孫洪亮，王志寶，孫相棋，管澤禮

(1.東北石油大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院，黑龍江 大慶 163318；2.大慶油田有限責(zé)任公司第四采油廠 地質(zhì)大隊(duì)，黑龍江 大慶 163511)

基于WebGIS與SOLR的地學(xué)可視化檢索系統(tǒng)研究

孫洪亮1，王志寶1，孫相棋2，管澤禮1

(1.東北石油大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院，黑龍江 大慶 163318；2.大慶油田有限責(zé)任公司第四采油廠 地質(zhì)大隊(duì)，黑龍江 大慶 163511)

地球科學(xué)是數(shù)據(jù)密集型科學(xué)，信息檢索是地學(xué)研究的必要步驟。文中針對(duì)目前主流的信息檢索系統(tǒng)空間語義感知能力不足的問題，設(shè)計(jì)了顧及空間和語義的檢索系統(tǒng)架構(gòu)。在地學(xué)知識(shí)庫的支持下，采用命名實(shí)體識(shí)別、實(shí)體消歧等自然語言處理技術(shù)，將非結(jié)構(gòu)化文檔空間化，采用WebGIS地理空間信息技術(shù)對(duì)查詢過程與檢索結(jié)果可視化。文中以石油勘探為例，在開源檢索平臺(tái)SOLR和空間數(shù)據(jù)庫PostgreSQL的基礎(chǔ)上實(shí)現(xiàn)了方法驗(yàn)證。經(jīng)過系統(tǒng)測(cè)試和用戶使用的驗(yàn)證，該系統(tǒng)提高了地球科學(xué)信息檢索性能與用戶體驗(yàn)。

地學(xué)信息檢索；SOLR；地球科學(xué)；網(wǎng)絡(luò)地理信息系統(tǒng)

0 引 言

隨著數(shù)字地球和智慧地球進(jìn)程的推進(jìn)，地球科學(xué)也進(jìn)入大數(shù)據(jù)時(shí)代，在Web上和相關(guān)機(jī)構(gòu)內(nèi)部積累了海量的地球科學(xué)信息，信息檢索是地球科學(xué)研究人員信息過濾和知識(shí)獲取的必要工具。據(jù)統(tǒng)計(jì)，網(wǎng)絡(luò)搜索引擎系統(tǒng)19%左右的檢索詞包含地理名詞，15%左右的檢索詞包含空間信息[1]。由于相關(guān)的地理科學(xué)、地質(zhì)科學(xué)、環(huán)境科學(xué)等領(lǐng)域的地球空間依賴性，地球信息檢索系統(tǒng)要能主動(dòng)感知用戶查詢和文檔中的空間信息，并提供符合語境的可視化查詢與結(jié)果瀏覽界面。目前主流的信息檢索系統(tǒng)，在用戶查詢階段忽略了地名等關(guān)鍵詞的特殊空間語義，在文檔分析階段也沒有對(duì)文檔中的空間信息進(jìn)行識(shí)別和編碼。例如，“河北南部的景區(qū)”切詞成“河北”、“南部”和“景區(qū)”三個(gè)關(guān)鍵詞，按照某種信息檢索模型，實(shí)現(xiàn)查詢和文檔的最大匹配，發(fā)現(xiàn)最相關(guān)文檔。這個(gè)過程不論是從語義角度，還是從檢索可視化角度，都不能滿足地球科學(xué)領(lǐng)域的特殊信息檢索需求。

利用自然語言處理技術(shù)挖掘地球科學(xué)非結(jié)構(gòu)化文檔中的空間信息，采用地球空間信息技術(shù)實(shí)現(xiàn)對(duì)地學(xué)信息檢索的可視化，對(duì)提高地學(xué)信息檢索的性能具有現(xiàn)實(shí)意義。

1 相關(guān)工作

為實(shí)現(xiàn)空間感知的網(wǎng)絡(luò)信息檢索，2002年歐洲的卡迪夫大學(xué)、蘇黎世大學(xué)等六所大學(xué)發(fā)起的SPIRIT(Spatially-aware Information Retrieval on the Internet，空間感知的網(wǎng)絡(luò)信息檢索)項(xiàng)目，提出了地理空間信息檢索的系統(tǒng)架構(gòu)，以及文本空間解析、地理信息檢索可視化、地理知識(shí)庫、混合索引等研究主題，開辟了GIR(Geographic Information Retrieval，地理信息檢索)研究方向[2]。

2006年，西班牙巴侖西亞理工大學(xué)開發(fā)了面向網(wǎng)頁搜索的地理信息檢索系統(tǒng)(Geographically-enhanced web search engine，GEOOREKA)，基于谷歌和雅虎搜索服務(wù)，集成了地理空間數(shù)據(jù)庫，采用地圖的方式允許用戶對(duì)進(jìn)行空間和主題雙維查詢，提高了網(wǎng)頁地理搜索的質(zhì)量[3]。

2010年，西班牙拉科魯尼亞大學(xué)(Local Search)針對(duì)地理信息檢索的需求，提出了一種支持查詢擴(kuò)展的混合索引結(jié)構(gòu)，設(shè)計(jì)了地理信息檢索系統(tǒng)架構(gòu)，采用TREC FT-91和TREC FT-94數(shù)據(jù)集對(duì)原型系統(tǒng)進(jìn)行了評(píng)測(cè)[4]。

2012年，弗吉尼亞理工學(xué)院與谷歌公司提出了時(shí)間、空間和文本集成檢索框架，采用自然語言處理技術(shù)對(duì)文本中的時(shí)空信息和主題信息建模，使用標(biāo)簽云和熱度圖方法對(duì)相關(guān)信息進(jìn)行了可視化[5]。

2010年，德國(guó)海德堡大學(xué)使用UIMA文本管理平臺(tái)和共現(xiàn)模型，提取了文檔的時(shí)空軌跡，并采用WebGIS技術(shù)對(duì)文檔的軌跡進(jìn)行了可視化[6]。

2013年，北京大學(xué)針對(duì)當(dāng)前定量化的地理信息檢索模型無法有效處理自然語義導(dǎo)致檢索結(jié)果不理想的問題，以定性表達(dá)為基礎(chǔ)，以推理方法為手段，實(shí)現(xiàn)Web文檔中空間信息內(nèi)容與查詢請(qǐng)求的定性表達(dá)和信息提取，并使用實(shí)現(xiàn)了基于WebGIS的可視化信息檢索系統(tǒng)—GeoSearch[7-8]。

這些系統(tǒng)提取文本中的空間信息，通過空間和文本雙重索引實(shí)現(xiàn)對(duì)非結(jié)構(gòu)化文檔的管理，采用信息可視化技術(shù)對(duì)檢索結(jié)果進(jìn)行視覺呈現(xiàn)。但是這些系統(tǒng)多是針對(duì)英文文檔管理，主要抽取的是以地名為載體的地理空間信息，而地球科學(xué)還很關(guān)注地層等地質(zhì)空間特征。

文中從定性的角度出發(fā)，考慮中文環(huán)境下地球科學(xué)文檔空間特征的復(fù)雜性，采用開源技術(shù)方案，實(shí)現(xiàn)對(duì)地球科學(xué)領(lǐng)域文檔的可視化檢索，提高了地球科學(xué)的信息檢索體驗(yàn)與效率。

2 地學(xué)可視化信息檢索總體架構(gòu)

該系統(tǒng)的技術(shù)架構(gòu)(見圖1)主要由兩部分組成：文檔的預(yù)處理階段和檢索運(yùn)行時(shí)階段。

圖1 地學(xué)可視化信息檢索系統(tǒng)架構(gòu)

在預(yù)處理階段，對(duì)地學(xué)文檔進(jìn)行歸一化轉(zhuǎn)換、領(lǐng)域分詞，建立文本索引，文中采用SOLR平臺(tái)作為文本處理平臺(tái)；此外，還要做文檔空間化處理，即采用空間命名實(shí)體識(shí)別方法抽取文檔中的地理空間信息與地質(zhì)空間信息。文中采用空間知識(shí)庫，結(jié)合空間實(shí)體在文檔中的頻率與排版樣式，建立實(shí)體的重要性模型，在此模型的基礎(chǔ)上給出文檔的空間主題，在空間知識(shí)庫的支持下將文檔的空間主題映射到地球空間的實(shí)際位置。文檔空間矢量化根據(jù)每個(gè)文檔的空間主題建立文檔集的矢量圖層，存儲(chǔ)到PostGIS空間數(shù)據(jù)庫，作為可視化引擎的輸入。

在查詢運(yùn)行時(shí)階段，用戶輸入主題查詢和空間查詢，表達(dá)自己的地學(xué)信息檢索需求。如果用戶的空間查詢是一個(gè)空間實(shí)體，可以在地理視圖上直接定位到該區(qū)域，進(jìn)行查詢可視化，用戶也可以在地理視圖上選擇感興趣的區(qū)域和地層作為空間查詢輸入。將業(yè)務(wù)查詢與文本索引進(jìn)行匹配，將空間查詢與空間索引進(jìn)行匹配，然后對(duì)兩個(gè)結(jié)果集取交集運(yùn)算，對(duì)最終的結(jié)果考慮主題和空間兩個(gè)因子進(jìn)行排序輸出，將命中文檔的空間范圍疊置在BingMap展示，同時(shí)配合用戶的交互操作，對(duì)文檔列表視圖和地理視圖進(jìn)行關(guān)聯(lián)更新，實(shí)現(xiàn)對(duì)檢索結(jié)果的可視化。

3 文檔空間化技術(shù)實(shí)現(xiàn)

文檔空間化主要包括領(lǐng)域分詞、空間命名實(shí)體識(shí)別、語義消歧、空間編碼、矢量化和索引化，如圖2所示。其中，空間命名實(shí)體識(shí)別、語義消歧、空間編碼是技術(shù)難點(diǎn)[9]。

領(lǐng)域分詞：地球科學(xué)對(duì)某一字符串有自身特定的語義理解，比如“松深60”是一個(gè)探井井名，但是在一般的切詞算法中容易被分割為“松深”+“60”兩個(gè)詞。文中采用基于領(lǐng)域詞典和正向迭代最細(xì)粒度切分相結(jié)合[10]的切詞方法。

空間命名實(shí)體識(shí)別：識(shí)別文本中涉及的地理空間命名實(shí)體與地質(zhì)空間命名實(shí)體，地球科學(xué)涉及地球各個(gè)圈層，文中采用SWEET[11]地球與環(huán)境科學(xué)本體中具有空間屬性的概念作為命名實(shí)體分類，識(shí)別方法也是采用知識(shí)與機(jī)器學(xué)習(xí)結(jié)合的方法[12-13]。除此之外，還解決了實(shí)體歧義問題，例如“薩爾圖”是地理行政區(qū)域也是地質(zhì)空間的底層。

語義消歧：包括地學(xué)空間實(shí)體與地學(xué)空間實(shí)體的歧義，例如“薩爾圖”可能是松遼盆地的一個(gè)油田，也可能是指大慶市的一個(gè)行政區(qū)；還有地學(xué)空間實(shí)體與非地學(xué)空間實(shí)體的歧義，例如“鐵人”可以是王進(jìn)喜，也可以是鐵人廣場(chǎng)。文中系統(tǒng)采用基于本體的語義消歧方法，即在地球科學(xué)本體的統(tǒng)一約束下，根據(jù)詞匯上下文的語義判定詞匯的最大可能類別[14]。

空間編碼：文檔可能會(huì)涉及水平空間和垂向空間的多個(gè)空間位置，文中認(rèn)為這些空間位置中隱含著這個(gè)文檔的空間主題，將文檔中識(shí)別出來的空間命名實(shí)體做聚焦計(jì)算，將結(jié)果映射到地球空間，實(shí)現(xiàn)文檔的空間主題編碼。包括水平空間和垂直空間兩個(gè)維度的映射，例如一篇文檔的水平空間信息為“松遼盆地北部”，垂直空間信息為“白堊紀(jì)”地層。

矢量化：遍歷整個(gè)文檔數(shù)據(jù)庫，通過空間編碼信息，根據(jù)地名數(shù)據(jù)庫和地球科學(xué)領(lǐng)域空間數(shù)據(jù)，根據(jù)每個(gè)文檔的MBR建立一個(gè)矢量圖層，所建立的圖層保存在PostGIS空間數(shù)據(jù)庫中，以便于支持空間查詢。

建立空間索引：采用R樹索引建立海量文檔矢量索引，提高文檔空間查詢的效率。然后，使用文中的倒排索引和R樹建立組合索引，支持用戶的主題和空間的組合查詢。

圖2 文檔空間化流程圖

地學(xué)空間本體：在地學(xué)文檔空間化中多處用到地學(xué)空間本體，文中系統(tǒng)以SWEET本體為基礎(chǔ)建立本體TBox，ABox來自于各類地學(xué)詞典、敘詞表和權(quán)威地學(xué)數(shù)據(jù)庫。地學(xué)空間本體采用融合式建立方法，對(duì)于TBox層的語義沖突主要還是人工消解，對(duì)于Abox的語義沖突采用半監(jiān)督機(jī)器學(xué)習(xí)方法消解。

4 基于WebGIS的交互式地學(xué)信息檢索可視化

信息檢索可視化將文檔、用戶查詢、信息檢索模型、檢索過程以及檢索結(jié)果中各種語義關(guān)系轉(zhuǎn)換成圖形，在一個(gè)二維或者三維的空間中可視化，幫助地學(xué)研究人員理解檢索結(jié)果、調(diào)整檢索方向。WebGIS在瀏覽器中實(shí)現(xiàn)了高效豐富的地學(xué)信息瀏覽與空間查詢，是地學(xué)研究人員常用的信息管理工具，為抽象的地學(xué)信息檢索相關(guān)對(duì)象提供了具體直觀的地學(xué)上下文，是天然的地學(xué)信息檢索可視化空間。

地學(xué)信息檢索可視化原理如圖3所示。

圖3 地學(xué)信息檢索可視化原理

利用WebGIS先對(duì)用戶空間查詢進(jìn)行可視化或者定義用戶的空間查詢，WebGIS內(nèi)在的廣角與聚焦信息可視化技術(shù)實(shí)現(xiàn)快速地定義用戶的感興趣區(qū)域；在結(jié)果瀏覽階段，文檔集視圖與地理信息視圖通過關(guān)聯(lián)更新，在互動(dòng)中實(shí)現(xiàn)對(duì)目標(biāo)文檔的定位。微軟BingMap具有豐富的空間數(shù)據(jù)、友好的用戶體驗(yàn)和豐富的二次開發(fā)功能。文中系統(tǒng)以BingMap JS API為基礎(chǔ)，通過OpenLayers開源組件對(duì)BingMap進(jìn)行尺度變換控制，使用文檔MBR對(duì)文檔空間特征進(jìn)行表達(dá)，將檢索結(jié)果在地圖上呈現(xiàn)，并采用關(guān)聯(lián)更新技術(shù)對(duì)文檔視圖進(jìn)行動(dòng)態(tài)更新。

5 原型系統(tǒng)實(shí)現(xiàn)與評(píng)測(cè)

文中系統(tǒng)采用開源軟件SOLR 5.1作為檢索平臺(tái)，SOLR的分詞與文本分析都支持插件式的功能集成，文檔查詢與索引都支持REST風(fēng)格的網(wǎng)絡(luò)服務(wù)API，可與其他模塊實(shí)現(xiàn)快捷的松耦合通信，SOLR的近實(shí)時(shí)索引技術(shù)和集群擴(kuò)展技術(shù)為以后的大規(guī)模應(yīng)用提供了保障。BingMap是微軟的在線地圖，具有豐富的影像數(shù)據(jù)與空間矢量數(shù)據(jù)，是很好的在線WebGIS。文檔矢量圖層與BingMap的客戶端渲染采用OpenLayers實(shí)現(xiàn)，文檔的關(guān)鍵詞檢索與列表顯示采用JQuery庫實(shí)現(xiàn)。為保證用戶體驗(yàn)，瀏覽器與服務(wù)端的通信采用XMLHTTP協(xié)議，通信格式使用JSON格式。

系統(tǒng)測(cè)試數(shù)據(jù)來自CNKI下載的2 000篇文檔，主要領(lǐng)域?yàn)榈厍蚩茖W(xué)石油勘探子領(lǐng)域。對(duì)這些文檔進(jìn)行歸一化處理，形成SOLR可索引的格式，再讓專業(yè)人員對(duì)文檔進(jìn)行標(biāo)注，形成測(cè)試預(yù)料庫。檢索結(jié)果排序采用雙維模型：語義維和空間維。彌補(bǔ)了傳統(tǒng)文檔檢索忽略文檔空間信息而導(dǎo)致的準(zhǔn)確率降低的問題。通過實(shí)驗(yàn)證明，文中系統(tǒng)的F1測(cè)度在75%以上，這是一個(gè)不錯(cuò)的結(jié)果，同時(shí)也是一個(gè)可應(yīng)用的結(jié)果。

6 結(jié)束語

文中分析了地球科學(xué)領(lǐng)域?qū)臻g可視化信息檢索的領(lǐng)域需求，分析了現(xiàn)有領(lǐng)域信息檢索系統(tǒng)和地理信息檢索系統(tǒng)的不足?？紤]地球科學(xué)領(lǐng)域?qū)π畔z索的特殊需求，設(shè)計(jì)了地學(xué)可視化信息檢索系統(tǒng)架構(gòu)，給出了非結(jié)構(gòu)化文檔的空間化方法，實(shí)現(xiàn)了文檔中空間信息的提取，實(shí)現(xiàn)了基于WebGIS的交互式地學(xué)信息檢索可視化。最后以開源信息檢索平臺(tái)SOLR5.1為基礎(chǔ)平臺(tái)，集成了Jquery、EasyUi、OpenLayers若干開源模塊，實(shí)現(xiàn)了系統(tǒng)原型。該原型系統(tǒng)經(jīng)過專業(yè)人員的測(cè)試和試用，可以提高地球科學(xué)專業(yè)人員的信息檢索效率。

未來的工作，將進(jìn)一步考慮地球科學(xué)含有三維空間信息的事實(shí)，進(jìn)一步區(qū)分水平空間信息和垂向空間信息，同時(shí)研發(fā)基于3D數(shù)字地球的可視化平臺(tái)，以地球空間作為信息可視化空間，同時(shí)結(jié)合信息檢索本源的語義空間檢索可視化，進(jìn)一步提升地球科學(xué)信息可視化檢索的效果。

[1]SandersonM,KohlerJ．Analyzinggeographicqueries[C]//SandersonM，JrvelinK，AllanJ，etal.Proceedingsofthe2004workshopongeographicinformationretrieval，27thannualinternationalACMSIGIRconference．NewYork：ACMPress，2004：245-246．

[2]JonesCB,PurvesRS.Geographicalinformationretrieval[J].InternationalJournalofGeographicalInformationScience,2008,22(3):219-228.

[3]BuscaldiD,RossoP.Geooreka:enhancingWebsearcheswithgeographicalinformation[C]//deAntonellisV,CastanoS,CataniaB,etal.ProceedingsoftheseventeenthItaliansymposiumonadvanceddatabasesystems.[s.l.]:[s.n.],2009:205-212.

[4]BrisaboaN,LuacesM,PlacesA,etal.Exploitinggeographicreferencesofdocumentsinageographicalinformationretrievalsystemusinganontology-basedindex[J].GeoInformatica,2010,14(3):307-331.

[5]WangB,DongH,BoedihardjoAP,etal.Anintegratedframeworkforspatio-temporal-textualsearchandmining[C]//Proceedingsofthe20thinternationalconferenceonadvancesingeographicinformationsystems.[s.l.]:ACM,2012:570-573.

[6]Str?tgenJ,GertzM,PopovP.Extractionandexplorationofspatio-temporalinformationindocuments[C]//Proceedingsofthe6thworkshopongeographicinformationretrieval.[s.l.]:ACM,2010:1-8.

[7] 劉 磊,高 勇,林 星,等.定性地理信息檢索方法及其實(shí)現(xiàn)[J].北京大學(xué)學(xué)報(bào):自然科學(xué)版,2013,49(6):1017-1024.

[8] 林 星.地理信息檢索中的定性信息表達(dá)方法和檢索模型研究[D].北京:北京大學(xué),2011.

[9] 張 毅,王星光,陳 敏,等.基于語義的文本地理范圍提取方法[J].高技術(shù)通訊,2012,22(2):165-170.

[10]LinLiangyi.ik-analyzer-java開源中文分詞器[EB/OL].2015.https://code.google.com/p/ik-analyzer/.

[11]JetPropulsionLaboratory.SWEEToverview[EB/OL].2015.http://sweet.jpl.nasa.gov/.

[12] 鞠久朋,張偉偉,寧建軍,等.CRF與規(guī)則相結(jié)合的地理空間命名實(shí)體識(shí)別[J].計(jì)算機(jī)工程,2011,37(7):210-212.

[13] 唐旭日，陳小荷，張雪英.中文文本的地名解析方法研究[J].武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2010,35(8):930-935.

[14]BuscaldiD.Approachestodisambiguatingtoponyms[C]//ProcofSIGSPATIAL.NewYork,NY,USA:ACM,2011:16-19.

Research on Geoscience Visualization Information Retrieval System Based on WebGIS and SOLR

SUN Hong-liang1,WANG Zhi-bao1,SUN Xiang-qi2,GUAN Ze-li1

(1.College of Computer & Information Technology,Northeast Petroleum University,Daqing 163318,China;2.Geological Department,the Fourth Oil Production Plant of Daqing Oilfield Company,Daqing 163511,China)

Earth science is data-intensive science,and information retrieval is a necessary step in earth sciences.As the mainstream information retrieval system can identify space semantic weakly,the architecture taking into account spatial entities and thematic information is put forward.The spatialization of unstructured documents are implemented with natural language processing including named entity recognition and disambiguation with the help of geoscience knowledge base.The visualization method of the query and retrieved results is put forward by using of WebGIS.A demo system based on SOLR,an open source information retrieval platform and PostgreSQL,a spatial database,is implemented to verify the method.Practices show that the system improves the performance and user experience by data test and validation.

geo-information retrieval;SOLR;earth sciences;Web GIS

2015-08-13

2015-11-18

時(shí)間：2016-05-05

黑龍江省大學(xué)生創(chuàng)新項(xiàng)目(201410220056);東北石油大學(xué)青年科學(xué)基金(NEPUQN2014-18)

孫洪亮(1992-)，男，研究方向?yàn)樾畔z索；王志寶，副教授，博士，通訊作者，研究方向?yàn)榈乩硇畔z索、知識(shí)庫。

http://www.cnki.net/kcms/detail/61.1450.TP.20160505.0828.076.html

P208; TP311

A

1673-629X(2016)06-0171-04

10.3969/j.issn.1673-629X.2016.06.038