高校人物專題檔案大數據源的潛在價值與挖掘利用

張倩

高校既是人類知識和科學創新的主要場所，又是教學與科研的服務中心。通過在檔案大數據智能處理平臺上創建高校人物專題檔案數據庫模塊，并將其作為高校檔案大數據檢索與挖掘的實際應用之一，不僅有利于發掘高校文化知識和歷史內涵的珍貴價值，而且有利于為造福社會發揮重要的作用。我們在考察中發現，承載著高校杰出人物輝煌業績的人物專題檔案，在被真實地挖掘并再現出其中精華的同時，對與人物處于同一抽象層次的其他對象，如事件、地點、機構等附載在檔案上的諸多史實信息，以及如何形成這一檔案的純技術層面的許多知識，都具有非常豐富的挖掘價值。

1. 高校人物專題檔案大數據來源分析

人物專題檔案可被采集利用的數據來源很多，如Internet上專業的檢索網站，許多機構建立的Web主頁，以及一些個人主頁上的人物檔案信息，都是高校檔案管理機構捕獲人物專題檔案信息資源的重要渠道。與這些數據源相比，高校館藏主數據源具有格式規范、質量較高等特點，是人物專題檔案大數據追蹤研究的理想數據源。

據調研資料分析顯示，目前高校構建人物專題檔案大數據庫可供采集的大數據來源主要有四類：一是每年接收進館（室）的學籍檔案，這些檔案里面包含了全校各個學歷層次的應屆畢業生在校期間的個人信息記錄，是富含學生這一人物群體信息最多的數據來源。二是每年接收進館（室）的學生工作方面的檔案，這些檔案里面包含了學生的獎懲信息等，是大學生在校期間參加各類重要活動的真實記錄。三是人事檔案，這些檔案里面包含了全校教職工的個人信息，是豐富而詳實的教職工個人信息記錄。四是科研檔案，這些檔案里面包含了師生參與科研活動過程中產生的各類學術方面的信息記錄，對研究高校人物科研情況，具有舉足輕重的憑證作用。

2.高校人物專題檔案大數據處理的難點分析

通過調研分析發現，高校人物專題檔案大數據處理的難點，主要體現在兩個方面：一是館藏中的人物專題檔案格式多種多樣，數據的結構也可能不斷發生變化，人物信息往往隱含在復雜的數據之中，如何對異構多變的人物專題檔案信息進行數據清洗（Data Cleansing），把雜亂的“臟的”數據（Dirty Data）去除掉，并轉變為適合人物追蹤研究的規范化的數據格式，這是目前高校人物專題檔案大數據庫建設需要解決的一個難點。二是在檔案數據的文本空間，人物是比文字對象高一個層次的抽象實體，而作為處于抽象層次的實體，它與文字對象所描述的具體名稱并不形成一一對應的關系，可能存在著大量的同名同姓卻不是同一人物的現象，即使是同一人物，也往往有不同的稱謂，這是導致檢索人物專題檔案信息易出現歧義的一個難點。此外，我們發現這些歧義問題可大致分為兩類：一類是不同人物和其他非人物實體可能具有相同的名字；另一類是同一個人物可能具有不同的名字或稱謂。歧義問題的客觀存在，可能造成人物專題檔案檢索的結果難以精準。對此，我們雖然可以在人名后邊添加一些特定的屬性，并通過組合查詢來細化檢索結果，但這種做法違背了建立人物專題檔案大數據搜索引擎所追求的簡單快捷原則，且用戶通常不是精通檢索技巧的專家，他們甚至不會愿意提交額外的查詢詞。

3. 高校人物專題檔案大數據追蹤的線索依據與處理內容

大數據技術的基本原理告訴我們，在檔案大數據文本空間內，對人物專題檔案信息數據源的跟蹤研究，應該按照相關的線索依據來進行，而“人物的橫向跟蹤”和“人物的縱向跟蹤”是最重要的線索依據。所謂“人物的橫向跟蹤”，是指從空間維度研究人與人的聯系、人與社會的聯系等。所謂“人物的縱向跟蹤”，是指從時間維度研究人的處所變化、人的職位變化、人的態度立場變化、人的生活狀態變化等。簡言之，人物追蹤就是要通過運用大數據分析技術，將不同檔案中縱橫交錯出現的人物信息片段有效地組織起來，并使分析結果盡可能接近人物信息的全貌，進而客觀地反映該人物的生活歷程。

此外，在高校檔案大數據文本處理領域，人物追蹤在處理內容上可大體分為兩大部分：一是制作人物的履歷表。這是指從館藏檔案大數據文本中自動提取出需制作人物的屬性信息，并把分散的各種屬性信息進行整合，形成其完整的生平履歷。二是對人物的事件進行組織。這是指把人物參與相關事件的信息內容，按照內在發展邏輯有效地組織起來，并形成清晰的邏輯結構。值得注意的是：在整理人物事件信息內容的基礎上，還應注意整理其他相關信息內容與其進行匹配，如建立人物的事件信息表、識別人物的社會關系網、識別人物處所的變化、識別人物職位的變化、識別人物態度立場的變化、識別人物生活狀況的變化、識別人物知名度的變化等等。

4. 高校人物專題檔案大數據的處理流程

高校人物專題檔案大數據處理流程，主要有下列幾道程序：

程序一：對人物追蹤進行大數據預處理。這一階段，需要識別出若干人物相關的零散信息，并形成人物基本模型的片段，同時應對這些片段性的信息進行同一性判別，即把描述不同人物的模型片段區分開。值得指出的是：在人名周邊的語句中，與該人物經常共現的其他人名，即該人物的交往人群也應是一個重要的區分特征。簡言之，預處理階段，是指為人物模型的計算做好準備，但還沒有形成完整的人物模型。

程序二：運用數據融合技術建立完整的人物模型。人物專題檔案數據在預處理階段形成的人物模型片段信息是分散的、孤立的，不能代表人物全貌，更無法凸顯出人物的抽象實體，這就需要把代表不同人物的模型片段區分開，并對同一人物的模型片段信息進行有機整合，進而形成完整的人物模型，以利呈現人物的履歷等信息。值得指出的是：為取得完整的人物模型信息，不僅需要參照多個異構來源的大數據信息，而且需要把多個人物模型片段的信息有機融合在一起，最終才能形成基本完整的人物信息。

程序三：研發人物專題檔案大數據處理的相關應用技術。在進行高校人物專題檔案大數據處理的過程中，實施追蹤研究需要依靠專業技術手段的支撐，因此，我們不僅要科學選擇供應商提供的專業數據搜索引擎，而且要高度重視研發相關的應用技術與之匹配，如提供對特定人物的跟蹤、流行人物的發現等各種應用技術，以期達到方便用戶直接檢索利用之目的。

基于深度學習的“人臉識別”技術是高校檔案機構進行人物專題檔案大數據研發時可咨利用的一種強有力的手段。人臉檢測是基于計算機識別算法的一項數字化技術，用以準確獲取人的臉部形狀和位置信息，甚至可以精確識別人臉細節的微妙特征。現今乃至未來的高校館藏照片檔案中，數字照片將占巨大的比重，從內容上來說，人物圖像檔案又占有相當的比重。傳統的照片檔案管理方法所需的人力、物力成本巨大，如果要查詢某個具體人物的相關照片資料，僅靠手工識別，要在一堆照片中找到需要的照片，相信對每個檔案員的眼力都是一個嚴峻的考驗。針對該問題，人臉識別技術是高校檔案管理機構一種有效的低成本解決方案，可在人物照片檔案大數據管理中達到較好的可視化效果。

當前，高校檔案管理者可以借助Google的免費圖片管理工具——Picasa來快速找出每個人物的照片。Picasa的“人臉識別”功能是通過一種復雜的算法，對照片人物進行研判，將所有包含人臉的照片自動歸集并統一命名。這樣做的最大好處就是能夠讓用戶隨時利用其搜索欄，快速查找所需人物的照片，而且之后所有新入庫的相片也都會按照這個規則，自動歸類到相應位置，方便快捷。具體整理方法：首先，讓軟件自動搜索照片檔案庫，對所有包含人臉的照片檔案進行自動分類。在此過程中，為了方便用戶進行辨認，每一張被檢測到的照片都會以大頭貼的形式進行顯示（相同的人物將被自動整理在一起）。由于暫未標識姓名，這些頭像暫時都將被自動存放在一個“未命名人物”文件夾中，等待用戶處理。待照片初次分析完畢，我們便可以通過雙擊“未命名人物”為該人物添加名字標記。建立人物標簽后，日常查找只需將待檢索的人名輸入到搜索框中，片刻功夫（當你輸入一個字后，準備輸入第二個字時，軟件已經即時顯示出檢索到的相關圖片），Picasa便會自動羅列出所有包含該人物的照片，而且準確度極高。需要注意的是，Picasa也有可能會誤判，在檢索結果中我們要通過手工識別進行一番小小的修正。點擊照片上的“X”標記將識別錯誤的照片刪除，這樣剩下的就全部是包含所需人物的照片（包括單人照和合照）。最后點擊“全部確認”完成對人物照片的識別，這樣在保存照片的文件夾中會列出所有該人物的照片，按提示點擊導出，將其導出到文件夾保存即可利用。此外，Picasa的人臉識別還具有一定的學習能力，隨著確認照片的增多，它的識別能力也會相應增強。此類智能工具可在高校人物專題檔案大數據研發中起到重要作用。

高校檔案管理機構要密切關注大數據智能處理技術的發展走勢，積極引入成熟的產品與服務，不斷創新人物專題檔案大數據處理專業模塊的智能集成模式，不斷完善和創新“混搭型”的應用機制，不斷強化“一站式”服務的個性化功能，以期提升人物專題檔案信息數據資源與用戶需求的精準對接水平。

（作者單位：南京藝術學院綜合檔案室）