農業領域知識發現工具的構建與應用*——以農知搜索為例

張潔 趙瑞雪,2 寇遠濤,2 鮮國建,2

技術與應用

農業領域知識發現工具的構建與應用*——以農知搜索為例

張潔1趙瑞雪1,2寇遠濤1,2鮮國建1,2

（1. 中國農業科學院農業信息研究所，北京 100081；2. 農業農村部農業大數據重點實驗室，北京 100081）

本文通過闡述新形勢下農業知識發現需求特征，明確農知搜索的建設目標，提出農知搜索建設框架，詳細介紹其“六位一體”的核心功能，并從資源收錄、檢索功能、檢索效果及個性化服務4個維度測評農知搜索的應用效果，其研建與發布是國際農業領域知識發現工具的重要補充。

學術知識發現；農知搜索；領域知識服務

據美國科學基金會統計，一個科學研究人員花費在查找和消化學術資料上的時間需占全部科研時間的51%[1]，由此可見，科技文獻準確查找及知識提取對于科學研究的重要性。隨著電子學術資源規模的日趨龐大、分散及快速增長，用戶全面發現及快速定位所需資源面臨挑戰。學術搜索引擎可通過單一訪問點實現對書目、期刊、等異構學術資源的訪問[2]，可滿足用戶Google like的檢索體驗，已成為科研用戶搜集科技資源的必備工具之一。隨著數據驅動智慧時代的到來，學術搜索引擎逐漸整合多種服務模式并朝著知識發現工具進化已成為一種普遍趨勢。自2016年起，在中國工程科技知識中心的統一管理和規劃下，中國農業科學院農業信息研究所開展了農業領域知識發現工具——農知搜索的研建。該工具基于大規模農業科技文獻、國內外農業項目、科學數據、行業報告、農業專利、專家學者、科研機構等各類農業知識資源，提供一站式知識發現、揭示及獲取服務。

1 相關研究

知識發現（Knowledge Discovery in Database）是指從大量繁雜的數據中獲取有價值的、未知的、創新的并最終以可理解的形式呈現出來的非平凡的處理過程[3]。目前國內外學者開展的相關研究，大致可分為理論模型構建與實踐研究兩個方面。

理論模型構建方面，劉江玲[4]認為大數據時代的知識發現系統應該實現資源整合、知識發現和信息推送3個功能點。張晗等[3]將知識發現系統分為核心層、知識服務層及用戶交互層：核心層實現數據的有序化組織和數據的知識化組織；知識服務層除為用戶提供檢索、參考咨詢、期刊訂閱、學科服務等核心服務外，也應提供論文檢測、論文選題、開題分析、創新助手等科研輔助服務；用戶交互層則通過支持評價、轉發、分享及推薦等操作實現用戶間的交互。陸韡[5]提出的OA資源知識發現系統框架包括用戶層、數據源、檢索器、結果處理器、索引器和排列算法。Li等[6]以CiteSeer為對象，將知識發現系統的結構劃分為存儲層、應用層及交互層：存儲層解決數據對象的組織與管理問題；應用層則是日志、網絡采集、檢索、索引及個性化等多項服務的集合；交互層以門戶的形式提供用戶與各項服務模塊的交互渠道。Fatima等[7]認為語義網環境下的搜索引擎應該包括入口詞優化器、檢索優化器、本體處理器、搜索引擎、索引器、排序器、文件識別器、結果優化器8項組件。Choochaiwattana[8]提出基于個性化檢索排序機制的學術搜索引擎框架并將該框架劃分為信息檢索詞處理、信息檢索及輔助信息服務3個層次。

實踐研究方面，按照應用領域，知識發現工具可大致分為泛在領域及垂直領域兩類，其中泛在領域知識發現工具主要包括傳統學術搜索引擎及新型知識發現工具兩類。前者以谷歌學術、BASE、微軟學術、百度學術等為代表，它們以提供資源整合檢索為主要服務內容；后者則主要包括中國知網KDN平臺、維普智立方、中國科學院慧科研平臺、Yenwo、AI2 semantic search及Connected Papers等，這類平臺均超越了資源搜索服務，附加了知識關聯揭示、個性化推送等增值服務。目前泛在信息環境下，傳統學術搜索引擎有發展并過渡至綜合性知識發現工具的趨勢。垂直領域知識發現工具則以PubMed、AGRICOLA、AGRIS為代表，其中前者由美國醫學圖書館建設，主要面向生物醫學領域；后兩者則分別由美國國家農業圖書館和聯合國糧食及農業組織建設，主要面向農業科學領域，核心索引體量均在百萬級別，收錄資源以期刊為主。

總的來說，目前泛在領域工具存在領域無關噪聲資源多及知識揭示專業化程度低的問題，而已有垂直領域工具則存在資源覆蓋類型少或資源來源受限的問題；此外，新型知識發現工具均基于機器學習、知識圖譜等新技術給出了學術查詢的革新式體驗，但這類工具因為成立時間較短而不同程度上存在資源覆蓋范圍有限，且在農業領域實用性較差的問題。因此，有必要創建一種專門針對農業垂直領域的新型知識發現工具，這便是開發農知搜索的重要原因。

2 農知搜索的設計思路

產品設計的成功首先要滿足用戶需求，農知搜索在設計之初就重點分析了農業領域的知識發現需求。根據Huurdeman[9]及甘利人等[10]的學術信息查詢模型，用戶與學術搜索工具的交互是個多次重復、逐漸聚焦的過程。在大數據與算法時代的背景下，一方面學術資源呈爆炸式增長，知識成果發表及傳播的頻率加快，知識更新速度快；另一方面，人工智能、云計算等技術生態體系的逐漸完善，為實時化、自動化、智能化處理大規模數字資源并實現深度挖掘與分析提供了工具級支撐。這種新形勢下，農業領域用戶在資源發現渠道選擇、知識獲取、知識利用及領域偏好上呈現出新的需求特征，對這些需求的滿足決定了農知搜索建設框架和核心功能的設計。

2.1 資源發現多渠道一體化

新媒體及融媒體技術的不斷發展帶動了音視頻及網絡文獻等更多類學術知識載體的出現。與此同時，數字化手段及互聯網技術的發展，論文、專利、報告等各類學術資源的出版源、流通源及保存源的低門檻化現象普遍，學術信息孤島問題依然存在。楊剛等[11]針對高校研究者信息行為的實證分析表明，近70%高校研究者認為有效信息資源匱乏、有效途徑掌握不全面、檢索方式掌握不全面是獲取科研信息資源的最大障礙。新形勢下，學術資源類型繁雜且源頭分散使得用戶傾向于使用一體化的資源發現渠道，資源收錄范圍及來源的全面性成為用戶選用知識發現工具的重要考慮因素。

2.2 知識獲取便捷化

學術資源全文是知識的最終呈現形態，獲取全文是學術用戶使用知識發現工具的核心目的。按照來源劃分，學術資源主要包括訂購資源、開放資源及自建資源。對應地，其全文獲取方式主要包括訂閱授權、開放獲取及專業服務渠道等，其中專業服務渠道是指由圖書情報機構提供的專業資源保障服務，包括文獻傳遞、館際互借及到館下載等。時間、物資投入、注意力及信息服務支付是用戶資源獲取的4項成本[12]，在線下載相比于文獻傳遞等方式具有較低的獲取成本。Deng[13]和Boukacem-Zeghmouri等[14]的實證研究均證明，近年來學術用戶通過在線下載獲取的全文數量在快速增長。泛在知識環境下用戶的期望在不斷提高，相比于利用數據庫進行深入檢索，用戶更樂于通過搜索引擎、移動通信工具等簡單便捷的途徑直接獲取學術資源全文[15-16]。

2.3 知識利用細粒度關聯化

目前的學術用戶大都為數字原生代，他們天生習慣于使用各種數字時代的技術和工具來獲取知識和解決問題[17]。學術資源數量冗余及資源質量不均衡的問題使得用戶遴選、識別知識對象及發現有效關聯線索變得困難。隨著人工智能等新技術在知識發現工具上的應用，Yewno、AI2 Semantic Search、Connected papers等AI驅動的新型知識發現工具一經問世就收獲諸多關注。用戶迫切需要除單純展示原始檢索條目外，通過自動化手段實現對目標文獻的主題及關鍵知識點等細粒度揭示，同時提供關聯知識的跳轉鏈接，減少手動再次檢索時間，提高學術知識獲取效率。

2.4 領域資源權威性

農業學科屬于自然科學類研究，在科研第四范式背景下，其科學研究呈現數據驅動、跨領域縱深融合等特征，以農作物全基因組選擇育種、作物病蟲害遙感檢測與預測為例，這類科研活動需要極大規模數據資源來提供支撐[18]。作為研究客體，各類數據集規范性和準確度直接影響領域科研成果的質量。此外，論文、報告等其他類學術資源作為科學研究的重要資料，其質量和領域相關度也尤為重要。因此，通過領域知識發現工具有效收集領域內權威來源的各類學術資源，同時要求這些學術資源是高質量、高時效且規范完整的，便是用戶對農業知識發現工具的重要訴求。

3 農知搜索的建設框架

通過對農業領域知識發現需求的分析，中國農業科學院農業信息研究所在研建農知搜索時將資源收錄全面性、知識揭示細粒度、全文保障可靠度及領域資源權威性作為總體設計目標，基于對Solr開放框架的二次開發研建了該工具。其建設框架可被劃分為四層：資源匯聚層、預索引層、核心模型層及交互服務層（見圖1）。

3.1 資源匯聚層

資源匯聚層主要實現多源異構數據的獲取、組織及長期保存，包括資源獲取、資源規范化及資源融合3項工作。資源獲取是通過明確科技期刊、圖書、會議論文、特色報告及行業資訊等多類農業領域科技資源的權威來源，采用自建加工、合作采購及網絡爬取等多種方式實現對大規模資源的定期自動化獲取。資源規范化是指遵循數據規范完成各類資源數據的去重、異常條目清洗及關鍵字段補齊。資源融合則是針對多源數據，通過關鍵字段比對等規則實現資源的數據級融合及有效溯源。

3.2 預索引層

預索引層以solr IKAnalyzer和schema xml為依據，通過文本分詞、知識標引及倒排索引實現多維語義索引群的構建。文本分詞是指為IKAnalyzer配置同義、擴展及停用詞庫，通過IKAnalyzer分詞器將資源關鍵字段文本中的連續字序列切分為詞序列。知識標引包括主題標引與量化值標引。主題標引是指通過主題抽取及文本補齊方法完成對資源的核心主題標注；量化值標引是將按照結果排序規則設計中參與計算的字段的量化分值預先寫入資源字段中。進行文本分詞和知識標引后，遴選各類資源的索引、檢索、分面字段及分詞器調用信息寫入schema xml文件，完成資源索引規范設計及分析器配置，將資源索引文本進行正向迭代最細粒度切分并生成倒排索引庫，該庫以反向索引的形式存儲全文中某個單詞對資源文檔的映射關系。

3.3 核心模型層

核心模型層集成了支撐農知搜索各項知識服務的關鍵工具與算法，主要包括推理擴展、實體命中、多因子排序、情景敏感及關聯發現5項模型。

3.3.1 基于詞表本體的推理擴展模型

領域敘詞表是可以將文獻、標引人員或用戶的自然語言轉換成規范化語言的術語控制工具。敘詞表的本體化是指將知識組織體系進行語義化表達，以幫助計算機理解自然語言輸入，保證詞間關系可被計算機理解，從而實現對原始輸入的建模、推理及擴展。通過識別農業領域知識敘詞間的同義、相關及歸屬關系，將敘詞及詞間關系批量轉化為owl/xml形式并封裝成CAT-DIC詞典配置進Lucece-SKOS的分析插件，構建農知搜索推理擴展模型[19]。該模型實現原理如圖2所示，其可被solr IKAnalyzer調用，以支持跨語種、智能擴展的語義檢索效果。

3.3.2 基于名稱規范庫的實體命中模型

實體命中主要解決人物、地點及機構等多類實體的邊界確定及類型識別問題。農業知識發現場景中，常見命名實體包括領域專家、專業機構、領域期刊及人畜共患病等。農知搜索通過對資源池的關鍵字段識別、數據抽取合并及規范化構建命名實體名稱規范庫，并設計識別規則，在檢索觸發時自動識別用戶輸入文本中的命名實體，推理用戶可能的檢索意圖，提供引導式檢索效果以幫助用戶完成檢索，該模型實現原理如圖3所示。

3.3.3 基于位置和詞頻加權的多因子排序模型

農知搜索應用詞頻和位置加權算法設計了多因子排序模型，適應資源特點，將農業知識資源劃分為文獻類、專利類、專家類及數據類，使用詞頻和位置加權算法為對應類型資源設計了定制化排序模型（見表1），之后調用solr框架中edismax查詢解析器寫入自定義的排序計算模型，根據相關度得分結果降序呈現檢索命中結果集。

3.3.4 支撐智能獲取的情景敏感模型

農知搜索的情景敏感模型主要基于本地情景敏感和OpenURL雙層框架實現適應實時情景給出可訪問全文路徑。首先通過本地情景敏感調用資源調度知識庫定位當前訪客可用服務，之后將目標資源參數傳送至遵循OpenURL協議的鏈接解析器，由其返回可用鏈接。該模型實現原理如圖4所示，包括一庫兩流程，其中一庫為資源調度知識庫，兩大流程則是本地情景敏感判定和鏈接解析。資源調度知識庫主要登記保存用戶、IP策略、服務開通范圍與方式、權限設置等信息，同時預置了資源的全文解析策略、資源與服務的優先提供規則。本地情景敏感判定以當前點擊資源信息及實時情景數據作為輸入，調用知識庫中預存規則，給出適應當前用戶及訪問情景的全文可用渠道及方式。鏈接解析是指基于OpenURL框架，調用情景敏感給出的電子全文目標庫，輸入目標資源的文獻參數，給出適應訪客權限及上下文的資源全文服務鏈接集合，并推送至前端。

3.3.5 跨域關聯發現模型

跨域關聯發現是指在資源檢索基礎上根據用戶檢索需求返回專業知識應用、自建專刊等跨類型知識資源，以實現細粒度及關聯化的知識發現效果。農知搜索的關聯發現模型通過預先設計的命中優先級別與觸發詞支持特定輸入對專業知識應用等多類型資源的召回需求，根據知識映射關系，在前端頁面的框計算位置對應呈現知識應用、自建專刊及百科等的關聯檢索效果。

3.4 交互服務層

交互服務層是農知搜索與終端用戶的交互媒介，該層以統一檢索、智能獲取、框計算及輔助服務等形式為用戶提供一站式領域知識發現服務。統一檢索是指以一體化檢索文本框為入口，接收用戶檢索詞，并觸發農知搜索的多類型資源整合檢索效果；智能獲取是指通過實時情景判定，自適應式給出目標資源的備選獲取渠道；框計算是指以框的形式呈現跨應用、百科及資源等多類型知識的關聯發現效果；輔助服務則是提供包括智能分面、引文導出、檢索報告、學術趨勢分析、收藏分析、檢索歷史等多項服務。

4 農知搜索的核心功能

農知搜索遴選領域權威數據源，整合了包括中外文期刊、科學數據、行業資訊、政策法規、基金項目、行業報告等10余類資源，通過核心模型的挖掘和組織，為農業領域學術用戶提供包括語義檢索、智能獲取、框計算、檢索報告、引導式發現及可視化分析六位一體的核心知識發現功能。

4.1 基于受控詞表的語義檢索功能

農知搜索基于領域敘詞表調用Lucene-skos組件實現對檢索文本中主題詞的實時翻譯，同義及上下位等語義關系詞擴展，以此提供跨語種、自動擴展的語義檢索服務；此外，農知搜索基于領域敘詞表CAT封裝主題詞查詢接口，在檢索結果頁提供對檢索詞的語義關系詞的智能推薦。以“protein”為例，農知搜索可給出譯詞“蛋白質”及同義詞的擴展檢索結果，此外，在檢索結果列表的上方給出語義相關詞的推薦結果。

4.2 基于情景敏感的智能獲取功能

農知搜索基于情景敏感模型提供多種全文獲取途徑的自適應發現及推薦。根據用戶訪問IP與身份信息，明確用戶所屬機構及當前訪問環境信息，并根據預設匹配規則從情景敏感知識庫中查找目標文獻信息的來源渠道，調用三方鏈接解析工具，給出目標文獻的在線獲取渠道，同時組合文獻傳遞及代查代借等多種渠道，自適應地給出資源獲取的多源快捷入口。

4.3 支撐關聯揭示的框計算功能

框計算是指以“框”來接收服務需求，系統能明確識別這種需求，并將該需求分配給最優的內容資源或應用提供商處理，最終精準高效地返回給用戶相匹配的結果[8]。農知搜索基于框計算概念，整合農業專業領域各類結構化數據及知識應用，識別檢索需求，返回與該需求最相關的資源及應用服務的入口，目前框計算已支持的數據服務包括自建知識專題、自建產業專題及農業百科；已支持的應用服務包括國際農產品貿易分析、畜禽飼料分析、經濟統計分析等。通過對數據及應用的主題標引及觸發規則設計，當目標檢索詞命中主題時觸發框計算服務效果。

4.4 支持一鍵生成的檢索報告功能

農知搜索以檢索報告的形式為用戶提供檢索結果的快速導出及報告一鍵生成，該服務基于預設模板，自動抽取、合并各類資源檢索結果的關鍵字段，快速生成報告文本，可為農業領域學術用戶批量導出檢索結果集，為進一步的數據分析與應用提供媒介支撐。

4.5 基于實體命中的引導式發現功能

目前農知搜索基于命名實體識別模型支持對農業領域專家類及機構類實體的識別與引導式發現，農知搜索以用戶檢索詞為輸入，實時查詢自建命名實體規范庫，根據返回結果給出結論，如當前檢索詞觸發了實體命中效果，則農知搜索的默認檢索結果列表上方給出對應類型的引導式發現提示。

4.6 基于實時計算的可視化分析功能

農知搜索實現了對興趣主題的學術趨勢分析，以檢索結果集為輸入，通過內嵌的文本及數值計算引擎實現對檢索結果的計量分析及可視化呈現。其中文本可視化以檢索結果集的主題詞集為對象，通過詞頻統計及主題共現關系，提供目標檢索相關的研究熱點及主題網絡的可視化；數值可視化是以檢索結果集在發表年份、研究機構、作者、收錄期刊及基金項目等維度上的數值分布為對象，可視化呈現主題內發文趨勢及高產實體。

5 農知搜索的應用效果評價

學界已有不少針對知識發現系統和學術搜索引擎的測評。王悅辰[20]從整合資源、發現知識、知識關聯與預測、文獻獲取方便度、個性化服務及系統聯機幫助6個方面對比測評了中國學術搜索、超星發現系統、智立方發現系統及學知搜索4款知識發現系統；王新才[21]從元數據收錄、檢索功能、數據挖掘與個性化服務3個維度對比了知識發現系統超星發現與學術搜索引擎百度學術；劉敏[22]從文獻來源、檢索功能、檢索結果和個性化服務4方面對比了4款中外學術搜索引擎；Brophy等[23]從索引規模、檢索準確率、結果數量及可獲得性等維度測評了谷歌搜索與圖書館學術搜索系統； Gusenbauer[24]測評了谷歌學術等12款學術搜索引擎的索引規模；Ortega[25]從功能、結構、索引規模和檢索效果4個維度對比測評了CiteSeer、微軟學術等6款學術搜索引擎；韓小莉等[26]從關鍵詞檢索、作者檢索等方面詳細測評了谷歌學術與中國知網的檢索功能；侯躍芳等[27]從檢索方法、檢索結果及結果輸出格式3個維度對比了PubMed及谷歌學術等的檢索功能。總之，針對知識發現系統的測評體系較為綜合，針對學術搜索引擎的測評則相對細致，更側重圍繞檢索功能設計測評指標。本文在借鑒前人相關測評的基礎上，結合農知搜索的功能定位，綜合考量各因素提出學術搜索引擎的測評標準（見表2）。以下選定泛在學術搜索引擎谷歌學術與農業領域知識發現系統AGRICOLA和AGRIS作為參照對象，依次開展了上述4個維度的對比以測評農知搜索的整體應用效果。

5.1 資源收錄表現

資源收錄上，4種工具的對比表現如表3所示，只有谷歌學術索引規模為上億級別，農知搜索的索引規模遠超過AGRICOLA和AGRIS。資源類型上，4種工具均以文獻類資源為核心，在不同程度上拓展了科學報告及科學數據等類型資源，農知搜索則涵蓋了文獻類、專利類、數據類及資訊類資源，資源多元化程度更高。資源來源遴選上，谷歌學術采集了所有符合爬取規則的全球全學科的學術網絡資源；AGRICOLA的資源以美國國家農業圖書館館藏資源為主；AGRIS數據來自于全球500余家各類數據供應者，只要滿足其數據提供條件即可申請成為AGRIS的數據供應者；農知搜索在國家科技圖書文獻中心及國家農業圖書館館藏資源基礎上，遴選確定了全球上千個領域權威信息源。

5.2 檢索功能表現

檢索功能主要測評檢索工具是否提供多種備選資源檢索模式以響應不同的檢索需求。檢索功能上，農知搜索與AGRIS均基于專業詞表支持跨語言的檢索效果。谷歌學術、AGRICOLA與AGRIS的整體檢索功能以資源一鍵檢索功能為主，農知搜索則考慮了一些附加功能，其通過瀏覽式檢索功能以滿足無目的性知識發現需求是其他3種檢索工具都不具備的。

5.3 檢索效果表現

檢索效果主要測評檢索性能及返回結果的有效性，該維度以量化指標為主。選擇國家農業圖書館歷史檢索數據中使用頻率最高的10個中文檢索詞（大豆、水稻、小麥、玉米、瓜葉菊、秸稈還田、棉花、辣椒、馬鈴薯、草莓）及對照英文檢索詞作為測試詞集。

4種工具在檢索效果各項指標上的測評結果如表4所示。以谷歌學術作為查全率測試基準，農知搜索在查全率表現上遠優于AGRICOLA和AGRIS兩種知識發現工具；通過人工核對前3頁檢索結果與檢索主題的相關性來確定查準率，結果農知搜索優于AGRIS、谷歌學術、AGRICOLA；同時農知搜索以免費在線下載+快速文獻傳遞服務的方式保證了目標資源的全文可獲取率，谷歌學術與AGRIS以免費在線下載的方式提供部分資源的全文可獲取，全文保障率均不足50%，AGRICOLA則是只允許館內注冊用戶獲取全文，未面向泛在用戶提供服務；農知搜索與谷歌學術目前僅只支持日期或相關度降序排列檢索結果，同時均結合資源的內容屬性對相關度排序策略進行了改造。

5.4 個性化服務表現

個性化服務主要測評工具的易用性及輔助功能的完備性，其主要測評指標包括相關推薦、引文數據展示、引用導出、分面篩選、檢索歷史、WEB2.0及關聯發現等。綜合來看，農知搜索提供較全面的個性化服務功能，在檢索結果頁關聯呈現包括應用及百科等多類知識對象的關聯揭示，提供相關資源及知識應用推薦、檢索歷史功能，支持常見格式的引用導出及分面篩選，并在資源詳情頁提供引文數據展示及收藏、分享等系列WEB2.0功能。谷歌學術、AGRICOLA、AGRIS 3種工具則是均提供引用導出及WEB2.0等常規功能，對特色個性化服務功能的支持有限。

6 結論

通過資源收錄、檢索功能、檢索效果及個性化服務4個維度的對比，農知搜索在資源收錄全面性、資源檢索智能性、全文有效保障率及輔助功能完備性等方面可達到應用級知識發現工具的一般標準，而且其在中文資源的收錄和檢索功能設計上具有明顯的優勢，因此其研建與發布可成為國際農業領域學術知識發現與供給的有效補充。

由于跨域關聯功能及輔助檢索功能的加載使得其響應速度相對較慢，性能問題是農知搜索下一步優化與升級的重點；此外，緊跟新型知識發現工具的發展趨勢，推進深度學習等新技術在檢索排序、意圖識別等學術知識發現關鍵環節的應用與工程化實現可以進一步提升農知搜索的語義化、智能化發現水平，也是農知搜索的重點任務之一。

［1］ 李明. 創新思維與文獻驅動［M］. 北京：科學出版社，2017.

［2］ LOSSAU N，SUMMANN F. Search engine technology and digital libraries-Moving from theory to practice［J］. D-Lib Magazine，2004（9）：1-5.

［3］ 張晗，畢強，許鵬程. 圖書館知識發現系統與用戶交互模型構建［J］. 情報資料工作，2018（4）：15-23.

［4］ 劉江玲. 面向大數據的知識發現系統研究［J］. 情報科學，2014，32（3）：90-92.

［5］ 陸韡. 面向OA資源的圖書館知識發現系統應用研究［J］. 圖書館工作與研究，2019，1（10）：83-88.

［6］ LI H，COUNCILL I，LEE W C，et al. CiteSeerx：an architecture and web service design for an academic document search engine［C］//Proceedings of the 15th International Conference on World Wide Web. 2006：883-884.

［7］ FATIMA A，LUCA C，WILSON G. New framework for semantic search engine［C］//2014 UKSim-AMSS 16th International Conference on Computer Modelling and Simulation. IEEE，2014：446-451.

［8］ CHOOCHAIWATTANA W. An Architecture of an Academic Search Engine with Personalized Search Result Ranking Mechanism［C］//Proceedings of the 5th International Conference on Network，Communication and Computing. 2016：161-165.

［9］ HUURDEMAN H C，KAMPS J. Designing multistage search systems to support the information seeking process［M］//Understanding and Improving Information Search. Springer，2020：113-137.

［10］ 甘利人，岑詠華. 科技用戶信息搜索行為影響因素研究［J］. 情報理論與實踐，2007，30（2）：156-160.

［11］ 楊剛，袁功名，徐韻影. 新媒體環境下科研信息行為與特征分析［J］. 圖書情報工作，2018，62（3）：78-85.

［12］ 鄧靈斌，東方. 信息資源獲取的成本和策略研究［J］. 情報科學，2006，24（12）：1828-1831，1840.

［13］ DENG H P. Emerging patterns and trends in utilizing electronic resources in a higher education environment［J］. New Library World，2010，111（3/4）：87-103.

［14］ BOUKACEM-ZEGHMOURI C，SCH?PFEL J. On the usage of e-journals in French universities［J］. Serials The Journal for the Serials Community，2008，21（2）：121-126.

［15］ LO P，CHO A，LAW B K K，et al. Progressive trends in electronic resources management among academic libraries in Hong Kong［J］. Library Collections，Acquisitions & Technical Services，2017，40（1/2）：28-37.

［16］ 何雪梅，羅藝，鄧發云，等. 泛在知識環境下大學生信息檢索行為特征分析［J］. 四川圖書館學報，2016（3）：46-49.

［17］ SELWYN N. The digital native-myth and reality［C］//Aslib proceedings. Emerald Group Publishing Limited，2009.

［18］ 周國民：中國農科院科研管理信息化的思考［EB/OL］.［2020-12-31］. http://caas.cn/xwzx/zjgd/296615.html.

［19］ 鮮國建，趙瑞雪，寇遠濤，等. 農業科學敘詞表關聯數據構建研究與實踐［J］. 現代圖書情報技術，2013（11）：8-14.

［20］ 王悅辰. 國內四大中文知識發現系統比較分析［J］. 圖書館工作與研究，2015（9）：42-45.

［21］ 王新才. 知識發現系統與通用學術搜索引擎文獻資源比較研究——以超星發現和百度學術為例［J］. 福建論壇（人文社會科學版），2018（4）：164-172.

［22］ 劉敏. 中英文學術搜索引擎的對比研究［J］. 圖書館學研究，2014（24）：29-35.

［23］ BROPHY J，BAWDEN D. Is Google enough? Comparison of an internet search engine with academic library resources［C］//Aslib Proceedings. Emerald Group Publishing Limited，2005.

［24］ GUSENBAUER M. Google Scholar to overshadow them all? Comparing the sizes of 12 academic search engines and bibliographic databases［J］. Scientometrics，2019，118：177-214.

［25］ ORTEGA J L. Academic search engines：a quantitative outlook［M］. Amsterdam：Elsevier，2014.

［26］ 韓小莉，李恩科，康延興，等. Google學術搜索及其與CNKI檢索功能的對比［J］. 情報雜志，2009，28（S2）：182-183，199.

［27］ 侯躍芳，趙玉虹，龔黛琛. Google Scholar，Scirus及PubMed檢索功能對比研究［J］. 醫學信息學雜志，2009，30（7）：12-16.

Construction and Application of Nongzhi Search: An Agricultural Knowledge Discovery Tool

ZHANG Jie1ZHAO RuiXue1,2KOU YuanTao1,2XIAN GuoJian1,2

( 1. Agricultural Information Institute of Chinese Academy of Agricultural Sciences, Beijing 100081, China; 2. Key Laboratory of Key Laboratory of Agricultural Big Data, Ministry of Agriculture and Rural Affairs, Beijing 100081, China )

This article pinpoints the construction goals of Nongzhi Search through elaboration of agricultural knowledge discovery demands under new situation, puts forward the construction framework of Nongzhi Search and introduces its “Six in One” functions in detail. Finally, this article verifies the application effect of Nongzhi Search from four dimensions of resource collection, retrieval function, retrieval results and personalized service. The construction and release of Nongzhi Search is an important supplement of knowledge discovery tools within the international agricultural domain.

Academic Knowledge Discovery; Nongzhi Search; Domain Knowledge Service

G252.7

10.3772/j.issn.1673-2286.2021.01.006

張潔，趙瑞雪，寇遠濤，等. 農業領域知識發現工具的構建與應用——以農知搜索為例[J]. 數字圖書館論壇，2021（1）：38-46.

*本研究得到中國工程科技知識中心建設子項目“農業專業知識服務系統”（編號：CKCEST-2019-1-1）資助。

張潔，女，1991年生，碩士，館員，研究方向：數字圖書館構建關鍵技術。

趙瑞雪，女，1968年生，博士，研究員，通信作者，研究方向：農業信息管理，E-mail：zhaoruixue@caas.cn。

寇遠濤，男，1982年生，博士，研究員，研究方向：信息系統與數字圖書館關鍵技術。

鮮國建，男，1982年生，博士，研究員，研究方向：知識組織與知識服務。

（收稿日期：2021-01-01）