增強(qiáng)機(jī)構(gòu)知識庫內(nèi)容發(fā)現(xiàn)和利用影響的策略與方法實踐
2012-04-29 10:16:03盧利農(nóng)祝忠明張旺強(qiáng)劉巍姚曉娜
圖書與情報 2012年5期
盧利農(nóng) 祝忠明 張旺強(qiáng) 劉巍 姚曉娜
摘 要：文章以中國科學(xué)院機(jī)構(gòu)知識庫CAS OpenIR為例，采用基于學(xué)術(shù)搜索引擎Google Scholar優(yōu)化的策略和方法，如針對Google Scholar收錄原則、Google Scholar元數(shù)據(jù)體系、sitemaps、Robots協(xié)議等策略和方法進(jìn)行分析和實踐，通過提升機(jī)構(gòu)知識庫在Google Scholar中的收錄比率，進(jìn)而增強(qiáng)機(jī)構(gòu)知識庫中內(nèi)容被發(fā)現(xiàn)引用的機(jī)率，以擴(kuò)大IR利用影響力。
關(guān)鍵詞：機(jī)構(gòu)知識庫 谷歌學(xué)術(shù)搜索 學(xué)術(shù)搜索引擎優(yōu)化 中科院機(jī)構(gòu)知識庫
中圖分類號： G252 G255.76文獻(xiàn)標(biāo)識碼： A 文章編號： 1003-6938（2012）05-0085-05
1 引言
近年來機(jī)構(gòu)知識庫（Institutional Repository，IR）快速穩(wěn)步增長，已覆蓋了大部分知名高校和科研機(jī)構(gòu)。目前在開放獲取機(jī)構(gòu)資源庫OpenDOAR中注冊登記的IR已有2163家[1]，除此以外還有相當(dāng)一部分?jǐn)?shù)量的IR未在OpenDOAR中注冊。IR做為支持開放獲取的一種重要形式，支持機(jī)構(gòu)實施數(shù)字知識資產(chǎn)的長期保存和管理，提高機(jī)構(gòu)及科研人員智力成果的發(fā)現(xiàn)幾率、傳播范圍和影響，是吸引機(jī)構(gòu)及科研人員重視和參與IR建設(shè)的重要因素。相關(guān)的研究也表明，支持開放獲取的論文其引用影響可獲得25%～250%的提升[2]。 而Arlitsch等人[3]的調(diào)查結(jié)果顯示，當(dāng)前IR內(nèi)容被Google Scholar收錄的比率總體上維持在10%～30%的水平，甚至有0%的IR（見圖1）。也就是說，大部分IR的內(nèi)容沒有得到充分的發(fā)現(xiàn)和利用，仍然局限在小范圍內(nèi)進(jìn)行交流傳播。
Google Scholar作為一項針對學(xué)者和科研人員的免費學(xué)術(shù)文獻(xiàn)搜索服務(wù)，現(xiàn)在已成為學(xué)者、研究人員和學(xué)生查找專業(yè)文獻(xiàn)資料的首選工具[4]。其搜索的范圍涵蓋了幾乎所有知識領(lǐng)域的高質(zhì)量學(xué)術(shù)研究資料，包括論文、專業(yè)書籍以及技術(shù)報告等。Google Scholar不但可以過濾普通網(wǎng)絡(luò)搜索引擎中對學(xué)術(shù)人士無用的大量信息，通過與眾多學(xué)術(shù)文獻(xiàn)出版商的合作，還加入了許多普通搜索引擎無法搜索到的內(nèi)容。目前，科研用戶通過網(wǎng)絡(luò)來獲取資源，第一選擇就是通過Google等搜索引擎進(jìn)行大范圍搜索，其次考慮利用專業(yè)的學(xué)術(shù)數(shù)據(jù)庫，最后才會去翻閱學(xué)術(shù)期刊。這種檢索順序已經(jīng)形成了一種社會習(xí)慣。
因此，如何解決IR被搜索引擎Google Scholar收錄，提升IR中學(xué)術(shù)文章被Google Scholar收錄的比率，已成為增強(qiáng)IR內(nèi)容可發(fā)現(xiàn)性和可見性的關(guān)鍵。本文以中國科學(xué)院研究所IR平臺CAS OpenIR[5]為例，采用學(xué)術(shù)搜索引擎優(yōu)化（Academic Search Engine Optimization，ASEO）的策略和方法，通過提升IR在Google Scholar中的索引比率，進(jìn)而增強(qiáng)IR中內(nèi)容被發(fā)現(xiàn)引用和利用影響力。
2 ASEO策略和目的
ASEO建立在傳統(tǒng)的SEO[6]基礎(chǔ)之上，是從普通的SEO發(fā)展而來。由于學(xué)術(shù)搜索引擎Google Scholar與普通搜索引擎有著明確的定位區(qū)別，因此ASEO與SEO有著明顯的不同之處。
SEO指通過采用易于搜索引擎索引的合理技術(shù)手段和策略，使網(wǎng)站各項要素適合搜索引擎的檢索原則，從而更容易被搜索引擎收錄和優(yōu)先排序。SEO基于網(wǎng)頁（Web Page），收錄過程較靈活和容易。IR屬于學(xué)術(shù)產(chǎn)出的數(shù)據(jù)庫平臺，有著自身的元數(shù)據(jù)元素集，其中的學(xué)術(shù)文章屬于“Academic Invisible Web”[7]，不能被Google Scholar直接訪問和索引。因此，在被學(xué)術(shù)搜索引擎Google Scholar收錄前，需要對IR進(jìn)行ASEO改造，使其符合Google Scholar索引標(biāo)準(zhǔn)，易于被Google Scholar收錄爬取。即：
（1） 使IR可以被搜索引擎Google Scholar更好地收錄和更新（包括IR的元數(shù)據(jù)和全文）；
（2） 使搜索引擎在規(guī)則允許的范圍內(nèi)進(jìn)行索引，明確IR的哪些頁面可以被索引收錄，哪些頁面不能被索引收錄；
（3） 在用戶使用Google Scholar搜索時，可以排名靠前的呈現(xiàn)IR中的相關(guān)條目，起到推介IR的作用；
（4） 將IR中開放權(quán)限的全文納入Google Scholar的全文檢索中，增加IR中論文的可見性，提高論文的被引用率。
3 Google Scholar收錄原則和排名算法
Google Scholar針對學(xué)術(shù)性數(shù)據(jù)庫內(nèi)容的收錄和索引，有明確的收錄原則[8]，如：① 被收錄文章需要有唯一的URL；②匿名用戶可免費地通過原文URL進(jìn)入閱讀被收錄文章；③數(shù)據(jù)庫服務(wù)的Robots.txt協(xié)議正確配置，明確允許及禁止Googlebot爬取的路徑及內(nèi)容范圍；④數(shù)據(jù)記錄的Meta標(biāo)簽符合Google Scholar Meta規(guī)則，并且必須包含DC.title，DC.creator，DCTERMS.issued三項描述元數(shù)據(jù)；⑤記錄除了題錄文摘信息外，被收錄記錄必須要有全文；⑥全文格式為PDF格式。
Google Scholar檢索排名繼承了普通Google檢索中應(yīng)用的PageRank算法[9]，即主要看某項學(xué)術(shù)內(nèi)容、頁面被引用的情況，同時還將文章全文、作者和出版物等因素納入算法，從而保證檢索結(jié)果的高相關(guān)性，提高查準(zhǔn)率。學(xué)術(shù)論文被引述的頻度越多，一般判斷這篇論文的權(quán)威性就越高，它的PageRank值就越高。
4 面向IR的ASEO策略與方法實現(xiàn)
根據(jù)學(xué)術(shù)搜索引擎Google Scholar收錄、排名的要約特點，本文中筆者將選取ASEO中的關(guān)鍵環(huán)節(jié)，就設(shè)計思路和實現(xiàn)的過程做一分析說明。
4.1 搜索引擎注冊
在傳統(tǒng)SEO過程中，網(wǎng)站管理員不用太擔(dān)心網(wǎng)站的收錄情況，在網(wǎng)站運行一定時間后搜索引擎的機(jī)器人會自動通過已被索引的外部鏈接發(fā)現(xiàn)該網(wǎng)站。而學(xué)術(shù)搜索引擎ASEO過程中，往往需要通過管理員在Google Scholar中對相關(guān)的服務(wù)進(jìn)行注冊，來通知機(jī)器人將其納入爬取對象。有鑒于此，在研究所IR部署完成后：
（1）要求或者幫助研究所盡快在Google Scholar中完成其IR的注冊和發(fā)布。在Google Scholar注冊IR過程中，除了聲明Google Scholar要求的收錄原則外，還需要聲明IR所用軟件、論文數(shù)量、語種、訪問地址。
（2）由于Google Scholar的PageRank算法對網(wǎng)絡(luò)分類目錄尤為重視，如果網(wǎng)站被ODP（http：//www.dmoz.org）、Yahoo！ Directory（http：//dir.yahoo.com）等網(wǎng)絡(luò)分類目錄收錄，則可大幅提升其PR值。因此，積極幫助研究所IR在重要網(wǎng)絡(luò)分類目錄中進(jìn)行注冊。
（3）隨著OpenROAR（http：//www.opendoar.org）、ROAR（http：//roar.eprints.org）等開放知識庫注冊登記服務(wù)在知識庫服務(wù)領(lǐng)域日益產(chǎn)生重要影響和Google Scholar等搜索引擎的合作，我們也應(yīng)積極引導(dǎo)和幫助研究所IR在這些專門性目錄服務(wù)中進(jìn)行注冊，以加強(qiáng)和提升IR被搜索引擎發(fā)現(xiàn)和索引的幾率。
4.2 建立適合Google Scholar發(fā)現(xiàn)和索引的描述元標(biāo)簽體系
Meta（網(wǎng)頁描述元標(biāo)簽）為Google Scholar檢索結(jié)果的輸出格式提供了基于DC元數(shù)據(jù)標(biāo)準(zhǔn)的標(biāo)題、作者、出版物名、出版年/期、摘要等內(nèi)容描述信息。當(dāng)用戶通過Google Scholar進(jìn)行檢索時，Google Scholar自動辨識學(xué)術(shù)文章的格式與內(nèi)容，取得描述信息，并針對論文指示的信息建立自動的引用分析。因此，描述元標(biāo)簽及其描述信息十分重要。
要保證IR所有內(nèi)容為Google Scholar成功索引，就必須為IR所有的記錄提供帶有Meta描述元標(biāo)簽的頁面。為此，在CAS OpenIR中設(shè)計Meta標(biāo)簽組為自動生成，不同論文記錄頁面中的Meta值自動從記錄對應(yīng)的內(nèi)部元數(shù)據(jù)字段中讀取。由于IR中條目元數(shù)據(jù)字段為內(nèi)部元數(shù)據(jù)存儲字段，并不能直接用于Meta標(biāo)簽，因此需要在使用前建立CAS OpenIR元數(shù)據(jù)字段與Meta之間的映射關(guān)系（見圖2）[10]。
4.3 構(gòu)建IR動態(tài)網(wǎng)站地圖
由于目前大部分搜索引擎只跟蹤網(wǎng)站內(nèi)有限數(shù)量的鏈接，例如Google并不會主動抓取網(wǎng)站的所有頁面，尤其是網(wǎng)址里帶有“？”的動態(tài)鏈接。因此，當(dāng)網(wǎng)站較大時，例如IR會隨著學(xué)術(shù)產(chǎn)出的逐年不斷增長而頁面快速增多，就必須有有效的策略來保證IR中每一條記錄目頁面都可以被搜索引擎收錄。目前來看，通過生成和提供網(wǎng)站地圖（sitemap）已成為一種相對可靠的策略和方法。
在Google官方指南中可看到，網(wǎng)站生成SiteMap文件將有利于搜索引擎機(jī)器人的索引，會大大提高索引網(wǎng)站內(nèi)容的效率和準(zhǔn)確度。SiteMap主要有以下作用[11]：
*為搜索引擎機(jī)器人提供可以瀏覽整個網(wǎng)站的鏈接；
*為搜索引擎機(jī)器人提供一些鏈接，指向動態(tài)頁面或者采用其他方法比較難以到達(dá)的頁面；
*作為一種潛在的著陸頁面，可以為搜索流量進(jìn)行優(yōu)化；
*如果訪問者試圖訪問網(wǎng)站所在域內(nèi)并不存在的URL，那么這個訪問者就會被轉(zhuǎn)到“無法找到文件”的錯誤頁面，而網(wǎng)站地圖可以作為該頁面的“準(zhǔn)”內(nèi)容。
目前sitemap地圖在網(wǎng)站應(yīng)用中越來越受重視，但是人工制作sitemap地圖的難度隨著網(wǎng)站網(wǎng)頁數(shù)目的增多也變得越來越困難。因此，CAS OpenIR系統(tǒng)中設(shè)計增加了自動生成和發(fā)布SiteMap的功能，系統(tǒng)自動索引內(nèi)部所有記錄頁面生成索引文件（SiteMap），不限制數(shù)量和深度。CAS OpenIR中SiteMap流程圖（見圖3）如下：
①SiteMap模塊觸發(fā)索引機(jī)制后生成sitemaps文件，一般會根據(jù)系統(tǒng)內(nèi)頁面鏈接的數(shù)量生成1個主索引文件（索引文件的索引文件）和10～50個二級索引文件。
②在創(chuàng)建好站點地圖后，需要主動將其提交給搜索引擎，節(jié)省收錄時間。使用Google Webmaster Tools工具提交sitemaps后，會生成相應(yīng)報表（見圖4），顯示已提交URLs數(shù)量、被收錄URLs數(shù)量、被搜索信息、URL錯誤信息等。
③使用rebots.txt文件中添加sitemap地址的來自動提交sitemap。
④編寫批處理腳本文件，以觸發(fā)時間節(jié)點的定時執(zhí)行sitemap索引任務(wù)。
⑤通過Ping請求向google提示。Ping是基于XML_RPC標(biāo)準(zhǔn)協(xié)議的更新通告服務(wù)，用于內(nèi)容更新快速通知給搜索引擎，以便搜索引擎及時進(jìn)行抓取和更新。因此當(dāng)IR中內(nèi)容發(fā)生了改變，會生成不同的sitemap索引文件，此時需要通過Ping請求通知搜索引擎進(jìn)行重新收錄。
4.4 其他ASEO策略和方法
在CAS OpenIR支持ASEO優(yōu)化過程中，同時采用了以下多種輔助性的策略和方法來進(jìn)一步豐富和完善其整體ASEO方法框架。
（1） 優(yōu)化配置Robots協(xié)議文件。通過界定Robots搜索引擎收錄規(guī)則，告知Google Scholar機(jī)器人哪些頁面可以收錄，哪些頁面不能收錄。同時使用 Robots協(xié)議告知搜索引擎有關(guān)站點地圖SiteMap的信息。在robots.txt 文件中包含SiteMap鏈接的好處是，開發(fā)人員不用到搜索引擎的站點管理員頁面去提交自己的sitemap文件，搜索引擎的機(jī)器人會主動抓取robots.txt，讀取其中的sitemap路徑，接著進(jìn)行相關(guān)頁面的抓取和索引。
（2） 動態(tài)URL優(yōu)化。IR的一些頁面使用動態(tài)的URL，往往附帶有很多參數(shù)，并比較長，會不利于搜索引擎收錄和提升排名。因此，這對這一問題，主要通過URL重寫的方法[12]進(jìn)行了優(yōu)化調(diào)整，以獲得偽靜態(tài)和簡潔友好的URL網(wǎng)址。如IR動態(tài)生成的URL地址http：//[IR域名]/profile？action=eperson-profile&unique_id=0-000343，通過重寫和優(yōu)化后將成為 http：//[IR域名]/ unique_id=0-000343。
（3） 英文場景SEO優(yōu)化。解決英文場景下的Google Scholar對IR的收錄和索引。CAS OpenIR目前通過定制中英文字符集，提供中文、英文兩種字符描述，在英文環(huán)境下，欄目分類、導(dǎo)航、指引文字均為英文描述，并且頁面Meta標(biāo)簽組包含有英文題名、英文關(guān)鍵詞、英文摘要，可以被搜索引擎英文狀態(tài)所搜索收錄。
5 ASEO實踐效果
CAS OpenIR在ASEO前，學(xué)術(shù)內(nèi)容在Google、Google Scholar中被索引的情況較不理想。本文選擇未進(jìn)行ASEO功能優(yōu)化的中科院遙感所IR（http：//ir.irsa.ac.cn）為例， 其中內(nèi)容2906條，Google Scholar中被索引率為0（見圖5）。
經(jīng)過ASEO技術(shù)全面改進(jìn)后，在Google Scholar中，筆者以中科院國家科學(xué)圖書館機(jī)構(gòu)知識庫（http：//ir.las.ac.cn）為例進(jìn)行搜索，顯示“About 516 results （0.14 seconds）”。意即這516篇論文不僅題錄信息，其全文也納入了Google Scholar的全文檢索。
6 結(jié)語
增強(qiáng)IR內(nèi)容發(fā)現(xiàn)和利用影響非朝夕工作，是一項系統(tǒng)工程，需要大量的積累和嘗試。其中ASEO過程已不僅是技術(shù)，而是一種思想，一種策略，許多技巧的組合。通過ASEO策略可以將機(jī)構(gòu)知識庫收錄入學(xué)術(shù)搜索引擎中，在科研人員和學(xué)生使用搜索引擎科研過程中，無縫推介和曝光IR內(nèi)容。下一步，我們會繼續(xù)提高CAS OpenIR學(xué)術(shù)內(nèi)容在搜索引擎中的索引收錄率，使IR和其中的論文得以充分可見，積極提高IR內(nèi)容發(fā)現(xiàn)和利用影響力。本文中基于SEO策略的增強(qiáng)知識內(nèi)容發(fā)現(xiàn)和利用影響的實踐過程，對其他數(shù)字圖書館服務(wù)系統(tǒng)也有著積極的借鑒作用和意義。
參考文獻(xiàn)：
[1]OpenDOAR chart[EB/OL].[2012-06-18].http：//opendoar.
org/find.php？format=charts.
[2]Brody， T. and Harnad，S. Comparing the Impact of Open Access （OA） vs. Non-OA Articles in the Same Journals[J/OL].[2012-07-10].http：//eprints.ecs.soton.ac.uk/10207/.
[3]Arlitsch，K.and O'Brien P.Invisible institutional repositories： Addressing the low indexing ratios of IRs in Google Scholar [J].Library Hi Tech， 2012， 30（1）：60-81.
[4]蘇悅，張文德.Google Scholar與現(xiàn)代圖書館[J].情報探索，2007，（11）：10-12.
[5]祝忠明.中國科學(xué)院機(jī)構(gòu)知識庫建設(shè)軟件[R].Post-Co
nference of Berlin 8 Open Access Conference，2010.
[6]Search Engine Optimization（SEO）[EB/OL].[2012-05-25].http：//zh.wikipedia.org/wiki/SEO.
[7]Dirk Lewandowski，Philipp Mayr.Exploring the Academic Invisible Web[J].Library Hi Tech. 2006，24（4）：529539.
[8]Google.Inclusion Guidelines for Webmasters[EB/OL]. [2012-06-18].http：//scholar.google.com/intl/en/scholar/inclusion.html.
[9]Page，L.，Brin，S.，Motwani，R.andet al.The PageRank Citation Ranking： Bringing Order to the Web[EB/OL].[2012-06-18].http：//citeseerxist psu.edu/viewdoc/summary？doi=10.1.1.31.1768.
[10]Dublin Core Collection Description Application Profile[EB/OL].[2012-05-10]. http：//www.ukoln.ac.uk/meta
data/dcmi/collection-application-profile/.
[11]Sitemap[EB/OL].[2012-05-18].http：//zh.wikipedia.org
/wiki/Sitemap.
[12]Rewrite engine[EB/OL].[2012-02-25].http：//en.wikpe
dia.org/wiki/Mod_rewrite.
作者簡介：盧利農(nóng)（1985-），男，中科院國家科學(xué)圖書館蘭州分館館員；祝忠明（1968-），男，中科院國家科學(xué)圖書館蘭州分館研究員；張旺強(qiáng)（1985-）， 男，中科院國家科學(xué)圖書館蘭州分館館員；劉?。?980-），男，中科院國家科學(xué)圖書館蘭州分館館員；姚曉娜（1985-），女，中科院國家科學(xué)圖書館蘭州分館館員。
