信息檢索原理

信息檢索原理信息與信息源在人類社會的演變和發(fā)展過程中，人類的信息活動從來沒有間斷過，信息一直在積極地發(fā)揮著人類意識到或沒有意識到的重要作用。20世紀以來，隨著科學技術(shù)的空前進步，信息、物質(zhì)和能量已構(gòu)成現(xiàn)代社會文明的三大支柱。我們隨時隨地都在自覺不自覺地接受、傳遞、存儲和利用各種信息，毫無疑問，人類已經(jīng)進入信息時代。為了提高大學生的全面素質(zhì)以適應信息時代的要求，許多國家將信息素養(yǎng)（InformationLiteracy）教育作為培養(yǎng)新世紀人才的重要內(nèi)容，而信息檢索課則是實施信息素養(yǎng)教育的必修課程，其目的是培養(yǎng)學生的信息意識、信息檢索能力、信息吸收能力和信息整合能力，最終提高學生的信息利用能力和知識創(chuàng)新能力。一、信息概述（一）信息的含義早在古代，人類就已經(jīng)認識到信息是可以尋覓和獲取的。這從我國的文學作品中可見一斑。比如，南唐詩人李中曾在《暮春懷古人》中寫下“夢斷美人沉信息，目穿長路倚樓臺”[1]的佳句；唐朝詩人許渾也在《寄遠》中喟嘆“塞外音書無信息，道傍車馬起塵埃”[2]。這里的“信息”指消息和音訊。不過，科學家將信息作為一門嚴密的科學來研究，已經(jīng)是20世紀了。這主要歸功于信息論的奠基人、美國數(shù)學家克勞德?香農(nóng)（ClaudeE.Shannon）,他1948年發(fā)表的貌岸然《通信的數(shù)學理論》一文轟動全球。香農(nóng)指出“信息是用來消除不確定性的東西”[3]。也就是說，信宿（信息接受方）未收到消息前不知道信源（信息產(chǎn)生方）發(fā)出什么信息，只有在收到消息后才能消除信源的不確定性。如果沒有干擾，信宿得到的信息量與信源的不確定性相等。簡單地說，信息是指有新內(nèi)容、新知識的消息。消息是信息的載體，其形式是具體的，如語言、文字、圖像等，而信息是指包含在具體消息中的抽象內(nèi)容。在接受者看來，信息必須是事先不知道其內(nèi)容的新消息。信息的這一定義用在信息科學的通信領(lǐng)域是恰當?shù)?，但它沒有體現(xiàn)出信息的本質(zhì)特征?？刂普摰膭?chuàng)始人、美國科學家維納（N.Wiener）對信息的含義做了進一步的闡述。也在《控制論》一書中表明：“信息是人們在適應外部世界并使這種適應反作用于外部世界的過程中，同外部世界進行互相交換的內(nèi)容的名稱”［4］。維納的信息概念是從信息在發(fā)送、傳輸和接收的過程中，客體和接收（認識）主體之間的相互作用來定義的。顯然，維納把人與外部環(huán)境交換信息的過程看作是一種廣義的通信過程。由上可見，在通信領(lǐng)域?qū)π畔⒌难芯咳〉昧酥卮筮M展。但是隨著科技的發(fā)展和計算機的出現(xiàn)，信息的概念也在不斷地拓展與豐富。筆者在比較了中外眾多的信息定義后，傾向于中國學者鐘義信對信息的解釋：信息是事物運動的狀態(tài)與方式，是物質(zhì)的一種屬性［5］。在這里，“事物”泛指一切可能的研究對象，包括外部世界的物質(zhì)客體，也包括主觀世界的精神現(xiàn)象；“運動”泛指一切意義上的變化，包括機械運動、化學運動、思維運動和社會運動；“運動方式”是指事物運動在時間上所呈現(xiàn)的過程和規(guī)律“；運動狀態(tài)”則是事物運動在空間上所展示的形狀與態(tài)勢。鐘義信認為信息不同于消息，消息只是信息的外殼，信息則是消息的內(nèi)核；信息不同于信號，信號是信息的載體，信息則是信號所載荷的內(nèi)容；信息不同于數(shù)據(jù)，數(shù)據(jù)是記錄信息的一種形式，同樣的信息也可以用文字或圖像來表述；信息也不同于情報和知識。該定義具有極大的普遍性，我們稱其為本體論層次的信息。它不僅能涵蓋其也的信息定義，還可以通過引入約束條件轉(zhuǎn)換為其也的信息定義。例如，引入認識主體這一約束條件，可以轉(zhuǎn)化為認識論意義上的信息定義，即信息是認識主體所感知或所表述的事物運動的狀態(tài)與方式。這個定義告訴我們，信息必須通過主體的主觀認知才能被反映和揭示。這一概念比本體論層次的概念具有更為豐富的內(nèi)涵，因為人們只有感知事物存在的方式和運動狀態(tài)，才能真正掌握并利用該事物的信息。引入的約束條件越多，信息的內(nèi)涵就越豐富，適用范圍也越小，由此構(gòu)成相互間有一定聯(lián)系的信息概念體系。對本書的讀者而言，更具有意義的應是認識論層次上的信息定義。它的引入告訴我們，若要獲取和利用信息，必須具備對信息的認識能力，其中包括信息意識、信息查找技能和信息的分析評價能力等。（二）信息的特征通過對信息含義的闡述與分析，我們不難總結(jié)出信息具有以下幾個特征。1．客觀性信息不是虛無縹緲的事物，它的存在可以被人們感知、獲取、傳遞和利用。信息是現(xiàn)實世界中各種事物運動與狀態(tài)的反映，其存在是不以人的意志為轉(zhuǎn)移的?？陀^、真實是信息的最重要的本質(zhì)特征。2．時效性由于事物是在不斷變化著的，那么表征事物存在方式和運動狀態(tài)的信息也必然會隨之改變。在現(xiàn)代社會中，信息的使用周期越來越短，信息的價值實現(xiàn)取決于對其及時地把握和運用。如果不能及時地利用最新信息，信息的價值就會貶值甚至毫無價值，這就是信息的時效性，即時間與效能的統(tǒng)一性。它既表明了信息的時間價值，也表明了信息的經(jīng)濟價值。3．載體性信息必須依附于一定的載體(如聲波、電磁波、紙張、化學材料、磁性材料等)才能流通和傳遞，否則，信息的價值就不能體現(xiàn)。信息可以存儲在不同的載體上，但其內(nèi)容并不因記錄手段或物質(zhì)載體的改變而發(fā)生變化。例如關(guān)于筑路機械的信息，不論是刊登在報刊上、發(fā)布在電視節(jié)目中還是存儲在光盤數(shù)據(jù)庫中，其信息內(nèi)容和價值是同樣的。4．傳遞性信息依附于一定的物質(zhì)載體后，其傳遞和流通便成為可能。信息的傳遞性是指信息從信源出發(fā)，經(jīng)過信息載體的傳遞被信宿接收并進行處理和利用的特性。不同載體的信息可以通過計算機、人際交流、文獻交流或大眾傳媒等手段傳遞給信息用戶，這種跨越時空的傳遞特性是實現(xiàn)信息資源共享的基礎(chǔ)，是將信息最大化利用的保證。5．可塑性信息在流通和使用過程中，人們借助于先進的技術(shù)，可以對其進行綜合、分析及加工處理。也就是把信息從一種形式變換成另一種形式，如可以將一本圖書加工為題錄或文摘等形式，從而方便用戶的選擇和利用。不過，在信息的加工過程中，信息量會減少或增加。用戶可根據(jù)檢索需要選擇不同的信息形式。6．共享性共享性是指同一信息同時或不同時被多個用戶使用，而信息的提供者并不因此而失去信息內(nèi)容和信息量。信息的共享性可以提高信息的利用率，人們可以利用他人的研究成果進一步創(chuàng)造，避免重復研究，節(jié)約資源。二、信息源信息廣泛存在于自然界、生物界和人類社會。隨著科學技術(shù)的進步，信息的表現(xiàn)形式呈多樣化態(tài)勢，了解信息的不同形式不僅有助于我們加深對信息內(nèi)涵及其特征的認識，也為利用信息打下了堅實的基礎(chǔ)。信息的載體形式信息可通過不同的手段記錄存儲在不同的載體中，其載體形式可分為印刷型、縮微型、聲像型及電子型信息。仁印刷型信息(PrintedForm)印刷型信息又稱書本型信息。它是以紙張為載體、以印刷為記錄手段而產(chǎn)生的一種傳統(tǒng)的信息形式，如圖書、期刊、報紙、印刷型的檢索工具等。其優(yōu)點是便于閱讀和流通，符合人們的閱讀習慣。缺點是存儲密度低，收藏和管理需要較大的空間和人力。2.縮微型信息(Microforms)為了彌補印刷型信息的不足，縮微型信息應運而生。它是一種以縮微膠片或平片為載體，利用縮微攝影技術(shù)為記錄手段而產(chǎn)生的信息形式。隨著激光和全息攝影技術(shù)的應用又出現(xiàn)了超級縮微膠片和特級縮微膠片，一張全息膠片可存儲20萬頁文獻。其優(yōu)點是體積小、存儲密度高、保存期長、便于收藏和管理。缺點是必須借助縮微閱讀機才能閱讀。聲像型信息(Audio-visualForm)聲像型信息又稱視聽資料。這是一種以磁性和感光材料為存儲介質(zhì)，借助特殊的機械裝置直接把圖像和聲音記錄下來的一種信息形式。主要載體有錄音帶、唱片、激光唱盤、錄像帶、電影膠片、幻燈片等。其優(yōu)點是既能聞其聲又能觀其像，直觀、親切，表現(xiàn)力強。與印刷型信息相比，聲像型信息更能提高人們理解信息的能力。電子型信息(ElectronicForm)電子型信息是指以數(shù)字代碼方式將圖、文、聲、像等信息存儲到磁、光、電介質(zhì)上并通過計算機閱讀的信息。如各種電子圖書、電子期刊、聯(lián)機數(shù)據(jù)庫、網(wǎng)絡數(shù)據(jù)庫、網(wǎng)絡新聞、光盤數(shù)據(jù)庫等。該類信息在計算機與網(wǎng)絡技術(shù)的支持下，通過編碼和程序設(shè)計，將信息變?yōu)閿?shù)字語言和機器語言并存儲在磁帶、光盤、磁盤等介質(zhì)上，從而建立起相應的文獻數(shù)據(jù)庫。其特點是存儲量大，出版周期短，傳遞迅速，存取速度快，可以融文本圖像、聲音等多媒體信息于一體，易復制，共享性好。隨著計算機技術(shù)與通信技術(shù)的發(fā)展與融合，又產(chǎn)生了一種新型載體的文獻信息源，這就是多媒體型(Multi-media)信息。多媒體即多種信息媒體，它采用計算機、通信、數(shù)字、超文本(Hypertext)或超媒體(Hypermedia)技術(shù)，不僅實現(xiàn)了文字、圖像、動畫、聲音等的多位一體及人機交互對話，而且使全球信息共享成為可能。多媒體型的文獻信息源實際上是以上數(shù)種載體形式的混合型，是一種立體式的信息源。信息的級別由于信息出版量的急劇增長，再加上信息類型的多樣化和信息分布的離散狀態(tài)等因素，信息用戶要想準確而快捷地從大量無序的原始信息中獲取相關(guān)信息就如同大海撈針一樣困難。我們知道，信息具有“可塑性”，為了便于人們利用信息，信息工作者將信息加工處理為不同的等級，如圖1-1所示。圖1-1信息級別示意圖1次信息(PrimarySources)一次信息又稱原始信息。它是指以著者本人的研究成果為依據(jù)撰寫并公開發(fā)表或出版的信息。主要包括專著、期刊論文、科技報告、會議論文、專利說明書、學位論文等。一次信息是檢索的主要對象。信息檢索的最終目的就是查找到最適用的一次信息。二次信息(SecondarySources)一次信息的數(shù)量極為龐大，在內(nèi)容上是分散的、無系統(tǒng)的，也就是“無序”的，不便于管理和利用。為了方便用戶選擇和利用，信息工作者對一次信息進行再加工，通過整理、提煉和濃縮，并按其外部特征(如題名、著者等)或內(nèi)容特征(如分類號、主題詞等)將其“有序化”，形成另一類新的信息形式，如印刷型的目錄、索引、文摘、題錄或電子型的書目數(shù)據(jù)庫、文摘數(shù)據(jù)庫及題錄數(shù)據(jù)庫等就屬于二次信息。通過閱讀二次信息可以快速地了解一次信息的大致內(nèi)容，選擇并查找所需的一次信息。信息檢索主要講述的就是二次信息的編排體系和使用方法。三次信息(TertiarySources)利用二次信息，選擇有關(guān)的一次信息加以分析、綜合而編纂出的第三層次的信息形式為三次信息，如專題報告、綜述，以及詞典、手冊、百科全書、年鑒等工具書。三次信息具有系統(tǒng)性、綜合性、知識性和概括性的特點，因此，要在浩瀚的信息中查找所需的特定的一次信息，往往離不開二次和三次信息。信息的出版形式根據(jù)出版形式的不同，信息可以劃分為以下類型。1．圖書(Book)圖書是歷史最悠久、最傳統(tǒng)的信息類型。其內(nèi)容是總結(jié)性的，具有全面、系統(tǒng)、成熟的特點，但出版周期長，傳遞信息的速度較慢，老化速度快。近年來增長迅速的電子圖書可在一定程度上彌補印刷型圖書的不足。期刊(Periodical)期刊比圖書的出版周期短，刊載文獻速度快、數(shù)量多、內(nèi)容新，能及時反映某一研究領(lǐng)域的學術(shù)發(fā)展水平，所以很受用戶的重視。隨著電子信息資源的大量涌現(xiàn)，信息用戶將主要通過期刊全文數(shù)據(jù)庫實現(xiàn)檢索目的。會議論文(ConfereneePaper)會議論文又稱會議文獻。它是將學術(shù)會議或?qū)I(yè)會議上交流的論文編輯出版的信息。會議論文內(nèi)容新穎、專業(yè)性和針對性強，傳遞信息迅速，能及時反映某個專業(yè)領(lǐng)域的研究水平和動向，是了解學科發(fā)展的一種重要的信息源。但不經(jīng)出版者公開發(fā)行的會議文獻一般難以獲得。專利文獻(PatentDocument)專利文獻又稱專利說明書，是一種集經(jīng)濟、技術(shù)與法律為一體的信息形式。它是專利申請人向?qū)＠麢C構(gòu)提交的說明該項發(fā)明的目的、優(yōu)點、技術(shù)原理和專利權(quán)限的書面文件。也就是說，專利文獻是發(fā)明的書面形式。一項新的專利代表著一個科研領(lǐng)域的最高水平。毋庸置疑，專利說明書包含了豐富的技術(shù)情報，有極高的含金量。據(jù)統(tǒng)計表明，全世界新技術(shù)的90%?95%是通過專利文獻公布于世的［6。專利說明書主要由專利文獻館和省級以上科技信息所收藏。5.科技報告(Sci-TechReport)科技報告又稱為技術(shù)報告、研究報告。有些科技報告是由政府部門出版的，所以也稱之為政府報告。技術(shù)報告是記錄研究工作和開發(fā)調(diào)查工作的成果或進展情況的一種信息類型。科技報告的內(nèi)容新穎、詳盡、專深，出版及時，報道科技成果的速度要快于期刊及其他文獻。大部分科技報告是保密或控制發(fā)行的，只有少數(shù)可以公開或半公開發(fā)表，不易獲取原文，因此它又被稱之為“灰色文獻(GreyDocument)”。最著名的科技報告是美國的四大報告：(1)PB報告(土木建筑、城市規(guī)劃、環(huán)境污染、生物醫(yī)學等)；(2)AD報告(軍事、航空航天、物理、材料工程技術(shù)等；)(3)NASA報告：航空和空間科學等)；：4)DOE報告：能源保護、礦物燃料、核能、太陽能等)在我國，國家圖書館、上海圖書館、中國科技信息研究所和國防科技信息研究所等收藏有較全面的科技報告。6．標準(Standard)標準主要指技術(shù)標準，是對各種產(chǎn)品、元件、工程建設(shè)質(zhì)量、規(guī)格、檢驗方法等作業(yè)的技術(shù)規(guī)定，具有約束性、時效性和針對性，是各類生產(chǎn)建設(shè)工作的共同依據(jù)。標準對于產(chǎn)品更新?lián)Q代、工藝水平的改進、產(chǎn)品質(zhì)量的提高以及市場競爭力的加強，可以起到非常重要的作用。中國標準化綜合研究所標準館、省級技術(shù)監(jiān)督部門的文獻館、科技信息所以及圖書館收藏有標準文獻。7.學位論文(Dissertation)學位論文是高等學?；蜓芯繖C構(gòu)的學生為獲得某種學位而撰寫的科學論文。一般指學士論文、碩士論文和博士論文。不過學位論文的質(zhì)量參差不齊，其中，博士論文的參考價值較大。學位論文一般不出版發(fā)行，通常只在學位授予單位的圖書館和按國家規(guī)定接受呈繳本的國家版本圖書館保存有副本。8技術(shù)檔案(TechnicalRecords)技術(shù)檔案是在技術(shù)活動中形成的，是某個工程對象的技術(shù)文件、圖樣、圖表、照片或原始記錄等。其內(nèi)容真實、詳盡，準確可靠，是科研和生產(chǎn)建設(shè)工作的重要依據(jù)。它可以重復實踐或改進后重復實踐，而且具有明顯的保密性，具有很大參考價值。國家級和省級的檔案館是保存檔案的重要場所。除以上介紹的信息類型外，信息的出版形式還包括產(chǎn)品資料、報紙、計算機軟件等。第二節(jié)信息檢索原理一、信息檢索的含義“檢索(Retrieval)”即“查找”之意。廣義的“信息檢索(InformationRetrieval)”包括信息的存儲過程和查找過程，而狹義的信息檢索僅指信息的查找。

我們可以這樣定義“信息檢索”：從信息集合中迅速、準確地查找出所需信息的程序和方法。這里所說的信息集合指的是有組織的信息整體。它可以是數(shù)據(jù)庫的全部記錄，也可以是某種檢索工具，還可以是某個圖書館的全部館藏。信息檢索也就是從數(shù)據(jù)庫、檢索工具以及館藏中查找所需信息的活動。二、信息檢索原理廣義的信息檢索包括信息的存儲和檢索兩個過程。信息的存儲就是將搜集到的一次信息，經(jīng)過著錄其特征（如題名、著者、主題詞、分類號等）而形成款目，并將這些款目組織起來成為二次信息的過程。信息的檢索是針對已存儲好的二次信息庫進行的，是存儲的逆過程。存儲是為了檢索，而為了快速而有效地檢索，就必須存儲。沒有存儲檢索就無從談起。這是存儲與檢索相輔相成、相互依存的辯證關(guān)系。然而，由于職業(yè)、知識水平、個人素質(zhì)甚至習慣等因素的差異，信息存儲人員（標引者）與信息檢索用戶（檢索者）對同一信息的分析、理解也會存在不同。比如《計算機在生物化學中的應用》一文，標引者可能將其歸入“生物化學”類，而檢索者則可能在計算機”類查找該文。這樣，標引者與檢索者之間發(fā)生了標引錯位，存儲的信息就無法檢索到。怎樣才能保證信息存得進又取得出呢？那就是存儲與檢索所依據(jù)的規(guī)則必須一致也，就是說，標引者與檢索者必須遵守相同的標引規(guī)則。這樣，無論什么樣的標引者，對同一篇文獻的標引結(jié)果一致，不論是誰來檢索，都能查到這篇文獻。信息存儲與檢索共同遵循的規(guī)則稱之為信息檢索語言（詳見第二章）。只要標引者和檢索者用同一種檢索語言來標引要存入的信息特征和要查找的檢索提問，使它們變成一致的標識形式，信息的存儲過程與檢索過程就具備了相符性。相應地，存入的文獻也就可以通過信息檢索工具（系統(tǒng)）檢索出來。如果檢索失敗了，那么就要分析一下檢索提問是否確切地描述了待查課題的主題概念？在利用檢索語言標引時是否出了差錯，從而導致檢索提問標識錯誤？只有檢索提問標識和信息特征標識一致時，相關(guān)的文獻才能被檢索出來。信息檢索正是以信息的存儲與檢索之間的相符性為基礎(chǔ)的，如圖1-2所示。如果兩個過程不能相符，那么信息檢索就失去了基礎(chǔ)。檢索不到所需的信息，存儲也就失去了意義。存儲過斤檢索過程圖1-2存儲過斤檢索過程圖1-2信息檢索原理圖三、信息檢索類型掌握了信息檢索的原理，就有必要了解信息檢索的類型。按照不同的標準，信息檢索可劃分為不同的類型，其特點也各自不同。(一)依檢索內(nèi)容劃分1.文獻信息檢索(DocumentRetrieval)凡是利用目錄、文摘或索引等二次信息查找某一課題、某一著者、某一地域、某一機構(gòu)、某一事物的有關(guān)信息以及這些信息的出處和收藏單位等，都屬于文獻信息檢索范疇。其檢索的結(jié)果是文獻信息。例如，“設(shè)計人行天橋的參考文獻有哪些？”便屬于該類命題。數(shù)據(jù)信息檢索(DataRetrieval)凡是利用參考工具書、數(shù)據(jù)庫等檢索工具檢索包含在文獻中的某一數(shù)據(jù)、參數(shù)、公式或化學分子式等，統(tǒng)稱為數(shù)據(jù)信息檢索。其檢索結(jié)果為數(shù)據(jù)信息。例如，“某一新型載貨汽車的載重量是多少？百公里油耗是多少？”就屬于數(shù)據(jù)檢索。事實信息檢索(FactRetrieval)凡是利用百科全書等檢索工具從存儲事實的信息系統(tǒng)中查找出特定事實的過程稱為事實信息檢索。其檢索結(jié)果是基本事實。例如，“世界上最長的斜拉橋是哪座？該橋位于什么地方？何時建成？”等。文獻信息檢索是一種相關(guān)性的檢索，檢索的結(jié)果是文獻線索，還必須進一步查找才能檢索到有關(guān)的一次信息；數(shù)據(jù)與事實信息檢索是一種確定性檢索，檢索的結(jié)果是可供用戶直接利用的信息。一般情況下，文獻信息檢索通過二次信息來實現(xiàn)，而數(shù)據(jù)與事實信息檢索則通過三次信息來完成。(二)依信息存儲和檢索的方式和技術(shù)劃分1.手工檢索(ManualRetrieval)手工檢索簡稱“手檢”，是指人們通過手工的方式來存儲和檢索信息。其使用的檢索工具主要是書本型、卡片式的信息系統(tǒng)，即目錄、索引、文摘和各類工具書。檢索過程是由人工以手工的方式完成的。2.計算機檢索(Computer-basedRetrieval)計算機檢索簡稱“機檢”，是指人們利用數(shù)據(jù)庫、計算機軟件技術(shù)、計算機網(wǎng)絡以及通信系統(tǒng)進行的信息存儲和檢索，其檢索過程是在人機的協(xié)同作用下完成的。計算機會從其存儲的大量數(shù)據(jù)中自動分揀出與用戶提問相匹配的信息，而用戶則是整個檢索方案的設(shè)計者和操縱者。其檢索的本質(zhì)沒有發(fā)生變化，發(fā)生變化的只是信息的載體形式、檢索手段、存儲方式和匹配方法。計算機的產(chǎn)生使信息檢索發(fā)生了革命性的變化，大大提高了信息的處理和檢索能力。不過計算機檢索有很強的技巧性，用戶需要具備一定的“機檢”知識(詳見第六篇)。四、信息檢索的意義信息檢索的作用與意義主要體現(xiàn)在以下三方面。（一）避免重復研究或走彎路