數(shù)字人文時(shí)代圖書館古籍文獻(xiàn)資源的數(shù)據(jù)化組織研究

●李 敏 (海南師范大學(xué) 海口 571158)

古籍具有極高的研究?jī)r(jià)值，也具有一定的特殊性，經(jīng)常性的翻閱會(huì)導(dǎo)致古籍受到損害。數(shù)字人文時(shí)代出現(xiàn)了文本挖掘、數(shù)字孿生、語(yǔ)義技術(shù)、機(jī)器學(xué)習(xí)等技術(shù)，為古籍?dāng)?shù)字化建設(shè)提供了新的研究方法和研究方式，古籍文獻(xiàn)資料能以數(shù)據(jù)形式呈現(xiàn)出來(lái)，利用計(jì)算機(jī)技術(shù)可以對(duì)古籍進(jìn)行數(shù)據(jù)化組織和處理，提高了古籍的學(xué)術(shù)價(jià)值。目前，圖書館在古籍資源建設(shè)領(lǐng)域已具有一定規(guī)模，開發(fā)了一些古籍?dāng)?shù)據(jù)庫(kù)(如鼎秀古籍、中國(guó)基本古籍庫(kù)、雕龍古籍等)，為古籍研究提供了檢索途徑。但是古籍?dāng)?shù)據(jù)化組織比較偏重古籍事實(shí)的描述，缺乏一些古籍知識(shí)發(fā)現(xiàn)、知識(shí)關(guān)聯(lián)的服務(wù)，同時(shí)呈現(xiàn)方式比較單一，可視化服務(wù)較少。因此本文在分析數(shù)字人文時(shí)代圖書館古籍?dāng)?shù)據(jù)化組織基本要求的基礎(chǔ)上，從注重知識(shí)關(guān)聯(lián)以及可視化呈現(xiàn)的角度提出了數(shù)字人文時(shí)代圖書館古籍?dāng)?shù)據(jù)化組織途徑，從完善古籍?dāng)?shù)據(jù)組織標(biāo)準(zhǔn)化建設(shè)、加強(qiáng)古籍知識(shí)關(guān)聯(lián)研究以及促進(jìn)不同機(jī)構(gòu)共建共享三方面為未來(lái)古籍?dāng)?shù)據(jù)化組織建言獻(xiàn)策，旨在不斷提高圖書館古籍服務(wù)的效能。

1 數(shù)字人文時(shí)代圖書館古籍文獻(xiàn)資源研究背景分析

1.1 數(shù)字人文時(shí)代的特點(diǎn)

數(shù)字人文是在計(jì)算機(jī)技術(shù)的推動(dòng)下發(fā)展而來(lái)的，數(shù)字人文時(shí)代最大的特點(diǎn)是人文資料可以利用計(jì)算機(jī)實(shí)現(xiàn)數(shù)據(jù)化，使人文資料可以被量化分析[1]。目前圖書館的數(shù)字人文研究主要集中在館藏資源建設(shè)，如數(shù)字資源知識(shí)圖譜構(gòu)建[2]、館藏資源數(shù)字化建設(shè)[3]，圖書館人文服務(wù)，如服務(wù)優(yōu)化[4]、館員職責(zé)分配[5]等方面。圖書館利用數(shù)字人文相關(guān)技術(shù)對(duì)人文資料進(jìn)行數(shù)據(jù)化，形成數(shù)字化資源，為人文研究提供豐富的學(xué)術(shù)資料。

1.2 圖書館古籍文獻(xiàn)資源的特點(diǎn)

圖書館古籍文獻(xiàn)資源具有三方面特點(diǎn)：一是數(shù)量龐大，人類幾千年的歷史文明產(chǎn)生的文化遺產(chǎn)頗多[6]；二是結(jié)構(gòu)比較復(fù)雜，古籍中有散文、小說(shuō)、地方志等，內(nèi)容復(fù)雜多樣；三是表現(xiàn)形式多樣，語(yǔ)言隔閡、文化差異以及不同的傳播途徑導(dǎo)致古籍形式多樣。古籍不同于一般的圖書，經(jīng)常性的翻閱會(huì)對(duì)古籍造成一定的損害。目前圖書館古籍資源的研究主要集中在資源開發(fā)利用與保護(hù)[7-8]、古籍?dāng)?shù)據(jù)庫(kù)建設(shè)[9]、知識(shí)組織應(yīng)用研究[10]等方面。圖書館對(duì)古籍的數(shù)據(jù)化組織需要保證古籍的真實(shí)性、完整性和可讀性，通過(guò)計(jì)算機(jī)揭示古籍資源的形式，發(fā)現(xiàn)古籍知識(shí)間的規(guī)律，實(shí)現(xiàn)知識(shí)之間的關(guān)聯(lián)性，促進(jìn)知識(shí)共享，從而更好地為學(xué)術(shù)研究服務(wù)。

1.3 數(shù)字人文時(shí)代開展古籍?dāng)?shù)據(jù)化組織的意義

古籍具有豐富的學(xué)術(shù)與研究?jī)r(jià)值，同時(shí)又具有一定的特殊性。通過(guò)計(jì)算機(jī)技術(shù)實(shí)現(xiàn)古籍?dāng)?shù)據(jù)化組織對(duì)于古籍的保護(hù)、利用和共享具有重要的意義。目前古籍?dāng)?shù)字化建設(shè)雖然取得了一定的進(jìn)展，但仍存在缺乏統(tǒng)一的編目標(biāo)準(zhǔn)、文字轉(zhuǎn)化率不高等問(wèn)題。由于各個(gè)圖書館使用的數(shù)字化平臺(tái)不同，數(shù)據(jù)格式存在差異，古籍?dāng)?shù)字資源無(wú)法直接轉(zhuǎn)換，限制了古籍?dāng)?shù)字資源的檢索和共享。數(shù)字人文時(shí)代開展古籍?dāng)?shù)據(jù)化組織的意義，一是增強(qiáng)古籍?dāng)?shù)據(jù)化組織的標(biāo)準(zhǔn)化和規(guī)范化；二是提高古籍利用率，促進(jìn)古籍文獻(xiàn)資源的傳播；三是為人文研究提供可靠的數(shù)據(jù)來(lái)源，提高古籍的學(xué)術(shù)價(jià)值。

2 數(shù)字人文時(shí)代圖書館古籍?dāng)?shù)據(jù)化組織的基本要求

2.1 古籍?dāng)?shù)據(jù)真實(shí)性

數(shù)字人文時(shí)代古籍?dāng)?shù)據(jù)化組織必須保證古籍的真實(shí)可靠。古籍?dāng)?shù)據(jù)真實(shí)性主要體現(xiàn)在以下四個(gè)方面：古籍來(lái)源可溯源到原始材料；古籍加工、處理、分析過(guò)程需要保證數(shù)據(jù)一致性；針對(duì)某一類古籍?dāng)?shù)據(jù)收錄的比較齊全，覆蓋面廣；系統(tǒng)能夠準(zhǔn)確呈現(xiàn)出古籍?dāng)?shù)據(jù)化組織結(jié)果，確保數(shù)據(jù)真實(shí)性。數(shù)字人文時(shí)代古籍?dāng)?shù)據(jù)的真實(shí)性將直接影響古籍的可信度以及古籍的利用效率。

2.2 古籍?dāng)?shù)據(jù)可計(jì)算性

數(shù)字人文時(shí)代最大的特點(diǎn)是人文數(shù)據(jù)可以被量化分析，古籍?dāng)?shù)據(jù)化組織的基礎(chǔ)是古籍?dāng)?shù)據(jù)可計(jì)算性。古籍本不具備數(shù)字特征，通過(guò)計(jì)算機(jī)技術(shù)實(shí)現(xiàn)古籍的數(shù)字化，使古籍具有明確的計(jì)量屬性，揭示了古籍的多種屬性，并通過(guò)對(duì)這些屬性進(jìn)行描述與標(biāo)注，為后續(xù)古籍?dāng)?shù)據(jù)的挖掘與知識(shí)關(guān)聯(lián)奠定基礎(chǔ)。

2.3 古籍?dāng)?shù)據(jù)可獲得性

古籍?dāng)?shù)據(jù)差異性大，數(shù)據(jù)混雜，可能存在數(shù)據(jù)孤島現(xiàn)象。數(shù)字人文時(shí)代古籍?dāng)?shù)據(jù)化組織的目的是提高古籍?dāng)?shù)據(jù)的利用效率以及更好地服務(wù)于學(xué)術(shù)研究，因此古籍?dāng)?shù)據(jù)化組織的過(guò)程需要保證古籍?dāng)?shù)據(jù)的可獲得性、可訪問(wèn)性。為了提高古籍?dāng)?shù)據(jù)的可獲得性，古籍?dāng)?shù)據(jù)化組織必須加強(qiáng)數(shù)據(jù)揭示以及數(shù)據(jù)的著錄、本體等的描述，注重古籍?dāng)?shù)據(jù)關(guān)聯(lián)以及知識(shí)發(fā)現(xiàn)。古籍?dāng)?shù)據(jù)檢索工具的實(shí)用性、準(zhǔn)確性、響應(yīng)速度同樣對(duì)數(shù)據(jù)的可獲得性產(chǎn)生較大影響。

3 數(shù)字人文時(shí)代古籍?dāng)?shù)據(jù)化組織的途徑

數(shù)字人文時(shí)代各種計(jì)算機(jī)技術(shù)發(fā)展迅猛，為古籍?dāng)?shù)據(jù)化組織提供了文本識(shí)別技術(shù)[11]、文本挖掘技術(shù)[12]、地理信息系統(tǒng)技術(shù)[13]、關(guān)聯(lián)數(shù)據(jù)技術(shù)等，提高了古籍文獻(xiàn)數(shù)據(jù)化組織的智能化水平。傳統(tǒng)模式下的古籍?dāng)?shù)據(jù)化管理主要是深入分析單一數(shù)據(jù)源，數(shù)字人文時(shí)代強(qiáng)調(diào)對(duì)古籍?dāng)?shù)據(jù)源的多視角分析，實(shí)現(xiàn)古籍知識(shí)關(guān)聯(lián)。數(shù)字人文時(shí)代圖書館古籍文獻(xiàn)資源的數(shù)據(jù)化組織包含古籍?dāng)?shù)字化、古籍?dāng)?shù)據(jù)融合、實(shí)現(xiàn)知識(shí)關(guān)聯(lián)及應(yīng)用三方面內(nèi)容(見圖1)。古籍?dāng)?shù)字化是古籍?dāng)?shù)據(jù)化組織的基礎(chǔ)，將紙質(zhì)資源轉(zhuǎn)化為數(shù)字資源，實(shí)現(xiàn)古籍資源在數(shù)字世界的映射，使得古籍資源能夠被計(jì)算機(jī)存儲(chǔ)。古籍?dāng)?shù)據(jù)融合是古籍?dāng)?shù)據(jù)化組織的核心環(huán)節(jié)，是實(shí)現(xiàn)古籍知識(shí)關(guān)聯(lián)的關(guān)鍵，將多源異構(gòu)多模的古籍?dāng)?shù)字資源進(jìn)行融合，進(jìn)行多維度數(shù)據(jù)挖掘和分析，發(fā)現(xiàn)更多古籍?dāng)?shù)據(jù)間的規(guī)律。古籍知識(shí)關(guān)聯(lián)是古籍?dāng)?shù)據(jù)化組織的目的，通過(guò)語(yǔ)義技術(shù)和關(guān)聯(lián)技術(shù)構(gòu)建古籍知識(shí)網(wǎng)絡(luò)，發(fā)現(xiàn)隱性古籍知識(shí)，促進(jìn)古籍知識(shí)的利用和共享。最后通過(guò)可視化工具如文本可視化工具、HTML可視化工具、XML可視化工具等將古籍?dāng)?shù)據(jù)化組織結(jié)果呈現(xiàn)出來(lái)，幫助用戶快速理解和分析古籍。

圖1 數(shù)字人文時(shí)代古籍?dāng)?shù)據(jù)化組織的途徑

3.1 古籍?dāng)?shù)字化

數(shù)字人文時(shí)代開發(fā)了很多數(shù)字化處理古籍的工具，為古籍?dāng)?shù)據(jù)化組織提供了可行方案。古籍?dāng)?shù)字化的核心是將紙質(zhì)古籍轉(zhuǎn)化為可量化分析的數(shù)據(jù)，重組文獻(xiàn)的內(nèi)容，便于后續(xù)的古籍?dāng)?shù)據(jù)加工與分析。目前古籍?dāng)?shù)字化流程主要包含4個(gè)步驟：古籍掃描、文獻(xiàn)識(shí)別、文獻(xiàn)數(shù)字化、信息入庫(kù)。古籍掃描大多采用線性CCD掃描，既可以采用V模型，也可以采用平面模式掃描古籍。通過(guò)線性CCD掃描能捕捉到古籍中的所有內(nèi)容，同時(shí)減少掃描對(duì)古籍的傷害，保護(hù)珍貴古籍。文獻(xiàn)識(shí)別一般采用光學(xué)字符識(shí)別技術(shù)，通過(guò)特征提取和特征識(shí)別實(shí)現(xiàn)古籍文本、圖像、表格等的識(shí)別。文獻(xiàn)數(shù)字化是指將識(shí)別后的古籍進(jìn)行重組，轉(zhuǎn)化為可量化分析的數(shù)據(jù)，便于后續(xù)文本挖掘與分析。信息入庫(kù)是最后將識(shí)別出的紙質(zhì)古籍資源錄入數(shù)據(jù)庫(kù)。

古籍?dāng)?shù)字化的過(guò)程需要保證古籍的完整性、準(zhǔn)確性，同時(shí)還需要減少對(duì)古籍的損傷。如通過(guò)冷光掃描儀，采用非接觸掃描結(jié)合冷光技術(shù)大幅度減少了對(duì)古籍的損害，同時(shí)掃描速度快，掃描準(zhǔn)確度高，可以將掃描完成的古籍轉(zhuǎn)化為pdf、word等格式，為后續(xù)古籍處理和分析提供了便利。圖書館在古籍?dāng)?shù)字化處理階段，可以選擇與數(shù)字化供應(yīng)商合作，保障古籍掃描工具的性能，提高古籍?dāng)?shù)字化處理效率。

3.2 古籍?dāng)?shù)據(jù)融合

數(shù)據(jù)融合是實(shí)現(xiàn)古籍?dāng)?shù)據(jù)化組織的關(guān)鍵，對(duì)提高古籍資源利用率至關(guān)重要。古籍?dāng)?shù)據(jù)融合是采用一定的方法聚合或整合同一對(duì)象的多個(gè)屬性，消除數(shù)據(jù)冗雜，生成該對(duì)象的綜合數(shù)據(jù)集。古籍?dāng)?shù)據(jù)融合遵循一些通用的古籍編目規(guī)則，對(duì)不同來(lái)源的數(shù)字化古籍資源進(jìn)行清理和數(shù)據(jù)轉(zhuǎn)換，構(gòu)建結(jié)構(gòu)化數(shù)據(jù)，通過(guò)數(shù)據(jù)組合和聚合形成相應(yīng)的數(shù)據(jù)集。

古籍?dāng)?shù)據(jù)融合包含異構(gòu)數(shù)據(jù)、多源數(shù)據(jù)、多模數(shù)據(jù)融合，從數(shù)據(jù)簡(jiǎn)單組合到特征提取分析再到語(yǔ)義信息融合，層層遞進(jìn)，將不同屬性以及可能存在關(guān)聯(lián)的數(shù)據(jù)融合成新的數(shù)據(jù)集，增強(qiáng)了古籍?dāng)?shù)據(jù)的完整性。

3.3 知識(shí)關(guān)聯(lián)及應(yīng)用

古籍?dāng)?shù)據(jù)集是多源異構(gòu)古籍?dāng)?shù)據(jù)融合的數(shù)據(jù)集，數(shù)據(jù)集之間存在著緊密的關(guān)系，通過(guò)元數(shù)據(jù)、關(guān)聯(lián)數(shù)據(jù)等聚類方法進(jìn)行古籍知識(shí)聚合和集成，建立數(shù)據(jù)間的語(yǔ)義關(guān)聯(lián)，構(gòu)建知識(shí)鏈條，形成知識(shí)網(wǎng)絡(luò)。古籍知識(shí)關(guān)聯(lián)過(guò)程包含元數(shù)據(jù)構(gòu)建、本體設(shè)計(jì)、數(shù)據(jù)關(guān)聯(lián)等。通過(guò)構(gòu)建語(yǔ)義本體，顯示古籍資源之間的關(guān)聯(lián)關(guān)系，揭示古籍知識(shí)內(nèi)容，實(shí)現(xiàn)古籍?dāng)?shù)據(jù)鏈接的新模式。知識(shí)圖譜是古籍?dāng)?shù)據(jù)關(guān)聯(lián)的一種方式，通過(guò)語(yǔ)義標(biāo)注和鏈接相關(guān)古籍文獻(xiàn)資源，描述相關(guān)概念、實(shí)體、事件間的語(yǔ)義關(guān)系，建立知識(shí)網(wǎng)絡(luò)，為建立知識(shí)庫(kù)以及為用戶語(yǔ)義檢索提供便利。

古籍知識(shí)應(yīng)用是為用戶提供古籍語(yǔ)義檢索的服務(wù)，提高了古籍文獻(xiàn)資源的利用率，拓展了古籍知識(shí)共享范圍，同時(shí)將檢索結(jié)果通過(guò)可視化工具呈現(xiàn)出來(lái)，方便用戶直觀地了解古籍?dāng)?shù)據(jù)。例如，中華經(jīng)典古籍庫(kù)提供同義詞和關(guān)聯(lián)字檢索，為知識(shí)結(jié)構(gòu)不完整的用戶提供了檢索便利，提高了古籍的查全率，同時(shí)為科研工作者發(fā)現(xiàn)隱性關(guān)聯(lián)知識(shí)提供了檢索途徑；上海圖書館的家譜服務(wù)平臺(tái)以時(shí)間軸的方式呈現(xiàn)相關(guān)聯(lián)的名人、宗譜古籍以及相關(guān)歷史事件，方便用戶深入了解家譜文化。

4 數(shù)字人文時(shí)代古籍?dāng)?shù)據(jù)化組織的發(fā)展策略

4.1 完善古籍?dāng)?shù)據(jù)化組織標(biāo)準(zhǔn)化建設(shè)

計(jì)算機(jī)技術(shù)為古籍文獻(xiàn)數(shù)據(jù)化組織提供了可能，很多圖書館也開發(fā)了古籍?dāng)?shù)字化系統(tǒng)，實(shí)現(xiàn)了古籍的數(shù)據(jù)化。為了減少編目規(guī)則的混亂，2003年國(guó)內(nèi)啟動(dòng)了CALIS古籍聯(lián)合編目項(xiàng)目[14]，建立了古籍?dāng)?shù)據(jù)化組織的參照體系。目前國(guó)內(nèi)圖書館主要以《CALIS古籍聯(lián)機(jī)合作編目規(guī)則》為古籍編目的規(guī)則，采用統(tǒng)一的標(biāo)準(zhǔn)對(duì)古籍進(jìn)行歸類、記錄和標(biāo)引，準(zhǔn)確地揭示了古籍資源，為古籍資源整合和古籍?dāng)?shù)據(jù)庫(kù)建設(shè)提供了有利條件。未來(lái)圖書館仍需與時(shí)俱進(jìn)，進(jìn)一步完善古籍?dāng)?shù)據(jù)化組織規(guī)則，提高數(shù)據(jù)的標(biāo)準(zhǔn)化和規(guī)范化，提高古籍?dāng)?shù)字化的轉(zhuǎn)化效率和速度，促進(jìn)古籍文獻(xiàn)資源智能化發(fā)展。

4.2 加強(qiáng)古籍知識(shí)關(guān)聯(lián)研究

古籍?dāng)?shù)據(jù)化組織的目的是促進(jìn)古籍文獻(xiàn)資源的利用和共享，實(shí)現(xiàn)古籍知識(shí)關(guān)聯(lián)。本體技術(shù)是實(shí)現(xiàn)古籍知識(shí)關(guān)聯(lián)的重要工具。本體技術(shù)支持古籍自動(dòng)化編目，可以實(shí)現(xiàn)對(duì)古籍文獻(xiàn)資源的語(yǔ)義分析，自動(dòng)抽取古籍概念，建立古籍知識(shí)關(guān)聯(lián)，形成古籍知識(shí)網(wǎng)絡(luò)。古籍的本體構(gòu)建可以從兩個(gè)角度進(jìn)行[15]：一是基于學(xué)科特色構(gòu)建領(lǐng)域本體，如中醫(yī)古籍本體構(gòu)建以中醫(yī)專業(yè)名詞為核心概念；二是基于文獻(xiàn)類型構(gòu)建領(lǐng)域本體，如人物傳記古籍本體構(gòu)建以人物和歷史事件為核心概念。未來(lái)的古籍研究仍需不斷研究開發(fā)知識(shí)表示的工具，加強(qiáng)古籍語(yǔ)料庫(kù)的積累，自動(dòng)更新知識(shí)組織工具，深化對(duì)古籍?dāng)?shù)據(jù)挖掘與語(yǔ)義關(guān)聯(lián)的研究，完善古籍知識(shí)網(wǎng)絡(luò)。

4.3 促進(jìn)不同機(jī)構(gòu)共建共享

目前很多圖書館對(duì)古籍文獻(xiàn)資源進(jìn)行加工，構(gòu)建了多個(gè)古籍?dāng)?shù)據(jù)庫(kù)。不同的數(shù)據(jù)形式對(duì)不同平臺(tái)間的資源整合造成了一定的困難。因此不同機(jī)構(gòu)間應(yīng)加強(qiáng)合作，實(shí)現(xiàn)多源異構(gòu)古籍資源的融合，促進(jìn)古籍文獻(xiàn)資源的利用和共享。首先，建立統(tǒng)一的古籍?dāng)?shù)據(jù)庫(kù)，采取統(tǒng)一的數(shù)據(jù)清洗方式、統(tǒng)一的元數(shù)據(jù)標(biāo)準(zhǔn)，為用戶提供統(tǒng)一的古籍?dāng)?shù)據(jù)資源檢索平臺(tái)。該方法可以促進(jìn)機(jī)構(gòu)間的共建共享，通過(guò)緊密的合作避免資源重復(fù)建設(shè)，加強(qiáng)古籍資源數(shù)字化規(guī)范性建設(shè)，提高古籍?dāng)?shù)據(jù)質(zhì)量。其次，利用跨庫(kù)檢索技術(shù)，建立集成古籍?dāng)?shù)據(jù)庫(kù)系統(tǒng)，用戶只需要一個(gè)檢索接口就可以檢索到多源異構(gòu)資源。該方法可以減少用戶的檢索時(shí)間，用戶僅需在集成數(shù)據(jù)庫(kù)中進(jìn)行檢索就可以得到多種數(shù)據(jù)來(lái)源。不同機(jī)構(gòu)間要不斷強(qiáng)化合作，積極為古籍?dāng)?shù)據(jù)化組織建言獻(xiàn)策，不斷完善古籍保護(hù)機(jī)制。

5 結(jié)語(yǔ)

數(shù)字人文時(shí)代古籍?dāng)?shù)據(jù)是古籍?dāng)?shù)據(jù)化組織的基礎(chǔ)和關(guān)鍵，通過(guò)計(jì)算機(jī)技術(shù)實(shí)現(xiàn)了古籍?dāng)?shù)字化，為古籍?dāng)?shù)據(jù)挖掘與分析奠定了基礎(chǔ)。本文分析了數(shù)字人文時(shí)代圖書館古籍?dāng)?shù)據(jù)化組織的基本要求：保證古籍?dāng)?shù)據(jù)的真實(shí)性、可計(jì)算性以及可獲得性，并在此基礎(chǔ)上提出了古籍?dāng)?shù)據(jù)化組織的途徑，注重古籍?dāng)?shù)據(jù)挖掘以及知識(shí)關(guān)聯(lián)，利用可視化工具直觀地展示古籍?dāng)?shù)據(jù)化組織結(jié)果。圖書館古籍?dāng)?shù)據(jù)化組織不但能提高古籍的利用效率，拓展古籍的共享范圍，而且能提高圖書館知識(shí)服務(wù)水平，帶動(dòng)人文科學(xué)的發(fā)展。未來(lái)圖書館古籍?dāng)?shù)據(jù)化組織仍需不斷完善古籍?dāng)?shù)據(jù)組織標(biāo)準(zhǔn)化建設(shè)，提高古籍知識(shí)發(fā)現(xiàn)能力，加強(qiáng)機(jī)構(gòu)間共建共享，以減少數(shù)據(jù)庫(kù)重復(fù)性建設(shè)以及減少資源浪費(fèi)。