集成化動態(tài)信息跟蹤的系統(tǒng)建設(shè)研究

謝建德+莊承淮+李水平+王夢潔

摘要：文章通過對信息收集、信息處理、信息管理與分析的功能實現(xiàn)，介紹了動態(tài)信息跟蹤的流程，通過功能的實現(xiàn)建立了可視化、集成化的動態(tài)信息跟蹤系統(tǒng)，將來源于不同渠道的信息集成在一個管理系統(tǒng)中，從而對科技重大專項專題項目中的關(guān)鍵技術(shù)難點提供了解決方案。

關(guān)鍵詞：集成化；動態(tài)信息跟蹤系統(tǒng)；知識檢索；信息收集；信息處理；信息管理 文獻(xiàn)標(biāo)識碼：A

中圖分類號：TP391 文章編號：1009-2374（2017）07-0031-02 DOI：10.13535/j.cnki.11-4406/n.2017.07.014

通常所建立的信息服務(wù)系統(tǒng)是自己建立信息資源或購買資源用賬號登錄的形式去閱讀，然而信息資源不再是幾個服務(wù)提供商就能滿足需求的。尤其是現(xiàn)代信息處于爆炸式的發(fā)展，更新速度非?？?，信息資源分布很廣，因此探索建立一套適合收集互聯(lián)網(wǎng)上的動態(tài)信息跟蹤系統(tǒng)是非常必要的。本文以工業(yè)機器人的信息采集為例進(jìn)行探索，建立一套信息搜索、采集、發(fā)布系統(tǒng)。不僅搜索現(xiàn)有的信息，還將跟蹤這類信息的動態(tài)，隨時更新信息。采集的數(shù)據(jù)回到本地服務(wù)器，再對數(shù)據(jù)進(jìn)行去重、篩選、發(fā)布等處理。動態(tài)信息跟蹤的最終結(jié)果，是要建立集成化的信息系統(tǒng)，為用戶和其他系統(tǒng)提供有價信息。

1 關(guān)鍵技術(shù)難點需求

“海西裝備云制造關(guān)鍵技術(shù)研發(fā)與應(yīng)用”是科技重大專項專題項目，其中關(guān)鍵技術(shù)難點有一項需求是“整合、集成來自不同主體、不同渠道的多種資源，保證資源屬性的集成性、完整性、一致性、通用性和訪問安全性”。這項需求中不同渠道多種資源的特性，系統(tǒng)中采用建立規(guī)則、多方采集的方式來實現(xiàn)。對應(yīng)集成性、完整性、一致性、通用性和訪問安全性的需求，系統(tǒng)以自建信息數(shù)據(jù)庫、規(guī)則制定、人工干預(yù)等的形式以及信息管理分析和處理的方法，以達(dá)到關(guān)鍵技術(shù)的解決目標(biāo)。

2 集成化動態(tài)信息跟蹤的核心

科技重大專項專題中的動態(tài)信息，其信息來源主要來自于互聯(lián)網(wǎng)，通過設(shè)定規(guī)則、任務(wù)和采集，將這些信息收集并有效地組織起來，再對這些信息進(jìn)行加工處理，處理后將按照用戶要求的結(jié)構(gòu)形成用戶最需要的信息內(nèi)容。在整個過程中最核心的是信息收集、信息處理、信息管理與分析部分。信息收集部分要保證信息能夠被收集到。信息處理部分需要將各種格式的信息結(jié)構(gòu)化，并保證信息的有效性、準(zhǔn)確性、無重復(fù)以及信息的變化情況。信息管理與分析部分要對結(jié)構(gòu)化的結(jié)果信息進(jìn)行分析，以便用戶能夠發(fā)現(xiàn)海量數(shù)據(jù)中的價值，為決策提供更可靠的依據(jù)。

3 集成化動態(tài)信息跟蹤的功能實現(xiàn)

3.1 系統(tǒng)信息收集的方法與流程

3.1.1 網(wǎng)站整理。針對互聯(lián)網(wǎng)中相關(guān)網(wǎng)站，整理出需要收集的信息所在欄目，并匯編成《源網(wǎng)站匯總表》，方便信息的收集和日后信息的管理。

3.1.2 添加網(wǎng)站。在信息查詢管理模塊添加網(wǎng)站的名稱、網(wǎng)址、pr值、狀態(tài)、標(biāo)簽、主辦單位、介紹、結(jié)果類型、分類目錄等。

3.1.3 制作規(guī)則。通過規(guī)則生成器針對不同的網(wǎng)站或同一網(wǎng)站不同類別信息顯示方式的不同，從源文件中選擇一些通用的標(biāo)記來定位信息的位置，建立統(tǒng)一的格式，以便更系統(tǒng)地管理網(wǎng)站上的數(shù)據(jù)。根據(jù)網(wǎng)頁的源代碼對列表頁進(jìn)行內(nèi)容的截取和標(biāo)記的抽取，選取所抽字段的開始和結(jié)束標(biāo)記，確定采集的范圍和確定的內(nèi)容，抽取標(biāo)題、地址和時間，并測試是否抽取正確。根據(jù)網(wǎng)頁的源代碼對詳細(xì)內(nèi)容頁進(jìn)行內(nèi)容的截取和標(biāo)記的抽取，選取所抽字段的開始和結(jié)束標(biāo)記，確定采集的范圍和確定的內(nèi)容，抽取信息正文內(nèi)容，并關(guān)聯(lián)列表頁。

3.1.4 制作任務(wù)。利用在規(guī)則生成器里制作的規(guī)則，在數(shù)據(jù)庫中存儲的一條可以采集網(wǎng)站列表中信息的記錄，采集程序調(diào)用這條記錄進(jìn)行數(shù)據(jù)采集，一條記錄叫做一條任務(wù)。任務(wù)的添加和地址編碼、網(wǎng)頁編碼可以調(diào)整。對采集的信息可設(shè)置運行時間，包括手動操作或定時自動操作以及設(shè)置下次運行時間。如果網(wǎng)站包含外部鏈接而導(dǎo)致信息無法采集，通過對某些字段的過濾來增強抓取信息的準(zhǔn)確性。還需處理設(shè)置關(guān)鍵詞的提取和去重設(shè)置，對收取的信息根據(jù)目錄進(jìn)行分類。

3.1.5 信息管理。在信息查詢管理工具中，可以查詢添加網(wǎng)站、規(guī)則、任務(wù)所有數(shù)據(jù)，也可通過狀態(tài)、ID、名稱、結(jié)果類型（或根據(jù)提供的字段手動輸入條件）進(jìn)行查詢。任務(wù)狀態(tài)包括規(guī)則制作完成、規(guī)則制作失敗、等待采集、采集中等，也可修改其狀態(tài)。

3.1.6 信息采集。采集程序從數(shù)據(jù)庫中調(diào)用任務(wù)，分別將每條任務(wù)對應(yīng)下的信息以數(shù)據(jù)的形式存儲到數(shù)據(jù)庫，這樣采集程序在這個過程中就完成了單條任務(wù)到多條信息的轉(zhuǎn)換。當(dāng)信息需要在頁面顯示時，從數(shù)據(jù)庫中調(diào)出該條數(shù)據(jù)即可。采集程序的主要功能主要包括五部分，分別為當(dāng)前狀態(tài)、任務(wù)列表、歷史記錄、運行設(shè)置和高級設(shè)置。從當(dāng)前狀態(tài)界面通過完成數(shù)和剩余數(shù)可以查看采集程序運行是否正常。任務(wù)列表包括任務(wù)ID、任務(wù)名稱和任務(wù)開始執(zhí)行的時間。任務(wù)列表顯示的任務(wù)是按照開始時間升序排列。歷史記錄查看采集程序已經(jīng)執(zhí)行過的任務(wù)，包括任務(wù)ID、任務(wù)名稱、任務(wù)的開始時間和結(jié)束時間，可設(shè)置和查看程序的執(zhí)行時間，配置數(shù)據(jù)庫等。

3.2 系統(tǒng)信息處理的方法與流程

去重包括基于來源地址的去重、基于標(biāo)題的去重、基于結(jié)構(gòu)化信息的去重、基于摘要的去重、基于全文內(nèi)容的去重，并可以綜合以上方式進(jìn)行綜合去重。通過篩選信息來源網(wǎng)站、基于鏈接地址過濾、基于標(biāo)題過濾、基于內(nèi)容過濾、基于發(fā)布日期過濾等方式對結(jié)果信息進(jìn)行過濾。利用Html網(wǎng)頁分析技術(shù)和自然語言處理技術(shù)從網(wǎng)頁中提取出網(wǎng)頁主題詞。利用Html網(wǎng)頁分析技術(shù)和自然語言處理技術(shù)對網(wǎng)頁全文內(nèi)容進(jìn)行分析，并形成全文摘要。全文摘要的長度、比例等各項參數(shù)可以靈活定制。

3.3 系統(tǒng)信息管理與分析

統(tǒng)一的管理后臺可以對用戶、分類目錄和內(nèi)容進(jìn)行有效地管理?？稍诤笈_添加或刪除分類目錄，還可以查看采集的信息是否有誤，并對錯誤的信息進(jìn)行修改。系統(tǒng)可以通過信息的來源進(jìn)行分類，還可以根據(jù)自動提取的文章主題詞以及權(quán)重，結(jié)合預(yù)定義類別進(jìn)行分類。系統(tǒng)能夠?qū)χ付ǚ秶鷥?nèi)信息的特征關(guān)鍵詞進(jìn)行統(tǒng)計分析，得到這些信息的熱門標(biāo)簽，以便快速發(fā)現(xiàn)熱點內(nèi)容。

4 結(jié)語

系統(tǒng)建立后，以工業(yè)機器人為例進(jìn)行動態(tài)信息跟蹤。系統(tǒng)能自動將指定網(wǎng)站欄目信息采集到后臺，管理人員再根據(jù)發(fā)布規(guī)則對信息進(jìn)行自動發(fā)布或人工發(fā)布。已經(jīng)能滿足科技重大專項專題中的相關(guān)需求，給用戶最全、最新的信息，大大減少人力成本。由于信息來源于不同網(wǎng)站，因此有些信息是由不同部門發(fā)布的，就產(chǎn)生信息重復(fù)的現(xiàn)象。重復(fù)率約10%，目前還沒有有效的自動解決方法，而人工去重的成本較大，但不影響系統(tǒng)的運營使用。

參考文獻(xiàn)

[1] 黃永文，張智雄，吳禎新，謝靖.集成化可視化的知識檢索服務(wù)平臺建設(shè)[J].科研信息化與應(yīng)用，2013，4（2）.

基金項目：福建省科技重大專項專題“海西裝備云制造關(guān)鍵技術(shù)研發(fā)與應(yīng)用”（2015HZ0002，2015HZ0002-1）。

作者簡介：謝建德（1964-），男，福建省云創(chuàng)集成科技服務(wù)有限公司工程師，EMBA，研究方向：信息系統(tǒng)、智能信息處理、數(shù)字資源集成等電子信息；莊承淮（1967-），男，三明市生產(chǎn)力促進(jìn)中心副研究員，研究方向：科技咨詢及科技創(chuàng)新服務(wù)平臺的建設(shè)、管理與服務(wù)；李水平（1982-），男，福建省云創(chuàng)集成科技服務(wù)有限公司工程師，研究方向：信息系統(tǒng)、網(wǎng)站程序開發(fā)、計算機應(yīng)用；王夢潔（1990-），女，供職于福建省云創(chuàng)集成科技服務(wù)有限公司，研究方向：信息數(shù)據(jù)處理、網(wǎng)站需求分析定位和功能測試等。

（責(zé)任編輯：黃銀芳）