數字人文語義發布基礎設施框架設計與實現*

陳 濤，祝 蕊，蘇日娜，王 蕾

0 前言

人類在與自然、社會的交互中產生了龐大的數據，這些數據中包含大量描述自然界和人類社會客觀規律的有用信息，并以圖片、聲音、文字、視頻等載體形式進行呈現和存儲。在傳統人文研究中，研究人員需要依靠公共或私人領域的藏書和文獻資料，自行搜集研究材料。在大多數情況下，人們在獲取這些信息時很難留下瀏覽痕跡，或在查找材料過程中一無所獲，或是無法將有關內容很好地整合與聯系起來。隨著數字化生態系統的擴張，數字人文從方法論和研究范式上創新了人文學科的研究方法。為解決上述問題，GLAM等文化遺產機構不斷將存儲在館內的各種資料進行數字化、數據化、文本化和語義化，積極開展數字人文基礎設施建設，如開發數字人文項目、數字人文網站、主題數據庫，旨在從新角度、新方法、新思路上挖掘數據的價值。

隨著數字人文研究熱度的提升和諸多數字人文項目落地，越來越多的人文學者思考如何從不同角度來探討和構建數字人文基礎設施，以降低數字人文研究門檻、規范數字人文研究模式、提升數字人文研究效率。Chris Alen Sula指出要重新審視數字人文基礎設施建設問題，要使信息專業人員為該領域的發展和未來做出貢獻[1]。劉煒將數字人文基礎設施定義為一種支持人文科學研究活動的基礎設施，包括全球范圍內與研究主題相關的文獻、數據、軟件工具、學術交流和出版的公用設施及相關服務等，并提出數字人文基礎設施模型，探討如何從國家或機構層面建設數字人文基礎設施[2]。其他人文學者的數字人文基礎設施建設研究主要集中在網絡基礎設施、數據基礎設施和研究基礎設施等方面。

網絡基礎設施可理解為支持大規模數字對象的存儲、共享、分析的大型基礎設施。包弼德指出，無論是中國還是美國都要重視建設網絡基礎設施(Cyber Infrastructure)，以解決這些獨立于特定的語言、項目、學科而建設的軟件平臺缺乏關聯造成的重復性工作和資源浪費情況[3]。

數據基礎設施以數據為基本組成單位，圍繞數據構建通用的、規范的數據應用生態。夏翠娟分析了面向人文研究的數據基礎設施的一般性功能需求和技術規范，探討圖書館與大數據技術結合起來的方法論貢獻[4]。顏佳等通過分析我國圖檔博領域圖像數據基礎設施建設現狀，指出圖像數據基礎設施建設研究形成一批具有影響力的機構和作者，正在受到越來越多的關注，將成為新的研究熱點[5]。

研究基礎設施集中于通用的數字人文研究平臺的實施和推廣。DocuSky是一個個人化的數位人文協作平臺，可以為研究者提供數位人文研究服務；并且同Markus、CBDB、Palladio 兼容，實現跨平臺操作，形成更全面的工作流程和功能[6]。華東師范大學人文與社會科學研究院通過社會科學數據共享平臺、創新創業開放數據平臺、數字人文研究支撐平臺、數字人文人工智能平臺等該校師生提供穩定、開放的線上文科科研公共服務[7-8]。我國臺灣地區中華文明時空基礎架構(CCTS)、復旦大學中國歷史地理信息系統(CHGIS)、浙江大學學術地圖發布平臺等項目都可以看成研究基礎設施[9-10]，為學者充分利用信息技術工具解析呈現中國史料和進行深入研究提供便利條件。

除上述三類基礎設施研究外，魯丹從基礎設施要素層、API接口服務層、應用平臺、應用終端四方面提出基于API技術構建數字人文基礎設施的架構，以實現資源互聯[11]。針對特定的文化遺產領域，王曉光提出文化遺產圖像語義信息聚合與表達框架，為文化遺產圖像的深度應用探索新的基礎框架[12]。歐洲DATABENC聯合會開發的面向文化遺產研究的基礎設施DatabencArt和EDUBBA旨在利用信息技術傳播文化遺產領域知識[13-14]。

綜上所述，國內外數字人文基礎設施研究多以理論性和平臺性為主，對數據之間的交互、資源的共建共享、平臺適用性等標準化問題缺乏詳細明確的研究與討論。鑒于此，本文分析數字人文基礎設施中常用的核心語義技術，并應用這些語義技術進行模塊化設計，形成語義發布基礎設施整體框架，同時將框架應用于數字人文實際項目。

1 語義發布基礎設施

語義發布基礎設施主要針對數字人文建設中的結構化數據和圖像資源，采用語義框架及相關技術，從資源組織、知識關聯、圖像交互等方面進行統一設計、統一架構、相互關聯，以此形成的具有開放、共享、交互特性的基礎框架。該基礎設施的提出旨在為相關學科領域學者提供支撐跨學科研究時資源共享交互的解決方案；通過搭建能夠幫助研究人員發現新問題的平臺，以提供更多的資源類型、更大的數據規模、更新的技術應用和更優質的服務體驗，更好地補充數字人文基礎設施建設和支持數字人文研究。

語義發布基礎設施框架見圖1，主要由數據語義發布、本體語義發布和圖像語義發布三部分組成。數據語義發布聚焦RDF資源的統一發布和數據集間知識關聯與發現；本體語義發布側重于本體的在線發布與復用，以及本體多形態呈現；圖像語義發布追求圖像資源之間的交互共享和對象多模態標注。三部分之間不能通過簡單的技術堆砌形成，而需要整體設計、全局考慮。三者之間可散可合，每部分都可以獨立使用，提供各自的語義發布服務，又可以互相關聯、三位一體，形成跨資源、跨模態的語義基礎設施。三位一體時，數據語義發布需要借助發布的本體進行資源組織，圖像語義發布中對圖像的組織和多模態標注同樣需要用到本體知識；同時，圖像語義發布也可以通過發布的本體實現圖像知識和關聯數據集的語義關聯。語義資源區別于傳統資源最大的區別就是給每個實體(包括資源和圖像)賦予全網唯一的URI地址。有了URI，資源才脫離物理空間的限制，成為網絡中流通的數據節點[15]。而RDF和SPARQL規范數據集的結構模型和檢索語言，是數據之所以能成為語義數據的最基本要求。當然，目前該語義基礎設施主要針對結構化數據和圖像資源，將來還將融合更多的語義技術以支持音頻、視頻、3D模型等資源的發布。

圖1 語義發布基礎設施框架

1.1 數據語義發布

數據語義發布基于關聯數據四原則構建[16]，主要實現RDF資源的統一發布和知識關聯與發現。關聯數據(Linked Data)是語義網(Semantic Web)的一種輕量級實現，描述了通過可鏈接的URI方式來發布、分享、連接Web中各類資源的方法。關聯數據并不是一種新的數據，可看成是數據的一種新的組織和展現方式，它也不等于數據關聯和知識圖譜。大數字時代，越來越多的人文學者從事學術研究時，需要借助于網絡的力量，應用多方的數據作為研究支撐，關聯數據方案可成為數據鏈接和中轉的橋梁[17-20]。

數字人文研究過程中，除常見的存于各種關系型數據庫中的結構化數據外，還有大量半結構化(Excel、XML、HTML、JSON等)和非結構化(網頁內容、文本內容等)數據。這些數據有的存于各個機構內部的數據庫中，有的甚至是以文件形式存于磁盤中，造成嚴重的數據孤島現象，數據之間的交融和再利用基本為零。由于數據形式多樣，這里僅探討常見的數據類型的語義解決方案。圖2為數據語義應用建設流程，總體來看，數據的語義化建設主要包括數據轉換、數據發布、數據消費三步。

圖2 數據語義應用建設流程

(1)數據轉換是為了實現不同數據之間的語法一致性，不同類型的數據只有語法一致，擁有相同的數據結構和組織形式，關聯和交互才有可能。數據轉換時，通常需要借助設計好的本體，對關系型數據庫中的結構化數據可以采用D2R進行RDF轉換；半結構化數據需要根據本體映射，開發相應的格式解析器進行RDF解析；而非結構化數據往往需要借助自然語言處理、實體識別、關系抽取等技術門檻較高的數字技術來實現資源的RDF結構化。

(2)數據發布是數據關聯的前提，發布是為了更好開放與關聯。數據只有放在網絡中成為節點，才能被更多資源所發現。通常RDF數據集通過各自的SPARQL Endpoint對外提供訪問，不同機構、不同數據源具有不同的SPARQL Endpoint地址，這就給數據使用者帶來不便。關聯數據發布中心可以對請求的資源進行轉發，實現資源的統一調度。而關聯是為了實現不同數據之間的語義一致性，單一數據集中的資源往往僅反映某一個或某一些資源特性。比如，中國歷代人物傳記資料庫(CBDB)就以人物傳記和人物關系為資源特色，但缺少人物的古籍、作品等相關成果。不同數據來源中具有同一資源(實體)的數據被關聯后，才能從多視角來描述資源，實現資源的大一統，形成更全面的資源畫像，關聯后的數據同樣也需要進行發布。

(3)數據轉換和數據發布都是為了最終的數據消費服務，通過數據語義發布引擎實現對跨數據源的資源進行聯邦檢索、知識關聯和發現、知識圖譜展示等服務。數據語義發布引擎已應用于上海圖書館歷史人文大數據平臺、華東師范大學數字方志集成平臺和數字人文研究支撐平臺、南通大學爾雅詞表發布平臺[21]等數字人文研究平臺。

1.2 本體語義發布

本體設計是數字人文項目建設過程中最為基礎和核心的工作，在使用過程中往往令很多人文學者為之苦惱，原因包括：一是數字人文本體眾多，基本上每個專題知識庫都有自己特有的本體屬性，人文學者在數字人文建設過程中，不清楚去何處查詢相關本體。二是當查找到多個本體或者多個相似屬性時，不清楚到底該使用何種本體、何條屬性來描述自己的數據資源。三是往往很多本體都提供OWL格式的文件下載，不利于對本體的準確理解和直觀認知。四是當復用已有本體時，不清楚如何復用本體中的類和屬性。

本體語義發布采用RDF、圖數據庫、SPARQL、OWL等語義網相關技術構建，旨在實現本體管理的流程化與平臺化。圖3給出本體常用的語義應用建設流程，主要分為本體設計、本體發布和本體消費三步。本體在設計時，建議采用“盡量復用、必要繼承、無奈擴展”的設計原則，以減少后期本體對齊和語義關聯時所帶來的額外代價。

圖3 本體語義應用建設流程

(1)“盡量復用”強調設計本體時，盡可能使用已經被行業或學者所接受的公開本體，如描述人物信息的FOAF 本體、描述書目框架的BIBFRAME本體。當然，一些常用的詞表也是首選，如DC元數據。

(2)“必要繼承”指當復用的本體中的類和屬性不能滿足研究需求時，優先考慮在繼承已有本體的類和屬性的同時，設置其子類或子屬性，這樣資源既可以使用繼承的類和屬性，又可以使用其新增的子類和子屬性。比如，定義人的字、號時，可以繼承foaf：Person 類，既可以使用foaf：Person 下的屬性，又可以使用自定義的字、號屬性。

(3)“無奈擴展”主要針對一些特有的元數據信息和業務需求而去新建的類及屬性。比如，契約類文書、賬簿類文書、碑拓等資源無現有的本體可以復用，則需要根據各自的資源特色和業務需求設計專屬類及屬性。

設計好的本體一般有兩類用途：一是服務數據轉換，在進行實例數據的知識組織時，需要依據設計好的本體進行RDF轉換，這里和數據語義化建設流程中的本體作用一致；二是服務知識理解，本體是知識庫的概念抽象和知識表示，人們常通過讀懂本體來了解知識庫的資源結構，此時如僅僅提供本體OWL文件，直觀性和可讀性較差。因此，設計好的本體文件可以通過本體知識服務中心進行發布，發布后可以進行本體的多維查詢(類、屬性、分類、Metadata信息等)、自動序列化(RDF/XML、 TTL、 N3、 JSONLD)、多形態呈現(列表、樹形、圖譜可視化)、版本控制、API 調用等核心功能，實現更好的本體消費。發布本體時也會自動關聯到該本體所復用的其他本體，增強本體的可讀性與易用性。本體語義發布引擎已成為數字人文資源建設和研究中重要的基礎設施，成功應用于CBDB關聯數據平臺、上海圖書館歷史人文大數據平臺(家譜、古籍、盛檔、手稿等)、華東師范大學近現代書畫印本數據庫、中國科學院π評價指數平臺以及服務于南京農業大學、上海大學、南通大學眾學者的學術研究中。

1.3 圖像語義發布

在幾千年歷史長河中，前人創造了豐富的歷史文化財富，留下了大量文物遺存，很多文物歷經歲月磨難，很難再常現于世，此時圖像就成為最接近于原物的代替品，因此對圖像的研究愈發重要。圖像資源是數字人文研究中不可或缺的資源類型，中國的數字人文研究更離不開圖像。數字人文研究中圖像不應僅作為某些資源的附屬物，而應和數據一樣成為資源流通的節點，參與共享與交互。相比結構化數據的廣泛研究和應用，圖像資源利用率低、語義化應用程度差，圖像孤島現象嚴重，嚴重制約了以圖像為主要資源類型的數字人文研究的開展[22]，甚至可以說缺少圖像資源的數字人文研究是片面的、不完整的。

結合國際圖像互操作框架(IIIF)[23-24]和本體、關聯數據、SPARQL等語義技術，構建圖像語義發布引擎，實現了圖像跨機構的共享與交互，為圖像的語義應用提供了可行的實施方案，并已在多個數字人文項目中得到體現。圖4為圖像語義應用建設流程，這里同樣將整個流程分為三個部分：圖像轉換、圖像組織和圖像消費。

圖4 圖像語義應用建設流程

(1)圖像轉換用來將JPG、PNG、TIF、GIF等不同格式的原始圖像轉為IIIF框架要求的圖像格式，圖像格式推薦為JP2和TIFF。這一步通常可以借助實現了IIIF框架中Image API要求的圖像服務器(如Cantaloupe、IIP Server)完成，經過圖像服務器發布后的每幅圖像都指定了唯一的URI地址。

(2)發布的圖像地址將會依據IIIF 框架中的Presentation API標準進行組織，形成圖像資源清單(Manifest)文件，這一步可以在圖像語義發布引擎中完成。對網絡中已經使用IIIF框架要求發布的圖像資源，同樣可以在該引擎中對其中的圖像進行重組，形成新的清單文件。

(3)圖像語義發布引擎除了可以實現圖像的重組(復用)，還可以實現IIIF框架中的Search API對圖像內容進行檢索。當然，檢索的前提是需要對圖像內容進行注釋，由于很多在線的IIIF資源并不提供圖像的注釋功能，因此提出圖像語義發布引擎將實現圖像注釋內容和圖像資源本身相互分離。此外，圖像的消費還包括圖像的語義標注。語義標注將通過本體知識服務中心發布的本體及屬性將圖像局部對象和開放的關聯數據集中的資源進行語義關聯，從而獲得更為豐富和全面的圖像知識。

圖像語義發布引擎將成為圖像資源應用和研究的重要基礎設施，目前已應用的領域包括上海圖書館歷史人文大數據平臺其中的民國報刊、民國廣告等圖像資源的組織和深度應用，以及上海交通大學民國報刊、中山大學徽州文書平臺、南通大學爾雅音圖、上海財經大學永樂大典等特色資源庫。

2 語義發布基礎設施實踐

2.1 上海圖書館“歷史人文大數據平臺”

文中提出的語義發布基礎設施框架和方案已成功應用于上海圖書館“歷史人文大數據平臺”，該平臺主要建立在已有的家譜、古籍、名人手稿、盛宣懷檔案、民國報刊等數字人文項目的基礎上，旨在通過統一的平臺、統一的架構、統一的模型提供更多的資源類型、更大的數據規模、更新的技術應用和更優質的服務體驗，以尋求新的突破，為數字人文的應用提供新的研究思路。

圖5為歷史人文大數據平臺(SHL-DHC)包含的各種資源語義架構，主要分為文獻(專題)知識庫、基礎知識庫和圖像知識庫三類。文獻知識庫主要有家譜、盛檔、古籍、紅色文獻、老電影、民國報刊等數字人文專題庫，此類專題庫可獨立提供服務，亦可通過歷史人文大數據平臺統一進行檢索和分析。圍繞文獻知識庫可衍生出基礎知識庫和圖像知識庫，文獻知識庫中涉及到的人名、地名、紀年等信息被抽取出來組成基礎知識庫，基礎知識庫包括人名、姓氏、紀年、機構、印章、地理、避諱字、刻工、事件、建筑等各個基礎子庫，這些子庫將共同為文獻知識庫提供基礎數據支持。在不同文獻知識庫建設過程中，當遇到相同的實體時，可以調用基礎知識庫中該實體資源URI。通過實體URI，就可以將不同文獻庫中的相關知識進行關聯。很多文獻知識庫中都包含圖像資源，如家譜、古籍、紅色文獻全文，各種手稿、檔案，電影海報、民國報刊等，這些圖像資源有的僅為某一個知識庫使用，有的需要為多個知識庫所共用。因此需要圍繞圖像，構建圖像知識庫，即這里的圖像中臺。不同文獻知識庫中的圖像都將放入圖像中臺，對外提供統一的調用方式和圖像地址，供不同文獻知識庫使用。

圖5 歷史人文大數據平臺資源語義架構

歷史人文大數據平臺是典型的多源知識庫集成方案，平臺中的基礎知識庫和文獻知識庫都使用RDF(資源描述框架)進行資源組織，并通過數據語義發布引擎進行資源的發布和調用；資源組織時需要設計不同的知識本體，這些本體通過本體語義發布引擎進行本體的發布。平臺中的所有圖像資源都采用統一的圖像服務器進行存儲，并通過圖像語義發布引擎對外提供圖像組織、內容標注、知識分享等服務。目前歷史人文大數據平臺中140多萬條的書目數據、42.7萬CBDB人物數據、130多萬條人名規范庫信息等皆采用數據語義發布方案；家譜、古籍、手稿、檔案等本體都采用本體語義發布方案；民國報刊、民國廣告等圖像資源采用圖像語義發布方案。

2.2 中山大學“徽州文書知識平臺”

徽州文書是20世紀中國民間歷史文獻領域的重大發現，由其形成和推動的徽學研究成為中國人文社會科學研究的重要領域。徽州文書獨特的原始性、唯一性、文物性和學術性為歷史學、社會學、民俗學等人文社會科學研究提供了珍貴的資料[25]。中山大學圖書館收藏徽州文書33萬余件，共100 多萬余頁圖像資源。徽州文書知識平臺的建設，語義發布基礎框架將在資源組織、內容揭示、知識關聯、協同研究等方面起到無可替代的核心作用。

圖6 顯示了徽州文書數字人文平臺的語義存儲架構，完全融入文中提出的數字人文語義發布基礎設施的構建方案。前期研究中，中山大學圖書館徽州文書小組已經梳理出徽州文書不同類型的元數據信息，并抄錄部分徽州文書的著錄數據，結合掃描的圖像資源，共同組成平臺的基礎數據。在平臺建設中，徽州文書數字人文平臺涉及徽州文書圖像資源、組織數據、內容注釋數據、文書元數據，以及平臺使用中產生的系統數據等，這些不同模態的數據不能用單一存儲機制，需要結合多種數據庫來提供不同的語義發布服務。

圖6 徽州文書數字人文平臺語義存儲架構

(1)將圖像與文書內容進行分離，文書內容的存儲使用 RDF 存儲(GraphDB)和 RDB 存儲(MariaDB)相結合。RDF存儲主要針對文書錄入的元數據信息，通過徽州文書本體對文書知識結構進行組織，并通過數據語義發布引擎進行知識的發布。設計好的本體同樣通過本體語義發布引擎進行發布，以便研究者對徽州文書結構進行了解和認知。系統產生的非業務數據無需轉換成相應的實體資源和知識發布，因此可以采用傳統的結構方式存儲到MariaDB關系型數據庫中。

(2)圖像資源是徽州文書平臺建設中重點考慮的資源類型，文書圖像本身將會存儲在符合IIIF框架要求的圖像服務器中，并使用內存數據庫Redis 對圖像進行索引，以提高圖像的訪問效率。徽州文書平臺中文書全文圖像的展示將會從Redis中進行圖像調用。同時圖像之間的組織結構和圖像資源將會通過圖像語義發布引擎進行對外發布，以實現跨資源圖像共享與交互。

(3)圖像之間的組織和注釋內容(元數據著錄或者OCR識別)使用Apache Jena進行存儲，同樣通過數據語義發布引擎進行數據發布。圖像語義發布的圖像資源和數據予以發布的數據，都將通過Elastic Search進行索引。索引的文書圖像內容和注釋內容將會在徽州文書平臺中得到快速檢索、分面和統計。

徽州文書數字人文平臺正在建設，已有部分文書圖像資源已采用圖像語義發布引擎進行發布，后續將繼續進行更多文書資源，甚至其他類型的特藏資源發布。采用語義發布基礎設施后，館藏資源將突破各自的物理空間限制，都將成為廣闊數據海洋中的一個節點，一個可以流通交互的數據節點。通過該數據節點，可以串聯起多源異構的數據資源，為數字人文交叉研究提供數據層面的解決方案。除了數據的發布和檢索外，語義標注、語義檢索、資源發現、知識圖譜分析等深層次的應用與研究都離不開數據的開放與關聯，也只有這樣，數據才能釋放更大的研究價值，也更加符合新文科建設所要求的交叉融合性、開放包容性與技術人文性。

3 結語

隨著越來越多的數字人文項目的實施，業內學者思考如何將數字人文研究相關環節規范化、基礎化、快捷化。數字人文基礎設施的提出順應了人文研究發展的需要，也是新文科建設落實的最佳實踐。本文采用關聯數據、語義網、本體等核心技術，針對本體、數據、圖像三類資源提出構建數字人文語義發布基礎設施的方案，以實現不同數據集之間以及和圖像之間的語義組織與關聯，以提升數據利用價值，結合上海圖書館歷史人文大數據平臺和中山大學徽州文書知識平臺論證語義發布基礎設施的可行性和可用性。上述數字人文語義發布基礎設施框架中，本體、數據、圖像三者之間環環相扣，循環映襯，互為依存。

本體是數字人文知識庫建設和融合的根基，數據和圖像是數字人文研究中最主要的兩大資源類型，因此“數據語義發布”“本體語義發布”“圖像語義發布”三位一體，三者的提出與建設從數據層實現了資源之間的互通共享，提升了數據的應用和研究價值。數字人文語義發布基礎設施可以作為數字人文基礎設施研究的補充，能為數字人文研究中的專題知識庫和圖像資源的建設和有效利用帶來新的解決方案。鑒于目前該語義發布基礎設施已有效應用于多所科研機構和高校的數字人文項目建設以及人文學者的學術研究當中，未來可以更多地應用于GLAM的機構中，為古籍、民間文獻、非物質文化遺產以及其他圖像資源提供可描述、揭示、應用的參考樣例。與此同時，本體、數據、圖像三個互通有無的中心應用可為其他跨學科、跨領域的數字人文應用提供基礎數據建設的可借鑒模型，一定程度上，擴大了數字人文的概念外延，也加深了數字人文語義發布基礎設施構建的理論理解。