新闻信息数据库后控词表的设计和编制‘.PDFVIP

江苏图书馆学报2000(2) 业务研究 新闻信息数据库后控词表的设计和编制‘ 侯汉清 【摘要】论文阐述了新闻信息数据库设置后控词表的必要性，讨论了编制后控词表的 方式和方法，提出了一种基于《中国分类主题词表》的后控词表(包括分类表及轮排索引两部 分)的设计方案及其编制步骤。 【关键词】 自然语言检索 新闻数据库 后控词表 中国分类主题词表 1编制后控词表的缘起 引规则，但数十名标引员同时标引的一致性是很低 新闻信息具有内容广泛、新颖，信息更新快，数 的。这是因为自然语言表达概念的自由度很大，存在 量巨大．连续性和积累性强等特点。目前国内建立的 着大量的同义词、准同义词和同义词组。如无一部后 报纸信息数据库，如《人民日报》、《经济日报》、《文汇 控词表，要求用户在检索时把有关某一主题概念的 报》及新华社数据库都普遍存在着受控标引难度大、 上述各种语词形式都罗列在检索式中，是很困难的， 速度慢、词汇更新滞后、全文检索效率低等问题。实 因而检全率极低。自然语言检索系统的实践表明，利 践表明，只是改进硬件和软件．改善全文检索技术， 用后控词表检索比不利用后控词表检索，检全率平 修订受控词表和采用机辅标引等，无法从根本上改 均提高约50％。由此可见，后控词表在帮助检索者 变检全率低、误检率高、检索噪音大等弊病。 构造检索式，提高自然语言检索系统的检全率方面， 目前的出路是用自由标引取代传统的受控标 起着重要的作用。正如兰开期特所指出的，“事实上， 引．以提高标引的速度。加快建库的进度；用后控词 这种方法值得引起比以往任何时候更多的重视。” 表代替传统的叙词表(先控词表)，以解决词汇更新 目前国内后控词表的研制刚处于起步阶段，文 慢．检索效率低的问题。一句话，就是用后控制系统 献报道国外“这方面的实例很少，研究也不够”。因 代替先控制系统；用自然语言标引代替受控语言标 此，当前编制后控词表对于数据库建设、联机网络的 引．具体说，就是采用自由标引+后控词表的模式。 发展乃至情报语言学的理论研究，都具有重大意义。 传统的叙词表存在着多种缺点：①标引难度高， 2后控词表的总体设计 标引员及用户难于掌握。随着计算机网络的飞速发 (1)词表功能：①用于计算机网络系统对新闻信 展，检索操作由图书馆及情报专业人员转变为普通 息的检索；②用于生产书本式报纸分类索引和主题 的科技工作者来进行，这一问题变得愈来愈严重。② 索引；③用于自动生成分类号，完成对报纸的分类； 词汇控制严格、全面，编制旷日持久，成本高。③词汇 ④经过调整，以后拟用于期刊论文和图书专著的标 更新滞后，在新名词新主题不断涌现的报纸数据库 引和检索。 中。这一问题变得更加突出。④词汇冗余。需要的词 (2)词表范围：复盖人文社会科学、自然科学及 汇找不到，陈旧不用的词汇俯抬皆是。⑤控制同义 技术科学等一切学科领域，标引各种报纸发表的文 词、准同义词的入口词太少，不便于检索。 稿、消息、论文、图片、照片、统计数据及广告等。 后控词表是伴随着自然语言标引和检索而产生 (3)词表收词量：按《汉语主题词表》(以下简称 的。后控词表的性质类似子入口词表，也被称作检索 《汉表》)词量10万多词计算，预计在2—3年时间 词库(不同于叙词词库)。它保留了受控词表的许多 内，后控词表的收词量至少在20一30万条。在编表 特点，又在很大程度上接近自然语言。正如张琪玉教