西藏非遺舞蹈知識圖譜可視化研究*

鄧文茂 楊佳婷 雒偉群

西藏民族大學信息工程學院，陜西 咸陽 712082

藏民族是我國民族大家庭中歷史悠久、文化燦爛的民族之一，藏舞更是源遠流長，豐富多彩。藏舞的主要特色在于流動性、活力、節(jié)奏感和色彩變化，以此表現(xiàn)出藏族傳統(tǒng)文化的獨特魅力。隨著互聯(lián)網(wǎng)時代的快速發(fā)展，互聯(lián)網(wǎng)數(shù)據(jù)規(guī)模呈現(xiàn)幾何式的增長[1]。在IT 時代的背景下，在數(shù)字化的沖擊下，重視藏舞的保護與傳承尤為重要。

知識圖譜可視化技術(shù)發(fā)展現(xiàn)狀：在國外，知識圖譜可視化技術(shù)也得到了廣泛的關(guān)注和研究。許多知名的研究機構(gòu)和大學都在進行相關(guān)研究。例如，斯坦福大學的“D3.js”項目提供了一套強大的可視化工具，可以用于展示和分析知識圖譜數(shù)據(jù)。此外，還有一些開源的知識圖譜可視化工具，如“Gephi”和“Cytoscape”等等，也引起了廣泛應(yīng)用。在國內(nèi)，知識圖譜可視化技術(shù)已經(jīng)得到了廣泛的應(yīng)用。許多大型互聯(lián)網(wǎng)公司和研究機構(gòu)都在開展相關(guān)研究和應(yīng)用。例如，百度的知識圖譜可視化平臺“百度知識圖譜”可以將知識圖譜數(shù)據(jù)以圖形化的方式展示出來，幫助用戶進行知識的探索和發(fā)現(xiàn)。根據(jù)我們的文獻調(diào)查，對于非遺舞蹈的數(shù)字化保護，一般都是建立一個數(shù)據(jù)庫系統(tǒng)，將文字內(nèi)容與圖片存入數(shù)據(jù)庫中，然后通過查詢看到相關(guān)圖片，以及一些文字說明，對于舞蹈相關(guān)知識之間的聯(lián)系，以及隱含知識的發(fā)掘，在功能方面還存在缺陷。本文建立了非遺知識圖譜，通過兩種技術(shù)可視化了知識圖譜，展示了非遺舞蹈知識實體之間的聯(lián)系，是對現(xiàn)有非遺數(shù)字化成果的拓展。在此雖然各界學者對藏族舞蹈的研究已經(jīng)取得了一定的成果。但是，目前對藏族舞蹈的數(shù)字化保護和可視化實體聯(lián)系研究卻是非常少見。知識圖譜是一個可視化的系統(tǒng)概念，用于將結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)連接起來形成一個可交互式的信息網(wǎng)絡(luò)，用于更好更有效地管理、使用和理解關(guān)于特定主題的海量知識。知識圖譜會標注數(shù)據(jù)的本體和語義，強調(diào)的是實體以及實體之間的關(guān)聯(lián)[2]，通常，知識圖譜由“node”和“edge”組成，可以用來支持復(fù)雜的知識表示和推理。所以在此現(xiàn)狀下，筆者使用Neo4j 和D3.js 兩種技術(shù)實現(xiàn)以非遺藏舞為例的知識圖譜可視化。

1 知識圖譜構(gòu)建

1.1 數(shù)據(jù)獲取

網(wǎng)絡(luò)爬蟲是一種自動搜集網(wǎng)頁信息的技術(shù)[3]，可以幫助我們更有效地獲取信息。Python 爬蟲通過使用各種不同的編程技術(shù)，從網(wǎng)絡(luò)上抓取和解析文本、圖像、表格等信息，以統(tǒng)計、監(jiān)控和報告信息所需要的各種數(shù)據(jù)。它可以爬取網(wǎng)頁中的文字、圖片和鏈接，也可以提取網(wǎng)頁的某些部分，并將其轉(zhuǎn)換為可以用于數(shù)據(jù)分析的形式。

在研究中，我們采用通用爬蟲技術(shù)在中國非物質(zhì)文化遺產(chǎn)網(wǎng)：https://www.ihchina.cn/進行數(shù)據(jù)收集，爬蟲的流程如下：

圖1 Python爬蟲流程圖

部分代碼如下：

數(shù)據(jù)爬取結(jié)果如下：

表1 Python爬取的數(shù)據(jù)表

1.2 數(shù)據(jù)處理

1.2.1 數(shù)據(jù)清洗。獲得原始數(shù)據(jù)后，需要進行數(shù)據(jù)清洗以確保數(shù)據(jù)的質(zhì)量和一致性。這包括去除重復(fù)數(shù)據(jù)、處理缺失值，解決異常值，使其符合知識圖譜的要求。在處理缺失值時我們用三種方法，第一，刪除缺失值，在缺失值較少的情景下，對結(jié)果影響不大；第二，替換缺失值，利用均值與中位數(shù)替換，優(yōu)替換的優(yōu)點是總體數(shù)據(jù)不變，沒有影響結(jié)果；第三，插補缺失值，使用蒙特卡洛方法補充缺失數(shù)據(jù)，用拉格朗日插值法或牛頓插值法進行插補。在解決異常值時，我們先剔除含有異常值的特征記錄，然后視為缺失值，之后便可用均值替換修正。

1.2.2 數(shù)據(jù)標準化。數(shù)據(jù)標準化是數(shù)據(jù)預(yù)處理的一個重要步驟，它的目的是將不同尺度、不同范圍的數(shù)據(jù)轉(zhuǎn)化為統(tǒng)一的標準尺度，以便于后續(xù)的數(shù)據(jù)分析。在本次標準化中，只存在文本數(shù)據(jù)和關(guān)系數(shù)據(jù)。筆者將數(shù)據(jù)的格式進行統(tǒng)一，將舞蹈名稱的全部同類舞蹈（例如羌姆）統(tǒng)一為特定的編碼或術(shù)語。對于文本型數(shù)據(jù)，使用獨熱編碼（One-Hot Encoding）將其轉(zhuǎn)化為數(shù)值型數(shù)據(jù)。獨熱編碼將每個類別轉(zhuǎn)化為一個二進制向量，向量的長度等于類別的數(shù)量，其中對應(yīng)類別的位置為1，其他位置為0。例如，西藏舞蹈數(shù)據(jù)中有一個特征是類型，包括“新增”“擴展”，將其轉(zhuǎn)化為以下形式的獨熱編碼：“新增”:［1,0］，“擴展”:［0,1］。對于數(shù)值型數(shù)據(jù)，對其進行范圍規(guī)范化，確保數(shù)據(jù)在一定范圍內(nèi)，例如公布時間的數(shù)值型數(shù)據(jù)只存在2006、2008、2011、2014、2021。數(shù)據(jù)命名規(guī)范化：對于數(shù)據(jù)項的命名，進行規(guī)范化，確保命名的一致性和易讀性。

1.2.3 數(shù)據(jù)分類。把清洗后的數(shù)據(jù)進行排序，我們可以得到一些數(shù)值型變量的最大值與最小值，并且我們可以按照不同的數(shù)據(jù)類型進行分類排序。如按照“公布時間”進行排序，可以清晰地看到西藏舞蹈類別的第一批非遺是2006 年，最后一批非遺是2021 年；按照“類型”分類，可以知道西藏舞蹈非遺項目分為新增項目與擴展項目。比如山南昌果卓舞是新增項目，而瓊結(jié)久河卓舞是擴展項目。

圖2 數(shù)據(jù)向量分類

1.2.4 數(shù)據(jù)審核。主要為四個小部分：非遺藏舞準確性審核、非遺藏舞完整性審核、非遺藏舞及時性審核、非遺藏舞一致性審核。非遺藏族舞蹈準確性審核就是看此次獲取的數(shù)據(jù)是否真實準確，準確性指數(shù)據(jù)與藏族舞蹈真實情況或?qū)嶋H事實的符合程度。準確性包括對實體和關(guān)系的正確識別和描述，以及屬性值的精確性；非遺藏族舞蹈完整性審核是指審核數(shù)據(jù)中是否包含了全部需要記錄的信息，確保沒有遺漏，完整性高的數(shù)據(jù)意味著數(shù)據(jù)集中的實體和關(guān)系涵蓋了所研究領(lǐng)域的所有重要方面；非遺藏舞及時性審核指數(shù)據(jù)更新的頻率和延遲程度。及時性高的數(shù)據(jù)意味著數(shù)據(jù)能夠及時反映現(xiàn)實世界的藏族舞蹈的變化。對于一些需要實時更新的數(shù)據(jù)可以及時做出反應(yīng)；非遺藏舞一致性審核指數(shù)據(jù)中的實體、關(guān)系和屬性之間的邏輯和語義保持一致，一致性高的數(shù)據(jù)意味著數(shù)據(jù)中的實體、關(guān)系和屬性之間的關(guān)聯(lián)關(guān)系是正確和合理的。在藏族舞蹈知識圖譜中，一個實體的屬性值應(yīng)該與其所屬的關(guān)系相吻合，不應(yīng)出現(xiàn)矛盾或沖突。

圖3 數(shù)據(jù)審核的四性

1.3 三元組構(gòu)建

在構(gòu)建三元組之前，先整理一下數(shù)據(jù)字段和類型：

表2 數(shù)據(jù)字段類型

三元組構(gòu)建中需要進行實體抽取和關(guān)系抽取。實體抽取是從文本數(shù)據(jù)中識別和提取出具有特定語義含義的實體，如舞蹈名稱、類別、公布時間等。筆者手工命名實體類型，然后對其實例化后獲得具體的實體。關(guān)系抽取是從文本中識別和提取實體之間的關(guān)系，如舞蹈與類別的關(guān)聯(lián)、舞蹈與公布時間的關(guān)系等。三元組是一個“實體”-關(guān)系-“實體”模型，在實體抽取部分，借助jieba 分詞器進行分詞，根據(jù)分詞標注的詞性結(jié)果，標注為名詞、時間、組織單位等的一般都是實體。之后再進行手工拆分抽取，將數(shù)據(jù)分開，第一列為項目序號，第二列為編號，第三列為舞蹈名稱，第四列為舞蹈類別，第五列為公布時間，第六列為抽象概念，第七列為地點，第八列為組織單位，同時用手工參與抽取其實也具有更高的準確性。實體抽取的對應(yīng)類型為序號、舞蹈名稱、舞蹈類別、抽象概念、數(shù)字、時間、地點、組織單位。接下來我們就進行關(guān)系抽取，主要就是將各個實體之間的聯(lián)結(jié)關(guān)系進行抽取表現(xiàn)。關(guān)系抽取采用基于規(guī)則的方法，利用事先定義的語法規(guī)則或模式來匹配和抽取特定的關(guān)系，定義的模式有：“西藏舞蹈”-整體-部分-“舞蹈名稱”，“舞蹈名稱”-屬性關(guān)系-“項目序號”，“舞蹈名稱”-屬性關(guān)系-“項目編號”，“舞蹈名稱”-分類關(guān)系-“舞蹈類別”，“舞蹈名稱”-時序關(guān)系-“公布時間”，“舞蹈名稱”-地理關(guān)系-“組織單位”，“舞蹈名稱”-屬于關(guān)系-“地點”。通過這些定義的模式就可以抽取得到實體間的關(guān)系。

在上面的基礎(chǔ)上，進行三元組的構(gòu)建，即將每個屬性與其對應(yīng)的實體進行關(guān)聯(lián)。例如，將鍋莊舞與其對應(yīng)的舞蹈實體進行關(guān)聯(lián)，關(guān)聯(lián)關(guān)系有項目序號、類別、保護單位、類型、舞蹈名稱、公布時間等等。然后則是用三元組的實體之間的關(guān)系進行組合關(guān)聯(lián)。在實現(xiàn)實體聯(lián)系、屬性搭配后，最后將各個屬性之間的關(guān)系一起構(gòu)建三元組。

首先整體與部分關(guān)系的實體展示如下：

表3 整體-部分關(guān)系實體實例

然后則是其他各種關(guān)系的實體展示如下，此處以“鍋莊舞”為例：

表4 以“鍋莊舞”為例的其他實體關(guān)系

2 知識圖譜可視化

2.1 D3.js知識圖譜可視化

D3.js 是一個基于Web 標準的開源JavaScript庫［4］，同時使用HTML、SVG 和CSS 構(gòu)建交互式數(shù)據(jù)可視化框架。它提供了一系列的非常有用的工具來幫助用戶快速創(chuàng)建時尚、引人注目的數(shù)據(jù)可視化，這些工具包括動態(tài)圖表、3D 圖表、地圖、散點圖等等。D3中，數(shù)據(jù)轉(zhuǎn)換與繪制是相互獨立的［5］,它使用面向?qū)ο缶幊碳夹g(shù)來操縱DOM（文檔對象模型），從而以一種靈活、自由、可控制的方式創(chuàng)建數(shù)據(jù)可視化。這次的西藏非遺舞蹈知識圖譜可視化展示的第一種方法就是用D3.js進行構(gòu)建并且展示。

在D3.js 知識圖譜可視化之前，需要進行Web 的動態(tài)框架開發(fā)。構(gòu)建動態(tài)網(wǎng)站和應(yīng)用程序的開發(fā)框架，可以有效幫助處理前端和后端之間的數(shù)據(jù)交互、業(yè)務(wù)邏輯和頁面渲染等任務(wù)。首先，配置合適的開發(fā)環(huán)境，安裝pycharm、mysql、hbuilder。接下來進行了路由和URL 映射，動態(tài)框架通過路由機制來將URL 請求映射到相應(yīng)的處理函數(shù)或控制器上。然后進行數(shù)據(jù)模型和持久化建設(shè)，在動態(tài)框架中，通常需要與數(shù)據(jù)庫進行數(shù)據(jù)交互。這包括定義數(shù)據(jù)模型，即定義數(shù)據(jù)庫表格的結(jié)構(gòu)和關(guān)系。通過使用ORM（對象關(guān)系映射）工具，將數(shù)據(jù)庫中的數(shù)據(jù)映射為編程語言中的對象，方便進行數(shù)據(jù)操作和查詢，再然后配置中間件和攔截器，動態(tài)框架通常提供中間件和攔截器機制，用于在請求處理過程中添加額外的功能或進行驗證和授權(quán)等操作。中間件可以在請求到達控制器之前或之后執(zhí)行特定的處理邏輯，而攔截器則可以攔截請求并進行預(yù)處理或后處理。最后進行調(diào)試和測試，在開發(fā)過程中，需要進行調(diào)試和測試以確保應(yīng)用程序的正確性和穩(wěn)定性。

在進行D3.js 的知識圖譜可視化時，先進行index的首頁展示設(shè)計，設(shè)定語言、編碼格式、菜單名，以及導入我的bundle.js 和data.js，這一部分最后還設(shè)置了div 容器盒子參數(shù)設(shè)定-幕布設(shè)置（id 以及style），然后用target 提取我的知識圖譜容器，鏈接data 文件里面的nodes 和links，這里寫了三個測試事件分別為method1、method2和method3。接下來配合data文件里面的一些調(diào)參，實現(xiàn)根節(jié)點。然后進行menu 菜單設(shè)置，定義根節(jié)點下面的首個子節(jié)點名字以及類型和鼠標觸發(fā)事件，這樣就可以在接下來進入到另一個非遺藏舞展示的界面。此處效果展示如下：

圖4 D3.js的index展示1

圖5 D3.js的index展示2

然后將項目id 為kg 的進行初始化（init），插入前面的nodes 與links 點線框架、寫好menu 菜單、以及鼠標事件events，這里的events 包括canvas 與node，畫布的點擊事件和node 數(shù)據(jù)輸入都以后端數(shù)據(jù)庫的data數(shù)據(jù)進行功能輸入。node以及前面的事件都在data.js文件進行數(shù)據(jù)寫入，index 做框架。并以根節(jié)點“Enter藏舞”為例做web事件測試：

圖6 知識圖譜web框架測試

最后進行本次項目爬取的所有非遺藏舞的數(shù)據(jù)導入以及index的展示。之前存儲在excel數(shù)據(jù)庫里面的藏族舞蹈數(shù)據(jù)都以D3.js 插件通過js 編程導入data.js 文件，33 種舞蹈都以此方式導入，此處是以“芒康弦子舞”為例：

圖7 在vscode里的data.js數(shù)據(jù)導入代碼

在進行完data.js 文件功能輸入后，需要注意的是，鼠標右鍵單擊可以固定圖譜，左鍵可以釋放圖譜，鼠標左鍵單擊然后拖拽可以使其移動，右鍵單擊在固定的同時會點開菜單欄。根節(jié)點展示如下：

圖8 D3.js知識圖譜最終完成圖

2.2 Neo4J數(shù)據(jù)庫存儲與可視化

Neo4j 是一種用來存儲與處理數(shù)據(jù)的可視化圖數(shù)據(jù)庫，它是基于Java 的高性能、高可靠性、可擴展性強的開源圖數(shù)據(jù)庫［6］來實現(xiàn)的。同時，Neo4j又是依靠節(jié)點和邊來共同組建，具有高度的可靠性和數(shù)據(jù)一致性。

此次西藏非遺舞蹈知識圖譜可視化展示的第二種方法就是采用圖數(shù)據(jù)庫Neo4j 進行展示。Neo4j 存儲數(shù)據(jù)可以采用多種導入方式，本項目存儲采用將CSV數(shù)據(jù)導入Neo4j中進行存儲，具體做法如下：

2.2.1 創(chuàng)建數(shù)據(jù)。Neo4j 在構(gòu)建知識圖譜時需要創(chuàng)建節(jié)點數(shù)據(jù)和關(guān)系數(shù)據(jù)。

2.2.1.1 節(jié)點文件

表5 CSV中心節(jié)點

表6 以弦子舞和鍋莊舞為例的CSV分支節(jié)點

第一列為屬性名，是屬性名_Id；中間列為屬性值；最后一列為:實體LABEL。

2.2.1.2 關(guān)系文件

表7 csv關(guān)系類型實例

:START_ID，:END_ID 為關(guān)系文件列，引用節(jié)點ID，；最后一列為:TYPE（關(guān)系類型）

2.2.1.3 csv 文件。在excel 中生成后，點擊文件->另存為->保存類型為CSV UTF-8的格式

2.2.1.4 csv 文件存儲。將生成的csv 文件存入neo4j的import 文件夾下。D:files eo4j eo4j-community-3.5.5-windows eo4j-community-3.5.5import.

2.2.2 導入csv文件。

2.2.2.1 打開PowerShell，進入到neo4j的bin目錄下。

2.2.2.2 輸入命令。neo4j-admin import --mode=csv--database=onepic.db--nodes D:dwmyjt eo4j-community-4.2.4 -wins neo4j-community-4.2.4 importcenter.csv --nodes D:dwmyjt eo4j-community-4.2.4-wins eo4j-community-4.2.4import ame.csv --relationships D: dwm yjt neo4j-community-4.2.4-wins eo4j-community-4.2.4import es.csv

此命令將import中的csv文件全部導入neo4j中。

2.2.2.3 輸入命令。neo4j.bat console,點擊網(wǎng)址http://localhost:7474/，進入到neo4j 瀏覽器中。首先查看Database Information，這里我們可以看到已有的結(jié)點數(shù)，有多少條關(guān)系，占用的存儲空間等數(shù)據(jù)庫信息。

圖9 在Neo4j數(shù)據(jù)庫查看節(jié)點與關(guān)系

2.2.2.4 輸入MATCH (n) RETURN n LIMIT 1000，即可查看知識圖譜可視化內(nèi)容，將鼠標移到對應(yīng)節(jié)點和關(guān)系上，底部會出現(xiàn)相應(yīng)的屬性。如圖10 就是采用Neo4j圖數(shù)據(jù)庫存儲與可視化的結(jié)果。

圖10 Neo4j知識圖譜最終完成圖

3 結(jié)論與展望

本文使用網(wǎng)絡(luò)爬蟲技術(shù)從網(wǎng)絡(luò)中獲取了西藏非遺舞蹈數(shù)據(jù)，通過對數(shù)據(jù)清洗獲得有效數(shù)據(jù)，然后按照定義的實體類型和關(guān)系類型，抽取了知識圖譜三元組，使用Neo4j 數(shù)據(jù)庫存儲了知識圖譜并實現(xiàn)了可視化，本文也通過web開發(fā)的動態(tài)框架進而使用D3.js技術(shù)進行了知識圖譜可視化。西藏非遺藏舞知識圖譜的應(yīng)用前景非常廣闊，建立其上的語義搜索、智能推薦、知識問答等應(yīng)用服務(wù)將為藏族舞蹈的保護、傳承和發(fā)展作出重要貢獻。