5信息检索基础知识(2).doc

第二章信息资源及其检索信息检索基本知识宋乐平2010年3月 目的要求 了解信息资源的概念和类型； 掌握按照不同加工深度和不同出版形式划分 的文献信息资源； 了解信息检索的原理； 掌握计算机信息检索技术； 熟悉信息检索的基本步骤；掌握提高查全率 和查准率的方法。第一节信息资源一、信息资源的概念 信息资源是指存贮有信息的各种载体的集合。 信息同能源、材料并列为当今世界三大资源。 信息资源广泛存在于经济、社会各个领域和部门。是各种事物形态、内在规律、和其他事物联系 等各种条件、关系的反映。 随着社会的不断发展，信息资源逐渐成为国民经 济和社会发展的重要战略资源。它的开发和利用 是整个信息化体系的核心内容。二、信息资源的类型1、按照信息的性质分为： 自然信息源：是指自然界发出的信息，它以纯自 然物为载体，如天体信息、生物信息等。它是客 观物质世界过程的原型。 社会信息源：是经过人类语言、文字、符号、图 形、图像等方式加工而成的信息，是人际间传播 的信息，是人类活动的产物。也是我们这门课程 的主要研究对象。2、按照信息所包含的范围分为 广义信息资源：广义信息资源是指信息和与操 作信息有关的物理设施、人力、机构、资金和 运行机制等的总称。 狭义信息资源：狭义信息资源是指信息本身及 其载体的集合，也就是我们常说的信息源。3、按照信息的载体形式划分： 印刷型信息源：以纸张为载体，用印刷方式记 录知识的文献。印刷型文献因方便实用，是人 类交流和传播信息的主要形式。 优点：是阅读方便，利于流通。 缺点：存储信息密度低、体积大、分量重、占 用空间大，不易保存，难于实现机械化和自动 化，不利用资源共享。 缩微型信息源：是指以感光材料为载体，用缩 微照相的方式将文字、图形、影像等信息符号 按比例缩小后存储在感光材料上，并借助于专 用阅读器而使用的文献。目前最常用的是缩微 胶卷和缩微平片。 优点：信息密度高，且信息位序固定，不会散 失弄乱，记录速度快，规格统一，体积小，重 量轻，传递方便，拷贝、放大、还原容易，保 存时间长，成本低。 缺点：制作、保存和使用条件严格，文字图像 小，不能直接阅读，必须借助于专用阅读机。 声像型信息源：是指以磁性材料、光学材料等 为载体，利用特定设备，使用声、光、磁、电 等技术设备记录声音信息和图像信息的文献， 如唱片、录音带、录像带、电影片、激光唱盘 等。 优点：形象、直观，有些用文字难以描述的事 物，可以录音、录像或拍成电视片，帮助人们 观察和认识某些自然现象，探索物质结构及运 动机制。 缺点：利用时也需要专门设备。 电子型信息源：前身称机读型，以软盘、磁带、光 盘等磁性介质为载体，用键盘输入或光学扫描等记录手段，并通过计算机处理后生成的一类文献。包 括计算机文档、光盘数据库、电子图书、电子期刊、电子报纸、电子邮件和电传文本等。 优点：信息存储密度高，存取速度快，信息量大， 交互性强，信息更新快，保存时间长； 缺点：阅读时必须借助计算机等设备及较好的网络 条件。4、按信息内容的表现形式划分： 文献型信息源：文献型信息源的信息内容是以 语言文字贮存在各种不同载体上的。文献信息 源是目前信息内容最丰富、人们使用频率最高 的信息源。 数据型信息源：数据型信息源的信息内容是以 数据形式出现的，并存储在各种不同载体上的 信息集合。 声像型信息源：声像型信息源的信息内容是以 声音或图像形式出现的，如广播、电视、CD光 盘以及VCD光盘等。 多媒体信息源：多媒体信息源是随着现代科学 技术的发展而出现的一种新的信息源形式，它 集文字、声音、图像于一体，多以光盘或 Internet网上资源形式出现。5、按信息内容的保密程度划分： 公开信息源：公开信息源的信息是公开的、可 以共享的。公开信息源的信息量很大，如大量 的科技信息、经济信息、生活信息等，这类信 息可以作为信息商品进人流通领域。 半公开信息源：半公开信息源也就是我们常说 的内部信息，它只能在一定范围内使用。第二节 文献信息资源 非公开信息源：非公开信息源即保密信息，一 般是不能公开使用的。根据保密程度这种信息 又分为各种保密级别，并有一定的保密时间， 如常说的商业秘密、国家机密等。 英国哲学家波普尔曾提出三个世界的理论： 一是客观物质世界，包括自然界和人类的创造物； 二是主观精神世界，包括人脑中所存储的知识信息； 三是离开人的主体而客观存在的知识，存储于文献之 中，即“世界三”。 作为“世界三”的文献是人类最丰富、最宝贵的信 息资源和知识宝藏。所以文献信息资源是我们目 前收集信息最常用的信息源，也是信息量最大的 一种信息源。文献信息资源的类型一、不同加工深度的文献信息源1、零次文献信息源：概念、特点、实例 零次文献信息源是指还没有形成正式出版物之前的 文献信息。 如论文草稿、实验记录、设计草图、谈话记录、书 信等。 零次文献的优点是传递速度快、针对性强、反馈快、真实、直观。缺点是传播面窄，信息稍纵即逝， 难以积累和管理。2、一次文献信息源：概念、特点、实例 一次文献信息源是指作者在社会活动中所产生 的、被记录在某种载体上、公开发表的文献信 息，是最基本的文献信息源。 如绝大多数期刊论文、科技报告、会议论文、 学位论文、专利文献、技术档案等。 一次文献信息是人类经验积累、知识发展的标 志，具有新颖性、创造性、系统性等特点。3、二次文献信息源：概念、特点、实例 二次文献信息源是指人们将大量无序的一次文 献信息使用一定的方法进行加工整理后所形成 的信息集合，也就是我们常说的检索工具。 如目录、题录、文摘和索引等。 二次文献信息源针对性更强，系统性好，并有 一定的检索功能，参考价值较大。4、三次文献信息源：概念、特点、实例 三次文献信息源指的是对一次信息所载内容进 行单元层次的选择，经过汇集、综合、分析、 评述等深度加工而成的产物。 如字词典、百科全书等。 三次信息源内容更集中，针对性更强，系统性 好，并有一定的检索功能，参考价值较大。二、不同出版形式的文献信息源1、图书 图书是文献信息源中历史最悠久、种类最多、数 量最多的一种形式。 按照联合国教科文组织关于印刷品统计文件 的规定：49页以上装订成册的印刷品称为图书，5-48页的称为小册子，4页以下称为零散资料。 外表特征：有书名、编著者姓名、出版社、出 版年、总的页码、标准书号、价格等。 内涵特征：图书所反映的信息的成熟度高，可 靠性强，内容系统，论述全面深入，有较强的 知识价值和学术价值，对于了解和掌握某一学 科的系统知识有着重要的参考价值。但图书的 时效性差，不能反映最新的情报信息。 图书在各种论文末的参考文献或题录性检索 工具中，通常著录成如下例所示的格式： 孙家广，杨长青. 计算机图形学.北京： 清华大学出版社，1995.262、连续出版物 国际标准化组织在国际标准书目著录（连续 出版物）中给连续出版物的定义为：一种逐 次分册发行，通常都编有序号或年代标号，并 且打算无限期地连续出版下去的印刷形式的出 版物，包括杂志、报纸、年刊、各种机构的报 告丛刊和会志、会议录丛刊及单行本的丛书。 在众多的连续出版物中，具有代表意义的是期 刊、报纸和年鉴。 连续出版物的主要特点表现在：连续性、及时 性和稳定性。 期刊 期刊是一种定期或不定期的连续出版物，其外部特 征是有固定的刊名、统一的出版形式，较固定的出 版规律，此外还有主办或主编单位、标准刊号、年 代、卷次、期次等。 与图书相比，期刊具有出版周期短、时间性强、报 道信息及时的特点，正因为如此，期刊成为科技人 员利用频率最高的一种文献信息源。 期刊论文的著录格式如下例所示： 李旭东，宗光华，毕树生等. 生物工程微操作 机器人视觉系统的研究.北京航空航天大学 学报，2002，28(3)：249-252 报纸 报纸是以刊载新闻和评论为主的连续出版物。 报纸有固定的名称；定期连续出版；出版周期较 短，多数每日出版，也有隔日或者每周出版；每 期汇集多个作者的多篇文章、报道、消息等；时 间性强；内容包罗万象。 因其具有时事性、普及性、大众性、服务性和传 递信息迅速、信息量大的特点，深受广大读者欢 迎，是一种非常重要的信息资源。 按照出版周期划分，有日报、双日报、周报、旬 报等；按照范围划分，有全国性报纸、地方性报 纸、系统性报纸等；按照内容划分，有综合性报 纸、专业性报纸等。 报纸的著录： 刘刚.法律的多重困境N.法制日报，2009-06-17. 年鉴 年鉴是指按年度出版的汇集上一个年度的大事要 闻连续出版物。 年鉴相当于上一个年度的百科全书，具有信息密3、特种文献特种文献是指出版形式特殊的非书非刊类的 文献。主要有以下类型：集、资料新颖详实、连续出版的特点，属于参考 工具书的范畴。年鉴内容丰富、涉及面广。 年鉴的著录格式： 国家统计局：2000中国统计年鉴K.中国统 计出版社，2000年9月版，第53页. 会议文献 专利文献 标准文献 政府出版物 学位论文 科技报告 科技档案 产品资料 会议文献 指由各种学术会议产生的各种文字资料。 会议文献著录有表示会议的专门用词，如 Conference，Symposium，Meeting， Congress等；有表示会议录的一些词，如 Proceedings of.，Collection of.等；有的 有会议召开的地点、届次、时间，以及会议录 的出版社、出版地、出版时间等。 会议文献常见的著录形式如下例所示： 张佐光，张晓宏，仲伟虹等. 多相混杂纤维复合材 料拉伸行为分析. 第九届全国复合材料学术会议论 文集(下册)北京：世界图书出版公司，1996.410-416 专利文献 广义上的专利文献包括专利审批过程中产生的所有 文件；狭义上的专利文献指的就是专利说明书。 外部特征有：国别代号、专利字样和专利号。如U.S. Patent 4,142,783, 1979。国内为ZL+号码，如 ZL91100929.9，有这些特征的文献就是专利文献。 专利说明书常见的著录形式如下例所示： 姜锡洲.一种温热外敷药制备方案中国专利：881056073，1989-07-06 标准文献 标准文献是标准化工作的成果。标准文献主要是指 与技术标准、生产组织标准、管理标准以及其它具 有标准性质的文件所组成的特种科技文献体系。 广义的标准文献是指记载、报导标准化的所有出版 物。狭义的标准文献是指技术标准、规范和技术要 求等，主要是指技术标准。 标准文献的常见著录形式如下例所示： 全国量和单位标准化技术委员会.GB3100-3102-93量和单位S.北京：中国标准出版社，1994. 政府出版物 政府出版物是各国政府部门及其所属机构发 表的文件，包括行政性文件和科技文献两大 类。 行政文件含有国会记录、司法资料、方针政 策、规章制度、决议、指示以及调查统计资 料等。科技方面含有各部门的研究报告、技 术政策文件等。其最显著的外部特征是有颁 发文件的机构名称。 学位论文 学位论文是大学本科及本科以上的学生为了取 得学位而撰写的毕业论文，其中尤以博士、硕 士论文的科技含量最高。 其外部特征是有学位和学位论文的名称，以及 授予学位的大学或科研机构的名称、地点和年 代等。学位论文是就某一专题进行研究而作的 总结，大多数有一定的独创性。 学位论文常见的著录形式如下例所示： 金宏.导航系统的精度及容错性能的研究. 秦皇岛：燕山大学机械工程学院，2002 科技报告 科技报告是指国家政府部门或科研生产单位关于某项 研究成果的总结报告，或是研究过程中的阶段进展报 告。在内容方面，比期刊论文等专深、详尽、可靠， 是一种重要的情报源。 科技报告常见的著录格式如下例所示： B. S. Tomney，Application of approximation theory in antenna design，signal processing and filtering R. Final report. AD-A244，725Prometheus，Inc.，Sharon，MA.2001 科技报告著录的特点是：有表示报告的词，如Report等；有报告号，如本例中的AD-A244，725。 科技档案 科技档案有人事、组织、科技等各种档案。其中 尤以科技档案为科技含量最高，涉及任务书、协 议书、审批文件、研制计划、设计方案、技术措 施、技术调研材料、设计计算、试验项目、试验 方案、实验材料、试验手段、试验数据、设计图 纸、生产工艺记录等许多内容。 外部特征是有档案字样以及档案所属机构名称。产品样本 产品样本又叫产品目录、产品说明书和产品资料， 是对已经投产的产品所做的介绍，内容涉及定型产 品的性能、构造、原理、用途、使用方法和操作规 程、产品规格、机械维修等具体说明。 产品样本图文并茂、形象直观，技术比较成熟，数 据可靠，有助于了解国内外生产水平、工艺水平、 技术水平以及有关技术的演变过程和发展动向，可 以获得设计、制造、使用中所需要的数据和方法， 也可以判断某种产品的价值。 外部特征：有“产品目录”、“产品样本”和“产品说明 书”的字样和生产厂家名称。第三节信息检索原理 信息检索的全过程包括信息存贮和信息检索两 个过程。 存贮过程主要是利用检索语言对文献信息进行 标引，形成文献特征标识并输入检索系统，为 检索者提供有规律的检索途径； 检索过程主要是利用检索语言对检索提问进行 标引，形成检索提问标识，再按照存贮所提供 的检索途径，将检索提问标识与文献特征标识 进行匹配，两标识相符或基本相符的则为命中 的检索结果。第四节信息检索基本技术一、布尔逻辑检索（1）逻辑“与” 逻辑“与”的布尔运算符为“ AND ”、“ and ”， 有时也可用“ * ”表示。检索时，“与”前后的检 索词必须同时出现时，所检索到的结果才算符 合条件。 检索词 A 与检索词 B 若用“ AND ”组配，则提 问式可写为：A AND B 或者 A*B图中阴影部分为命中文献 （2）逻辑“或” 逻辑“或”的布尔运算符为“OR”、“or”，有 时也可用“ + ”表示。检索时，数据库中凡含 有检索词 A 或者检索词 B 或者同时含有检 索词 A 和 B 的文献，均为命中文献。 检索词 A 和检索词 B 若用“ OR ”组配，则 提问式可写为：A OR B 或者 A+B图中阴影部分为命中文献 （3）逻辑“非” 逻辑“非”的布尔运算符为“NOT”、“not”，有时也可用“ ” 符号表示。其含义是搜索结果应满足 “NOT”前面的检索词而排除“NOT”后面的检索词。 即含有检索词 A 而不含有检索词 B 的文献，即为 命中文献。 检索词 A 和检索词 B 若用“ NOT ”进行逻辑组配， 则可写为：A NOT B 或者 AB图中阴影部分为命中文献 二、位置检索 位置检索又叫邻近检索。文献记录中词语的相对 次序或者位置不同，所表达的意思可能不同，而 同样一个检索表达式中词语的相对次序不同，其 表达的检索意图也不一样。 位置算符检索就是用一些特定的算符来表达检索 词与检索词之间的关系，并且可以不依赖叙词表 而直接使用自由词的一种检索方法。 （W） With （nW） nWords （N） Near （nN） nNear （F） Field （S） Subfield三、截词检索 截词检索，是利用某个词的一部分来检索，以 便查找到一系列相关词的信息。 截词方式有多种，按截断的位置来分，有前截 断、后截断、中间截断（或称中间屏蔽）。 截词符多采用通配符“*”，有的使用“?”， 不同的检索系统有不同的规定。（1）前截断 前截断是将截词符号置放在一个字符串左方，以 表示截词符左面的有限或无限个字符不影响该字 符串的检索。 如：*computer 可以表示 minicomputer， microcomputer等。这里，暂以“ * ”表示多个字 符的截断。（2）后截断 后截断是最常用的截词检索技术。它是将 截词符放在一串字符的右面，用以表示截 词符右面的有限或无限个字符不影响该字 符串的检索。 如：comput* 表示 computer、computers、computing等。（3）中间截断 中间截断又称为中间屏蔽，是一种用截词符屏 蔽词中不同字符的方法。 例如，“woman”和“women”，可用“wom?n”代替。这里“?”表示一个字符的截去或屏蔽。 截词检索可提高查全率，扩大检索范围，还可 以减少检索词的输入量，简化检索步骤。四、字段限定检索 一般数据库检索中，题名、叙词、标识词、文摘 这四大主题字段采用后缀符限制，如“ti”，“ de”，“id”，“ab”；其他非主题字段则采用前 缀符限制，如“au=”，“py=”等； 在WWW检索工具中，字段检索一律表现为前缀符 限制形式，如：“Title：”，“Subject：”， “Keywords：”，“Summary：”等； WWW检索工具还提供了许多新的、带有 典型网络检索特征的字段限制类型，如： 主机名限制（host：） 超链限制（anchor：） 域名限制（domain：） URL限制（ud：） Link限制（link：） 网址限制（site：）等五、聚类检索 聚类检索即在对文献进行自动标引的基础上，通过 一定的聚类方法，计算文献与文献之间的相似度， 并把相似度较高的文献集中在一起，形成一个文献 类，根据聚类水平的不同，可以形成不同层次的聚 类体系。 聚类检索的出现，为文献检索尤其是计算机化的信 息检索开辟了一个新的天地。 以上检索方法，并非每一个检索系统都有所有的功 能，也并非所有的数据库结构和数据都支持这些检 索方法。六、其它检索技术 加权检索 短语检索 括号检索 自然语言检索 模糊检索 精确检索 区分字母大小写检索 指定语种检索 智能检索第五节信息检索的步骤 进行信息检索，一般来说要经过以下基本程序： 分析检索课题，选择检索系统及数据库，确定检 索词，构建检索提问式，上机检索并调整检索策 略，最后输出检索结果。具体过程如下：1.分析检索课题，明确检索需求 明确信息需求的目的和意图。 分析课题涉及的学科范围、主题概念。 弄清课题所需信息的类型、特征，包括文献 类型、出版类型、年代范围、语种、著者、 机构等。 了解课题对查新、查准、查全的指标要求。2.选择检索系统和数据库 数据库收录的信息内容所涉及的学科范围； 数据库收录的文献类型、数量、时间范围以 及更新周期； 数据库所提供的检索途径、检索功能和服务 方式。3.确定检索词和检索途径 选用主题词 选用数据库规定的代码 选用常用的专业术语 选用同义词与相关词4.构建检索提问式 逻辑“与”算符可以缩小命中范围，起到缩检的作 用，得到的检索结果专指性强，查准率也就高； 逻辑“或