電子期刊停刊而造成其網址無效等。

（4） 數據重復。由于數據庫間重復收錄數字資源的情況普遍存在，例如中國知網有89%的期刊被萬方和維普收錄[12]，因此，不同來源元數據集間存在大量重復數據；同一來源元數據集內部也會出現數據重復的情況；此外，元數據記錄內部的一些字段也會重復，如出現多個相同主題詞的字段。

2. 2 數字資源元數據質量問題的原因分析

（1） 數據來源。元數據不僅可從數據庫商、代理商處購買或免費獲得，還可通過網絡下載，從數據庫管理后臺提取，從而造成元數據來源的多樣化。由于各來源數據依據的著錄標準和規范不統一，造成數據著錄不一致、數據格式各異等問題。

（2） 數據處理。目前，圖書館界和提供元數據服務的系統商并沒有充分的認識到元數據質量的重要性，沒有建立一套科學的數據處理方案，使得多來源數據在進入數據倉儲之前未根據各來源數據的實際情況和特點進行相應的處理，如設定合適的參數進行數據過濾、去重和歸并，或只進行簡單處理就導入元數據倉儲中，從而造成大量數據重復、各來源數據著錄不一致等問題。

（3）不穩定性。數字資源并不是一成不變的，有時會出現更新、變更、被替換或停止使用等情況。一旦數字資源發生變化，不及時更新則會造成元數據與對應的數字資源實際情況不符，產生新的質量問題。此外，元數據相關標準、規范及圖書館業務均處于不斷變化中，也會帶來新的質量問題。

3 數字資源元數據質量管理模型

3. 1 概述

武漢大學圖書館在總結多年數字資源元數據質量管理經驗的基礎上構建了質量管理模型，為數字資源元數據質量管理提供了一個邏輯結構。該模型由三大構件組成，從上至下依次為數字資源元數據的生命周期、影響質量的基本要素及數據質量維度。其中，數字資源元數據的生命周期是從圖書館的角度來描述元數據被操作的過程，影響質量的四個基本要素是數據質量管理的基礎條件，數據質量維度則提供了評估和控制元數據質量的依據，三大構件緊密聯系，相輔相成。數字資源元數據質量管理實質是基于數字資源元數據整個生命周期的質量管理活動，在生命周期的各階段均需綜合考慮元數據、人員、流程和技術四個基本要素，并依據數據質量維度實施質量控制 （如圖1）。

3. 2 數字資源元數據的生命周期

圖1 數字資源元數據質量管理模型

數字資源元數據是一種信息資源，也具有生命周期，其生命周期與數字資源的變化息息相關，綜合考慮數字資源的特性、發展變化及數據處理方式，將數字資源元數據的生命周期依次劃分為八個階段：

（1） 規劃。從總體層面考慮，分析數據質量需求，制定目標，并明確標準和規范，合理的規劃有利于元數據在整個生命周期中的科學管理。

（2） 創建。由人工著錄、改編印刷型資源元數據、或軟件自動抽取等方法生成數字資源元數據。

（3） 收集。通過多種方式、多種渠道收集現成的數字資源元數據。

（4） 處理。元數據進入數據倉儲前必須對數據進行處理，以滿足質量要求。數據處理是生命周期中的關鍵階段，它包括將源數據格式轉換成數據倉儲接受的數據格式，制定質量改進規則并修改數據，使數據更標準化、規范化，并符合本地化的業務要求，制定查重規則，以定位、清查合并重復數據等。

（5） 裝載。將經過處理的元數據導入數據倉儲中。

（6） 維護。對數據倉儲中的元數據進行質量管理活動，包括根據數字資源的變化更新元數據，制定規則過濾出問題數據集，修改數據等。

（7） 使用。通過資源檢索、資源整合及資源評估等應用發揮元數據的效用。

（8） 刪除。當數字資源出現停訂、停刊、被替換、或不再提供網絡訪問等情況時，則該數字資源失效，需刪除其元數據，刪除數據需審慎，并作好記錄。

3. 3 影響數字資源元數據質量的基本要素

（1） 元數據。元數據是數字資源元數據質量管理的研究對象，所有的質量管理活動均圍繞元數據展開，元數據質量也決定了質量管理的難度。

（2） 人員。指參與數字資源元數據質量管理的人員、職責、分工及團隊組織。數字資源元數據質量管理需要多種不同專業背景和專業技能的人團結協作、共同承擔質量管理的重任，如元數據編目員、數據分析員、數據管理員及數據處理人員等。

（3） 流程。數字資源元數據質量管理包括數據格式轉換、數據修改、查重和更新等若干管理活動，且各活動有操作次序，因此，需確定元數據質量管理的流程，以利于各項質量管理活動有序地開展。

（4） 技術。指助力于元數據質量管理的方法、技術、選用的系統、軟件及工具等，如網址有效性檢測軟件，數據格式轉換工具，問題數據過濾系統及數據判重系統等。

3. 4 數字資源元數據的質量維度

數據質量維度是一組表達數據質量構成的屬性，在特定應用中，需制定適用于業務需求的數據質量維度。[13]數字資源元數據質量包含多個方面，綜合考慮元數據規范、數字資源的特性及圖書館實際業務需求等因素，制定了十個方面的數字資源元數據質量維度。

（1） 完整性。指元數據需全面地揭示目標數字資源，用于分析和評判元數據是否缺失必備字段、子字段，字段內容是否詳盡等，包括結構完整性、內容完整性及參照完整性等。若元數據不完整，則會影響其它質量維度的評價，因此，完整性是基礎維度。

（2） 準確性。指元數據準確且客觀地反映目標數字資源，包括語義準確性、語法準確性及結構準確性等。可將元數據與目標數字資源進行對比來分析數據準確性，不準確的數據會導致無效的數據應用。

（3） 規范性。指元數據遵循各類相關標準、規范、應用指南及受控詞表的程度，涉及數據格式、數據結構和數據內容等多個方面。規范性檢查包括字段名稱、字段指示符設置是否規范，分類及主題是否取自規范的分類主題詞表等。

（4） 唯一性。既指元數據在數據倉儲中只出現一次，即數據不重復,也指某些字段和屬性的唯一性。對于重復數據,需根據數據的實際情況，設定多個字段及子字段的組合作為判重條件來清理數據。

（5） 一致性。指元數據在概念、結構、邏輯及語法等方面需保持一致，包括各來源數據的一致性，中西文數據的一致性，外部源數據與本地數據的一致性，元數據與目標數字資源的一致性等。一致性可以更好地實現同一平臺下所有資源的統一檢索和統一利用。

（6） 及時性。指元數據是否及時地揭示目標數字資源的最新情況，當數字資源發生變化時，需及時地更新元數據。

（7） 有效性。指元數據是否為有效信息，包括元數據記錄的有效性和數據內容的有效性。若獲得的元數據記錄對應的數字資源未被圖書館訂購或停訂，則該記錄失效；若元數據中的網絡鏈接地址不可訪問，則元數據內容失效，由于網絡鏈接地址的不穩定性，因此，應盡量選擇DOI、OpenURL等穩定形式的網址。

（8） 適用性。指元數據可被用戶使用、易于使用及滿足用戶需求的程度，它是數據質量管理的最終目標，涉及數據著錄形式、顯示方式、數據開放程度及網絡運行狀況等方面。有些元數據著錄得非常專業、規范和詳細，但因不易理解及數據開放等原因，并未被很好的利用。

（9） 可維護性。指維護元數據的難易程度。一般同一來源的元數據具有一些共同特征，因此，可根據共同特征提取出數據集而批量維護。

（10） 關聯性。元數據并不是一個獨立的個體,它來源于不同的元數據提供商,揭示不同數據庫中的數字資源,且很大一部分數字資源是紙本資源的數字版或掃描版, 因此,元數據需揭示與其密切相關的資源的聯系，如與其對應的紙本資源、數據來源及所屬數據庫的聯系。

我們將數字資源元數據質量維度作為分析和處理元數據質量問題的“尺度”，在質量管理實踐中協同使用各個維度，并對各維度的粒度再進行具體的細化。

4 數字資源元數據質量管理流程

圖2 數字資源元數據質量管理流程

基于數字資源元數據質量管理模型并結合武漢大學圖書館的質量管理實踐，確定了數字資源元數據質量管理的十步流程（見圖2）：

（1） 發現問題。工作人員審核數據以發現數據問題，用戶使用數據報告數據問題，還可通過軟件、工具監測數據質量。

（2） 分析數據質量。依據數字資源元數據質量維度分析數據質量及與業務需求的差距，評估劣質數據對元數據相關應用所造成的影響。

（3） 確定問題原因。確定數據問題是源于數據源機構，還是圖書館自身業務要求，確定原因后才可明確由誰來處理問題。

（4） 源端修正問題。由數據源機構造成的數據問題，將數據修改要求反饋給源機構修正。

（5） 修正當前問題。進一步修正剩下的數據問題，先制定若干數據質量改進規則，再依據規則編寫代碼來執行數據修改操作。

（6） 預防今后問題。預測數字資源今后可能會發生的變化而提前采取的措施，以減少將來花費更多的精力去維護數據。

（7） 測試。所有質量管理活動均應先在測試服務器中測試通過后再在正式服務器中實施操作，并分析質量管理活動對服務器所造成的影響。

（8） 實施。在正式服務器中實施質量管理活動，包括批量操作和人工操作。

（9） 審核。根據已制定的數據質量改進規則核查各數據問題是否已得到了解決。

（10） 改進。總結質量管理流程，思考其中還存在的問題及改進方案，并將各操作結果歸檔。

數字資源元數據質量管理的十步流程通過以數字資源元數據的質量問題為中心，不斷發現數據質量問題，并解決問題的循環過程，不斷地提高元數據質量。

5 數字資源元數據質量管理的建議

5. 1 管理模式

數字資源元數據在數據來源、獲取方式、數據著錄及資源變化等方面與印刷型資源有較大差異，從而決定了數字資源元數據的質量管理模式不同于傳統的印刷型資源。大數據時代，數據從簡單的處理對象轉變為一種重要的基礎性資源[14]，數字資源元數據數量巨大，且易發生變化，也應被視為大數據資源來進行質量管理。數字資源元數據質量管理宜采取集中與分散相結合的管理模式：構建單一的元數據倉儲將各來源的元數據進行集中管理；根據數據來源、資源類型及數據變化等情況對各類數據實施有差異的管理。

5. 2 管理策略

數字資源元數據質量管理活動需要對大量數據做批處理操作，元數據進入數據倉儲后再進行批處理則存在著操作風險，也給系統帶來壓力，因此, 元數據入庫前進行質量管理比入庫后再進行管理要好得多。為了提高質量管理效率，應盡可能地采取批處理方式，批處理之前需制定明確的、可供實施的多種類型的數據處理規則，如問題數據過濾規則、數據合并規則、重復數據判定規則及數據修改規則等，再依據各條規則實施批處理操作。

5. 3 多來源的數據

多來源重復的元數據必須進行數據的過濾和去重，再從各來源數據中選擇質量最佳的元數據作為主記錄，將其它來源的重復數據中不同于主記錄而有用的部分并入主記錄中，并標注數據來源、被各數據庫收錄的情況及在各數據庫中的訪問網址。各來源的數據問題也應與各元數據提供商溝通，從源頭處修改元數據。

6 結語

數字資源元數據是揭示和管理數字資源的重要手段，隨著數字資源重要性的日漸突出，及數字資源的不穩定性，對數字資源元數據進行科學的質量管理已非常必要。面對目前元數據相關業務系統商難以很好地解決數字資源元數據質量問題的現狀，圖書館應憑借獨特的專業優勢及人力資源配置適時地承擔起數字資源元數據質量管理的責任，探索規范化、系統性的數字資源元數據質量管理方案。

（來稿時間：2015年3月）

參考文獻：

1.楊慧,劉崢.GB/T3792.9—2009《文獻著錄第9部分：數字資源》應用指南.北京：國家圖書館出版社，2011：1

2.本館簡介.[2015-1-15]. http://www.lib.whu.edu.cn/web/index. asp?obj_id=102

3.馮秀珍,陳旎.數字資源元數據的自動識別研究.情報雜志，2010,29（4）：130-133,150

4.李凌杰.特色數據庫建設中的元數據質量控制研究.圖書情報工作，2010,54（5）：43-46

5.黃鶯,李建陽.元數據質量評估方法及模型研究.圖書館學研究，2013,12：51-56〔Key words 〕Public library Senior citizen Taiwan public libraries

6.Bruce T R, Diane I H, The continuum of metadata q-uality:defining expressing exploiting // Diane I H. Met-adata in Pratice. Chicago: American Library Association, 2004

7.Muriel Foulonneau and Jenn Riley.Metadata for dig-ital resources:implementation, systems design and inter-operability. Oxford: Chandos,2008:6

8.孫曉菲,韓子靜,曹玉霞等.數字時代的元數據實踐.杭州：浙江大學出版社，2013：16

9.史曉剛,黃鐵軍.電子圖書元數據的自動檢查.現代圖書情報技術，2005（7）：7-10

10.吳顯義.我國元數據研究現狀分析.情報科學，2004, 2（1）：55-58,62

11.李鵬云.基于元數據倉儲的圖書館數據整合實踐——以國家圖書館“文津搜索”項目為例.圖書館學刊，2013（8）：46-49

12.王倩,劉金玲.圖書館聯盟數字資源的重疊及互補關系定量研究——以四川省高校圖書館為例.圖書館論壇，2012,32（3）：117-121

13.宋敏,覃正.國外數據質量管理研究綜述.情報雜志，2007（2）：7-9

14.孟小峰,慈祥.大數據管理：概念、技術與挑戰.計算機研究與發展，2013,50（1）：146-169

〔分類號〕G250.7

〔作者簡介〕周強（1974-），男，情報學學士，深圳圖書館副研究館員,發表論文10余篇，研究方向：圖書館業務流程及自動化集成系統研發。 程穎（1977-），女，計算機應用專業碩士，武漢大學圖書館館員，研究方向：元數據管理及電子資源整合。

Research and Practice on the Metadata Quality Management of Digital Resources

Cheng Ying
( Wuhan University Library )

〔Abstract 〕Digital resources have been an important information resources for the libraries, and the quality management of digital resources metadata is essential. In this paper, we point the importance of the quality management of digital resources metadata, and analyzes the quality problems and causes, then constructs a quality framework for the quality management of digital resources metadata based on the practice of Wuhan University Library, which including the digital resources metadata lifecycle, four basic influencing elements and metadata quality dimensions, then provides the quality management process and some suggestion accordingly.

〔Key words 〕Digital resources Metadata Data quality Data management Information organization Big data