數字人文視域下話語文本時空場景語義資源框架研究

關 琳

(1.江蘇警官學院 公安管理系，江蘇 南京 210031；2.南京大學 中國智庫研究與評價中心，江蘇 南京 210093)

0 引言

世界各國政治領導人在官方和半官方場合的話語(以下簡稱“話語”)，對于本國社會經濟發展和國際關系局勢都有著深遠的影響。以美國為例，特朗普總統每一次Twitter發文都會引起國內外媒體轉發轉載和廣泛討論，并對美國內外局勢產生影響，因此有媒體稱這位總統是推特治國。從這一側面也體現了領導人話語的重要性和研究價值。CNKI中收錄的單以Twitter一種信息源研究特朗普總統話語的知識成果就達300余項。這些研究幾乎全部是以爬蟲為收集工具，通過實時采集數據獲取話語文本的。這種研究方式，由于缺乏專題知識庫的支撐，無法整合更多數據來源渠道，因而很難持續開展。

就我國而言，目前收錄領導人話語文獻的權威數據庫有3個。分別是由中央網信辦指導、人民網·中國共產黨新聞網建設的“學習路上——習近平總書記系列重要講話大型網絡數據庫”(2014年建成)；由人民出版社開發建設的“中國共產黨思想理論資源數據庫”(2010年建成)；以及由中宣部(2018年建成)推出的“學習強國”學習平臺。就學術研究而言，由于產品定位的原因，從功能上看這些產品都缺乏基本的文本統計、計量、分析手段；從信息的組織形式上看也都僅完成了文獻的分類、歸納和保存，因此檢索功能以全文檢索為主，所支持的語義查詢也僅包括事物性狀和表達形式兩類，無法支持基于時空場景語義的內容分析應用需求。受限于此，學界和宣傳部門無法利用該系統開展定量研究和知識場景重塑。因此，這3個數據庫系統與本研究存在著系統功能、數據內容和知識組織形式上的顯著差異。

1 基于語義的知識組織助力話語傳播

話語文獻作為思想和政治領域的專題文獻，其知識組織與其他領域的專題文獻有著相似之處。從數據挖掘和高效利用的角度出發，通過構建領域本體和關系數據庫的方式，在文本內容分析過程中加入時間、空間、場景、主題等多個維度，可以大大豐富內容分析的內涵[1]。

同時，此類基于時空場景語義的數據庫和本體將有力支撐數據可視化、關系網絡分析以及文本計算等研究。按照類似思路建設的數據庫有ProQuest，Hein On Line，West law，Lexis Nexis，CNKI政府公報數據庫以及北大法寶等。但就其數據內容而言，多集中在政策和法律領域，沒有收錄話語和其他相關資源；就其數據維度而言也并未突出表達文獻產生的時空場景。

話語的表達方式和側重點與時間、空間和場景密切相關[2]。從帝王起居注到領袖文集、語錄，古今中外以話語為主題的知識組織成果不勝枚舉。隨著數字人文的興起，以篇章、句子甚至是詞語為單元開展針對話語文獻的單一維度研究，已不能滿足大數據背景下用戶的知識需求。采用語義技術對文獻做細粒度加工并添加時空場景維度，從語義層面還原知識產生的時空場景，將為學習和研究話語文獻創造良好條件，也為在該領域內應用數據可視化、內容分析以及文本計算等方法開展定量研究奠定數據基礎[3]。本文以話語文獻為研究對象，探索建立基于時空場景語義的話語文本數據構建框架。

2 話語文本時空場景語義資源框架設計

按照文獻資源原始數據集、資源組織、資源描述和資源應用將話語文本時空場景語義資源框架劃分成4個層次，如圖1所示。

圖1 話語文本時空場景語義資源框架

第一層為文獻資源原始數據集。話語文獻原始數據集中，包含不同類型、不同時期、不同來源、不同場景的包含話語的文獻資源。這些文獻較為零散地存儲在網絡、書籍和各種專題庫中，按照不同類型對應傳統的元數據格式組織和檢索。由于各種元數據之間存在規范上的差異，并不能完全兼容，也無法完全對元素語義進行形式化和明確的定義，因此無法利用，因此需要集中收集使其成為一個專題文本數據庫，便于進一步后續整合、開發和利用。

第二層為基于本體的知識組織層。鑒于前述當前主流話語文獻資源庫保存和利用的局限性，本框架擬在文獻資源原始數據集基礎上建立本體，以期實現不同類型和格式間話語文獻資源的語義互通。具體來說以半自動化方式構建本體；設計實用的本體驗證機制保障本體的科學性；將該領域不斷涌現的新話語、新概念完善到本體中保障本體的完備性。根據OWL本體定義對承載話語的存量文獻進行RDF資源標注，并添加時間、空間、主題、事件標簽存儲在關系數據庫中。

第三層為基于關系數據庫映射的數據關聯層。本體的建立使得在語義層面上描述話語文獻資源成為可能。這種描述方式，可以透析話語文獻間的顯性關聯關系。為深層次拓展研究場景，還需要以關聯數據的形式將資源再組織，并保存在關系數據庫中。基于時空場景的關系數據庫設計，既要將時間信息、地點(含地理位置、行政區劃等)信息、場景(含活動主題、類型、與會人員等)信息等進行數據庫融合建模，又要保證本體RDF三元組屬性能夠映射到數據庫中，并關聯到時空場景數據。針對基于時空場景語義的數據庫建模(擬采用MySQL)，將OWL本體映射到關系數據庫中，利用關系數據庫技術采用屬性表的方式將具有相同屬性的RDF三元組存儲在一個表中，每個三元組占一行，表后若干列為時間、地點、主題、事件等相關屬性標簽，以此實現基于時空場景的RDF存儲。

第四層為資源應用層。將增量文獻文本化(紙質文獻電子化、網絡文獻文本化，文本預處理包括清洗網頁中的鏈接、圖片等冗余內容，這一部分可借助自動化工具)并與存量文獻集中，實例化保存到關系數據庫中，持續地從增量文獻中提取新概念、屬性和關系完善本體；利用關系數據庫開展針對話語語義的文本計量研究，并以時空場景大數據展現、重塑話語的發展歷程。

3 話語文本時空場景語義資源框架的應用

本文應用話語文本時空場景語義資源框架對前期研制的“話語思想文本數據庫”進行了優化和升級，并開展基于時空場景語義的多維分析，可以將前期收集到的話語文本進行語義級分析，較之原有系統基于文獻計量的統計分析方法，其分析結果與前期基本吻合。應用該框架后系統分析顆粒度更小，分析維度更豐富，如圖2所示。

圖2 話語文本時空場景語義資源框架應用

除用于項目團隊自有文本數據庫外，該框架還可廣泛用于其他現有文獻數據庫的二次升級，有效擴充后者的語義、時間、空間、場景分析維度，進一步拓展文獻價值。

4 結語

本文提出的話語文本時空場景語義資源框架，為國內外政治領導人話語數據庫平臺提供了新的改進和建設思路，將有助于后者進一步提升知識組織水平，并推進話語文本的深度挖掘和智能理解，也為我國話語研究提供一個新的基于語義技術的視角，從而促進話語的研究和闡釋。