第四节其它检索语言

1、第四节 其它检索语言 一、自然语言 信息检索语言是沟通标引和检索的依据，自然语言的词语由于存在大量的同义、多义等现象，通常要经过一定程度的规范化处理，才能作为检索语言使用。但是，规范化处理，带来了标引的成本、标引与检索的一致性、一般用户难以直接操作检索等新问题。在计算机信息技术迅速发展的背景下，自然语言重又受到越来越多的关注和重视，并在信息检索领域内取得了令人瞩目的地位和成就。 自然语言在信息检索中的发展，大致经历了关键词、自由文本、全文本、超文本检索的阶段，并正向自然语言的理解发展。 1. 关键词语言 关键词语言是50年代发展起来的非受控语言，是自然语言应用于信息检索最早的形式，至今仍是一种

2、广泛使用的主题语言之一。 关键词是从文献的题名（有时也包括摘要和正文）中直接抽取出来的，能够表达文献主题的有实质性意义的单词。以这种自然语言的词汇作为主题标识的语言，就是关键词语言。关键词语言虽然也属主题语言的范畴，但与标题语言、元词语言、叙词语言有一个显著不同，关键词语言是没有经过规范化处理的自然语言，属非受控语言（Uncontrolled Language），而标题、元词、叙词语言是经过规范化处理的自然语言，属受控语言（Controlled Language）。 关键词语言的基本原理，是直接以自然语言的单词，作为表达文献和提问的标识。因而，关键词语言不必编制专门的词表，不进行词汇控制，也不

3、显示词间关系，可利用计算机进行自动抽词标引，极大地提高标引的速度，缩短检索系统的报道时滞，符合在文献数量激增的背景下快速检索文献的需要。 目前，关键词语言已成为手工检索和计算机检索广泛采用的信息检索语言。在关键词语言发展的进程中，其形式主要有以下几种： · 单纯（普通）关键词索引（Pure Keyword Index）； · 题内关键词索引（Keyword In Context，简称为KWIC）； · 题外关键词索引（Keyword Out Context，简称为KWOC）； · 双重关键词索引（Double KWIC）； · 词对式关键词索引

4、（Paired Keyword Index）。 各种关键词索引，虽然形式有所差异，但关键词语言的基本特性是共同的： · 直接从文献的题名（有时以摘要、征文来补充）中抽取关键词； · 没有词汇控制，任何有实质性意义的单词，都可作为标引和检索的标识； · 按字顺排检关键词，并进行多种形式的轮排，以增加检索入口； · 主要采用计算机自动抽词标引，编制速度快； · 提供快捷而方便的检索，容易掌握，但检索的全面性稍有欠缺； · 关键词常常带有上下文，有助于消除自然语言的多义现象对检索的影响，提高检索的专指度。 2. 自然语言检索 自然语言检索是

5、与计算机检索的出现和发展密不可分的。换言之，正是计算机技术的发展及其在检索领域的应用，才促成了自然语言直接作为检索语言的必然趋势。 在60年代兴起的计算机检索，尤其是70年代以后联机检索的国际化发展，促使自然语言检索技术，即自由文本检索、全文本检索得以产生和普及。80年代中期出现的光盘检索，尤其是90年代国际互联网络（Internet）的在全球的迅速增长，又促使自然语言检索向多媒体检索、网络检索和超文本检索发展。 自由文本检索（Free-text Searching），作为联机检索系统的主体检索技术，已发展得十分成熟。联机检索系统拥有多达数百的数据库，每个数据库都是由数量庞大的文献记录所组成的

6、，每条记录包含文献的题名、著者、文摘、标引的主题标识（叙词）等多项内容。在联机检索时，文献记录中的所有这些项目，特别是文摘的内容，其中的每一个词都是可以自由检索的，即文献记录的所有文本都可自由检索，因此被称为自由文本检索。目前，自由文本检索技术，包括单词检索、词组检索、布尔检索、词间位置检索、截词检索及加权检索等。 全文本检索（Full-text Searching），是在自由文本检索的基础上发展起来的。如今，在联机检索系统中，提供全文本检索的数据库已越来越多，呈加速发展的趋势。全文本检索与自由文本检索的差异，主要在于文本内容和检索技术的不同。全文本检索，检索的对象是计算机可读形式的文献全文文

7、本。全文本检索的技术方案一般有两种，第一种是分步完成，先进行自由文本的直接检索，后进行全文本的字符串扫描检索（如ORBIT系统直接的布尔检索，以及在此基础上的字符串、句子查找等。）；第二种是一步完成，即把自由文本检索的范围扩大到全文本，布尔检索与全文检索同时进行。 国际互联网络上的超文本检索（Hyper-text Searching），突破了文本以文献为单位、检索以文献单位为对象的限制，超越了文献单位，深入到文献内部的信息单元，以有关的信息单元为检索操作的对象。 在超文本中，通过预先对文本中的有关词汇进行索引链接（超链），使这些带链接指针的词汇或短语，指向文本中的其它有关段落、注解和内容。这些

8、经过链接的词语，采用了特殊的显示技术，如加下划线、高亮、粗体或颜色不同等。用户只要用光标点击这些词语，超级文本立刻就能显示该词语链接的内容。在新显示的文本中，用户又可发现经过链接的词语，便可沿着超文本中的索引链接，不断查找更感兴趣的内容。 近年来，在超文本的基础上，又出现了多媒体检索。多媒体（Multi-media），也称为超媒体（Hyper-media），它将多媒体技术结合到超文本中，强化了超文本的功能。它允许文本之外的图片、声音、动画、影视等信息单元，也可以与文本一样，作为指向其它文本或多媒体信息的链接指针。换言之，在超媒体文本中，不但有文字、图片，还有声音、动画、影视等形式的信息内容，都

9、可利用链接来进行查找和阅读。超媒体文本在只读式光盘CD-ROM和Internet网络上得到了充分的展现。 自然语言本身的表现力十分强大和多样，是人类交流和沟通的主要工具。尽管近年来自然语言在信息检索领域发展很快，但远不及其作为自然语言的地位，这就涉及到作为检索语言的自然语言的特性： · 自然语言是用户最为熟悉的语言系统，在检索时使用起来很习惯，容易使用，也容易达到一致； · 自然语言存在着大量的同义、多义、同形异义等现象，会对检索的效率产生负面的影响； · 自然语言检索系统，可利用计算机自动进行文献处理，其操作成本很低，而且速度极快，在文献数量激增的社会背景下，尤

10、其具有优势； · 无需编制词表，但受自然语言语种的限制。 概言之，在信息技术，尤其是计算机技术迅速发展的情况下，自然语言作为检索语言是一种必然的趋势。但纯粹的自然语言系统在检索性能水平上是较低的，因此，在系统建立时需要有相应的改进措施，如关键词语言中的上下文、采用后控词表等，在信息检索时需要有针对检索课题的策略，以保障检索的效率。 二、引文语言 文献，尤其是科学文献，在结尾处都附有参考文献或引用文献，这也是文献的外表特征之一。利用文献之间引用与被引用的关系，作为文献内容主题标识，并以此标引和检索文献的语言就是引文语言。 引文语言是60年代发展起来的一种检索语言，创刊于1961年的科学

11、引文索引（Science Citation Index），可看成是引文语言成形的标志。引文语言从文献的引用关系角度，提供了一种全新的检索途径。引文语言的基本原理是： · 以文献之间的引用关系， 作为文献主题内容之间的联系，换言之，若两篇文献发生引用关系，那么它们在主题上就是相关的； · 以引用文献或被引用文献，通常按著者姓名的字顺排检，作为标引和检索文献的标识。 引用关系作为检索语言，有其形式上的特殊性，其检索特性为： · 以引用文献或被引用文献进行标引和检索，摆脱了人工符号标识或词语标识的限制，使用容易掌握，一致性好； · 以引用关系形成的“文献网”作

12、为“主题网”，检索明确而有效，且能够查找到较为重要的文献，因为重要的文献其被引用次数通常也较多，这是其它的检索语言所无法做到的； · 引文语言系统的标引深度很深，一般的手工标引深度为平均每篇文献35个词，而一篇文献的引文数量常常达到十几篇，即可提供十几个检索点； · 引用关系本身非常稳定，但作为主题关系的可靠性不够稳定，引用有多种起因和缘由，但不一定完全反映出主题关系； · 引用关系要受到文献可得性的影响； · 引文的著录有时不够统一规范； · 引文语言无需编制词表，可利用计算机自动进行文献标引和处理，检索系统的成本低、速度快，提供的信息回溯性

13、和及时性都可令人满意。 三、分类主题一体化语言 在检索语言的发展趋势中，分类主题一体化语言近年来颇受关注。 分类主题一体化语言，是指在一个检索语言系统中，对它的分类表部分和叙词表部分，就术语、参照、标识、索引等实行统一的控制，即一个分类系统与一个主题系统互相兼容，既能充分发挥各自独特的功能，满足分类或主题标引和检索的需要，又能融为一体，发挥最佳的整体效应。简言之，分类主题一体化语言，就是分类语言与主题语言的有机结合。 分类主题一体化语言的原理在于，不同的检索语言虽然符号形式、结构体系各不相同，但它们的语言基础却是共同的。各种检索语言都以自然语言的语义系统为基础，并在这个基础上建立起各自的符号、词汇和语法（句法）系统。由于拥有共同的基础，使得统一的词汇控制成为可能和现实。 分类主题一体化语言的模式主要有：为叙词语言