开放获取资源知识整合平台构建研究

Vol.29,No.2February,2011第29卷第2期

2011年2月

收稿日期：2010－10－29作者简介：卢晓何（1966-），女，长春人；张立新（1976-），男，长春人.

开放获取资源知识整合平台构建研究卢晓何1，张立新2（1.长春中医药大学图书馆，吉林长春130117；2.长春工业大学图书馆，吉林长春130012)摘要：随着布达佩斯开放获取运动的开展，开放获取资源的数量日益增多，并呈海量增长的态势。这些资源具有极高的知识性、学术性、科研性，是教学、科研极具重要的潜在资源。因此，发现、获取、整合、利用开放获取资源，为用户提供便捷的获取方法与途径，促进开放获取资源的开发和利用，拓展用户的服务空间，都具有十分重要的意义。随着语义互联网和本体技术的快速发展，开放获取资源的整合向知识整合迈进。本文着重分析了开放获取资源知识整合的流程以及如何构建开放获取资源知识整合的平台框架模型，为开放获取资源的知识获取和利用提供良好的理论基础和实践指导。关键词：开放获取资源；知识整合；构建中图分类号：G350文献标识码：A文章编号：1007-7634（2011）02-0253-05

ResearchonConstructingaPlatformofKnowledgeIntegrationinOpen-AccessResources

LUXiao-he1，ZHANGLi-xin2

(1.LibraryofChangchunUniversityofChineseMedicine,ChangChun130117,China;2.LibraryofChangchunUniversityofTechnology,ChangChun130012,China)Abstract:WiththelaunchingoftheBudapest'sOpen-Access(OA)movement,thenumberofresourcesfromtheOAareincreasingmoreandmoreandshowamassivegrowth.TheseResourcesishighlyintellectual,academicandscientific,anditisthemostimportantlatentresourcesforteachingandresearching.Therefore,itisofgreatsignificancetodiscovery,acquire,integrateandusetheOAR,toprovideuserswiththeconvenientwaystoaccess,toenhancetheexploitationandutilizationoftheOAR,toenlargetheservicespaceforusers.WithrapiddevelopmentofthesemanticInternetandtheOntologytechnology,theintegrationofOpen-Accessresourcesmakegreatstridesforwardknowledgeintegration.ThisarticleanalyzedtheflowofKnowledgeIntegrationofOpen-Accessresources,aswellashowtoconstructtheplatformframemodeloftheOpen-Accessresources,toprovidegoodtheoreticalbasisandPracticalguidanceforgainingandusingtheknowledgeoftheOpen-Accessresources.Keywords:open-accessresource;knowledgeintegration;construction

1引言

“开放获取”近几年成为一个热门话题。开放获取的资源一般都具有很高的学术和科研价值，非常值得借鉴和使用。它是通过互联网传播的，可以免费获取的具有较高学术价值和科研价值的资源，是通过同行评议的，具有严格审批程序发布的网络资源。开放获取资源的整合是将这些可开放获取的数据库、个人网页、网站、博客、论坛等资源存放在一个统

情报科学254情报科学29卷

一的检索平台中，方便用户获取和利用。就目前情况来看，开放获取资源的整合还处于信息整合阶段，还没有达到知识整合的层次，在语义互联网和本体技术以及知识管理和知识组织技术日益成熟的今天，开放获取资源的知识整合也日渐兴起。本文分析了开放获取资源知识整合的流程，并试图构建开放获取资源知识整合的平台框架模型，为开放获取资源知识整合的实施提供理论指导，也为用户利用开放获取资源提供了更方便、更快捷的途径。它是建立在开放获取资源信息整合的基础之上的，是信息整合的延伸和发展，也是开放获取资源整合发展的最终目标。2开放获取资源知识整合的流程为了整合互联网上的OA资源，最终为用户形成统一的知识检索平台，首先需要对用户的知识需求做出分析，并根据用户的知识需求，收集相应的OA资源，对已收集的OA资源进行有效的知识获取，然后进行知识表示，并对知识结构及其关联关系进行存储，以便进行知识的永久检索服务。OA资源知识整合的流程是由用户的知识需求分析、OA资源的收集、知识获取、知识表示、知识存储、知识检索等一系列过程组成。如图1所示。图1OA资源知识整合的流程2.1开放获取资源的知识需求分析（1）现有OA资源整合系统的不足，知识组织和知识整合的兴起，促使人们对OA资源的知识需求的增长。目前OA资源整合还处于信息整合阶段，还停留在OA系统表面，这使人们在大量的OA信息（文献）面前难以找到自己所需要的知识，难以了解和认识OA资源系统内部的知识结构和语义。信息整合的不足，知识组织的推进，使人们催生了对OA资源内部知识结构认知的向往，人们需要了解OA的知识，人们需要获取这些资源所带来的知识。实现知识的有效获取，满足人们的知识需求，已成为知识整合的重要任务。（2）OA资源的海量增长，人们获取信息的难度越来越大，催生了人们对OA资源的知识需求。海量OA资源的增长，使人们查找和利用OA资源的难度越来越大，“信息孤岛”和“信息超载”问题十分严峻，在这种情况下，人们的需求开始有了新的变化，人们开始追求信息中的知识资源，而不在看重信息本身，更看重的是信息中永现的大量知识，人们对OA资源的需求不在是信息需求，而是转向知识需求。（3）在语义网的大环境下，知识本体成为最基本的构成要素，使人们对知识资源的需求逐渐增多。在语义网中，人类的知识体系是由一个个领域知识本体组成一个宏观的知识网络，知识本体成为人类知识体系构成的最基本要素，OA资源的知识本体是各领域知识本体的一个重要组成部分，因而也是人类知识体系的构成要素之一。随着OA资源知识本体的增多，使人类知识体系的构建成为现实。

2.2开放获取资源的收集

OA资源的收集应从本机构资源建设的实际情

况出发，本着实用的原则，由点到面的覆盖，应先从学科或专业建设入手，针对本机构所设专业情况或科研项目的申请情况来相应的收集OA资源。OA资源的收集是一个长期的、循序渐进的过程，既要着眼适应当前，又要考虑长远；既要收集OA资源的元数据，又要收集OA资源的全文文献内容；既要收集OA资源的网站结构或数据库结构，又要收集各OA资源系统的功能结构和分类结构。从而保证OA资源信息收集的全面、准确、真实。OA资源的收集可通过网络蜘蛛爬虫技术按照事先设定所收集的范围从各独立的OA资源系统中抓取信息，并通过全文下载工具进行批量下载，使收集的OA资源中既包括了元数据信息，也包括了全文信息。同时将收集的OA信息进行自动或半自动分析，并从收集来的元

数据或全文信息中抽取出可供构建知识本体的概念，即知识。

2.3开放获取资源的知识获取

OA资源知识的获取主要来源于OA文档（文

献），而OA文档都是以自然语言进行描述的，没有统一的格式，文档之间是相互独立的，不存在任何关联。对OA文档进行科学合理的解构，揭示文档中所蕴含的知识，是知识发现的重要方法和途径之一【1】。

OA资源的知识获取就是通过对OA文档的语义处

理来发现知识的。OA文档的语义处理过程就是知识发现的过程，它可通过以下几个步骤来完成：无用词过滤、分词处理、特征词提取、语义标注等一系列处理过程【2】（见图1）。2期开放获取资源知识整合平台构建研究255图2OA文档的语义处理过程（1）过滤模块。该模块的功能是将OA文档中存在的大量无实际意义的虚词，如“的、也、是”等进行过滤，去除这些对知识获取无用的虚词，这样做的目的是加快系统处理的速度，还可以提高分词系统提取的精度。（2）分词处理。分词处理的过程主要是采用一定的算法对OA文档进行分词处理。目前主要的算法有四类：基于字符串匹配的分词方法(包括最大匹配法、逐词遍历法、最小匹配法等)、基于理解的分词方法、基于统计的分词方法和基于语义的分词方法【3】。

本文采用改进的最小匹配法。其主要思想是：首先为词典建立索引，以提高字符查找匹配的效率，之后从给定字符串中取最小长度字符串，以二分法的方式在词典中进行查找，找到后将以当前字符开头的词条取出，放入一个事先指定的集合中，并建立索引，然后在该集合中进行匹配，找到相应的词条则输出。然后重复上述的第二个步骤（即从给定字符串中取最小长度字符串），直到取完所有字符串。这样的改进可以减少词典的匹配次数，提高查找效率。（3）特征词提取。提取特征词主要是对经过分词系统处理得到的词汇和短语进行词频统计及权重计算，从而选出最能代表该文档主题的特征词。一个词汇在文献中出现的频率与该文档表达的意义有着密切的关系，出现越频繁，越有可能是表达该文档的主题词。特征词提取的方法有很多，如词频统计法、加权统计法、N-Gram法等。该模块的主要功能就是将某一篇文章中每个词出现的频率按递减顺序进行排列，并对这些词语的词频进行统计，事先设定一个词频的阀值，将低于该阀值的词去掉，剩下的词则作为标识该文档的特征词。然后根据词语本身的重要性、词长等特征给每个词赋予一个权值，以表示该词语在标识文档时的重要程度。这样可以使统计结果更加符合实际，更能体现出该文档的主题。这些特征词是表示文档主题的概念，是知识体系的基本组成部分，我们也可以把它称之为知识元，这是组成知识的

基本单位，它是认知的基元【4】，是知识表示的基础。

（4）语义标注。语义标注是将资源内容所表达的主题概念和知识点标引出来的过程。其目的是实现上述特征词之间语义关系的映射。本文采用WordNet【5-6】系统对上述抽取的特征词进行语义匹