古籍?dāng)?shù)據(jù)庫化工作淺談

●孫顯斌，李 偉

（1．中國科學(xué)院 自然科學(xué)史研究所圖書館，北京 100190；2．國家圖書館 外文采編部，北京 100081）

古籍?dāng)?shù)字化是近年來的學(xué)術(shù)熱點(diǎn)之一，同時(shí)它逐漸發(fā)展成為古典研究的重要新方法之一。近代學(xué)者陳寅恪、傅斯年等早已指出學(xué)術(shù)研究的創(chuàng)新和進(jìn)步不外乎新材料、新問題和新方法三個(gè)方面，因此古籍?dāng)?shù)字化作為新方法將為古典研究的發(fā)展開辟廣闊的空間。

1 古籍?dāng)?shù)字化的層次及“本體化”的必要性

古籍?dāng)?shù)字化可分為三個(gè)層次，即古籍圖像化、古籍全文化和古籍?dāng)?shù)據(jù)庫化。古籍圖像化是比較簡單的數(shù)字化手段，它的優(yōu)缺點(diǎn)都很明顯，優(yōu)點(diǎn)是使古籍材料能夠更方便的共享，并且在共享中能夠最大程度的保持文獻(xiàn)的原貌及非文字符號信息，但缺點(diǎn)是它和傳統(tǒng)紙質(zhì)文獻(xiàn)相比，在研究手段上并沒有任何新意。古籍全文化則將研究手段向前推進(jìn)了一步，它的優(yōu)越之處在于可以進(jìn)行全文檢索，這極大地方便了古典研究者?？梢韵胂笤邶嫶蟮墓偶膸熘羞M(jìn)行檢索，得到的結(jié)果是多么令人興奮：在沒有全文數(shù)據(jù)庫的情況下，這些工作往往需要成年累月的不斷查找、記錄和整理，費(fèi)時(shí)費(fèi)力，且還可能遺漏。絕大多數(shù)研究者對此已經(jīng)心滿意足了，或者認(rèn)為到此為止電腦已經(jīng)完成了它的任務(wù)，所以大家的目標(biāo)全都鎖定在得到新的古籍文本這種“新材料”上面?，F(xiàn)階段隨著漢字識別和縱向校對技術(shù)的成熟，［1］全文化的電子古籍已經(jīng)可以像流水線一樣的生產(chǎn)了，差別只是數(shù)量、速度和質(zhì)量的區(qū)別而已。全文化的古籍與圖像化的古籍相比也有它的缺點(diǎn)，就是不能保證古籍文本的絕對準(zhǔn)確，但是其質(zhì)量可以在使用中不斷的提高并趨于完善。

全文檢索雖然有其優(yōu)勢，但缺點(diǎn)也很明顯，即檢索失誤是不可避免的，這是因?yàn)樵斐蓹z索失誤的原因是多方面的，其中文本質(zhì)量只是一部份原因，還存在漢字的別體、語義的切分及別稱等問題，這些都會導(dǎo)致漏檢或多檢。［2］所謂的全文檢索，實(shí)際上只是在全文中對于某些目標(biāo)文本進(jìn)行檢索，檢索結(jié)果中的文本是否都指向同一個(gè)語義，亦或指向同一語義的文本是否都包含在檢索結(jié)果中，這兩個(gè)方面都得不到保證。舉一例，比如我們想從文本中檢索“李白”這個(gè)人物，古人一般稱他為“李太白”“太白”“青蓮居士”“詩仙”等等，我們當(dāng)然不能保證僅用一個(gè)目標(biāo)文本如“太白”進(jìn)行檢索，其結(jié)果可以完全囊括文本中出現(xiàn)“李白”這個(gè)人物的地方。這其中一個(gè)重要的原因就是同語義的別稱問題，實(shí)際上我們也很難枚舉出可能表示人物“李白”的所有目標(biāo)文本。另一方面，還有不同語義的同稱問題，比如“太白”，不只可以表示人物“李白”，常用的語義就還有太白金星和太白山。另外，還會有其他同名的人物，比如《資治通鑒》第一百零五卷就記載南北朝時(shí)期一個(gè)將軍名為“李白”。再者，古書上常有“桃紅李白”之語，這里“李白”是一個(gè)主謂短語，表示“李樹花白”的語義，以上這些情況都會對人物“李白”的檢索造成干擾。還有語義切分的問題，比如杜甫字“子美”，但在“此天子美諸侯之辭”的句子里，“子美”并不是一個(gè)詞。除此之外，導(dǎo)致多檢和漏檢的重要原因是漢字的別體，也就是古今字、通假字、異體字以及新舊字形等問題，這里只說一下并沒有引起足夠重視的新舊字形問題，比如“戶”在電腦中就有三個(gè)字形“戶戸戶”，電腦把它們當(dāng)作三個(gè)不同的字，所以說全文檢索漏檢和多檢在所難免。

要解決以上問題最重要的方法是實(shí)現(xiàn)文本語義的“本體化”，通俗的說，“本體”就是一個(gè)語義所指，［3］在上面的例子中，詩人“李白”就是一個(gè)人物本體，“李太白”“青蓮居士”等等都是“李白”這個(gè)人物本體的別稱而已。中華書局有一套分史的《二十四史人名索引》，它把二十四史中出現(xiàn)人物的地方都做了標(biāo)引，在常用名后面還附注了別名、字、號、謚號等，使所有人物出現(xiàn)的文本位置都列在該人物主條目下，這實(shí)際上就是簡單的人物“本體化”，對于查找某個(gè)人物在二十四史里的相關(guān)記載，其索引結(jié)果詳盡實(shí)用。而“本體化”要求我們推進(jìn)古籍?dāng)?shù)據(jù)庫化。近年來古籍?dāng)?shù)字化的實(shí)踐主要集中在前兩個(gè)層次內(nèi)，這實(shí)際上只是方便古籍材料的獲得和檢索而已，并沒有在古典研究的方法上有所突破。我們認(rèn)為要加強(qiáng)古典研究，就必須將古籍?dāng)?shù)字化向古籍?dāng)?shù)據(jù)庫化的層次推進(jìn)。

2 古籍?dāng)?shù)據(jù)庫化是實(shí)現(xiàn)“本體化”的現(xiàn)實(shí)技術(shù)方式

筆者有幸參加了北京大學(xué)數(shù)據(jù)分析研究中心的兩個(gè)古籍?dāng)?shù)據(jù)庫化的項(xiàng)目，分別是與國家圖書館合作的“中國歷代典籍總目系統(tǒng)”以及同中華書局合作的“《資治通鑒》分析系統(tǒng)”，在具體的工程實(shí)踐中積聚了一點(diǎn)粗淺的想法，在這里簡單的談一下，還請各界專家不吝賜教。上面提到的兩個(gè)系統(tǒng)正好分別代表了古籍?dāng)?shù)據(jù)庫化的兩大類型，其中“《資治通鑒》分析系統(tǒng)”屬于古籍文本型數(shù)據(jù)庫，它的基本數(shù)據(jù)為古籍文本內(nèi)容，而“歷代典籍總目系統(tǒng)”則是古籍信息型數(shù)據(jù)庫，它的基本數(shù)據(jù)為描述古籍的信息。

首先繼續(xù)上面的話題具體談一下什么是“本體”，上文已經(jīng)指出其實(shí)“本體”就是同一語義所指，實(shí)際上它是一種關(guān)系結(jié)構(gòu)，在工程實(shí)踐中可以用數(shù)據(jù)庫的記錄結(jié)構(gòu)來表示。為了說明方便，我們以《資治通鑒》為例，在對這一典籍的分析中，專名術(shù)語是我們關(guān)注的重點(diǎn)，因?yàn)樗鼈儤?gòu)成了《資治通鑒》知識系統(tǒng)的主干。這些專名術(shù)語其實(shí)就是各種類型的本體，如人物、地理、時(shí)間、機(jī)構(gòu)、民族、職官、名物等等，我們之所以這么劃分，是因?yàn)橥活愋捅倔w的屬性和關(guān)系結(jié)構(gòu)是基本相同的。拿人物本體來說，它包括人名（姓名以及字號等別名）、籍貫、生卒年、職官履歷、社會關(guān)系等信息，這些都是一個(gè)人物本體的屬性，并且通過這些屬性它又同地理本體、時(shí)間本體、職官本體以及其他人物本體建立起關(guān)系，這就是我們所說的“本體”的屬性和關(guān)系結(jié)構(gòu)。當(dāng)然普通詞語也是一種詞語本體。

在數(shù)據(jù)庫系統(tǒng)中，本體可以用記錄表示，記錄與文本的不同在于它是一條結(jié)構(gòu)化的數(shù)據(jù)，這一結(jié)構(gòu)由若干屬性構(gòu)成，并共同組成記錄的內(nèi)容。比如對于古籍書目數(shù)據(jù)來說，它就可以有以下這樣一個(gè)記錄結(jié)構(gòu)：

書名 規(guī)范名稱 版本類型 古籍分類 責(zé)任行為1 責(zé)任行為2 ……

為了說明問題，這里只是簡單列舉了部份屬性，可以看出這樣的結(jié)構(gòu)是按照書目數(shù)據(jù)的特點(diǎn)制定的，這些屬性共同描述一條書目信息。但實(shí)際上這種記錄結(jié)構(gòu)可能更復(fù)雜，比如這里的版本類型就還包括很多屬性，如版本時(shí)代、寫印類型、裝幀形式、行款等等，關(guān)于書目的責(zé)任行為也同樣復(fù)雜，包括責(zé)任者、責(zé)任行為，責(zé)任時(shí)間，責(zé)任地點(diǎn)等等，這里的責(zé)任行為可以是編撰、校注、刊印、題跋等等。

古籍?dāng)?shù)據(jù)庫化的前提是古籍文本化，在此基礎(chǔ)上才能建立起古籍?dāng)?shù)據(jù)庫。實(shí)際上，古籍?dāng)?shù)據(jù)庫化的過程就是將古籍文本信息語義結(jié)構(gòu)化的過程，即古籍文本信息的“本體化”過程，這是古籍?dāng)?shù)據(jù)庫化的本質(zhì)特征。從工程上講，古籍?dāng)?shù)據(jù)庫化的工作流程大致可分為三個(gè)階段，即文本的語義切分、文本的結(jié)構(gòu)化以及文本的本體化。首先，我們要根據(jù)文本的特征通過具體的算法初步完成文本的語義切分，提取結(jié)構(gòu)化的信息記錄，第二步通過縱向校對技術(shù)校正這些記錄，第三步完成具有相同語義的信息記錄及其屬性的認(rèn)同，同時(shí)建立起它們的相互關(guān)系，也就完成了本體系統(tǒng)，最后還需要為各種本體編制知識辭典。

我們拿書目系統(tǒng)做例子，第一步就是將文本格式了的書目數(shù)據(jù)用電腦自動完成書目信息的語義切分，也就是把書目信息自動填到類似上文舉例的書目記錄的表格中，初步形成一條條結(jié)構(gòu)化的書目記錄。接下來，通過縱向校對技術(shù)校正先前初步結(jié)構(gòu)化的書目記錄。如何縱向校對，簡單的說就是將相同的屬性進(jìn)行排列、規(guī)范，自然就可以發(fā)現(xiàn)其中的不規(guī)范和錯(cuò)誤，適時(shí)的校正。比如把版本類型的數(shù)據(jù)提取出來排列，就會發(fā)現(xiàn)有“鉛印本”或“鉛字本”的著錄，如果我們確定用“鉛印本”為規(guī)范，并將其類型置于“印本”的類型下面，那么“鉛字本”可以統(tǒng)一規(guī)范為“鉛印本”。最后，還要將表示相同語義的書目記錄和屬性進(jìn)行認(rèn)同，比如人物認(rèn)同，將“陶淵明”“陶潛”和“五柳居士”等都合并為同一個(gè)人物本體“陶淵明”，這樣我們進(jìn)行檢索和分析涉及“陶淵明”時(shí)就可以得到全面的結(jié)果。書目記錄的認(rèn)同也一樣，如劉熙《釋名》又稱《逸雅》，這樣就需要將實(shí)際上著錄同一種書的書目記錄關(guān)聯(lián)在一起，形成一個(gè)古籍品種本體，同樣古籍的版本、印次、復(fù)本都需要類似的認(rèn)同合并，最終達(dá)到本體化的目標(biāo)。

3 “本體化”古籍?dāng)?shù)據(jù)庫的優(yōu)勢

一個(gè)完成“本體化”的古籍?dāng)?shù)據(jù)庫，我們就可以利用它進(jìn)行準(zhǔn)確的檢索和統(tǒng)計(jì)，并且還可以在此基礎(chǔ)上分析和揭示其內(nèi)含的學(xué)術(shù)意義。對于一個(gè)書目系統(tǒng)來說，它可以為學(xué)者提供時(shí)空背景下的著作、出版情況，提供一種典籍的流傳線索等等。當(dāng)然，對數(shù)據(jù)庫化的古籍如何進(jìn)行深層次的分析和揭示還屬于理論上需要加強(qiáng)的領(lǐng)域。數(shù)據(jù)庫化的古籍除了檢索和統(tǒng)計(jì)準(zhǔn)確方便以外，其自身結(jié)構(gòu)方面也具有優(yōu)勢，因?yàn)檫@時(shí)古籍不再只是一個(gè)平面的文本，而是一個(gè)立體的語義網(wǎng)絡(luò)，它把文本數(shù)據(jù)通過語義聯(lián)系組合成縱橫交錯(cuò)的多維結(jié)構(gòu)，我們可以從任何一個(gè)維度去觀察瀏覽。比如我們把《資治通鑒》數(shù)據(jù)庫化以后，我們不僅可以從時(shí)間的維度去看這段歷史，還可以從人物、地理、職官等維度去看這段歷史。對于書目系統(tǒng)來說，可以從書目、時(shí)間、地理、人物、版本類型、責(zé)任行為等多維度瀏覽，數(shù)據(jù)庫化的古籍就像一個(gè)萬花筒，為我們提供變換的角度和視野。實(shí)際上，每一種瀏覽維度都相當(dāng)于紙質(zhì)文獻(xiàn)的一種索引。另外，從古籍?dāng)?shù)據(jù)庫化的工程經(jīng)驗(yàn)上來看，通過電腦，我們可以達(dá)到人力無法企及的效率，這正是由于在工程中充分發(fā)揮了電腦的優(yōu)勢。

古籍?dāng)?shù)據(jù)庫化是一項(xiàng)復(fù)雜的學(xué)術(shù)工作，需要人腦去參與，比如在語義切分階段，有些工作并不像看起來那么容易，例如《販書偶記》集部楚辭類有這樣一個(gè)條目“《屈子貫》五卷，嘉定張?jiān)娮?，受業(yè)楊夢熊、男吉同編，嘉慶戊午疁城萬春堂重刊?！边@里的“男張吉同編”就有很多歧義，既可能是張?jiān)娭澳小?，也可能是楊夢熊之“男”；名字既可能是“吉同”，又可能是男吉與楊夢熊“同”編，而《中國古籍善本書目》此書沒有著錄編者，查對原書確認(rèn)是張?jiān)娭訌埣c楊夢熊同編。另外，在古籍本體化的過程中，由于類似數(shù)據(jù)聚集在一起，就會比較容易發(fā)現(xiàn)各種著錄的不一致和錯(cuò)誤。例如《叢書綜錄》中有兩部叢書都包含了《平安館藏器目》《靈鶼閣叢書》，著錄為“葉志詵”撰，而《叢書集成初編》則著錄為“葉志銑”撰?！吨袊偶票緯俊分浻小叭~志詵”編《平安館金石文字》，并有大量典籍著錄“葉志詵”題跋，通過查詢其他資料可以確定“銑”是“詵”的形近誤字，但是《中國古籍善本書目》本身也有著錄不一致的地方，史部金石類（14655）《積古齊鐘鼎彝器款識十卷》著錄有“葉志銑”校，集部曲類（22304）《小忽雷傳奇二卷》也著錄有“葉志銑”跋，這兩處著錄就都應(yīng)該是“葉志詵”。再如在對剛出版的《中國古籍總目·叢書部》進(jìn)行數(shù)據(jù)庫化的過程中，我們發(fā)現(xiàn)有些叢書下面的藏地單位與書后所附《藏地單位簡稱表》不一致，如“叢10100217欽定古香齋袖珍”下列有藏地“甘大”，可以推知應(yīng)為“甘肅大學(xué)圖書館”的簡稱，但查簡稱表應(yīng)簡稱為“甘肅大學(xué)”。又“叢20300857翠微山房叢書”下列有藏地“金華”，查簡稱表只有“金華市太平天國侍王府紀(jì)念館”，其簡稱應(yīng)為“金華侍王府”。又“叢10100176枕中秘”下列有藏地“白求恩醫(yī)大”，查簡稱表沒有，由于原白求恩醫(yī)科大學(xué)已經(jīng)并入吉林大學(xué)，所以此處應(yīng)為“吉林大學(xué)醫(yī)學(xué)部圖書館”，簡稱“吉大醫(yī)學(xué)部”。又“叢20100617古今說部叢書”下列有藏地“香港新亞”，簡稱表沒有，這里應(yīng)該是“香港中文大學(xué)新亞書院錢穆圖書館”，簡稱表中有“香港中文大學(xué)圖書館”簡稱“香港中大”。這里舉例只想說明古籍?dāng)?shù)據(jù)庫化工作是有學(xué)術(shù)含量的，古籍?dāng)?shù)據(jù)庫在古籍文本信息的基礎(chǔ)上提供了更準(zhǔn)確優(yōu)質(zhì)的數(shù)據(jù)信息。

當(dāng)然，古籍?dāng)?shù)據(jù)庫化絕非完美，也難稱完善，何況其理論和實(shí)踐還都剛剛起步，需要探究的問題很多。從長遠(yuǎn)來看，信息技術(shù)領(lǐng)域提出的語義網(wǎng)（Semantic Web）應(yīng)該是古籍?dāng)?shù)字化的愿景，但要最終實(shí)現(xiàn)語義網(wǎng)的設(shè)想，還有很長的路要走。

［1］李云城，等．基于OCR的縱向文字校對的研究與實(shí)現(xiàn)［J］．計(jì)算機(jī)應(yīng)用研究，2006（4）：234－236.

［2］李鐸．從檢索到分析［J］．文學(xué)遺產(chǎn)，2009（1）：135－137.

［3］仲茜，等．語義Web中的本體建立技術(shù)［N］．計(jì)算機(jī)世界，2007－11－26（B10）.