基于Alfresco的出版社資源庫系統的研究與實現

李亞芬　李征

摘要：針對出版社內資源采集渠道不便，資源管理混亂等問題，本文使用開源資源庫Alfresco開發全新的資源庫系統，實現了對社內資源的重新整合與統一管理。特別是，提出詞語語義相似度加權的TextRank方法對采集到的文本資源進行自動標注，這對數字出版中教材的創作有著非常大的幫助作用。

關鍵詞：數字出版；資源庫；Alfresco；TextRank

中圖分類號：TP311 文獻標識碼：A DOI：10.3969/j.issn.1003-6970.2015.05.008

0 引言

隨著計算機技術、通訊技術和網絡技術的發展，數字出版業務相對傳統出版業務，逐漸顯示出獨特的優勢。外研社正處在由傳統出版到數字出版的轉型期。數字出版是為數據庫而編寫內容，更強調了內容數據的重要性和內容的可重復利用性。它將內容拆分成一個個的獨立的內容單元，通過模板對這些內容單元進行按需重組，最后由動態發布引擎，生成紙質書、電子書、光盤等一系列的出版產品，實現按需出版業務。因此，資源的采集和初步加工是實現數字出版的前序環節。

目前，外研社的出版業務中存在以下一些問題。作者編寫內容的結構差異，導致了出版社在處理作者交稿的時候，需要占用很大的精力去處理內容結構差異，同時，資源采集渠道的不便也會影響資源采集的數量和質量，也不便于出版社實現采集的資源的全社使用和統一管理。社里目前只是對資源進行簡單地存儲和基于文件夾的分類，缺乏對資源的描述，使資源的可利用性差。所以，本文設計實現了一個面向互聯網和內網的資源采集、資源標注等綜合型的資源庫系統，可以提供方便快捷的資源上傳、資源轉換功能，在很大程度上減少出版社收集資源的時間和人工成本。本文還使用詞語語義相似度加權的TextRank方法對社內的教育資源進行基于知識點的自動標注，方便創作者按照教學目的對內容資源進行檢索和重新組織，這對數字出版中教材的創作有著非常大的幫助作用。

1 系統功能設計

1.1 總體功能模塊

本文重點對外研社的出版生產業務過程進行了詳細的調研，設計出的資源庫系統由資源管理、資源加工、用戶管理、日志管理四大功能模塊組成。詳細見圖l所示。

（1）資源管理模塊主要提供資源的上傳下載、查看預覽、查詢等；

（2）資源加工模塊主要提供對資源的格式轉換拆分和資源的知識點標注；

（3）用戶管理模塊主要提供對用戶的權限、信息的編輯和查詢；

（4）日志管理模塊負責記錄用戶行為，包括登陸、查看數據、下載數據、使用數據等。

1.2 資源知識點標注

資源加工模塊提供對資源的知識點標注。資源知識點標注是資源智能化的重要體現方式之一。外研社資源主要包括各類大中小學教材教輔，文本資源占絕對大部分，每個文本資源內部都有一定的知識結構。經過知識點標注的資源具有功能上的獨立性。方便創作者按照教學目的對內容資源進行組織。編輯人員的專業領域知識往往不夠完備，知識點標注易受主觀因素影響，使標注的準確度降低。人工標注還要耗費一定的精力和體力，工作效率會降低。因此，本文提出了資源的知識點自動標注。

關鍵詞是表達一個文檔核心意義的最小單元。本文選擇文本關鍵詞作為知識點。選擇適當的關鍵詞提取方法就顯得非常重要。目前的關鍵詞提取方法分為有監督的方法和無監督的方法兩大類。有監督的方法需要通過訓練語料構建模型實現，無監督的方法僅借助于詞語之間的關系直接從文本本身提取，無需訓練過程，計算速度快，應用較為方便。考慮到在上傳文檔資源時，自動完成關鍵詞的提取，無監督方法既可以保證提取關鍵詞的準確性，又能保證計算的快速性，因此本文選用無監督的方法實現關鍵詞的提取。TextRank方法其中的代表，在眾多無監督關鍵詞提取方法中表現出卓越的性能。本文對傳統的TextRank進行改進，使用詞語語義相似度加權的TextRank關鍵詞提取算法，使其更加適用于知識點的標注。

資源庫提供基于知識點的查詢。在輸入查詢檢索詞后，首先將檢索詞與知識點關聯網中的知識點進行匹配。知識點關聯網是以樹形結構表示知識點之間關聯的網絡。若匹配成功，則選擇該知識點的上一級知識點一同作為檢索詞拋給搜索引擎，進行資源的知識點檢索，這樣可以檢索到相關資源。

2 資源庫架構設計

本系統主要是基于外研社內網和互聯網，除了為社外人員提供提交資源的入口外，主要為社內工作人員搭建一個共享社內數字資源的平臺。因此決定采用browser/server（簡稱B/S）結構的設計思想。Alfresco一款優秀的開源資源庫，是一個完全的Java應用程序，基于J2EE框架，如圖2所示。它是B/S結構。Alfresco中的內容應用程序和web應用程序都是基于內容存儲庫的服務上開發的，內容存儲庫處于資源庫的最底層，由數據庫、索引和內容文件組成，是資源庫的核心。

Alfresco是基于Java開源框架Spring開發的，它提供了一系列可以通過不同接口調用的數據存儲服務，通過以下三個基本服務實現存儲訪問內容：節點服務、內容服務和搜索服務。內容是信息數據的載體，通過內容服務，元數據及內容都可以根據內容模型的規則定義被結構化。

本文通過對Alfresco進行開發與定制，使其滿足本文的需求。Alfresco中，資源的元數據存儲在關系型數據庫里，而內容本身則以二進制文件的形式存儲在文件系統中，數據庫存儲提供高效的查詢、事務處理及管理功能，而文件系統則保存比較大的內容數據。根據Alfresco的架構形式，本文對資源庫進行架構設計，如圖3所示，使用內容存儲庫提供的基本服務實現資源加工模塊、資源管理模塊，用戶管理模塊功能的開發。關系數據庫中主要提供資源元數據信息的存儲、用戶信息的存儲、機構組織信息以及知識點關聯信息的存儲。物理文件系統提供對資源的二進制形式文件存儲。

3 資源庫實現的關鍵方法和技術

3.1 詞語語義相似度加權TextRank

關鍵詞提取算法

TextRank的思想來源于PageRank，通過把文本分割成若干組成單元并建立圖模型，結點代表詞語，邊代表詞語之間的關聯，利用投票機制對文本中的重要成分進行排序，一個結點鏈人的結點集表示其投票支持者，投票者越重要，數量越多，則被投票者的排名越靠前。僅利用單篇文檔本身的信息即可實現關鍵詞提取。傳統TextRank中，某個詞語的影響力分值是均勻傳遞到與其相鄰的詞語中，構建的圖模型是一種無項無權圖，考慮到本文要處理的是自然語言文本，部分詞語之間的關聯度會更高一些，因此，本文引入邊權重計算。由于教育資源中，知識點易共現，同時知識點之間存在較大語義相似度，本文考慮將相關聯的詞之間的語義相似度，加入邊權重計算中，夏天等考慮詞語本身的重要性差異，提出了考慮詞語結點影響力的相關因素的詞語位置加權的TextRank方法，該方法引入詞語的覆蓋影響力、位置影響力和頻度影響力用于計算詞語之間的影響力概率轉移矩陣。本文考慮到知識點往往出現在文章標題中，往往是文中的高頻詞匯，因此本文在邊權重計算中加入位置影響力和頻度影響力，提出了詞語語義相似度加權的TextRank方法。

令G=（V，E）為結點集和邊集構成的有向圖，V為結點集，由文本中的候選關鍵詞構成，候選關鍵詞指經過中文分詞、詞性過濾、去停用詞處理后，獲得的詞語集。對于任意一個結點v_i

資源加工模塊中的知識點標注是在上傳文檔的動作中自動完成的。本文創建新的java類TextAnalyser，該類封裝了讀取文本內容、關鍵詞提取、關鍵字存儲的功能。將其加入上傳文檔時對應的spring配置文件中。該類首先調用內容服務ContentService獲取資源的文本內容，接著調用使用詞語語義相似度加權的TextRank方法對文本內容進行分析，提取后的關鍵詞通過節點服務（NodeService）和內容服務（contentService）獲取資源在數據庫中的存儲位置信息，將關鍵詞保存到相應的元數據數據庫中。

通過對Alfresco中的相應頁面的JSP文件進行擴展或重寫，可以定制實現資源管理前臺界面。實現上述功能的Spring Beans、java class、iava script、JSP等文件將作為Alfresco的應用程序進行重新打包和部署，Alfresco提供AMP（Alfresco Module Packages）來實現打包，可以實現定制代碼與Alfresco核心代碼的分離，打包部署后，新的功能就加入到Alfresco中了。

4 結論

本文中，本文使用開源資源庫Alfresco開發全新的資源庫系統，實現了對社內資源的高效存儲、加工與管理。提出了詞語語義相似度加權的TextRank關鍵詞提取算法，將其應用到資源知識點標注中，使資源庫成為面向教育的知識庫，更加滿足數字出版業務的需求。