Предлагается онтологически-ориентированный подход к интеграции геоинформационной системы с коллекциями электронных публикаций. В основу подхода положена идея формирования для каждой публикации «географического» индекса, который дополняет ее «текстовой» индекс. Географический индекс формируется автоматически по онтологии географических названий региона, с использованием разработанной нами технологии систематизации и поиска электронных публикаций. Реализация данного подхода позволит пользователям, с одной стороны, по выделенным участкам карты автоматически получить доступ к семантически связанным с этими участками электронным документам. С другой стороны, по найденным по запросу пользователя электронным публикациям осуществить автоматический переход к соответствующим участкам карты, к географическим объектам которых они имеют отношение.
Работа выполнена при поддержке гранта РФФИ № 12-07-00070-а.
В настоящее время проблема разработки эффективных методов и технологий интеграции географических информационных систем (ГИС) с т.н. «негеографическими» информационными системами (электронными библиотеками) остается актуальной. Решение этой проблемы открывает для пользователей новые возможности для организации географического поиска в электронных коллекциях документов, например, появляется возможность автоматического доступа по выделенному участку карты к электронным документам, в тексте которых Труды 14-й Всероссийской научной конференции «Электронные библиотеки: перспективные методы и технологии, электронные коллекции» — RCDL-2012, Переславль-Залесский, Россия, 15-18 октября 2012 г.
Существует ряд подходов к решению этой
проблемы [
В данной статье рассматривается задача
обеспечения более «тесной» интеграции ГИС с
коллекциями электронных научных публикаций,
которая решается на основе разработанной
технологии систематизации и поиска данных с
применением онтологии [
В настоящее время в рамках развития сервисов
информационно-аналитической системы (ИАС)
«Природные ресурсы Карелии» осуществляется
реализация и апробация предлагаемой технологии
интеграции «негеографической» и географической
компонент системы [
Построение эффективных систем
информационного поиска на основе онтологий
(ontology-based information retrieval) в настоящее
время является одним из перспективных
направлений исследований и разработок [
В течение ряда последних лет нами разрабатывается онтологически-ориентированная технология систематизации и поиска электронных публикаций. В отличие от традиционно используемой для целей индексирования публикаций модели текста как «набор слов» («bag of words» model) мы используем т.н. концептуальное индексирование (в нашем случае индекс публикации формируется не на наборе слов, а на основе предметной онтологии, моделирующей содержание определенного тематического множества публикаций). При этом в основу используемой нами онтологии положены: рубрикатор (в нашем случае ГРНТИ); набор логических условий для автоматизации процесса предметизации публикаций, а также таксономии терминов определенных научных предметных областей, термины которых связаны отношениями классификации «род–вид», «агрегации», «часть–целое» и синонимии.
Процедура систематизации публикаций разделяется на два основных этапа: предметизацию и индексацию. В качестве информационной основы предметизации используются термины таксономии и набор логических условий (логических функций, описывающих связи научных терминов по определенной тематике исследований), с помощью которых осуществляется процесс отнесения публикаций к соответствующим рубрикам (в нашем случае – к рубрикам ГРНТИ). Для формирования этих логиических условий, описывающих, по сути, содержание научных публикаций, используются термины таксономий соответствующих научных предметных областей и логические операторы: AND, OR, NOT.
Процесс индексации также разбивается два основных этапа. На первом этапе выполняется предварительная обработка текста (каждая публикация переводится из формата PDF в формат TXT; из текста удаляются «малоинформативные» слова; к тексту и терминам выделенного фрагмента таксономии применяется алгоритм стемминга – «Стеммер Портера»). На втором этапе осуществляется последовательное сканирование обработанного на предыдущем этапе текста публикации и сопоставление каждого выделенного в тексте слова с терминами соответствующего фрагмента таксономии, характеризующего содержание предметной рубрики. По такой схеме последовательно обходится поддеревья всех рубрик, к которым была отнесена публикация на этапе предметизации. При этом каждый раз производится поиск термина онтологии в тексте публикации и если обнаруживается такое вхождение термина, то индексируется не только этот термин, но и все его предки из соответствующего поддерева рубрики. В результате индекс публикации представляет собой упорядоченную совокупность терминов таксономии, и на наш взгляд более детально характеризует ее содержание по сравнению со списком ключевых слов.
Онтология и база индексов публикаций обеспечивают тематический поиск публикаций по запросам пользователей. Нами разработана технология построения и исполнения запросов, суть которой заключается в следующем. Пользователю сначала предлагается выбрать рубрику ГРНТИ, которая должна содержать интересующие его материалы. Далее ему предлагается соответствующий рубрике фрагмент таксономии, в котором он должен отметить интересующие его термины. С использованием указанных терминов система автоматически формирует запрос в виде логического выражения, определяющего конъюнктивные и/или дизъюнктивные связи терминов.
Следует отметить, что поскольку поиск по
запросу осуществляется в базе индексов (а не в
текстах электронных публикаций), запрос
автоматически расширяется включением в него конъюнкции
терминов от корня и дизъюнкции терминов и их
синонимов вплоть до листьев от указанных
пользователем терминов. Тем самым
обеспечивается повышение точности ответа на запрос за счет
конъюнкции терминов предыдущих уровней
таксономии и полноты за счет дизъюнкции терминов
одного уровня таксономии и их синонимов. Список
названий найденных по запросу публикаций
Рис. 1 Страница картографического сервиса
специальным образом ранжируется и выводится
пользователю в виде гиперссылок для
последующего просмотра или сохранения текстов
публикаций в «личном» кабинете пользователя [
Использование базы индексов как результата систематизации публикаций непосредственно для их поиска обеспечивает с одной стороны устранение полисемии терминов (т.е. устраняет многозначность терминов за счет «отсечения» других предметных областей в процессе построения запроса), а с другой определяет конкретную предметную область запроса. Тем самым обеспечивается как релевантность, так и пертинентность найденных системой по запросу документов.
Следует также заметить, что пользователю на
наш взгляд гораздо проще и точнее выразить свои
информационные потребности путем указания
терминов в таксономии по сравнению с заданием
списка ключевых слов. При этом ему не надо
формировать логические условия отбора данных с
использованием логических операторов: AND, OR,
NOT (система делает это автоматически). Детали
разрабатываемой технологии более подробно
представлены в работах [
В настоящее время в крупных научных центрах и
вузах накоплено огромное количество самой
разнообразной научной информации (коллекции
электронных научных публикаций, базы данных,
ГИС и т.п.), рациональное использование которой в
интересах развития науки, образования и экономики
страны в целом остается проблемой. Для ее решения
требуется разработка и применение
интегрированных информационных систем, обеспечивающих
накопление, систематизацию и эффективный доступ
пользователей к разнородным информационным
ресурсам. Одним из примеров такого рода систем
является разрабатываемая нами
информационноаналитическая система «Природные ресурсы
Карелии», которая включает две основные компоненты –
сервисы накопления, систематизации и поиска
электронной научной информации, а также набор
тематических карт, отражающих результаты
научных исследований, и необходимые для работы с
ними картографические сервисы [
Картографический сервис ИАС «Природные ресурсы Карелии» базируется на свободном программном обеспечении. Для Web-сервера используется Ubuntu Server v.7.10, а основой картографического сервиса – MapServer v.4.10.3.
Первый этап работы с сервисом заключается в инициализации пользователя. После этого пользователь имеет возможность подготовки набора из картографического материала хранящегося в соответствующей базе данных и состоящего из векторных (с атрибутивной информацией) и растровых электронных карт, а также космических снимков. Картографический материал систематизирован как по тематике (с выделением отдельных тем), так и по масштабу. Основная страница картографического сервиса содержит стандартные инструменты просмотра картографической информации: масштабирование и сдвиг карты, окно обзора, установление уровня прозрачности тематических слоев, получение информации об объектах и выбор объектов в области. Легенда имеет древовидную структуру и оформлена в виде всплывающего (Рис. 1) окна.
На начальной стадии разработки географическая (коллекции тематических научных карт) и «негеографическая» (коллекции электронных научных публикаций) компоненты системы функционировали практически независимо друг от друга. Необходимость более «тесной» интеграции этих компонент послужило для нас стимулом для поиска эффективного решения этой проблемы.
Проведенный анализ достаточно представительного массива электронных научных публикаций (http://www.krc.karelia.ru/rio_stats.php) по ресурсоведческим направлениям исследований ученых КарНЦ РАН (биология, лесное хозяйство, геология, водные ресурсы) показал, что в подавляющем большинстве текстов публикаций имеются ссылки на названия географических объектов (т.е. названия населенных пунктов, болот, озер, рек, месторождений и т.п.), с которыми связаны результаты проведенных исследований. Это обстоятельство дало нам основания для применения разработанной технологии систематизации и поиска электронных публикаций для индексации этих электронных публикаций по онтологии географических названий региона. В результате применения процедуры индексации к документам коллекции электронных публикаций, каждой публикации, дополнительно к ее «текстовому» индексу, приписывается еще и «географический» индекс. В настоящее время при построении онтологии географических названий региона использовались атрибутивные данные карты Карелии масштаба 1:1000 000 (СевЗапАэроГеодезия, 2000–2001 гг.) по административным районам Карелии, озерам, населенным пунктам и др. В качестве эксперимента, по сформированному нами фрагменту онтологии (города, поселки и озера Карелии) были проиндексированы все научные публикации электронной библиотеки.
На рис. 2 представлен пример поиска научных публикаций, проиндексированных по выделенному фрагменту онтологии географических названий региона.
Онтология географических названий региона имеет иерархическую (древовидную) структуру (т.е. соответствует административно-территориальному делению региона с включением названий природнокультурных и др. объектов, расположенных на данной территории, а также их синонимов, с помощью которых на наш взгляд успешно решается вопрос, связанный с историческим переименованием географических объектов).
Следует отметить, что в нашем случае «географический» индекс электронной публикации формируется по той же схеме, что и «текстовый» индекс публикации. Общая схема организации географического поиска электронных научных публикаций в ИАС «Природные ресурсы Карелии» с использованием географического индекса представлена на рис. 3. Документ колНлоемкцерии 5396 2790 21 21
Название документа Лесобиологические исследования на Северо-Западе таежной зоны России: итоги и перспективы Природные очаги клещевого энцефалита на северозападной периферии обитания таежного клеща Ixodes persulcatus (Schulze, 1930) Рис. 3 Общая схема организации географического поиска электронных научных публикаций Документ колНлоемкецрии Такой подход к решению задачи обеспечения более «тесной» интеграции картографической компоненты ИАС с коллекциями электронных научных публикаций позволяет реализовать для пользователя следующую схему доступа, как к ГИС-данным, так и к электронным научным публикациям. Географический поиск. Пользователь с помощью специального сервиса доступа к ГИСданным выделяет на тематической карте интересующую его область (например, в виде прямоугольника). Система осуществляет обратное геокодирование (т.е. реализуется процедура запроса всех названий объектов по указанным координатам с использованием онтологии географических названий). Далее пользователь ИАС может осуществить поиск электронных публикаций, семантически связанных с выделенными названиями географических объектов, двумя следующими способами: 1. Запустить процедуру поиска электронных публикаций, в географических индексах которых присутствуют названия указанных географических объектов. 2. Обратиться к сервису доступа к электронным публикациям и с его помощью получить нужные публикации, как по интересующей его тематике, так и с учетом их связи с выделенными географическими объектами (в этом случае при формировании логического условия отбора данных система автоматически добавит в условие отбора дизъюнкцию названий соответствующих географических объектов, указанных в запросе). Текстовый поиск. Пользователь с помощью сервиса доступа к электронным публикациям находит нужные ему по тематике публикации и, при необходимости, может запросить те участки карты, с которыми найденные публикации семантически связаны (в этом случае система осуществит прямое геокодирование с использованием онтологии географических названий региона и по географическому индексу найдет соответствующие участки тематической карты). 4 Заключение
В настоящее время данная технология используется нами при разработке и развитии сервисов информационно-аналитической системы «Природные ресурсы Карелии» – http://ias.krc.karelia.ru. Реализация предлагаемого подхода позволит пользователям ИАС по запросу находить нужную научную информацию, которая относится к конкретному географическому участку региона, используя при этом как текстовую, так и географическую формы поиска.
Авторы приносят свои благодарности Ю.В. Чирковой, Н.Б. Луговой и В.Г. Старковой за плодотворное обсуждение рассматриваемых вопросов и реализацию исследовательского прототипа технологии. Литература
Ontology-oriented approach towards integration of geographical information system with digital collections of scientific
publications
Vladimir Vdovitsyn, Aleksandr Polin
We suggest an ontology-oriented approach towards integration of geographical information system with collections of digital publications. The approach rests on the idea of supplying each publication with generated «geographical» index to complement its «textual» index. The geographical index will be generated automatically from the ontology of the region place names applying the authors’ technology for systematization and retrieval of digital publications.
Through this approach users will be able to automatically access the digital documents semantically related to the areas they highlight in the map. Vice versa, they can be automatically redirected from the digital publications found after their inquiry to the map areas corresponding to the geographical objects relevant for the publications.