劉 曦，彭海波，劉 莉，張 耀

（1.湖南省第三測(cè)繪院，湖南 長(zhǎng)沙 410007）

1 地理空間數(shù)據(jù)分類(lèi)現(xiàn)狀

隨著信息技術(shù)的快速發(fā)展，信息資源的產(chǎn)生、存儲(chǔ)和利用方式都發(fā)生了革命性的變化[1]。地理空間數(shù)據(jù)的采集從傳統(tǒng)測(cè)繪生產(chǎn)轉(zhuǎn)變?yōu)榭仗斓匾惑w化采集。移動(dòng)互聯(lián)網(wǎng)讓眾包位置信息采集變?yōu)榭赡?，人人都成為地理空間數(shù)據(jù)的采集者。地理空間數(shù)據(jù)的來(lái)源、種類(lèi)、形式發(fā)生了翻天覆地的變化，如何對(duì)海量多源的地理空間數(shù)據(jù)進(jìn)行分類(lèi)成為一大難題。

1.1 主流地理空間數(shù)據(jù)分類(lèi)

地理空間數(shù)據(jù)作為一種專(zhuān)業(yè)性數(shù)據(jù)，通常采用主題法進(jìn)行分類(lèi)；但由于數(shù)據(jù)來(lái)源多種多樣，面向的用戶(hù)群體也不盡相同，即使是同一行業(yè)也難以統(tǒng)一分類(lèi)標(biāo)準(zhǔn)。國(guó)家地理信息公共服務(wù)平臺(tái)將地圖服務(wù)分為在線(xiàn)地圖、專(zhuān)題圖層、標(biāo)準(zhǔn)地圖等類(lèi)型，其中專(zhuān)題圖層又按照文化教育、醫(yī)療衛(wèi)生、行政區(qū)劃等20多個(gè)專(zhuān)題進(jìn)行分類(lèi)。在省級(jí)地理信息公共服務(wù)平臺(tái)中，湖北省將數(shù)據(jù)分為目錄與元數(shù)據(jù)、地理實(shí)體數(shù)據(jù)、電子地圖、三維景觀(guān)、影像數(shù)據(jù)等7大類(lèi)型[2]。全國(guó)地理信息目錄服務(wù)系統(tǒng)將涉密地理空間數(shù)據(jù)分為測(cè)量控制點(diǎn)、遙感影像、地形圖、地形地貌等類(lèi)型[3]?！吨腔鄢鞘袝r(shí)空大數(shù)據(jù)與云平臺(tái)建設(shè)技術(shù)大綱》（2017版）[4]中將地理信息時(shí)空大數(shù)據(jù)分為基礎(chǔ)地理數(shù)據(jù)、公共專(zhuān)題數(shù)據(jù)、智能感知數(shù)據(jù)、空間規(guī)劃數(shù)據(jù)等類(lèi)型。《國(guó)土空間基礎(chǔ)信息平臺(tái)建設(shè)總體方案》[5]中將國(guó)土空間基礎(chǔ)信息數(shù)據(jù)分為現(xiàn)狀數(shù)據(jù)、規(guī)劃數(shù)據(jù)、管理數(shù)據(jù)和社會(huì)經(jīng)濟(jì)數(shù)據(jù)，分類(lèi)目錄如圖1所示。

1.2 傳統(tǒng)分類(lèi)方法的缺陷

1）數(shù)據(jù)查找困難。在傳統(tǒng)樹(shù)狀分類(lèi)體系中，用戶(hù)在使用文本搜索時(shí)要找到合適的關(guān)鍵字是非常耗時(shí)的，大多用戶(hù)并不具備找到合適關(guān)鍵字所需的知識(shí)[6]，且無(wú)法預(yù)先判斷數(shù)據(jù)屬于哪一個(gè)類(lèi)型，無(wú)法獲知準(zhǔn)確的數(shù)據(jù)名稱(chēng)，很難從樹(shù)狀結(jié)構(gòu)中逐層級(jí)地找到目標(biāo)數(shù)據(jù)。例如，某個(gè)用戶(hù)需要從圖1 中查找感興趣區(qū)域內(nèi)的“喀斯特地貌”分布情況，在缺少專(zhuān)業(yè)知識(shí)的情況下，無(wú)法按照“現(xiàn)狀數(shù)據(jù)—遙感測(cè)繪—地理國(guó)情監(jiān)測(cè)—矢量要素—地貌類(lèi)型單元”的順序逐級(jí)找到需要的內(nèi)容。

2）易忽略數(shù)據(jù)的共性特征。傳統(tǒng)分類(lèi)方式一般采用樹(shù)狀結(jié)構(gòu)，某項(xiàng)數(shù)據(jù)的類(lèi)型相對(duì)固定，易忽略不同節(jié)點(diǎn)下的共性特征。例如，某個(gè)用戶(hù)要從圖1 所示的目錄中找到關(guān)于某區(qū)域內(nèi)道路相關(guān)的數(shù)據(jù)，則需分別從“基礎(chǔ)地理”、“地理國(guó)情監(jiān)測(cè)”、“交通規(guī)劃”，“導(dǎo)航路網(wǎng)”中尋找相關(guān)的數(shù)據(jù)，而無(wú)法通過(guò)“道路”這一共性特征直接篩選出來(lái)。此外，當(dāng)用戶(hù)發(fā)現(xiàn)特定數(shù)據(jù)時(shí)，通常喜歡檢索與以前發(fā)現(xiàn)的數(shù)據(jù)類(lèi)似的其他信息或有相同興趣的用戶(hù)收藏的其他數(shù)據(jù)，傳統(tǒng)的方法則不能滿(mǎn)足這些需求[7]。

圖1 國(guó)土空間基礎(chǔ)信息數(shù)據(jù)分類(lèi)示例

3）分類(lèi)目錄調(diào)整困難。一般來(lái)說(shuō)，傳統(tǒng)數(shù)據(jù)分類(lèi)目錄的制定需要經(jīng)過(guò)長(zhǎng)周期的設(shè)計(jì)和論證，一旦確定后短時(shí)間內(nèi)難以做出調(diào)整。然而，現(xiàn)實(shí)情況是信息時(shí)代下地理空間數(shù)據(jù)飛速增長(zhǎng)，無(wú)法準(zhǔn)確預(yù)計(jì)即將出現(xiàn)的數(shù)據(jù)類(lèi)型并對(duì)其進(jìn)行分類(lèi)。另外，由于用戶(hù)群體知識(shí)結(jié)構(gòu)和使用需求的不同，他們對(duì)數(shù)據(jù)分類(lèi)方式的偏好也不盡相同，傳統(tǒng)分類(lèi)方式無(wú)法動(dòng)態(tài)做出調(diào)整以適應(yīng)不同用戶(hù)的需求。

2 利用標(biāo)簽分類(lèi)

利用標(biāo)簽分類(lèi)的方法來(lái)源于“分眾分類(lèi)法”——Folksonomy，即網(wǎng)絡(luò)社區(qū)成員共同創(chuàng)造的主題標(biāo)引系統(tǒng)。在Folksonomy中，人們可自由選擇標(biāo)簽來(lái)描述某個(gè)資源，而不必預(yù)先定義一個(gè)資源分類(lèi)體系[8]。Folkson?omy是Web2.0時(shí)代的產(chǎn)物，是一種用戶(hù)自發(fā)定義的平面型非層級(jí)結(jié)構(gòu)式分類(lèi)方法，用戶(hù)無(wú)需依賴(lài)某專(zhuān)業(yè)領(lǐng)域的先驗(yàn)知識(shí)和專(zhuān)業(yè)詞匯即可參與資源分類(lèi)，具有開(kāi)放性、靈活性、友好性等特點(diǎn)。國(guó)內(nèi)對(duì)于標(biāo)簽尚且沒(méi)有嚴(yán)格的定義，為方便討論本文將各類(lèi)不同的標(biāo)簽概括為大眾標(biāo)簽、專(zhuān)家標(biāo)簽、系統(tǒng)標(biāo)簽3 類(lèi)，并分別進(jìn)行分析。

2.1 大眾標(biāo)簽

大眾標(biāo)簽是指由所有用戶(hù)共同參與標(biāo)注而形成的標(biāo)簽，也被稱(chēng)為社會(huì)化標(biāo)簽。單個(gè)用戶(hù)標(biāo)簽也許是毫無(wú)規(guī)律的，但當(dāng)用戶(hù)數(shù)量足夠大時(shí)，總有一部分標(biāo)簽?zāi)艿玫酱蠖鄶?shù)人的認(rèn)可[9]。以豆瓣讀書(shū)為例，它允許每個(gè)用戶(hù)為自己喜愛(ài)的書(shū)籍添加標(biāo)簽，系統(tǒng)將按照熱度對(duì)標(biāo)簽排序，然后按順序展示最受歡迎的若干個(gè)熱門(mén)標(biāo)簽。豆瓣讀書(shū)標(biāo)簽分為文學(xué)、文化、流行、生活等類(lèi)型，其中文學(xué)的熱門(mén)標(biāo)簽為小說(shuō)、隨筆、散文、詩(shī)歌、童話(huà)，流行的熱門(mén)標(biāo)簽為漫畫(huà)、推理、青春、科幻、武俠，文化的熱門(mén)標(biāo)簽為歷史、哲學(xué)、傳記、設(shè)計(jì)、電影，生活的熱門(mén)標(biāo)簽為旅行、勵(lì)志、教育、職場(chǎng)、美食。大眾標(biāo)簽通俗易懂，很容易被用戶(hù)接受，且靈活性較強(qiáng)；但由于眾多用戶(hù)參與易導(dǎo)致標(biāo)簽過(guò)于隨意而不規(guī)范，數(shù)據(jù)過(guò)于稀疏，易產(chǎn)生同義詞、模糊詞匯等大量冗余的“垃圾標(biāo)簽”，不利于管理。

2.2 專(zhuān)家標(biāo)簽

與大眾標(biāo)簽不同，專(zhuān)家標(biāo)簽是由系統(tǒng)指定的部分“領(lǐng)域?qū)＜摇眳⑴c創(chuàng)建的標(biāo)簽，彌補(bǔ)了普通用戶(hù)標(biāo)注導(dǎo)致的分類(lèi)系統(tǒng)專(zhuān)業(yè)性不足的問(wèn)題。參考文獻(xiàn)[10]將大眾標(biāo)簽與專(zhuān)家標(biāo)簽相結(jié)合，提出了一種大眾與專(zhuān)家協(xié)作標(biāo)注的民族服飾語(yǔ)義標(biāo)簽體系，提高了標(biāo)簽語(yǔ)義的合理性和精準(zhǔn)性。對(duì)于地理空間數(shù)據(jù)，大部分內(nèi)容專(zhuān)業(yè)性較強(qiáng)，缺乏專(zhuān)業(yè)指導(dǎo)易產(chǎn)生理解分歧，引入專(zhuān)家標(biāo)簽是有必要的。以常見(jiàn)的遙感影像數(shù)據(jù)為例，一般大眾會(huì)稱(chēng)之為“影像”或“衛(wèi)星影像”、“航拍圖”；而事實(shí)上能直接共享使用的影像數(shù)據(jù)主要是“數(shù)字正射影像”，而“衛(wèi)星影像”和“航空影像”是指未經(jīng)正射糾正的原始影像數(shù)據(jù)，并不適合直接使用。

2.3 系統(tǒng)標(biāo)簽

系統(tǒng)標(biāo)簽可視為非監(jiān)督分類(lèi)的結(jié)果，是系統(tǒng)依據(jù)一定的規(guī)律自動(dòng)生成的標(biāo)簽，也可稱(chēng)為自動(dòng)化標(biāo)注。自動(dòng)化標(biāo)注的方法較多，其中基于文本內(nèi)容的標(biāo)簽推薦是一種簡(jiǎn)單有效的方法，通常先計(jì)算文本內(nèi)容的TF-IDF值[9]，再按權(quán)重提取標(biāo)簽。該方法的主要思想是若某個(gè)詞語(yǔ)在目標(biāo)文檔中出現(xiàn)的頻率值TF 高，并在其他文檔中很少出現(xiàn)，則認(rèn)為該詞語(yǔ)具有很好的類(lèi)別區(qū)分能力，適用于分類(lèi)。對(duì)于詞語(yǔ)i 在文檔 j 中的TF-IDF值，其表達(dá)式為：

式中，tfi，j為詞語(yǔ)i 在文檔 j 中出現(xiàn)的頻率； N 為總文檔數(shù)目；dfi為包含詞語(yǔ)i 的文檔數(shù)目。

除此之外，系統(tǒng)標(biāo)簽還包括由用戶(hù)信息或用戶(hù)行為等方式產(chǎn)生的標(biāo)簽。以淘寶網(wǎng)為例，淘寶賣(mài)家上架全新的商品時(shí)，會(huì)被標(biāo)記為新品，能夠得到一定的扶持；平臺(tái)還會(huì)針對(duì)買(mǎi)家的消費(fèi)行為或個(gè)人信息添加不同的人群標(biāo)簽，為不同的人群推薦不同的商品[11]。這種方式充分利用了大數(shù)據(jù)和深度學(xué)習(xí)等技術(shù)，是目前主流的網(wǎng)絡(luò)信息資源分類(lèi)研究方向，但開(kāi)發(fā)和運(yùn)維難度較大。

3 應(yīng)用實(shí)例

湖南省地理空間數(shù)據(jù)交換共享平臺(tái)是依據(jù)《湖南省地理空間數(shù)據(jù)管理辦法》[12]建立的地理空間數(shù)據(jù)共享平臺(tái)。為了管理不同部門(mén)、不同類(lèi)型的數(shù)據(jù)，平臺(tái)在已有數(shù)據(jù)目錄的基礎(chǔ)上，采用了利用標(biāo)簽對(duì)多源地理空間數(shù)據(jù)進(jìn)行分類(lèi)的方法。考慮到地理空間數(shù)據(jù)的專(zhuān)業(yè)性，平臺(tái)采用語(yǔ)義分析與專(zhuān)家干預(yù)相結(jié)合的方式提取分類(lèi)標(biāo)簽，具體流程如圖2所示。

圖2 標(biāo)簽提取流程圖

1）語(yǔ)義分析。語(yǔ)義分析的方法較多，本文基于第三方自然語(yǔ)言處理庫(kù)——Jieba進(jìn)行實(shí)驗(yàn)，將數(shù)據(jù)文本作為語(yǔ)義分析的基本單元，主要包括數(shù)據(jù)名稱(chēng)和數(shù)據(jù)描述等內(nèi)容。選用Jieba精確模式，在不添加專(zhuān)業(yè)詞典的情況下，不同行業(yè)的地理空間數(shù)據(jù)名稱(chēng)分詞結(jié)果如表1所示，可以看出，Jieba精確模式針對(duì)常用詞匯已基本可以滿(mǎn)足要求，如“土壤重金屬污染普查”被分為“土壤”、“重金屬”、“污染”、“普查”4 個(gè)詞匯，均可反映該數(shù)據(jù)的某項(xiàng)特征；但“地理國(guó)情監(jiān)測(cè)”作為一個(gè)專(zhuān)業(yè)術(shù)語(yǔ)，被分為了“地理”、“國(guó)情”、“監(jiān)測(cè)”3 個(gè)詞匯，“地震臺(tái)網(wǎng)”被分為了“地震”和“臺(tái)網(wǎng)”兩個(gè)詞匯，因此建立一個(gè)專(zhuān)業(yè)詞典用于改善分析結(jié)果是有必要的。

表1 數(shù)據(jù)名稱(chēng)分詞結(jié)果

2） 關(guān)鍵詞提取。本文通過(guò)計(jì)算每個(gè)詞語(yǔ)的TF-IDF值提取關(guān)鍵詞，如對(duì)名稱(chēng)“土地綜合整治與耕地保護(hù)”進(jìn)行處理后，得到的結(jié)果如表2 所示，其中“整治”和“耕地”兩個(gè)標(biāo)簽的TF-IDF值明顯高于其他詞匯，表明它們可以更好地反映該數(shù)據(jù)的特征，適用于分類(lèi)。

表2 TF-IDF值結(jié)果示例

3）標(biāo)簽清洗。在通過(guò)語(yǔ)義分析提取出短語(yǔ)集后，仍存在部分冗余的標(biāo)簽，需進(jìn)一步進(jìn)行清洗。事實(shí)上，由于標(biāo)簽是反映數(shù)據(jù)特征的，標(biāo)簽名稱(chēng)很有可能會(huì)與數(shù)據(jù)目錄分類(lèi)名稱(chēng)相同，如“地理國(guó)情”標(biāo)簽原本就是數(shù)據(jù)目錄中的一個(gè)類(lèi)型。為了減少該類(lèi)情況，本文將語(yǔ)義分析提取出的短語(yǔ)集與數(shù)據(jù)目錄進(jìn)行對(duì)比，若語(yǔ)義相同或相似，則排除該詞匯，從而達(dá)到清洗標(biāo)簽的目的。

4）專(zhuān)家干預(yù)。專(zhuān)家干預(yù)一般分為兩種情形：①通過(guò)語(yǔ)義分析無(wú)法提取關(guān)鍵詞，但具有明顯的分類(lèi)特征的標(biāo)簽需要由專(zhuān)家添加，以“長(zhǎng)株潭綠心區(qū)”為例[13]，當(dāng)缺乏詳細(xì)文本描述時(shí)，利用語(yǔ)義分析只能提取出“長(zhǎng)株潭”和“綠心區(qū)”兩個(gè)標(biāo)簽，但事實(shí)上該數(shù)據(jù)具有規(guī)劃和環(huán)保的特征，需要由專(zhuān)家進(jìn)行添加；②當(dāng)語(yǔ)義分析結(jié)果與標(biāo)簽庫(kù)中已有的標(biāo)簽相似時(shí)，系統(tǒng)將推薦由專(zhuān)家對(duì)這些標(biāo)簽進(jìn)行篩選。專(zhuān)家干預(yù)不是必須的選項(xiàng)，干預(yù)程度也可依據(jù)應(yīng)用場(chǎng)景進(jìn)行調(diào)整。

本文從湖南省地理空間數(shù)據(jù)交換共享平臺(tái)中抽取了128 項(xiàng)地理空間數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。首先利用語(yǔ)義分析提取標(biāo)簽，再按照標(biāo)簽出現(xiàn)的頻率進(jìn)行排序，排名前10位的標(biāo)簽如表3所示，其中包含“監(jiān)測(cè)”標(biāo)簽的數(shù)據(jù)包括地理國(guó)情監(jiān)測(cè)、土地利用監(jiān)測(cè)、耕地質(zhì)量監(jiān)測(cè)、地震臺(tái)網(wǎng)監(jiān)測(cè)等；包含“規(guī)劃”標(biāo)簽的數(shù)據(jù)包括主體功能區(qū)規(guī)劃、土地利用規(guī)劃、土地整治規(guī)劃、礦產(chǎn)資源規(guī)劃、地質(zhì)災(zāi)害防治規(guī)劃、交通路網(wǎng)規(guī)劃等。由此可見(jiàn)，各類(lèi)數(shù)據(jù)原本分屬于不同的行業(yè)部門(mén)，因具有“監(jiān)測(cè)”、“規(guī)劃”的共性特征而被劃分為同一類(lèi)型，有助于數(shù)據(jù)共享。

表3 地理空間數(shù)據(jù)交換共享平臺(tái)標(biāo)簽頻率

4 結(jié) 語(yǔ)

針對(duì)地理空間數(shù)據(jù)分類(lèi)面臨的問(wèn)題，本文提出了一種利用標(biāo)簽分類(lèi)的方法。實(shí)驗(yàn)表明，該方法簡(jiǎn)單有效，能彌補(bǔ)傳統(tǒng)分類(lèi)目錄的缺陷。在現(xiàn)實(shí)情況中，地理空間數(shù)據(jù)分類(lèi)的需求千差萬(wàn)別，應(yīng)針對(duì)具體情況選用合適的標(biāo)簽分類(lèi)方法，以適應(yīng)不同的應(yīng)用場(chǎng)景。