孫彩萍，王維，張亞青

中國環(huán)境科學(xué)研究院環(huán)境信息研究所

分類是知識組織的有效方式，常用的分類方法有體系分類法和分面組配分類法[1]。隨著計(jì)算機(jī)和互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展，知識本體經(jīng)歷了文獻(xiàn)、信息化、數(shù)字化等發(fā)展階段，相應(yīng)地產(chǎn)生了圖書資料分類法、網(wǎng)絡(luò)信息分類法、電子政務(wù)分類法等[2-5]，分類法在單一知識組織功能中增加了知識發(fā)現(xiàn)新功能。經(jīng)典分類法(如中國圖書館分類法和杜威十進(jìn)制圖書分類法)向自動化、信息化發(fā)展，實(shí)現(xiàn)從傳統(tǒng)手工紙質(zhì)圖書資料分類向自動化、網(wǎng)絡(luò)化的信息分類轉(zhuǎn)型[5-7]。在這一過程中，用戶驅(qū)動型的分類開始出現(xiàn)。隨著電子政務(wù)的興起和發(fā)展，基于元數(shù)據(jù)標(biāo)準(zhǔn)的目錄服務(wù)成為信息共享和復(fù)用的技術(shù)標(biāo)準(zhǔn)，而分類法是電子政務(wù)目錄體系建立的基礎(chǔ)[8-9]。大數(shù)據(jù)時(shí)代，信息更多地分散于數(shù)據(jù)中，呈現(xiàn)數(shù)據(jù)量大、數(shù)據(jù)處理速度快、數(shù)據(jù)結(jié)構(gòu)多樣性和數(shù)據(jù)價(jià)值密度低等特點(diǎn)[10]，基于互連網(wǎng)數(shù)據(jù)采集和檢索的搜索引擎技術(shù)可滿足信息發(fā)現(xiàn)和復(fù)用需求[11]。在大氣環(huán)境數(shù)據(jù)資源共享建設(shè)中，如何集合分類方法和現(xiàn)代檢索技術(shù)，實(shí)現(xiàn)信息的高效組織、發(fā)現(xiàn)和利用，成為需要解決的難題。

1 分類方法及不同分類體系

1.1 分類方法

傳統(tǒng)分類方法常用的有體系分類法、分面分類法和混合分類法。體系分類法，又稱為線分類法、層次分類法，通常以科學(xué)分類為基礎(chǔ)，依據(jù)分類對象的某些特征或?qū)傩詣澐诸惸浚鸺夁M(jìn)行類目細(xì)化，逐次展開各分類段，形成有層次的樹狀結(jié)構(gòu)的分類體系。各大搜索引擎的類目設(shè)計(jì)上，采用的是傳統(tǒng)分類法主題分類思想[10]。其優(yōu)點(diǎn)一是按照學(xué)科、專業(yè)集中文獻(xiàn)，類目的展開比較系統(tǒng)；二是采取等級列舉方式，能清晰地表達(dá)出類目體系中各類目之間的從屬關(guān)系和并列關(guān)系。缺點(diǎn)主要是類目表為靜態(tài)結(jié)構(gòu)，不能根據(jù)需要隨時(shí)改變，各種復(fù)雜主題和細(xì)小專深主題詳盡揭示受限。

分面分類法的基本原則是選擇分類對象本質(zhì)的特征或?qū)傩宰鳛椤懊妗?；同一“面”?yīng)采用相同的分類依據(jù)；不同“面”內(nèi)的類目不相互交叉，也不能重復(fù)出現(xiàn)。經(jīng)典分面PMEST是指人物(personality)、事件(matter)、能量(energy)、空間(space)和時(shí)間(time)[1]。分面分類法面向數(shù)字環(huán)境下特定領(lǐng)域的組織與搜索需求,設(shè)計(jì)滿足專業(yè)化、個(gè)性化的分面類表,主要用于網(wǎng)站信息架構(gòu)、電子商務(wù)產(chǎn)品目錄、企業(yè)內(nèi)容組織工具以及提高搜索效率的后控詞表等[4-5]。

網(wǎng)絡(luò)信息具有交互性、多維性、多樣性、高頻性和海量等特征，傳統(tǒng)分類法應(yīng)用受限。隨之興起的大眾分類法，又稱社會化標(biāo)簽系統(tǒng)，是指由大眾自發(fā)性定義的平面型非層級結(jié)構(gòu)式標(biāo)簽分類體系，是Web 2.0的典型產(chǎn)物之一。它允許用戶以元數(shù)據(jù)的形式自發(fā)地標(biāo)注各種類型的網(wǎng)絡(luò)資源，并通過標(biāo)簽實(shí)現(xiàn)資源的共享，幫助社區(qū)用戶進(jìn)行知識的檢索、瀏覽、組織、共享和創(chuàng)新，因而被廣泛應(yīng)用于國內(nèi)外的在線社區(qū)中，它具有包容性、靈活性、動態(tài)性和以用戶為中心的信息組織特點(diǎn)。當(dāng)前主流的網(wǎng)絡(luò)信息分類主要有：融合大眾標(biāo)注的主題分類目錄的嚴(yán)格等級化分類體系；基于主題法的大眾分類的平面化分類體系；用戶驅(qū)動的非嚴(yán)格等級化的大眾分類本體分類體系和自動派生的非嚴(yán)格等級化的大眾分類本體分類體系等[13]。

1.2 分類體系

1.2.1中國圖書館分類法

中國圖書館分類法(簡稱中圖分類法)以學(xué)科分類為基礎(chǔ)，設(shè)有22個(gè)基本大類，采用字母與阿拉伯?dāng)?shù)字相結(jié)合的混合編碼。與國際上其他分類法相比，中圖分類法雖然產(chǎn)生較晚，但它不僅系統(tǒng)地總結(jié)了我國分類法的編制經(jīng)驗(yàn)，而且吸取了國外分類法的編制理論和技術(shù)，所以發(fā)展很快[2]?；谥袌D分類法的《中國分類主題詞表》(Web版)(簡稱《中分表》)通過互聯(lián)網(wǎng)提供詞表瀏覽、檢索和數(shù)據(jù)下載服務(wù)，提供BS模式的圖書館業(yè)務(wù)支持，并能與聯(lián)機(jī)公共目錄檢索系統(tǒng)(online public access catalog，OPAC)進(jìn)行對接?！吨蟹直怼返倪M(jìn)一步規(guī)范處理需要借助自動分詞詞性標(biāo)注、新詞發(fā)現(xiàn)、信息抽取、自動聚類等中文本體信息處理的最新方法和技術(shù)。但在相當(dāng)長的時(shí)間內(nèi)，《中分表》修訂與維護(hù)工作仍然離不開人工方式[5]。

中圖分類法對環(huán)境科學(xué)分類設(shè)有8個(gè)一級類目(圖1)，分別是環(huán)境科學(xué)基礎(chǔ)理論、社會與環(huán)境、環(huán)境保護(hù)管理、災(zāi)害及其防治、環(huán)境污染及其防治、廢物處理與綜合利用、環(huán)境質(zhì)量評價(jià)與環(huán)境監(jiān)測、安全科學(xué)。1999—2010年中圖分類法的環(huán)境分類有了大幅調(diào)整，增加了30個(gè)二級類目。但在專業(yè)分類應(yīng)用上存在3個(gè)問題：其一，中圖分類法為體系分類，屬于預(yù)列類目，固有的缺陷是不能詳盡無遺地列出已知主題，對不斷涌現(xiàn)的新概念更是不能及時(shí)吸納[14]；其二，中圖分類法版本更新周期較長，與現(xiàn)代環(huán)境科學(xué)迅速發(fā)展不相協(xié)調(diào)；其三，現(xiàn)代科學(xué)具有高度細(xì)化、高度綜合的發(fā)展特點(diǎn)，這種缺陷在專業(yè)分類上更加凸顯。

圖1 中圖分類法——環(huán)境科學(xué)之大氣科學(xué)Fig.1 Chinese Library Classification: environmental atmospheric science

1.2.2環(huán)境信息分類

圖2 環(huán)境信息分類——大氣環(huán)境質(zhì)量數(shù)據(jù)Fig.2 Classification of environmental information: atmospheric environmental quality data

王宏智等[17]基于1999—2012年資源環(huán)境領(lǐng)域科技基礎(chǔ)性工作專項(xiàng)產(chǎn)生的科學(xué)數(shù)據(jù)，采用一、二級按學(xué)科，三級按關(guān)鍵詞的分類體系對資源環(huán)境領(lǐng)域科學(xué)數(shù)據(jù)進(jìn)行分類，共有14個(gè)一級分類、67個(gè)二級分類、435個(gè)三級分類,其大氣科學(xué)及環(huán)境科學(xué)中有大氣成分或涉及大氣污染物的分類見表1。由表1可見，該分類法的優(yōu)點(diǎn)是以環(huán)境介質(zhì)和特征污染物作為三級分類，易于理解；缺點(diǎn)是特征污染物過少。

表1 資源環(huán)境領(lǐng)域中涉及大氣部分的數(shù)據(jù)分類[17]

1.2.3FEA框架數(shù)據(jù)分類

美國電子政務(wù)共享框架(Federal Enterprise Architecture Framework，F(xiàn)EA框架)[18]是美國電子政務(wù)頂層設(shè)計(jì)——聯(lián)邦總體架構(gòu)的方法論和集成工具，迄今有10余年的發(fā)展歷史，于2013年發(fā)布了最新版，旨在促進(jìn)聯(lián)邦政府各部門與其他政府實(shí)體之間的信息共享、互操作以及通用業(yè)務(wù)過程的共享開發(fā)。FEA框架的核心是統(tǒng)一參考模型(CRM)，其由6個(gè)子模型組成，包括績效參考模型、業(yè)務(wù)參考模型、數(shù)據(jù)參考模型、應(yīng)用參考模型、基礎(chǔ)設(shè)施參考模型和安全參考模型[18]。FEA框架幫助聯(lián)邦政府實(shí)現(xiàn)自上向下的電子政務(wù)設(shè)計(jì)和統(tǒng)籌管理，指導(dǎo)聯(lián)邦機(jī)構(gòu)將政府戰(zhàn)略目標(biāo)轉(zhuǎn)化為機(jī)構(gòu)目標(biāo)，進(jìn)而細(xì)化為具體、可實(shí)施的電子政務(wù)工程，因而已被多國吸收和借鑒。

FEA框架的分類思想體現(xiàn)在參考模型中，它從績效、業(yè)務(wù)、數(shù)據(jù)、應(yīng)用、基礎(chǔ)設(shè)施和安全6個(gè)角度表現(xiàn)電子政務(wù)體系主要包含的元素。除數(shù)據(jù)參考模型外，每個(gè)參考模型都有3～4個(gè)基本的分類層級，將參考模型的具體內(nèi)容層層細(xì)化。如業(yè)務(wù)參考模型采取業(yè)務(wù)域、業(yè)務(wù)線、子功能三類定義對聯(lián)邦政府的主要業(yè)務(wù)流和業(yè)務(wù)活動進(jìn)行描述；應(yīng)用參考模型從系統(tǒng)、應(yīng)用組件、接口3個(gè)層次對支持政府業(yè)務(wù)和績效目標(biāo)分類。

數(shù)據(jù)參考模型(data reference model，DRM)面向業(yè)務(wù)活動，聚焦機(jī)構(gòu)和跨部門的信息互操作性和共享挑戰(zhàn)，是實(shí)現(xiàn)整個(gè)聯(lián)邦政府間的信息描述、發(fā)現(xiàn)、管理、共享的基礎(chǔ),將政府?dāng)?shù)據(jù)視為國家資產(chǎn)管理原則。DRM用于識別聯(lián)邦政府擁有哪些數(shù)據(jù)以及如何根據(jù)業(yè)務(wù)任務(wù)要求共享該數(shù)據(jù)。DRM采取三級分類(圖3)，最頂級為域(4項(xiàng))，依次為主題(22項(xiàng))和專題(144項(xiàng))。需要注意的是，DRM分類標(biāo)準(zhǔn)不是固定不變的。相反，它具有靈活性和可擴(kuò)展性，隨著聯(lián)邦政府業(yè)務(wù)模式的變化，可以添加新的主題和專題，也允許機(jī)構(gòu)根據(jù)需要將主題進(jìn)一步分解為機(jī)構(gòu)特定的業(yè)務(wù)流程。

圖3 DRM分類Fig.3 Date reference model classification

DRM指出，參與美國聯(lián)邦政府首席信息官委員會(COI)的機(jī)構(gòu)和組織對數(shù)據(jù)進(jìn)行分類，通過定義、編寫和發(fā)布潛在用戶可以看到和訪問的分類元數(shù)據(jù)，發(fā)現(xiàn)共享信息，繼而實(shí)現(xiàn)數(shù)據(jù)服務(wù)的目標(biāo)。根據(jù)數(shù)據(jù)的業(yè)務(wù)支撐特性和應(yīng)用范圍，自下而上將元數(shù)據(jù)劃分為6類，即數(shù)據(jù)概念、數(shù)據(jù)交換、數(shù)據(jù)資產(chǎn)、專題、主題、域。需要明確的是數(shù)據(jù)資產(chǎn)不是DRM分類標(biāo)準(zhǔn)，但是其可按DRM分類法進(jìn)行分類。此外，數(shù)據(jù)使用者可以訂閱數(shù)據(jù)注冊表中發(fā)布的主題，增強(qiáng)數(shù)據(jù)發(fā)現(xiàn)。一旦分享數(shù)據(jù)注冊表，這些分類將成為數(shù)據(jù)發(fā)現(xiàn)的有效工具，促進(jìn)數(shù)據(jù)分享和復(fù)用。

2 大氣環(huán)境數(shù)據(jù)資源分類體系

2.1 業(yè)務(wù)特點(diǎn)分析

伴隨著我國大氣污染的防治歷程從起步、發(fā)展、轉(zhuǎn)型到攻堅(jiān)階段，大氣環(huán)境監(jiān)測作為重要的科技支撐體系，更是得到迅速發(fā)展，監(jiān)測技術(shù)、設(shè)備和手段日趨多樣化，并逐漸具有了重要的國際影響力。在大氣重污染成因與治理攻關(guān)項(xiàng)目(簡稱大氣攻關(guān)項(xiàng)目)中，專門組建了立體觀測網(wǎng)，集業(yè)務(wù)化觀測網(wǎng)、組分觀測網(wǎng)、超級站觀測網(wǎng)、雷達(dá)網(wǎng)、衛(wèi)星觀測于一體[19-20]。此外，在線監(jiān)控系統(tǒng)和天空地立體遙測技術(shù)為企業(yè)監(jiān)管提供了先進(jìn)的技術(shù)手段[21]。伴隨著基于物聯(lián)網(wǎng)傳感器的自動化監(jiān)測技術(shù)與設(shè)備的普及和多樣化，大氣環(huán)境科學(xué)領(lǐng)域的數(shù)據(jù)量呈井噴式增長，其中僅空氣質(zhì)量監(jiān)測數(shù)據(jù)在2015年底就已經(jīng)超過10 TB[22]，呈現(xiàn)典型的大數(shù)據(jù)特征。

大氣環(huán)境數(shù)據(jù)資源共享的目標(biāo)是對項(xiàng)目產(chǎn)出的多源數(shù)據(jù)在線集成、統(tǒng)一管理和全面共享[23]。大氣攻關(guān)項(xiàng)目設(shè)5個(gè)研究部——大氣重污染來源與成因、排放現(xiàn)狀評估和強(qiáng)化管控、綜合科學(xué)決策支撐、大氣污染對人群健康影響以及城市研究部，在研究架構(gòu)設(shè)計(jì)上為專題—課題—子課題三級科研體系，28個(gè)研究方向，從大氣重污染三大因素——污染排放、氣象條件和區(qū)域傳輸入手，對污染來源、排放強(qiáng)度、時(shí)間分布、行業(yè)分布開展精細(xì)化、定量化研究。針對上述業(yè)務(wù)需求，需要整合全社會資源，引入覆蓋天空地一體化的大氣環(huán)境領(lǐng)域的科學(xué)監(jiān)測數(shù)據(jù)和各類統(tǒng)計(jì)調(diào)查數(shù)據(jù)，并進(jìn)行科學(xué)性、系統(tǒng)化分類。

大氣攻關(guān)項(xiàng)目組匯交的數(shù)據(jù)具有如下特征：1)數(shù)據(jù)來源復(fù)雜，既有來自研究機(jī)構(gòu)(中國環(huán)境監(jiān)測總站和立體觀測網(wǎng))的監(jiān)測觀測數(shù)據(jù)，包括空氣質(zhì)量、顆粒物組分、激光雷達(dá)監(jiān)測文件等；也有課題組和政府發(fā)布的調(diào)查數(shù)據(jù)(以文件的形式提交)，科研產(chǎn)出成果(如研究報(bào)告、論文、信息系統(tǒng)、模擬數(shù)據(jù))，外部必需數(shù)據(jù)(如污染源排放、氣象、標(biāo)準(zhǔn)規(guī)范、基礎(chǔ)數(shù)據(jù)等)。2)數(shù)據(jù)結(jié)構(gòu)多樣、數(shù)據(jù)量大、時(shí)效性強(qiáng)，指標(biāo)表達(dá)方式多樣化。3)數(shù)據(jù)采集手段呈先進(jìn)性和多樣性并重，合規(guī)性不一。綜上，大氣領(lǐng)域研究的技術(shù)、方法和數(shù)據(jù)已經(jīng)發(fā)生巨大的變革，傳統(tǒng)的分類體系既不適應(yīng)也不能準(zhǔn)確反映科研領(lǐng)域研究及科研數(shù)據(jù)的變化特征。需要根據(jù)業(yè)務(wù)需求，開發(fā)易于理解、面向精準(zhǔn)化數(shù)據(jù)集的分類體系。

2.2 分類體系

對行業(yè)大數(shù)據(jù)分類體系建設(shè)要堅(jiān)持實(shí)用性、科學(xué)性、均衡性等原則?；贔EA框架數(shù)據(jù)類目業(yè)務(wù)化、資源化原則，定位于數(shù)據(jù)發(fā)現(xiàn)路徑設(shè)計(jì)，提升多元異構(gòu)海量數(shù)據(jù)的檢索效率，采用分面分類法建立大氣環(huán)境數(shù)據(jù)資源分類體系。在分面分類結(jié)構(gòu)中，等級分類采用經(jīng)典方法，以環(huán)境信息分類法的類目層次為基礎(chǔ)，其一按照實(shí)際采集的綜合科研數(shù)據(jù)種類進(jìn)行類目的擴(kuò)充和細(xì)化，保證分類體系的完整性；其二根據(jù)數(shù)據(jù)對業(yè)務(wù)的必要性調(diào)整類目層級，保持分類體系結(jié)構(gòu)的一致性；其三在平面結(jié)構(gòu)的劃分上，依據(jù)數(shù)據(jù)特征(如結(jié)構(gòu)化特征、時(shí)間特征)和用戶習(xí)慣等進(jìn)行面分類。針對平臺數(shù)據(jù)來源和種類，建立元數(shù)據(jù)及注冊服務(wù)，在元數(shù)據(jù)中增加分類，便于數(shù)據(jù)發(fā)現(xiàn)。同時(shí)基于元數(shù)據(jù)，提供信息查詢服務(wù)。

依據(jù)《大氣重污染成因與治理攻關(guān)項(xiàng)目數(shù)據(jù)管理辦法》《大氣重污染成因與治理攻關(guān)項(xiàng)目數(shù)據(jù)管理技術(shù)規(guī)定》，參照HJT 417—2007框架體系，建立了標(biāo)準(zhǔn)化大氣環(huán)境科學(xué)數(shù)據(jù)分類體系和資源目錄(表2)。該分類體系充分考慮了大氣環(huán)境數(shù)據(jù)存在的來源廣、類型雜、規(guī)模小、分類難等問題，根據(jù)環(huán)境信息分類與編碼的有效范圍和容量，確定大氣環(huán)境科學(xué)的具體分類方法和結(jié)構(gòu)，為綜合數(shù)據(jù)的規(guī)范化管理、構(gòu)建歸一化數(shù)據(jù)集奠定了基礎(chǔ)。

2.3 基于分類體系的元數(shù)據(jù)注冊和查詢服務(wù)

在進(jìn)行大氣環(huán)境科學(xué)綜合數(shù)據(jù)采集與共享平臺的建設(shè)中，為打破數(shù)據(jù)孤島，讓多源異構(gòu)數(shù)據(jù)更易被發(fā)現(xiàn)和使用，支撐科研機(jī)構(gòu)的業(yè)務(wù)探索需求，對大氣環(huán)境科學(xué)綜合的業(yè)務(wù)數(shù)據(jù)集提供基于類目體系的元數(shù)據(jù)目錄注冊和發(fā)布服務(wù)。元數(shù)據(jù)注冊服務(wù)包括來源信息、基礎(chǔ)信息、描述信息、質(zhì)量信息(圖4)。通過元數(shù)據(jù)發(fā)布及相應(yīng)的檢索工具——元數(shù)據(jù)搜索引擎和資源目錄，為匯交的海量多源異構(gòu)數(shù)據(jù)建立具有可操作性的多種知識發(fā)現(xiàn)途徑。

建立基于元數(shù)據(jù)的Solr企業(yè)搜索引擎[24]，提供信息查詢服務(wù)。鑒于平臺信息既有存儲在數(shù)據(jù)庫中的結(jié)構(gòu)化數(shù)據(jù)，也有附載在文本、視頻等文件中的非結(jié)構(gòu)化信息，且存儲比較分散，迫切需要構(gòu)建一個(gè)企業(yè)搜索引擎，以便讓科研人員更方便、快速地查找信息。Solr是目前比較流行的、用于構(gòu)建全文搜索引擎的先進(jìn)技術(shù)，故用Solr作為構(gòu)建企業(yè)搜索引擎的技術(shù)支持，其查詢效果如圖5所示。由圖5可見，基于類目體系的全文檢索結(jié)果可讓用戶更快地找到支撐業(yè)務(wù)的相關(guān)數(shù)據(jù)。未來，基于語義深度學(xué)習(xí)的推薦系統(tǒng)將會與分類體系互為助力，使大數(shù)據(jù)的業(yè)務(wù)驅(qū)動功能發(fā)揮得更加顯著。

表2 大氣環(huán)境科學(xué)數(shù)據(jù)資源目錄

圖4 元數(shù)據(jù)注冊信息Fig.4 Metadata registration information

圖5 基于元數(shù)據(jù)的搜索引擎查詢效果Fig.5 Search engine based on metadata

3 結(jié)論

(1)隨著知識載體和傳播方式的改變，分類法發(fā)生從知識組織到知識發(fā)現(xiàn)的功能轉(zhuǎn)變。

(2)隨著網(wǎng)絡(luò)信息、知識社區(qū)和政府信息共建共享的不斷發(fā)展，分類法從傳統(tǒng)的學(xué)科分類法向面向業(yè)務(wù)的主題分類法發(fā)展。

(3)基于業(yè)務(wù)分析，建立了11個(gè)大類的大氣環(huán)境綜合數(shù)據(jù)分類體系，制定元數(shù)據(jù)注冊表，提供全文檢索服務(wù)，滿足大數(shù)據(jù)使用特點(diǎn)。