百度學(xué)術(shù)的數(shù)據(jù)整合
——基于學(xué)術(shù)數(shù)據(jù)庫覆蓋率的案例研究

洪道廣 繆靈敏

(華東理工大學(xué)圖書館，上海 200237)

基于互聯(lián)網(wǎng)學(xué)術(shù)數(shù)據(jù)資源整合的百度學(xué)術(shù)平臺具有數(shù)據(jù)來源廣泛、可以在線免費(fèi)檢索、使用方便等特點(diǎn)，自2014年6月正式推出以來被越來越多的讀者使用。學(xué)術(shù)界也開展了對百度學(xué)術(shù)的研究與應(yīng)用討論，謝奇等對百度學(xué)術(shù)的功能、檢索方法與技巧等方面進(jìn)行了詳細(xì)的討論[1]；張英健應(yīng)用“百度學(xué)術(shù)搜索”，在期刊編輯中用于校核參考文獻(xiàn)、審稿專家的選擇及學(xué)術(shù)熱點(diǎn)的發(fā)現(xiàn)，取得了良好的效果[2]；覃燕梅等對百度學(xué)術(shù)與其他學(xué)術(shù)搜索系統(tǒng)的收錄數(shù)據(jù)、檢索功能、結(jié)果排序、數(shù)據(jù)挖掘服務(wù)、題錄引用等功能進(jìn)行了比較[3-4]。上述研究中，對于百度學(xué)術(shù)的數(shù)據(jù)來源及數(shù)據(jù)整合僅有簡單的描述，或只是幾個系統(tǒng)的簡單結(jié)果數(shù)比對。本文通過案例對百度學(xué)術(shù)的數(shù)據(jù)來源、整合等作具體的分析探討，尤其對整合的學(xué)術(shù)數(shù)據(jù)庫覆蓋率進(jìn)行比較，以便使用戶對百度學(xué)術(shù)的資源有更全面的了解，同時供平臺數(shù)據(jù)進(jìn)行整合建設(shè)進(jìn)一步的改正與完善。

1 研究方法

百度學(xué)術(shù)搜索結(jié)果界面顯示的內(nèi)容包含學(xué)術(shù)文獻(xiàn)的標(biāo)題、作者、摘要、出處、引用次數(shù)及發(fā)表的年份，并提供文獻(xiàn)在各平臺或數(shù)據(jù)庫的來源鏈接，對于可免費(fèi)獲取的文獻(xiàn)提供免費(fèi)下載標(biāo)簽。通過標(biāo)題檢索比對原始來源學(xué)術(shù)數(shù)據(jù)庫的覆蓋率是通常而有效的研究方法[5-8]，本研究通過選用高級檢索的題名檢索，檢索式如表1所示的中文與英文文獻(xiàn)檢索：

表1 百度學(xué)術(shù)的檢索實(shí)例

選擇“搜索引擎”作檢索詞，涉及的學(xué)科較廣，具有一定的代表性。檢索實(shí)踐中發(fā)現(xiàn)，百度學(xué)術(shù)搜索結(jié)果顯示的檢出數(shù)常大于實(shí)際可顯示的結(jié)果數(shù)，通常檢索結(jié)果在500條內(nèi)發(fā)現(xiàn)通過翻頁基本上準(zhǔn)確完整顯示，如按上述中文檢索中，顯示約9 580多條相關(guān)結(jié)果，實(shí)際只顯示到第14頁(2017年6月1日檢索，搜索設(shè)置設(shè)定每頁顯示50條記錄)。本研究利用檢索界面提供的二次檢索，進(jìn)一步限制年份及文獻(xiàn)類型使檢索結(jié)果數(shù)在500條以內(nèi)，通過復(fù)制每頁顯示的文獻(xiàn)記錄并格式化處理，再導(dǎo)入數(shù)據(jù)庫進(jìn)行數(shù)據(jù)處理及比對。

英文文獻(xiàn)實(shí)際采用“Search Engine”檢索的結(jié)果數(shù)更多，這里采用復(fù)數(shù)是為了得到適中的結(jié)果數(shù)據(jù)，方便處理及比較。

目前學(xué)術(shù)數(shù)據(jù)庫中，中文全文數(shù)據(jù)庫主要有中國知網(wǎng)(簡稱CNKI)、萬方數(shù)據(jù)資源(簡稱WF)及維普期刊數(shù)據(jù)庫(簡稱VIP)等。外文數(shù)據(jù)庫按照Calis引進(jìn)的西文數(shù)據(jù)庫目錄，就有56個(2017年9月28日查詢結(jié)果)[9]，結(jié)合華東理工大學(xué)特點(diǎn)選用理工類全文數(shù)據(jù)庫如Elsevier、Springer、IEEE、Wiley、Emerald等，同時利用了圖書館購買的SCI&SSCI及EI數(shù)據(jù)庫等檢索平臺，數(shù)據(jù)年限自2000-2016年，中文期刊及學(xué)位論文數(shù)據(jù)較多，只選了2010-2016年數(shù)據(jù)，通過比對百度學(xué)術(shù)與各個來源數(shù)據(jù)庫的檢索結(jié)果，分析對應(yīng)的覆蓋數(shù)據(jù)及整合情況。

2 中文數(shù)據(jù)結(jié)果及分析

2.1 中文期刊的整合

中文期刊數(shù)據(jù)來源主要集中在中國知網(wǎng)、萬方及維普期刊3個平臺上的期刊數(shù)據(jù)。按表1檢索條件，分別檢索各數(shù)據(jù)庫及百度學(xué)術(shù)(簡稱BD)對應(yīng)該數(shù)據(jù)庫來源的數(shù)據(jù)，結(jié)果分布如表2所示(2017年6月1日查詢結(jié)果)。

結(jié)果表明百度學(xué)術(shù)對中國知網(wǎng)期刊、萬方期刊、維普期刊均有很好的覆蓋率，按上述數(shù)據(jù)對應(yīng)的覆蓋率分別為：98.3%、97.2%、96.4%。

除維普、萬方資源、中國知網(wǎng)平臺的期刊數(shù)據(jù)外，還有一些未包含在上述3個平臺上的期刊論文，主要為在線科技論文及開放訪問的論文。結(jié)果如表3。

上述檢索出的結(jié)果數(shù)中，中國科技論文在線平臺實(shí)際有相應(yīng)的16條首發(fā)在線論文；而OAlib/Jourlib為開放期刊的平臺，實(shí)際上此類期刊也被表2所列的數(shù)據(jù)庫收錄，只是由于其中一些文章題目標(biāo)引不一致，如部分采用了中英文并列標(biāo)題，例：“Search Engine Optimization搜索引擎優(yōu)化初探”，實(shí)際出自期刊《計算機(jī)系統(tǒng)應(yīng)用》2010年的文獻(xiàn)；華藝線上圖書館(www.airitilibrary.com)集成港臺出版的學(xué)術(shù)論文數(shù)據(jù)庫，一些文獻(xiàn)采用繁體的中文，從檢索結(jié)果看實(shí)際上也包含了一些會議論文或其他類型文獻(xiàn)。

表2 百度學(xué)術(shù)整合的主要中文期刊

表3 百度學(xué)術(shù)整合的其他中文期刊論文

百度學(xué)術(shù)中有大量標(biāo)注免費(fèi)的全文數(shù)據(jù)如來源于道客巴巴、豆丁網(wǎng)的數(shù)據(jù)，但去除表2、表3中的來源后，未見來自這些免費(fèi)網(wǎng)站的獨(dú)立數(shù)據(jù)。

2.2 中文學(xué)位論文的整合

百度學(xué)術(shù)的中文學(xué)位論文數(shù)據(jù)共1 026條，來自知網(wǎng)平臺、萬方數(shù)據(jù)平臺共1 023條(其中438條為知網(wǎng)與萬方共有數(shù)據(jù))，只有3篇論文來自廈門大學(xué)學(xué)術(shù)典藏庫(dspace.xmu.edu.cn，可免費(fèi)獲取全文)的學(xué)位論文。對應(yīng)具體的百度學(xué)術(shù)數(shù)據(jù)與中國知網(wǎng)、萬方數(shù)據(jù)平臺上的學(xué)位論文數(shù)如表4。

結(jié)果表明百度學(xué)術(shù)的學(xué)位論文其對CNKI、萬方數(shù)據(jù)平臺的覆蓋率分別為92.6%、90.9%。

2.3 中文其他文獻(xiàn)

百度學(xué)術(shù)平臺的中文文獻(xiàn)除學(xué)術(shù)期刊、學(xué)位論文外還有圖書、學(xué)術(shù)會議、專利及其他類型，相比這些文獻(xiàn)的數(shù)據(jù)量較少，按表1的中文檢索(因數(shù)據(jù)量相比少，年限選擇為2000-2016年的結(jié)果數(shù))，其中圖書有219條，其中無來源出處115條，有可鏈接來源出處的104條；會議論文351條，專利記錄287條，其他未明確類型的文獻(xiàn)81條，均有相應(yīng)的出處，見表5的數(shù)據(jù)(2017年6月1日查詢)，括號里的數(shù)據(jù)為百度學(xué)術(shù)檢索的總數(shù)及其中前5個數(shù)據(jù)來源的檢出數(shù)。

表4 百度學(xué)術(shù)中文學(xué)位論文整合

表5 百度學(xué)術(shù)中文其他文獻(xiàn)的來源

圖書數(shù)據(jù)有219條記錄，無來源出處115條，可鏈接來源出處的有104條，主要來源有書問平臺(bookask.com)、超星電子圖書等來源的數(shù)據(jù)。無來源出處的圖書只提供了相應(yīng)作者及出版社信息。如《構(gòu)建搜索引擎》一書，作者為李剛,宋偉,邱哲，人民郵電出版社于2006年出版等信息。

會議論文共有351條，只來源于萬方及中國知網(wǎng)，其中萬方數(shù)據(jù)255條，中國知網(wǎng)140條，而實(shí)際在萬方及中國知網(wǎng)平臺檢索的結(jié)果數(shù)分別為282條和150條，覆蓋率分別為90.4%，92%，其中對應(yīng)2010-2016年的。

專利數(shù)據(jù)270條，只來源于Google Patents及萬方平臺，數(shù)據(jù)不完整，實(shí)際在萬方平臺中可查到694條，而檢索中國國家知識產(chǎn)權(quán)局平臺數(shù)據(jù)(按公開日期2000-2016)可得894條記錄，中國專利覆蓋率只有30.2%，因此專利數(shù)據(jù)收錄不完整。

其他類別數(shù)據(jù)實(shí)際是百度學(xué)術(shù)平臺抽取數(shù)據(jù)時由于格式等不規(guī)范所致，從檢索結(jié)果看主要是期刊論文，也直接來自網(wǎng)絡(luò)的文章。如表5中來源于chinalibs.net的52條數(shù)據(jù)中，均屬期刊文獻(xiàn)，百度學(xué)術(shù)標(biāo)引時把期刊名當(dāng)作者名。

3 英文數(shù)據(jù)結(jié)果及分析

3.1 英文文獻(xiàn)的來源分布

英文學(xué)術(shù)數(shù)據(jù)來源分布廣泛，按表1的英文檢索結(jié)果分別選擇期刊、會議論文、圖書、專利、學(xué)位論文等類型作統(tǒng)計并對數(shù)據(jù)來源進(jìn)行分析。為簡化結(jié)果處理僅對每條文獻(xiàn)數(shù)據(jù)中的第一個出處作統(tǒng)計。

選擇期刊得到2 336條文獻(xiàn)，統(tǒng)計第一條出處就有256條結(jié)果，其中前10個的結(jié)果如下：

表6百度學(xué)術(shù)英文期刊主要來源

序號數(shù)據(jù)庫(結(jié)果數(shù))序號數(shù)據(jù)庫(結(jié)果數(shù))1ResearchGate(373)6findarticles.com(88)2知網(wǎng)(297)7CiNii(69)3EBSCO(226)8OALib(68)4ACM(132)9Emerald(66)5Elsevier(102)10questia.com(46)

英文會議、圖書的百度學(xué)術(shù)檢出數(shù)據(jù)分別有632條、247條，統(tǒng)計第一條來源總數(shù)前6個的記錄數(shù)占來源總數(shù)分別為90.4%、85.0%，專利共173條主要為美國專利，數(shù)據(jù)來源只有FreePatentsOnline及Google Patents。

英文會議論文對比SCI平臺CPCI數(shù)據(jù)共326條其中檢出數(shù)據(jù)為248條，覆蓋率76.1%；EI中會議論文共537條其中419條檢出，覆蓋率為78%。

英文學(xué)位論文在百度學(xué)術(shù)中按上述條件檢出的結(jié)果數(shù)只有7條，核查均不是學(xué)位論文，外文學(xué)位論文全文平臺目前可利用的為Proquest(search.proquest.com)平臺數(shù)據(jù)庫，國內(nèi)為鏡像站點(diǎn)(如：http://pqdt.calis.edu.cn)，可檢索到26條結(jié)果，百度學(xué)術(shù)未提供相應(yīng)的數(shù)據(jù)出處。另外百度學(xué)術(shù)基于Proquest數(shù)據(jù)6條，實(shí)際是學(xué)位論文，但百度學(xué)術(shù)的歸類屬期刊。

3.2 英文文獻(xiàn)全文數(shù)據(jù)庫的整合

許多英文期刊全文數(shù)據(jù)庫平臺提供免費(fèi)開放的檢索，只是閱讀全文數(shù)據(jù)時加以訪問限制，檢索一些著名的英文全文學(xué)術(shù)平臺數(shù)據(jù)與百度學(xué)術(shù)相應(yīng)的檢索結(jié)果(2017年6月15日檢索結(jié)果)，如表8。

表7 百度學(xué)術(shù)中英文會議論文、圖書、專利論文來源

表8 一些外文全文文獻(xiàn)平臺數(shù)據(jù)比較

注：*數(shù)據(jù)庫檢索時結(jié)果中包含了“Search Engine”檢索結(jié)果，在比對時先去除這部分?jǐn)?shù)據(jù)。

對于免費(fèi)開放的全文數(shù)據(jù)，如ScienceDirect平臺中，14篇為可開放獲取的免費(fèi)全文(Open Access or Open Archive)，百度學(xué)術(shù)在提供對應(yīng)的免費(fèi)標(biāo)記(Elsevier免費(fèi)下載)。從結(jié)果顯示百度學(xué)術(shù)對上述全文數(shù)據(jù)庫平臺覆蓋率均大于95%。

百度學(xué)術(shù)提供了SCI、SSCI、EI的核心期刊分類，對比我校購買的相應(yīng)數(shù)據(jù)庫進(jìn)行檢索并與百度學(xué)術(shù)查到的數(shù)據(jù)加以比較：

表9 不同數(shù)據(jù)庫的結(jié)果數(shù)對比

表9中在SCI、SSCI、EI數(shù)據(jù)庫查詢到的相應(yīng)期刊論文分別為330條、243條、250條，在百度學(xué)術(shù)總的英文期刊論文中，相應(yīng)可檢索到318條、232條、240條，具有良好的覆蓋率分別為95.2%、94.8%、96.7%。

按百度學(xué)術(shù)平臺的SCI、SSCI、EI分類檢索的結(jié)果，比較對應(yīng)實(shí)際在SCI、SSCI、EI的數(shù)據(jù)，結(jié)果說明百度學(xué)術(shù)提供對應(yīng)分類的準(zhǔn)確性。結(jié)果顯示分類準(zhǔn)確性較低SCI、SSCI準(zhǔn)確率只有85%左右，EI的分類由于部分會議論文作為期刊論文而數(shù)據(jù)更低只有64.3%。如《Lecture Notes in Computer Science》，有18條數(shù)據(jù)在百度學(xué)術(shù)里了當(dāng)作期刊論文數(shù)據(jù)實(shí)際為會議論文數(shù)據(jù)在EI中被選用；另外如期刊《Journal of the American Society for Information Science and Technology》，在SCIE、SSCI、EI數(shù)據(jù)庫均有9條數(shù)據(jù)收錄，百度學(xué)術(shù)平臺可以檢索到所有數(shù)據(jù)，但平臺沒有將其放入SCIE、SSCI分類里，只有2條歸入EI分類數(shù)據(jù)。Information Processing and Management文獻(xiàn)有15條記錄，百度學(xué)術(shù)均可以檢出，但沒有在百度平臺的EI分類里。

4 結(jié) 論

百度學(xué)術(shù)平臺整合的學(xué)術(shù)數(shù)據(jù)包含學(xué)術(shù)期刊、學(xué)位論文、會議論文及專利論文等，檢索結(jié)果與源數(shù)據(jù)庫的比較看：

1)百度學(xué)術(shù)平臺收集的中文期刊論文數(shù)據(jù)對維普、萬方、CNKI中的中文期刊覆蓋率分別高達(dá)96.4%、97.2%、98.3%，利用百度學(xué)術(shù)可以較全面地檢出這三個平臺的學(xué)術(shù)期刊論文，同時也可以同步檢出其他在線論文如科技在線論文(paper.edu.cn)。

2)中文學(xué)位論文、會議論文主要來源自萬方、CNKI數(shù)據(jù)庫，百度學(xué)術(shù)整合的數(shù)據(jù)覆蓋率90%～92%；百度學(xué)術(shù)中文圖書主要來源為書問平臺(bookask.com)數(shù)據(jù)、也有超星電子圖書平臺等；中文專利數(shù)據(jù)來源于Google Patents及萬方平臺數(shù)據(jù)，集成的中國專利數(shù)據(jù)不完整。對專利文獻(xiàn)，需要讀者利用國家知識產(chǎn)權(quán)局或歐州專利局等專門平臺進(jìn)一步進(jìn)行訪問。

3)百度學(xué)術(shù)平臺收集的英文期刊論文對比SCI、SSCI、EI數(shù)據(jù)的覆蓋率分別達(dá)到95.2%、94.8%、96.7%，對全文數(shù)據(jù)庫Elsevier、Springer、Wiley、ACM、Emerald的數(shù)據(jù)覆蓋率分別為96%、100%、97.8%、95.8%、95.7%。百度對外文核心期刊的論文有很好的收集，也提供SCI、SSCI、EI等的分類，但其分類準(zhǔn)確性還需進(jìn)一步提高，一些核心期刊本身是動態(tài)變化的數(shù)據(jù)，讀者在使用時需要在相應(yīng)的專業(yè)數(shù)據(jù)庫里進(jìn)一步確認(rèn)。

4)百度學(xué)術(shù)整合了全文文獻(xiàn)的來源，極大方便用戶獲取文獻(xiàn)全文。普通用戶利用百度學(xué)術(shù)可以獲取免費(fèi)的全文數(shù)據(jù)，而具有全文訪問的用戶可利用百度學(xué)術(shù)搜索到全文頁面的鏈接直接獲得全文，如我校的校園網(wǎng)用戶可直接利用百度學(xué)術(shù)獲取中國知網(wǎng)、萬方資源的中文文獻(xiàn)及Elsevier、Springer、Wiley、ACM、Emerald等英文全文文獻(xiàn)，但一些全文數(shù)據(jù)庫不能直接獲取如維普期刊全文、EBSCO全文數(shù)據(jù)，比較發(fā)現(xiàn)在校園網(wǎng)訪問這2個數(shù)據(jù)庫時采用的是不同的鏡像站點(diǎn)。

5)百度學(xué)術(shù)整合的一些元數(shù)據(jù)不規(guī)范或有錯誤。如未將OAlib開放平臺期刊采用的中英文并列標(biāo)題規(guī)范化，標(biāo)引chinalibs.net中期刊文獻(xiàn)，把期刊名當(dāng)作者名等。百度學(xué)術(shù)檢出的其他類別數(shù)據(jù)實(shí)際主要是期刊論文，一些文獻(xiàn)實(shí)際上是會議論文也被分類在期刊論文，數(shù)據(jù)的規(guī)范化及有效歸并處理問題既需要數(shù)據(jù)整合建設(shè)者密切注意及時消除，同時也要求使用者在檢索及閱讀結(jié)果時學(xué)會仔細(xì)甄別。

[1]謝奇，關(guān)晶，楊錯．后GoogleScholar時代新的學(xué)術(shù)利器——百度學(xué)術(shù)搜索[J]．農(nóng)業(yè)圖書情報學(xué)刊，2015，27(6):110-114.

[2]張英健.“百度學(xué)術(shù)搜索”在期刊編輯中的應(yīng)用[J].編輯學(xué)報,2015,27(6)：536-539.

[3]覃燕梅.百度學(xué)術(shù)搜索與超星發(fā)現(xiàn)系統(tǒng)比較分析及評價[J].現(xiàn)代情報，2016,36(3):48-52,60.

[4]趙功群,王恒.國內(nèi)三大中文發(fā)現(xiàn)系統(tǒng)比較分析及評價[J].圖書館研究,2016,46(6):72-77.

[5]William H.Walters.Google Scholar Coverage of a Multidisciplinary Field[J].Information Processing & Management,2007,43(4):1121-1132.

[6]John J.Meier,Thomas W.Conkling.Google Scholar’s Coverage of the Engineering Literature:An Empirical Study[J].The Journal of Academic Librarianship,2008,34(3):196-201.

[7]洪道廣.Google Scholar的數(shù)據(jù)整合研究[J].現(xiàn)代情報,2010,30 (7):39-41.

[8]Susanne Mikki.Comparing Google Scholar and ISI Web of Science for Earth Sciences[J].Scientometrics,2010,82(2):321-331.

[9]Calis西文數(shù)據(jù)庫導(dǎo)航[EB/OL].http://project.calis.edu.cn/calisnew/calis_index.asp?fid=6&class=6.