数字图书馆元数据研究

●吴开华 　邢春晓 　罗德胤 数字图书馆元数据研究 摘　要　元数据是数字图书馆建设的关键技术之一 ,是数字图书馆用以进行知识组织和资源发 现的工具。它分为描述性元数据、管理元数据和结构元数据。随着越来越多的特殊科目和格式 的元数据标准的出现 ,元数据的互操作问题已成为业内人士关注的焦点。参考文献 4。 关键词　数字图书馆　　元数据 分类号　G250176 ABSTRACT　Metadata is one of the key technologies in the development of digital library , and is a tool for knowledge organization and resource development . In this paper , the authors analyze various kinds of metadata , and think that the interoperability of metadata will be a focus. 4 refs. KEY WORDS　Digital library. Metadata. CLASS NUMBER　G250. 76 1 　元数据的产生与发展 尽管元数据 (Metadata) 这个概念的提出只是近 些年的事情 ,但这个概念的内涵所表达的信息却早 已存在。其实 ,传统目录就是元数据的一种。其他 如档案查找工具、博物馆的登记册等都是元数据应 用的具体表现形式。因此可以说 ,无论是在数字化 环境中 ,还是数字化环境之外 ,元数据都大量存在。 随着计算机技术的发展 ,传统目录逐渐被机读 目录 (MARC)所取代。MARC 无论是在数据描述的 丰富性 ,还是在数据检索的查准率方面 ,都是其他元 数据所不可比拟的。因此 ,在 20 世纪 60～90 年代 , 在以印刷型资料为收藏主体的传统图书馆里 ,MARC 独占鳌头 ,成为书目数据描述领域的主流工具。但 是 ,由于 MARC 自身的局限性 ,例如结构复杂 ,著录 项目过于烦琐 ,而且要求专业性强、要受过专门训练 的编目员来做等等 ,虽保证了著录的精确性 ,但著录 速度慢 ,工作效率低。面对网络海量信息资源的整 序需求 ,MARC 无疑是满足不了的。因此 ,资源发现 已成为 Internet 应用的瓶颈与焦点。虽说网络上已 有多种搜索引擎 ,并辅之以布尔逻辑检索等方法 ,但 同样不能满足用户对信息检索的需求 ,尤其不能满 足用户对特定信息的准确检索。例如 Yahoo、Lycos、 Altavista 等 ,这些搜索引擎的工作方式 ,是通过自动 搜索程序来抓取网页信息 ,然后以自动拆字 (词) 做 索引的方式建立数据库 ,不能有效地过滤资源 ,造成 检索结果数量大而有用信息少的弊病。 元数据的产生为网络信息资源的组织提供了重 要手段。所谓元数据 ,是用来标识、描述和定位网络 电子资源的数据 ,是面向某种特定应用的机器可识 别、可理解的信息。它去掉了 MARC 格式的烦琐和 复杂 ,以结构化的字段检索弥补搜索引擎的不足 ,是 介于 MARC 与搜索引擎之间的一种新型的数据格 式。迄今为止 ,世界上已开发出并付诸使用的元数 据有多种 ,例如 :美国联邦地理数据委员会的地理元 数据项目 ( FGDC , Federal Geographic Data Commit2 tee) 、编码文档描述 ( EAD , Encoded Archival Descrip2 tion) 、频道定义格式 ( CDF , Channel Definition For2 mat) 、教育管理系统 ( IMS , Instructional Management System) 、全球信息定位服务 ( GILS , Global Informa2 tion Locator Service) 、博物馆信息计算机交换标准框 架 (CIMI , Computer Interchange of Museum Informa2 tion) 、互联网内容选择平台 ( PICS ,Platform for Inter2 net Content Selection) 和都柏林核心元数据 ( DC , Dublin Core)等等。 已成为美国国家标准的都柏林核心元数据 ,是 一个由 OCLC(联机图书馆中心) 和 NCSA (美国超级 计算机应用中心)在 1995 年 3 月联合发起 ,邀请来自 图书馆、计算机、网络方面的学者和专家共同研讨的 产物 ,目的是希望建立一套适合于网络电子资源的 描述方法 ,以使得资源发现和信息检索变得更加迅 速和有效。由于 DC 具有结构简单、语意互通和可扩 展性等特点 ,因此 ,在众多的元数据种类中 ,成为最 受瞩目的一种资源组织工具。 —34— 　　　　　 中国图书馆学报 (双月刊) 2002 年第 3 期 ZHONGGUO 　 TUSHUGUANXUEBAO 2 　元数据的定义与内涵 通常 ,人们将元数据定义为“关于数据的数据” (data about other data) 或“关于数据的结构化数据” (structured data) 。在哈佛大学数字图书馆项目里 ,其 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。在这个定义里 ,元数据既适合于电子 资源、又适合于非电子资源 ;不仅包括编目信息 ,也 包括其他管理和存取资源的信息。 元数据描述信息资源或数据对象 ,其目的在于 使用户能够发现资源 ,识别资源 ,评价资源 ,而且对 相关的信息资源进行选择、定位和调用 ,追踪资源在 使用过程中的变化 ,实现信息资源的整合、有效管理 和长期保存。 元数据的内涵包括语义、句法与内容标准。 语义定义了元素的含义。在对比研究两个元数 据集时就可以发现相对应的元素。即如果一个元数 据集里的 creator 和另一个元数据集的 author 都是指 知识内容的主要创作者 ,那么我们就可以认为这两 个元素是对等的元素 ,彼此可以互相映射。例如 CN2 MARC 中 200 字段的 ＄f 就可以与 DC 中的 creator 建 立起互相映射关系。明确的语义定义是实现不同元 数据互换的基础。 句法 ,是指句子的结构方式以及支配句子结构 的规则。例如下面是 MARC、HTML 、XML 三种不同 句法结构的实例 : 1001 ＄a Gates , Henry Louis 〈META Name =“DC. Creator”CON TEN T = “Gates , Henry Louis”〉 〈Creator〉Gates , Henry Louis〈/ Creator〉 现在 ,我们暂且以 MARC 与 XML 两种不同句法 结构作一比较 : 1001 ＄a Gates , Henry Louis 是用 US MARC 格 式著录的某一特定记录的一个字段。在 US MARC 格式中 ,“100”的含义是 :个人名称主要款目字段。记 录用作主要款目标目的个人名称数据元素 ,一般为 文献的主要个人责任者。紧接着的“1”,是该文字段 的第一指示符 ,表明所记录的名称是以倒置形式著 录 ,即姓在前 ,名在后。“1”后面是该字段的第二指 示符 ,在这里是一个空位 ,表明该指示符未定义。随 后的“＄a”是该字段的子字段 ,其值是 :个人名称。包 含个人名称的姓、名、姓名、家庭名以及做主要款目 标目的字母、短语、数字等。按照个人名称的形式 , 可将其划分为名、姓和家族名三种类型。根据以上 关于 100 字段的字段、子字段以及指示符的含义与规 定 ,我们知道 ,1001 ＄a Gates , Henry Louis , 描述的是 一个姓 Gates 名叫 Henry Louis 的某一特定文献的主 要责任者。 〈Creator〉Gates , Henry Louis < / Creator > ,是 用可扩展标记语言 XML (eXtensible Markup Lan2 guage)表示的某一特定文档的一个字段。〈Creator〉 和〈/ Creator〉为控制标记 ,其中〈Creator〉为开始的控 制标记 ,〈/ Creator〉为结束的控制标记。在小于号 “< ”和大于号“ > ”之间嵌套的是元素 Creator , 在 〈Creator〉和〈/ Creator〉之间嵌套的是元素 Creator 的 内容 Gates , Henry Louis。用元素表示组成文件的逻 辑部件 ,元素概念明确 ,表达直观 ,并且用简单的嵌 套和引用表示元素的内容。这种句法结构 ,较之 MARC格式更容易理解 ,尤其方便计算机存储、处 理、查询、传输、显示和打印。 内容标准之一是数据元素的格式。例如 ,有以 下三种日期的表示方法 : 8. 6. 1999 ; 6/ 8/ 1999 ; 19990608 ,只有明确了数据元素的格式 ,我们才能知 道它究竟是 1999 年 6 月 8 号 ,还是 1999 年 8 月 6 号。鉴于此 ,DC 发布机构建议其核心元素之一的 Date 格式应符合 ISO8601 [ W3CDTF ] ,并使用 YYYY2MM2DD 格式。那么 ,在 DC 的元数据标准 中 ,1999 年 6 月 8 日应著录为 :1999206208 才算符合 规范。 内容标准的另一个子类是值标准。这包括分类 表、主题词表等。例如某一具体的实用数据库 ,用的 是 CLC(中国图书馆图书分类法) 还是 LC (美国 ,国 会图书馆图书分类法) 的分类标准 ;是 CT (汉语主题 词表)还是 LCSH (美国 ,国会图书馆的标题表) 或者 是 MESH(美国 ,医学主题词表) 的主题词表 ,这在建 库之初 ,就应该有一个明确的规定。元数据的值的 标准的应用 ,是提高信息检索查准率和查全率的有 效。 3 　元数据的类型与作用 元数据有多种分类方式 ,例如按结构化程度可 分为 :非结构化元数据 ,如 yahoo 等搜索引擎 ;较少字 段的结构化元数据 ,如 Dublin Core 等 ;高度结构化元 数据 ,如 MARC 等。但最为普遍的分类方法是按照 其功能分为描述性、管理和结构元数据。 描述性元数据支持资源的发现和鉴别。题名、作 —44— 第 28 卷第 139 期 Vol. 28. No. 139 中　国　图　书　馆　学　报 THE JOURNAL OF THE L IBRARY SCIENCE IN CHINA 2002 年 5 月 May , 2002 者、制作者、出版者、出版日期等都是典型的描述性元 数据。描述性元数据通常都是公共信息 ,因而它比别 的元数据都得到了更好的标准的支持。MARC 和 AACR2 都是关于图书馆描述性元数据的标准。其他 领域也有自己的标准 ,例如 Dublin Core 等。 用以维护和管理资源的数据通常被称为管理元 数据。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。管理元数据的范围很 宽 ,一般包括 :创建者元数据 ,用以表明谁拥有资源 , 谁承担资源存储的费用 ,谁有权改动甚至删除资源 等 ;存取权限元数据 ,用来决定谁可以使用资源以及 以何种方式使用资源 ;数据处理技术的元数据 ,如扫 描分辨率和压缩率等 ,被用于将资源从一种格式转 为另一种格式。 结构元数据描述数字化资源内部的形式特征 , 如目录、段落、章节等特征。它将资源的各个部分连 接起来成为一个整体信息。将它用在程序里可以产 生一个资源的显示界面 ,例如它可以将统计信息以 图形的方式显示出来。结构元数据还可以包括支持 在资源内部各个部分间浏览的信息 ,如翻动书页 ,用 户可以从一页跳到另一页 ,从一个问题跳到另一个 问题 ,从一本书跳到另一本书 ,从图像跳到和它相应 的文本等等。 值得特别提出的是关于保存元数据的研究。保 存元数据 ,指支持数字化资源长期保存的数据。在 数字图书馆中 ,关于数字化资源发现与检索的元数 据研究固然重要 ,关于支持资源保存的元数据研究 同样非常重要。 所谓长期保存是指保存期限可以无限延长。关 于保存元数据的某些研究内容 ,在描述性元数据和 管理元数据的研究中也曾涉及到 ,只是将它单独列 出并加以系统研究的却为数不多。不过 ,OAIS 是个 例外 ,保存元数据的主要研究内容 ,OAIS 体现的最 为充分。保存元数据的框架结构 , OAIS 最引人瞩 目。 OAIS 的全称是 Open Archive Information Sys2 tem。其主要功能是接收信息、保存信息并提供信息 服务。OAIS 中的 PDI ( Preservation Description Infor2 mation) ,描述内容信息的特征以保证内容信息的长 期保存 ,它包括下列内容 :出处信息 (provenance) ,描 述内容信息的来源 ,产生以后的监管人、加工处理历 史等 ;上下文信息 (context) ,记录内容信息与信息包 以外其他信息的联系 ;参考信息 ( reference) ,包括对 资源描述的附加信息和资源标识符 (用来标识内容 信息的惟一性 ,例如一本书的 ISBN 号) ;固定信息 (fixity) ,包括用于认证的信息 ,例如数字签名等 ,以 保护内容信息不受篡改。 关于 OAIS ,国际元数据界已逐渐达成共识。例 如中国国家图书馆制订的《中文元数据标准》, 就以 OAIS作为总体框架 ;美国 OCLC/ RL G 已经正 式提出保存元数据的概念并企图要在 OAIS 信息模 型的基础上制订一个保存元数据的标准框架 ;澳大 利亚国家图书馆也在保存元数据的研究方面做了许 多努力。保存元数据这一概念的提出对数字化资源 的长期保存具有深远意义。 4 　元数据的互操作 随着数字图书馆的发展 ,从 90 年代开始 ,一般或 特殊领域的元数据标准如雨后春笋般层出不穷 ,有 些学者称之为“元数据运动”。这个“元数据运动”折 射出“数据的结构数据”是对描述和发现各类资源属 性的需求的一种本质和最初的反应。然而 ,随着越 来越多的特殊科目和格式的元数据标准的出现 ,元 数据的互操作问题已成为元数据的开发者和潜在使 用者关注的焦点。 用户需要集成存储在异构数据库中的信息。但 在过去的若干年中 ,不兼容的数据格式和数据结构 阻碍了信息系统之间的互操作。一个日益重要的问 题是怎样实现各种元数据间的互操作 ,并能够真正 支持最广泛范围的资源发现、检索和使用。元数据 的互操作直接影响信息的共享、互换以及透过系统、 语言和地理位置的界限而访问的可能性。 目前 ,元数据的互操作主要是通过语义互操作 和结构与语法的互操作来实现 ,有以下几种途径。 411 　开放档案协议 OAI OAI 的全名是 open archive initiative。OAI 的研 究始于电子出版 ( E2Print ) 团体 ,最初的研究目标是 通过电子出版团体内部系统的互操作来达到团体内 的信息共享 ,后来将目标扩大为 :寻求一种简便的方 法来实现不同的数字资源系统间的开放检索 (也就 是跨系统检索) 。目前它的具体做法是 :以 Dublin Core 的 15 个核心元素为“中间件”,使不同元数据方 案下相等或近似相等的元数据元素相互映射 ,以实 现语义上的互操作。 412 　信息检索国际标准 Z39150 Z39150 是检索远程图书馆书目的信息检索国际 —54— 吴开华　邢春晓　罗德胤 :数字图书馆元数据研究 Wu Kaihua et al. :A study of Metadata for Digital Library ●纪蔚蔚 　潘有能 文献数据库质量控制系统的实现 3 摘　要　文献数据库质量与建库成本、建库周期之间存在着矛盾。通过数据录改中的质量控制、 主题词标引及分类中的质量控制、数据整合中的质量控制 ,可以解决这一问题。图 1。参考文献 2。 关键词　数据库　质量控制　文献处理 分类号　G250174 ABSTRACT　There is a contradiction between the quality of a document database and the creation cy2 cle and cost for the database. In this paper , the authors think that we can solve some problems by quality control in the inputting , subject indexing , classification and data integration. 5 figs. 2 refs. KEY WORDS　Database. Quality control. Document processing. CLASS NUMBER　G250. 74 1 　质量控制的提出 文献数据库是提供用户服务、制作光盘检索系统、进行 因特网上查询和文献计量的基础 ,也是进行文献自动化处 理的素材。数据库质量有问题 ,便会造成文献在数据库中 的漏检或误检 ,还会造成自动标引的准确率低 ,甚至无法实 现 ,文献计量指标及统计分析的可信度也不能得到保障。 质量 ,是数据库的生命 ,它直接影响用户服务和文献利用 , 这已经成为人们的共识。 文献数据库的质量主要体现在 :数据录入的准确性 ,数 据收集的完整性 ,数据更新的及时性 ,数据处理的正确性。 常见的错误类型有 : 字段类型不规范 , 相关字段不匹配 , 关 标准 ,是一个运行在 TCP/ IP 协议之上的应用层协 议 ,它规定了客户机查询服务器以及提取结果记录 等过程中所涉及的数据结构和数据交换规则 ,从而 解决了现存书目数据库检索接口的异构性问题。相 对于 OAI ,Z39150 的功能更加完善 ,但也带来实现的 困难和费用的高昂。一般说 ,只有标引详细 ,数据质 量很高 ,对互操作质量要求相当苛刻的系统才采用。 413 　资源描述框架 RDF 与可扩展标记语言 XML 由 W3C 推出的 RDF 是一套描述资源及其属性 和属性值的模型 ,其制定的目的主要是为元数据在 Web 上的应用提供一个基础结构 ,以方便不同元数 据间的互操作。可扩展标记语言 XML 作为元数据 的编码标准 ,提供了元数据在语法层次上的互通性 , 使它跨越特定平台、特定系统的限制。使用 RDF/ XML 命名域的概念 ,在创建一个元数据格式时 ,借用 其他元数据集的某些元素 ,可以减少重复劳动并增 强元数据格式间语义互通性 ,方便互操作的实现。 元数据是数字图书馆建设的关键技术之一。数 字化图书馆的运作 ,无论是数据的加工、存取 ,信息 的浏览、检索 ,还是资源的整合与长期保存都是以元 数据为基础实现的。随着数字图书馆的发展 ,元数 据的研究必将进一步深入。 参考文献 1 　The Dublin Core Metadata Element Set . ANSI/ NISO Z39. 8522001 2 　Marcia Lei Zeng. Supporting metadata interoperability : trends and issues. Proceedings of 21st NIT international conference. Beijing : Tsinghua University Press , 2001 3 　林海青. 数字化图书馆的元数据体系. 中国图书馆学报 , 2000 ,26 (4) 4 　吴政 . 都柏林核心集在图书馆应扮演的角色. 上海中 文元数据应用国际研讨会 ,2001 吴开华　清华大学图书馆研究馆员。通讯地址 :北京 清华大学。邮编 100084。 邢春晓　清华大学计算机系副教授 ,博士后。通讯地 址同上。 罗德胤　清华大学建筑学院博士研究生。通讯地址同 上。 (来稿时间 :2001210229)3 　本文系江苏公安专科学校科研项目《公安文献全文数据库及计算机辅助标引与检索系统》(97XB870001)的成果之一。 —64— 　　　　　 中国图书馆学报 (双月刊) 2002 年第 3 期 ZHONGGUO 　 TUSHUGUANXUEBAO