高校人物專題檔案大數(shù)據(jù)源的潛在價(jià)值與挖掘利用

張倩

高校既是人類知識(shí)和科學(xué)創(chuàng)新的主要場(chǎng)所，又是教學(xué)與科研的服務(wù)中心。通過(guò)在檔案大數(shù)據(jù)智能處理平臺(tái)上創(chuàng)建高校人物專題檔案數(shù)據(jù)庫(kù)模塊，并將其作為高校檔案大數(shù)據(jù)檢索與挖掘的實(shí)際應(yīng)用之一，不僅有利于發(fā)掘高校文化知識(shí)和歷史內(nèi)涵的珍貴價(jià)值，而且有利于為造福社會(huì)發(fā)揮重要的作用。我們?cè)诳疾熘邪l(fā)現(xiàn)，承載著高校杰出人物輝煌業(yè)績(jī)的人物專題檔案，在被真實(shí)地挖掘并再現(xiàn)出其中精華的同時(shí)，對(duì)與人物處于同一抽象層次的其他對(duì)象，如事件、地點(diǎn)、機(jī)構(gòu)等附載在檔案上的諸多史實(shí)信息，以及如何形成這一檔案的純技術(shù)層面的許多知識(shí)，都具有非常豐富的挖掘價(jià)值。

1. 高校人物專題檔案大數(shù)據(jù)來(lái)源分析

人物專題檔案可被采集利用的數(shù)據(jù)來(lái)源很多，如Internet上專業(yè)的檢索網(wǎng)站，許多機(jī)構(gòu)建立的Web主頁(yè)，以及一些個(gè)人主頁(yè)上的人物檔案信息，都是高校檔案管理機(jī)構(gòu)捕獲人物專題檔案信息資源的重要渠道。與這些數(shù)據(jù)源相比，高校館藏主數(shù)據(jù)源具有格式規(guī)范、質(zhì)量較高等特點(diǎn)，是人物專題檔案大數(shù)據(jù)追蹤研究的理想數(shù)據(jù)源。

據(jù)調(diào)研資料分析顯示，目前高校構(gòu)建人物專題檔案大數(shù)據(jù)庫(kù)可供采集的大數(shù)據(jù)來(lái)源主要有四類：一是每年接收進(jìn)館（室）的學(xué)籍檔案，這些檔案里面包含了全校各個(gè)學(xué)歷層次的應(yīng)屆畢業(yè)生在校期間的個(gè)人信息記錄，是富含學(xué)生這一人物群體信息最多的數(shù)據(jù)來(lái)源。二是每年接收進(jìn)館（室）的學(xué)生工作方面的檔案，這些檔案里面包含了學(xué)生的獎(jiǎng)懲信息等，是大學(xué)生在校期間參加各類重要活動(dòng)的真實(shí)記錄。三是人事檔案，這些檔案里面包含了全校教職工的個(gè)人信息，是豐富而詳實(shí)的教職工個(gè)人信息記錄。四是科研檔案，這些檔案里面包含了師生參與科研活動(dòng)過(guò)程中產(chǎn)生的各類學(xué)術(shù)方面的信息記錄，對(duì)研究高校人物科研情況，具有舉足輕重的憑證作用。

2.高校人物專題檔案大數(shù)據(jù)處理的難點(diǎn)分析

通過(guò)調(diào)研分析發(fā)現(xiàn)，高校人物專題檔案大數(shù)據(jù)處理的難點(diǎn)，主要體現(xiàn)在兩個(gè)方面：一是館藏中的人物專題檔案格式多種多樣，數(shù)據(jù)的結(jié)構(gòu)也可能不斷發(fā)生變化，人物信息往往隱含在復(fù)雜的數(shù)據(jù)之中，如何對(duì)異構(gòu)多變的人物專題檔案信息進(jìn)行數(shù)據(jù)清洗（Data Cleansing），把雜亂的“臟的”數(shù)據(jù)（Dirty Data）去除掉，并轉(zhuǎn)變?yōu)檫m合人物追蹤研究的規(guī)范化的數(shù)據(jù)格式，這是目前高校人物專題檔案大數(shù)據(jù)庫(kù)建設(shè)需要解決的一個(gè)難點(diǎn)。二是在檔案數(shù)據(jù)的文本空間，人物是比文字對(duì)象高一個(gè)層次的抽象實(shí)體，而作為處于抽象層次的實(shí)體，它與文字對(duì)象所描述的具體名稱并不形成一一對(duì)應(yīng)的關(guān)系，可能存在著大量的同名同姓卻不是同一人物的現(xiàn)象，即使是同一人物，也往往有不同的稱謂，這是導(dǎo)致檢索人物專題檔案信息易出現(xiàn)歧義的一個(gè)難點(diǎn)。此外，我們發(fā)現(xiàn)這些歧義問(wèn)題可大致分為兩類：一類是不同人物和其他非人物實(shí)體可能具有相同的名字；另一類是同一個(gè)人物可能具有不同的名字或稱謂。歧義問(wèn)題的客觀存在，可能造成人物專題檔案檢索的結(jié)果難以精準(zhǔn)。對(duì)此，我們雖然可以在人名后邊添加一些特定的屬性，并通過(guò)組合查詢來(lái)細(xì)化檢索結(jié)果，但這種做法違背了建立人物專題檔案大數(shù)據(jù)搜索引擎所追求的簡(jiǎn)單快捷原則，且用戶通常不是精通檢索技巧的專家，他們甚至不會(huì)愿意提交額外的查詢?cè)~。

3. 高校人物專題檔案大數(shù)據(jù)追蹤的線索依據(jù)與處理內(nèi)容

大數(shù)據(jù)技術(shù)的基本原理告訴我們，在檔案大數(shù)據(jù)文本空間內(nèi)，對(duì)人物專題檔案信息數(shù)據(jù)源的跟蹤研究，應(yīng)該按照相關(guān)的線索依據(jù)來(lái)進(jìn)行，而“人物的橫向跟蹤”和“人物的縱向跟蹤”是最重要的線索依據(jù)。所謂“人物的橫向跟蹤”，是指從空間維度研究人與人的聯(lián)系、人與社會(huì)的聯(lián)系等。所謂“人物的縱向跟蹤”，是指從時(shí)間維度研究人的處所變化、人的職位變化、人的態(tài)度立場(chǎng)變化、人的生活狀態(tài)變化等。簡(jiǎn)言之，人物追蹤就是要通過(guò)運(yùn)用大數(shù)據(jù)分析技術(shù)，將不同檔案中縱橫交錯(cuò)出現(xiàn)的人物信息片段有效地組織起來(lái)，并使分析結(jié)果盡可能接近人物信息的全貌，進(jìn)而客觀地反映該人物的生活歷程。

此外，在高校檔案大數(shù)據(jù)文本處理領(lǐng)域，人物追蹤在處理內(nèi)容上可大體分為兩大部分：一是制作人物的履歷表。這是指從館藏檔案大數(shù)據(jù)文本中自動(dòng)提取出需制作人物的屬性信息，并把分散的各種屬性信息進(jìn)行整合，形成其完整的生平履歷。二是對(duì)人物的事件進(jìn)行組織。這是指把人物參與相關(guān)事件的信息內(nèi)容，按照內(nèi)在發(fā)展邏輯有效地組織起來(lái)，并形成清晰的邏輯結(jié)構(gòu)。值得注意的是：在整理人物事件信息內(nèi)容的基礎(chǔ)上，還應(yīng)注意整理其他相關(guān)信息內(nèi)容與其進(jìn)行匹配，如建立人物的事件信息表、識(shí)別人物的社會(huì)關(guān)系網(wǎng)、識(shí)別人物處所的變化、識(shí)別人物職位的變化、識(shí)別人物態(tài)度立場(chǎng)的變化、識(shí)別人物生活狀況的變化、識(shí)別人物知名度的變化等等。

4. 高校人物專題檔案大數(shù)據(jù)的處理流程

高校人物專題檔案大數(shù)據(jù)處理流程，主要有下列幾道程序：

程序一：對(duì)人物追蹤進(jìn)行大數(shù)據(jù)預(yù)處理。這一階段，需要識(shí)別出若干人物相關(guān)的零散信息，并形成人物基本模型的片段，同時(shí)應(yīng)對(duì)這些片段性的信息進(jìn)行同一性判別，即把描述不同人物的模型片段區(qū)分開。值得指出的是：在人名周邊的語(yǔ)句中，與該人物經(jīng)常共現(xiàn)的其他人名，即該人物的交往人群也應(yīng)是一個(gè)重要的區(qū)分特征。簡(jiǎn)言之，預(yù)處理階段，是指為人物模型的計(jì)算做好準(zhǔn)備，但還沒有形成完整的人物模型。

程序二：運(yùn)用數(shù)據(jù)融合技術(shù)建立完整的人物模型。人物專題檔案數(shù)據(jù)在預(yù)處理階段形成的人物模型片段信息是分散的、孤立的，不能代表人物全貌，更無(wú)法凸顯出人物的抽象實(shí)體，這就需要把代表不同人物的模型片段區(qū)分開，并對(duì)同一人物的模型片段信息進(jìn)行有機(jī)整合，進(jìn)而形成完整的人物模型，以利呈現(xiàn)人物的履歷等信息。值得指出的是：為取得完整的人物模型信息，不僅需要參照多個(gè)異構(gòu)來(lái)源的大數(shù)據(jù)信息，而且需要把多個(gè)人物模型片段的信息有機(jī)融合在一起，最終才能形成基本完整的人物信息。

程序三：研發(fā)人物專題檔案大數(shù)據(jù)處理的相關(guān)應(yīng)用技術(shù)。在進(jìn)行高校人物專題檔案大數(shù)據(jù)處理的過(guò)程中，實(shí)施追蹤研究需要依靠專業(yè)技術(shù)手段的支撐，因此，我們不僅要科學(xué)選擇供應(yīng)商提供的專業(yè)數(shù)據(jù)搜索引擎，而且要高度重視研發(fā)相關(guān)的應(yīng)用技術(shù)與之匹配，如提供對(duì)特定人物的跟蹤、流行人物的發(fā)現(xiàn)等各種應(yīng)用技術(shù)，以期達(dá)到方便用戶直接檢索利用之目的。

基于深度學(xué)習(xí)的“人臉識(shí)別”技術(shù)是高校檔案機(jī)構(gòu)進(jìn)行人物專題檔案大數(shù)據(jù)研發(fā)時(shí)可咨利用的一種強(qiáng)有力的手段。人臉檢測(cè)是基于計(jì)算機(jī)識(shí)別算法的一項(xiàng)數(shù)字化技術(shù)，用以準(zhǔn)確獲取人的臉部形狀和位置信息，甚至可以精確識(shí)別人臉細(xì)節(jié)的微妙特征?，F(xiàn)今乃至未來(lái)的高校館藏照片檔案中，數(shù)字照片將占巨大的比重，從內(nèi)容上來(lái)說(shuō)，人物圖像檔案又占有相當(dāng)?shù)谋戎亍鹘y(tǒng)的照片檔案管理方法所需的人力、物力成本巨大，如果要查詢某個(gè)具體人物的相關(guān)照片資料，僅靠手工識(shí)別，要在一堆照片中找到需要的照片，相信對(duì)每個(gè)檔案員的眼力都是一個(gè)嚴(yán)峻的考驗(yàn)。針對(duì)該問(wèn)題，人臉識(shí)別技術(shù)是高校檔案管理機(jī)構(gòu)一種有效的低成本解決方案，可在人物照片檔案大數(shù)據(jù)管理中達(dá)到較好的可視化效果。

當(dāng)前，高校檔案管理者可以借助Google的免費(fèi)圖片管理工具——Picasa來(lái)快速找出每個(gè)人物的照片。Picasa的“人臉識(shí)別”功能是通過(guò)一種復(fù)雜的算法，對(duì)照片人物進(jìn)行研判，將所有包含人臉的照片自動(dòng)歸集并統(tǒng)一命名。這樣做的最大好處就是能夠讓用戶隨時(shí)利用其搜索欄，快速查找所需人物的照片，而且之后所有新入庫(kù)的相片也都會(huì)按照這個(gè)規(guī)則，自動(dòng)歸類到相應(yīng)位置，方便快捷。具體整理方法：首先，讓軟件自動(dòng)搜索照片檔案庫(kù)，對(duì)所有包含人臉的照片檔案進(jìn)行自動(dòng)分類。在此過(guò)程中，為了方便用戶進(jìn)行辨認(rèn)，每一張被檢測(cè)到的照片都會(huì)以大頭貼的形式進(jìn)行顯示（相同的人物將被自動(dòng)整理在一起）。由于暫未標(biāo)識(shí)姓名，這些頭像暫時(shí)都將被自動(dòng)存放在一個(gè)“未命名人物”文件夾中，等待用戶處理。待照片初次分析完畢，我們便可以通過(guò)雙擊“未命名人物”為該人物添加名字標(biāo)記。建立人物標(biāo)簽后，日常查找只需將待檢索的人名輸入到搜索框中，片刻功夫（當(dāng)你輸入一個(gè)字后，準(zhǔn)備輸入第二個(gè)字時(shí)，軟件已經(jīng)即時(shí)顯示出檢索到的相關(guān)圖片），Picasa便會(huì)自動(dòng)羅列出所有包含該人物的照片，而且準(zhǔn)確度極高。需要注意的是，Picasa也有可能會(huì)誤判，在檢索結(jié)果中我們要通過(guò)手工識(shí)別進(jìn)行一番小小的修正。點(diǎn)擊照片上的“X”標(biāo)記將識(shí)別錯(cuò)誤的照片刪除，這樣剩下的就全部是包含所需人物的照片（包括單人照和合照）。最后點(diǎn)擊“全部確認(rèn)”完成對(duì)人物照片的識(shí)別，這樣在保存照片的文件夾中會(huì)列出所有該人物的照片，按提示點(diǎn)擊導(dǎo)出，將其導(dǎo)出到文件夾保存即可利用。此外，Picasa的人臉識(shí)別還具有一定的學(xué)習(xí)能力，隨著確認(rèn)照片的增多，它的識(shí)別能力也會(huì)相應(yīng)增強(qiáng)。此類智能工具可在高校人物專題檔案大數(shù)據(jù)研發(fā)中起到重要作用。

高校檔案管理機(jī)構(gòu)要密切關(guān)注大數(shù)據(jù)智能處理技術(shù)的發(fā)展走勢(shì)，積極引入成熟的產(chǎn)品與服務(wù)，不斷創(chuàng)新人物專題檔案大數(shù)據(jù)處理專業(yè)模塊的智能集成模式，不斷完善和創(chuàng)新“混搭型”的應(yīng)用機(jī)制，不斷強(qiáng)化“一站式”服務(wù)的個(gè)性化功能，以期提升人物專題檔案信息數(shù)據(jù)資源與用戶需求的精準(zhǔn)對(duì)接水平。

（作者單位：南京藝術(shù)學(xué)院綜合檔案室）