第4章节数字信息资源处理.pptVIP

第4章 数字信息资源处理 教学目标 了解数字信息资源的有效处理是数字图书馆支撑技术之一 掌握相关信息资源处理所用到的技术，如: 信息资源描述技术 元数据技术 分词技术 文本分类技术 信息抽取技术及其具体技术 第4章 数字信息资源处理 教学要求 §4.1数字信息资源描述与组织 描述语言及其发展　　　　　 Web实现了网页的连通，Web改变了人们学习与生活方式。HTML（超文本置标语言）技术拉近了Web与人们之间的距离，通过它很容易、方便地获得信息资源； HTML是SGML（Standard Generalized Markup Language，标准通用置标语言）的一个实例化的子集，可扩展性差，用户根本不能自定义有意义的置标供他人使用，这一切都成为Web技术进一步发展的障碍，在这种情况下XML顺应而生； 1969年，IBM公司就开发了一种文档描述语言GML用来解决不同系统中文档格式不同的问题，GML是IBM许多文档系统的基础，包括Script和Bookmaster，1986年该语言演变成一个国际标准（ISO8879），并被称为SGML； SGML是很多大型组织，比如飞机、汽车公司和军队的文档标准，它是语言无关的、结构化的、可扩展的语言，这些特点使它在很多公司受到欢迎，被用来创建、处理和发布大量的文本信息。 在1989年，在CERN欧洲粒子物理研究中心的研究人员开发了基于SGML的超文本版本，被称为HTML； HTML继承了SGML的许多重要的特点，比如结构化、实现独立和可描述性，但是同时它也存在很多缺陷：比如它只能使用固定的有限的标记，而且它只侧重于对内容的显示。同时随着Web上数据的增多，这些HTML存在的缺点就变的不可被忽略。 W3C提供了HTML的几个扩展用来解决这些问题，最后，它决定开发一个新的SGML的子集，称为XML； XML的出现就是为了解决HTML所存在的这些弊病。它保留了很多SGML标准的优点，但是更加容易操作和在WWW环境下实现，在1998年，它就变成了W3C的标准。 XML有如下几个优势： 它允许各个组织、个人建立适合自己需要的置标集合，并且这些置标可以迅速地投入使用。这一特征使得XML可以在电子商务、政府文档、司法、出版、CAD/CAM、保险机构、厂商和中介组织信息交换等领域中一展身手，针对不同的系统、厂商提供各具特色的独立解决方案； XML的数据存储格式不受显示格式的制约。一般来说，一篇文档包括三个要素：数据、结构以及显示方式。对于HTML来说，显示方式内嵌在数据中，这样在创建文本时，要时时考虑输出格式，如果因为需求不同而需要对同样的内容进行不同风格的显示时，要从头创建一个全新的文档，重复工作量很大。此外HTML缺乏对数据结构的描述，对于应用程序理解文档内容、抽取语义信息都有诸多不便。 §4.1数字信息资源描述与组织 元数据： 元数据概念与作用： 元数据（metadata）是关于数据的数据。哈佛大学数字图书馆项目对元数据的定义为：元数据是帮助查找、存取、使用和管理信息资源的信息。元数据在数字图书馆中的主要作用是对数字信息资源的组织和整序，亦即为分布式数据发现和检索奠定基础。 元数据功能： 描述功能 　数字图书馆中的元数据描述功能有两个方面： 描述数字化信息的基本特征，使得数字化图书馆系统能够通过元数据体系自动搜索到数字化信息。 描述用户提问。 整合功能 所谓整合功能，指的是数字图书馆的元数据体系将各种不同格式的元数据，通过建立映 射、翻译等方法整合成一种元数据格式的过程，即实现不同格式元数据之间的互操作性，也是一个异构数据库之间的整合过程。 控制功能 元数据体系的规范控制功能包括信息内容的规范化描述、规范标引和信息评估等方面。元数据体系可以通过标准元数据模型来规范化描述数字信息。 代理功能 知道元数据本身也是替代记录，数字图书馆中的元数据体系同样具有代理功能。元数据的代理功能可以有效地节省网络资源，这是因为元数据是数字化信息资源的一种描述，记录了数字化信息资源的基本特征，可以基本反映信息的概貌，同时，元数据和数据相比，其数据量要小得多，可以作为完整信息的代理。 §4.1数字信息资源描述与组织 元数据类型 描述型元数据 持资源的发现和鉴别。题名、创造者、制作者、出版者、出版日期等都是典型的描述型元数据。 管理型元数据 数字图书馆中通过它实现对数字信息资源的有效管理。传统图书馆中有关借阅权限、馆藏地点等信息都是管理元数据的例子。 结构型元数据 结构型元数据反映数字信息资源的内部形式特征，如目录、段落、章节等，从而实现对数字信息资源的结构化存取。 技术型元数据 数字图书馆是高新技术的集聚地，其作业环境是典型的技术