基于信息資源聚合的交互式報(bào)告生成模型研究

袁雪 劉敏娟 劉洪冰 王新 趙婉婧 江浩

（1. 中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所，北京 100081；2. 農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)大數(shù)據(jù)重點(diǎn)實(shí)驗(yàn)室，北京 100081）

現(xiàn)今海量信息資源為用戶帶來(lái)豐富數(shù)據(jù)和信息的同時(shí)，也帶來(lái)了信息超載的困難，不利于信息的高效獲取與利用[1]。隨著信息組織技術(shù)的發(fā)展，用戶更多地希望幫助他們實(shí)現(xiàn)信息資源跨語(yǔ)種、跨載體、跨領(lǐng)域的有機(jī)關(guān)聯(lián)，按照特定需求從大量分散來(lái)源中獲取信息并以序化整合的方式提供一站式信息服務(wù)。為實(shí)現(xiàn)用戶快速、高效、多方位獲取有序的、成體系信息的意愿，交互式報(bào)告作為一種新型的信息服務(wù)方式應(yīng)運(yùn)而生，彌補(bǔ)了傳統(tǒng)編輯報(bào)告在時(shí)效性、便捷性、個(gè)性化等方面的不足。其實(shí)施過(guò)程中的PDF文檔碎片化，是指識(shí)別PDF文檔中章節(jié)、圖表、段落等細(xì)顆粒信息單元，提取文本閱讀順序并對(duì)文檔結(jié)構(gòu)進(jìn)行層次分析，將其分解成一個(gè)有層次、有邏輯的有機(jī)體，是實(shí)現(xiàn)細(xì)粒度信息單元重組和深度知識(shí)挖掘的基礎(chǔ)；繼而利用非傳統(tǒng)的編輯、加工與生成方式，融合PDF文檔碎片化技術(shù)與交互式操作，將相關(guān)領(lǐng)域橫縱向的專業(yè)信息資源，按照相應(yīng)的知識(shí)資源體系進(jìn)行規(guī)?；孬@取、遴選與匯聚，經(jīng)細(xì)粒度加工、深層次揭示，實(shí)現(xiàn)動(dòng)態(tài)重組與發(fā)布。實(shí)施效果表明：能顯著提升用戶信息輸入的效率，實(shí)現(xiàn)有針對(duì)性的、輕量化的閱讀；能夠一鍵生成定制化報(bào)告，支持多維度分面檢索，提高查找信息的效率。

1 交互式報(bào)告生成模型理論基礎(chǔ)

1.1 聚合單元?jiǎng)澐?/h3>

Sandusky等[2]認(rèn)為文獻(xiàn)資源包括兩種類型的結(jié)構(gòu)，一種是如摘要、正文、圖表和參考文獻(xiàn)等的形式結(jié)構(gòu)；另一種是文獻(xiàn)組織成一個(gè)敘述部分，如文獻(xiàn)綜述、研究方法、結(jié)果與討論等反映文獻(xiàn)構(gòu)思的邏輯結(jié)構(gòu)。據(jù)此，本文以形式結(jié)構(gòu)和邏輯結(jié)構(gòu)的劃分作為聚合單元?jiǎng)澐值囊罁?jù)。形式結(jié)構(gòu)分析中將篇章視為整體，其各個(gè)部分視為組成要素。參考顧小清[3]提出的通過(guò)分析期刊論文的形式結(jié)構(gòu)而拆分期刊論文的組成部分，文中將PDF文檔的外部特征如標(biāo)題、著者、關(guān)鍵詞等進(jìn)行結(jié)構(gòu)化存儲(chǔ)，其中針對(duì)形式結(jié)構(gòu)缺乏嚴(yán)謹(jǐn)和統(tǒng)一的資源進(jìn)行處理后結(jié)構(gòu)化著錄。邏輯結(jié)構(gòu)分析針對(duì)的是篇章形式結(jié)構(gòu)中的正文部分，文獻(xiàn)的邏輯結(jié)構(gòu)包括兩個(gè)方面：一是作者根據(jù)行文框架與邏輯對(duì)整篇文檔進(jìn)行分割，即節(jié)段單元；二是具有一定交際意圖和修辭目的的語(yǔ)篇結(jié)構(gòu)，即句群?jiǎn)卧猍4]。考慮到語(yǔ)義功能的標(biāo)注完整性及以用戶較為希望的聚合單元粒度，采用以正文部分篇章節(jié)段單元和圖表單元作為分割的顆粒度，以方便用戶快搜檢索定位所需的單元內(nèi)容，從而節(jié)省瀏覽和查找其他不相關(guān)信息的時(shí)間。

1.2 信息資源聚合

信息資源聚合被認(rèn)為是網(wǎng)絡(luò)環(huán)境下知識(shí)組織的一種新模式，正成為信息組織與檢索領(lǐng)域的研究熱點(diǎn)[5］，其主要是對(duì)數(shù)字或網(wǎng)絡(luò)環(huán)境下文本信息單元中包含的相關(guān)信息進(jìn)行抽取與重組。通過(guò)對(duì)國(guó)內(nèi)外研究梳理發(fā)現(xiàn)，近年來(lái)的研究主要圍繞信息聚合相關(guān)理論體系、聚合技術(shù)方法、聚合效果顯現(xiàn)評(píng)估、聚合應(yīng)用實(shí)踐等方面[1，6-8]，并取得了一定的研究成果。細(xì)粒度信息資源聚合作為信息資源聚合的主要模式之一[9]，相關(guān)研究聚焦聚合單元元數(shù)據(jù)、多維度語(yǔ)義標(biāo)注機(jī)制、多維語(yǔ)義聚合等，為細(xì)粒度聚合單元的解析、抽取、分析與管理提供相應(yīng)的理論依據(jù)。本文在前人研究基礎(chǔ)上進(jìn)行拓展與延伸，并著重結(jié)合用戶信息需求，從優(yōu)化信息資源組織角度進(jìn)行信息的整合序化，為用戶高效便捷地獲取與利用信息提供服務(wù)：其中元數(shù)據(jù)框架的制定參考曹樹(shù)金等[1]構(gòu)建的文獻(xiàn)標(biāo)識(shí)符、關(guān)鍵詞、來(lái)源等核心元素，以及標(biāo)題、責(zé)任者、日期、語(yǔ)種資源等篇章方面的描述元素作為資源元數(shù)據(jù)標(biāo)準(zhǔn)；聚合單元的多維度語(yǔ)義標(biāo)注參考胡潛等[9]提出的從行業(yè)主題和用戶群體兩個(gè)維度進(jìn)行組織體系的構(gòu)建與標(biāo)注，依據(jù)面向用戶需求的資源知識(shí)體系進(jìn)行基于機(jī)器學(xué)習(xí)的文本自動(dòng)分類標(biāo)注，實(shí)現(xiàn)基于機(jī)器學(xué)習(xí)的段落文本特征支持向量機(jī)模型和隨機(jī)森林模型的信息細(xì)粒度加工和動(dòng)態(tài)重組。

2 交互式報(bào)告生成模型構(gòu)建

交互式報(bào)告生成模型的構(gòu)建主要包括面向用戶需求的信息資源知識(shí)體系構(gòu)建、信息資源遴選采集、信息資源整理序化、信息資源細(xì)粒度聚合4個(gè)構(gòu)成要素，具體如圖1所示。該模型依據(jù)構(gòu)建的資源知識(shí)體系，將文檔中段落及圖表等細(xì)顆粒度的信息單元進(jìn)行解構(gòu)、重組與主題聚合，最大限度地保留了段落上下文的行文邏輯，報(bào)告內(nèi)容豐富多元，易用且易讀。報(bào)告的動(dòng)態(tài)性體現(xiàn)在完整保留歷史信息的同時(shí)完成最新資源的及時(shí)、動(dòng)態(tài)更新以及多維度檢索查詢等多種用戶交互功能，實(shí)現(xiàn)了專業(yè)信息資源的遴選匯聚、細(xì)粒度加工、深層次揭示、信息重組以及一鍵式報(bào)告生成等。

圖1 交互式報(bào)告生成模型構(gòu)成與要素

2.1 信息資源知識(shí)體系構(gòu)建

信息資源知識(shí)體系構(gòu)建以用戶需求為出發(fā)點(diǎn)和落腳點(diǎn)，形成一個(gè)完整樹(shù)狀組織結(jié)構(gòu)，用于報(bào)告中待聚合資源遴選的依據(jù)和聚合細(xì)粒度信息單元的語(yǔ)義標(biāo)注。其中用戶信息需求源于其職業(yè)、角色、工作內(nèi)容等，直接決定所需信息的范圍、類型、數(shù)量和深度。為了滿足多類型用戶通用信息需求及有代表性的個(gè)性化需求，需要對(duì)用戶群體進(jìn)行細(xì)分。細(xì)分用戶群體需求可能存在差異，具體來(lái)說(shuō)，用戶組成涉及各行各業(yè)，覆蓋面較廣，按工作性質(zhì)分為政府用戶、科研用戶、企業(yè)用戶和個(gè)人用戶等，各類用戶需求側(cè)重點(diǎn)不同。如政府用戶普遍關(guān)注宏觀政策、政府管理等方面的信息；科研用戶往往關(guān)注學(xué)術(shù)與研究方面的信息，且兼具廣度與深度；企業(yè)用戶則更多關(guān)注行業(yè)發(fā)展、市場(chǎng)動(dòng)態(tài)、商業(yè)資訊等；個(gè)人用戶關(guān)注內(nèi)容較為多樣且分散，因此考慮作為個(gè)體進(jìn)行補(bǔ)充，不作為用戶細(xì)分群體的重點(diǎn)。上述用戶群體的信息需求采用問(wèn)卷法、調(diào)查法、觀察法、日志法進(jìn)行收集，同時(shí)對(duì)上述內(nèi)容進(jìn)行整理與分析，作為資源知識(shí)體系構(gòu)建的依據(jù)。

從前期調(diào)研情況來(lái)看，各類型用戶的信息需求主要涉及相關(guān)主題領(lǐng)域信息獲取的高效性以及信息利用的便捷性。信息獲取的高效性在于信息的規(guī)?；@取、遴選與匯聚，以及有效的、分門別類的內(nèi)容組織；信息利用的便捷性在于有針對(duì)性的、精準(zhǔn)的、無(wú)障礙的輕量化閱讀。據(jù)此，依據(jù)用戶需求和應(yīng)用場(chǎng)景，收集、分析用戶需求信息，按照信息資源分面分類的方法，橫向延伸，縱向深入，形成面向用戶需求的資源知識(shí)體系?？v向等級(jí)是樹(shù)形結(jié)構(gòu)，橫向展開(kāi)是平行類目，可依據(jù)用戶需求變化進(jìn)行動(dòng)態(tài)調(diào)整，各層級(jí)父主題下設(shè)若干個(gè)子類，直至滿足用戶信息需求為止。信息資源知識(shí)體系可用于報(bào)告內(nèi)容發(fā)布模板設(shè)置，即生成動(dòng)態(tài)報(bào)告導(dǎo)航目錄。除此之外，應(yīng)按照用戶需求設(shè)置一鍵生成定制化報(bào)告，支持細(xì)顆粒信息單元可按國(guó)家、年份等進(jìn)行多維度檢索查詢，以方便用戶信息查找以及提高閱讀效率。

2.2 信息資源遴選采集

信息資源遴選采集是按照構(gòu)建的資源知識(shí)體系主題特征對(duì)無(wú)序聚合候選資源進(jìn)行篩選過(guò)濾。資源遴選對(duì)象包括文獻(xiàn)資源、網(wǎng)絡(luò)資源、科研數(shù)據(jù)和領(lǐng)域知識(shí)等，遴選過(guò)程是從多源異構(gòu)、多類型、多語(yǔ)種、跨領(lǐng)域的資源中優(yōu)選具有權(quán)威性、客觀性、代表性的資源作為待聚合的資源，并利用相關(guān)信息采集技術(shù)實(shí)現(xiàn)快速有效的信息獲取。具體來(lái)說(shuō)，采集內(nèi)容圍繞構(gòu)建好的資源知識(shí)體系的主題領(lǐng)域遴選可靠的信息資源，采集其元數(shù)據(jù)及PDF全文，非PDF文檔進(jìn)行轉(zhuǎn)換處理，并整合存儲(chǔ)到創(chuàng)建好的數(shù)據(jù)庫(kù)中。采集渠道均來(lái)自互聯(lián)網(wǎng)，考慮到上述資源對(duì)用戶的開(kāi)放程度，一般采用公開(kāi)獲取的權(quán)威資源作為首選，主要來(lái)自國(guó)際組織官網(wǎng)、開(kāi)放獲取數(shù)據(jù)庫(kù)、公開(kāi)的報(bào)告與文獻(xiàn)等，一方面保證了資源的可用性；另一方面由于這些資源經(jīng)過(guò)專業(yè)人員嚴(yán)格的遴選與評(píng)估，也保證了資源的完整性、可靠性以及權(quán)威性。具體包括：①網(wǎng)站類，如國(guó)際組織網(wǎng)站、政府機(jī)構(gòu)網(wǎng)站、高校網(wǎng)站、行業(yè)協(xié)會(huì)網(wǎng)站、行業(yè)垂直網(wǎng)站等；②數(shù)據(jù)庫(kù)類，如開(kāi)放獲取數(shù)據(jù)庫(kù)、商業(yè)數(shù)據(jù)庫(kù)等提供的知識(shí)資源；③報(bào)告與文獻(xiàn)類，如國(guó)際統(tǒng)計(jì)機(jī)構(gòu)的調(diào)查資料、市場(chǎng)調(diào)研報(bào)告、新聞報(bào)道、學(xué)術(shù)期刊等。標(biāo)準(zhǔn)化的模板包括標(biāo)題、作者、發(fā)布年、關(guān)鍵詞等元數(shù)據(jù)項(xiàng)及全文文檔的信息錄入。

2.3 信息資源整理序化與細(xì)粒度聚合

信息資源整理序化是將采集過(guò)程中大量的信息資源進(jìn)行清洗規(guī)范，實(shí)施統(tǒng)一的資源描述并進(jìn)行結(jié)構(gòu)化存儲(chǔ)，變無(wú)序資源為有序資源。該過(guò)程中涉及資源元數(shù)據(jù)標(biāo)準(zhǔn)的建立、資源清洗規(guī)范操作流程與方式的建立、資源存儲(chǔ)數(shù)據(jù)庫(kù)的建立等相關(guān)工作，從而實(shí)現(xiàn)資源的科學(xué)整序。信息資源細(xì)粒度聚合由資源粒度化抽取、細(xì)粒度單元語(yǔ)義標(biāo)注和細(xì)粒度單元信息重組三部分構(gòu)成。資源粒度化抽取實(shí)質(zhì)上是聚合信息資源解構(gòu)的過(guò)程，鑒于文本資源主要以較常見(jiàn)的PDF格式存儲(chǔ)為主[10-11]，其他WORD、TXT或網(wǎng)絡(luò)信息片段也可轉(zhuǎn)換為PDF格式，因此粒度化抽取對(duì)象選取PDF版式文檔，方法采用基于機(jī)器學(xué)習(xí)的段落文本特征支持向量機(jī)模型和隨機(jī)森林模型[12]，根據(jù)文章行文框架與邏輯結(jié)構(gòu)對(duì)整篇文檔進(jìn)行分割，預(yù)測(cè)目標(biāo)PDF全文的標(biāo)題、章節(jié)和圖表等結(jié)構(gòu)信息，抽取以段落或圖表為最小顆粒度的信息單元，信息量大且多元、廣泛而豐富，細(xì)粒度信息單元實(shí)時(shí)動(dòng)態(tài)更新，歷史信息與最新信息同步留存，且段落中上下文行文邏輯完整保留；PDF解構(gòu)后的段落與圖表等更細(xì)顆粒度的信息單元，以XML格式在數(shù)據(jù)庫(kù)中進(jìn)行結(jié)構(gòu)化存儲(chǔ)，操作對(duì)象包括文本內(nèi)容的結(jié)構(gòu)、屬性與關(guān)聯(lián)信息等。細(xì)粒度語(yǔ)義標(biāo)注采用基于機(jī)器學(xué)習(xí)的文本自動(dòng)分類方法按照面向用戶需求的資源知識(shí)體系進(jìn)行分類標(biāo)注[13]，具體是先將標(biāo)注好的PDF文檔碎片化信息單元作為訓(xùn)練集，通過(guò)機(jī)器學(xué)習(xí)算法從文本中整理出能夠有效分類的規(guī)則，生成分類器，將生成的分類器應(yīng)用在有待分類的文本集合中，實(shí)現(xiàn)自動(dòng)分類標(biāo)注，同時(shí)為了增強(qiáng)自動(dòng)分類結(jié)果的精度，添加人工校改的輔助功能，便于對(duì)分類結(jié)果進(jìn)行校準(zhǔn)。細(xì)粒度單元信息重組是碎片化后的細(xì)粒度信息單元聚合重構(gòu)的過(guò)程，實(shí)時(shí)將帶有語(yǔ)義的單元信息按照一定的資源知識(shí)體系進(jìn)行重新組合成擁有新內(nèi)容構(gòu)成的報(bào)告，按此循環(huán)往復(fù)而完成信息的全面匯聚。

3 交互式報(bào)告服務(wù)實(shí)踐

服務(wù)實(shí)踐以生成茶產(chǎn)業(yè)對(duì)外合作發(fā)展報(bào)告為例進(jìn)行原型系統(tǒng)實(shí)現(xiàn)，解析報(bào)告生成過(guò)程及主要功能，關(guān)鍵實(shí)施步驟如圖2所示。文中茶產(chǎn)業(yè)指中華人民共和國(guó)農(nóng)業(yè)行業(yè)標(biāo)準(zhǔn)《農(nóng)產(chǎn)品分類與代碼》（NY/T3177—2018）種植業(yè)產(chǎn)品的飲料作物產(chǎn)品中的茶葉進(jìn)行報(bào)告原型的服務(wù)實(shí)現(xiàn)。原型功能設(shè)計(jì)的服務(wù)內(nèi)容包括：①面向用戶的一鍵式動(dòng)態(tài)報(bào)告生成，即用戶按照?qǐng)?bào)告的目錄導(dǎo)航，選擇感興趣的內(nèi)容，通過(guò)一鍵式操作立即生成定制化報(bào)告，提升獲取報(bào)告的便捷性；②基于聚合細(xì)粒度信息資源的多維檢索查詢服務(wù)，即報(bào)告中段落信息依據(jù)國(guó)家與年份等進(jìn)行分面檢索，提升資源的專指性，并支持自定義導(dǎo)出到本地文件。

茶產(chǎn)業(yè)對(duì)外合作發(fā)展報(bào)告綜合政府用戶、企業(yè)用戶、科研用戶、個(gè)人用戶4類不同用戶的專業(yè)背景和需求內(nèi)容，構(gòu)建多層次的報(bào)告目錄導(dǎo)航，構(gòu)建過(guò)程以能夠向用戶提供所需知識(shí)為準(zhǔn)則，以知識(shí)的粒度能恰當(dāng)解決當(dāng)前問(wèn)題或需求為目標(biāo)，使報(bào)告層次結(jié)構(gòu)能夠滿足用戶全方位、多層次的知識(shí)需求。依據(jù)用戶需求分析的綜合結(jié)果，構(gòu)建了包含一級(jí)主題6個(gè)（發(fā)展概述、供需形勢(shì)、進(jìn)出口分析等）、二級(jí)主題22個(gè)（產(chǎn)業(yè)鏈分析、市場(chǎng)需求、市場(chǎng)價(jià)格等）的導(dǎo)航目錄，如圖3所示?？砂凑沼脩舻膶?shí)際需求進(jìn)行一鍵式定制化報(bào)告生成，可支持全選整個(gè)報(bào)告目錄的內(nèi)容，以及部分選擇一級(jí)主題或二級(jí)主題的內(nèi)容。

圖2 茶產(chǎn)業(yè)對(duì)外合作發(fā)展報(bào)告生成關(guān)鍵環(huán)節(jié)解析

圖3 茶產(chǎn)業(yè)對(duì)外合作發(fā)展報(bào)告導(dǎo)航目錄

待聚合信息資源遴選采集的范圍按網(wǎng)站類、數(shù)據(jù)庫(kù)類、報(bào)告與文獻(xiàn)類分別進(jìn)行優(yōu)選，資源渠道包括網(wǎng)站類的資源主要取自美國(guó)農(nóng)業(yè)部（USDA）、聯(lián)合國(guó)糧農(nóng)組織（FAO）、中國(guó)農(nóng)業(yè)農(nóng)村部、世界茶進(jìn)出口委員會(huì)等；數(shù)據(jù)庫(kù)類的資源主要取自文獻(xiàn)數(shù)據(jù)庫(kù)、Science Direct、Stasita、美國(guó)經(jīng)濟(jì)統(tǒng)計(jì)數(shù)據(jù)庫(kù)等；報(bào)告與文獻(xiàn)類資源取自國(guó)際統(tǒng)計(jì)機(jī)構(gòu)調(diào)查報(bào)告、市場(chǎng)貿(mào)易期刊、行業(yè)咨詢報(bào)告等公開(kāi)資料。以上信息資源通過(guò)半自動(dòng)化采集方式獲取PDF全文與元數(shù)據(jù)，非PDF文檔可以統(tǒng)一轉(zhuǎn)換為PDF進(jìn)行處理，并經(jīng)過(guò)科學(xué)整理與序化。

滿足多方位用戶需求不僅需要廣泛地采集資源，還要對(duì)已有的資源進(jìn)行開(kāi)發(fā)性組織，使資源再生為新的信息或知識(shí)。為了更好地實(shí)現(xiàn)待聚合信息資源的再利用，需經(jīng)前述的信息資源粒度化加工和信息資源細(xì)粒度聚合，從而實(shí)現(xiàn)茶產(chǎn)業(yè)對(duì)外合作發(fā)展報(bào)告生成。報(bào)告可于多終端上線發(fā)布，支持一鍵定制化報(bào)告（見(jiàn)圖4），細(xì)粒度段落的國(guó)家與年份多維度分面檢索（見(jiàn)圖5）。

圖4 茶產(chǎn)業(yè)對(duì)外合作發(fā)展報(bào)告一鍵式生成

圖5 茶產(chǎn)業(yè)對(duì)外合作發(fā)展報(bào)告按國(guó)家、年份等多維度分面檢索

4 結(jié)語(yǔ)

學(xué)者研究指出用戶在一般情況下查找所需信息并非要獲得整篇文檔，更多的是相互關(guān)聯(lián)的信息片段或知識(shí)元，而信息片段的分散性導(dǎo)致很難較為全面地獲取、描述與揭示，因此用戶常需針對(duì)相關(guān)主題遍歷查找、瀏覽、提取、整合等多項(xiàng)操作才能實(shí)現(xiàn)信息的有效輸入，這一過(guò)程耗時(shí)費(fèi)力，且較易在信息搜尋過(guò)程中產(chǎn)生“信息迷航”現(xiàn)象[14]。現(xiàn)階段為提升用戶獲取信息的效率，信息聚合研究正成為圖書(shū)情報(bào)領(lǐng)域關(guān)注的熱點(diǎn)，然而學(xué)界對(duì)其研究至今仍然較多集中在聚合理論框架、機(jī)制模型、方法技術(shù)方面，應(yīng)用層面的研究相對(duì)較少且有一定局限性[1]。交互式報(bào)告生成模型的設(shè)計(jì)提出是信息聚合領(lǐng)域研究成果解決社會(huì)實(shí)際問(wèn)題的應(yīng)用實(shí)踐，該方法能夠較好地幫助用戶梳理多來(lái)源相關(guān)主題信息資源，并支持一鍵式定制化報(bào)告、多維度分面檢索、英中互譯等，大幅度縮減了用戶獲取多源異構(gòu)信息資源的時(shí)間，同時(shí)優(yōu)化了用戶交互式體驗(yàn)效果。文中以茶產(chǎn)業(yè)對(duì)外合作發(fā)展報(bào)告為例，展示了原型系統(tǒng)的實(shí)施效果，體現(xiàn)出較好的適用性，該方法仍適用于其他主題領(lǐng)域報(bào)告的生產(chǎn)與實(shí)現(xiàn)，將有效促進(jìn)且提升用戶信息資源獲取組織的效率與效用。