БИ ОСНОВЫ ИНФОРМАТИКИ. БИ_курс лекций. Р. С. Гиляревский основы информатики курс лекций
 Скачать 1.65 Mb.
|
|
Информационный поиск Предыстория и сущность "Знание бывает двух видов. Мы знаем предмет по существу, или же мы знаем, где можно найти информацию о нем". В этой простой мысли давно известного высказывания английского писателя XVIII в. Сэмюэля Джонсона содержится главный признак, по которому дея- тельность информационная отделяется от научно-исследовательской. В ходе научного исследования возникает новое знание, а в сфере инфор- мации происходит отчуждение этого знания от его творцов и превра- щение в общее достояние. Однако простота этого разграничения мни- мая, потому что в науке грань, отделяющая информационную деятель- ность от исследовательской, непостоянна. Развитие информационной технологии все время сдвигает эту грань, поскольку информационной деятельности становятся подвластны все более сложные процессы пе- реработки знаний. То, что вчера еще делали сами исследователи, сего- дня оказывается целесообразным передать информационным работни- кам. Эти соображения, уже высказанные в лекции об информацион- ной деятельности, уместно повторить, начиная разговор об информа- ционном поиске, поскольку он является основным процессом этой дея- тельности и на протяжении нескольких десятилетий – центральной проблемой информатики. Новая информационная технология меняет подход к этой извечной проблеме и во многом определяет сегодня раз- витие информационных систем. Но информационный поиск как про- цесс и проблема известен с давних пор (наиболее ранние из дошедших до нас яинформационно-поисковых систем насчитывают тысячелетий) и продолжает волновать ученых и специалистов-практиков. Само понятие информационного поиска появилось только в се- редине нашего века. Оно объединило такие, казалось бы, разные виды деятельности, как составление библиотечных каталогов и библиогра- 127 фических указателей, организация библиотек и справочно-информа- ционного обслуживания, архивное дело, создание словарей, справоч- ников, энциклопедий, вспомогательных указателей к монографиям и сборникам. В основе этого понятия лежит представление о том, что поиск необходимой информации в любом собрании документов практически невозможен путем прочтения или даже беглого просмотра текстов всех документов данного собрания. Поэтому уже с незапамятных времен для поиска информации применяют ряд логических процедур, которые в совокупности и составляют процесс информационного поиска. Про- чтение полного текста документа заменили просмотром заглавий, ан- нотаций, рефератов. Однако и эта процедура в многотысячных собра- ниях документов оказалась слишком трудоемкой. Документы при- шлось систематизировать по содержанию, которое условно стали обоз- начать индексами, т. е. буквами и/или цифрами. Систематизация по разделам наук (классам) – один из самых первых способов раскрытия содержания научно-технических документов, моделирующий работу человеческого сознания и восходящий к глубокой древности. По мере увеличения количества письменных и печатных доку- ментов и объема наших знаний о мире их классификация усложнялась. Эти классификации получили название иерархических. Многотомные схемы классификации конца прошлого – начала нашего века насчиты- вали десятки тысяч классов, подклассов, отдельных рубрик. Специали- стам смежных областей знания и особенно массовому читателю биб- лиотек стало трудно ориентироваться в схемах классификации и опре- делять в их иерархии место той рубрики, по которой необходимо по- лучать информацию. Да и сами рубрики, строго ориентированные на узкие разделы наук, подвергающихся непрерывному процессу дифференциации, пе- рестали удовлетворять специалистов-практиков, которым нужна была все более комплексная, предметная информация. Это привело к созда- нию в 70-х годах XIX в. предметной или точнее алфавитно-предметной классификации. На долгие годы она стала господствующей при со- ставлении энциклопедий, вспомогательных указателей к трудам, сис- тематически излагающим проблему или раздел науки, а в США, где она была создана, при организации каталогов. Стремительный рост объемов литературы значительно услож- нил также задачу идентификации каждого произведения печати. Биб- 128 лиотеки первыми столкнулись с необходимостью создать инструмент, при помощи которого можно было бы быстро и надежно устанавли- вать наличие определенного произведения в их фондах. Таким инстру- ментом стал в XIX в. авторский, именной указатель (алфавитный ката- лог, по библиотечной терминологии), который однозначно идентифи- цировал произведение по именам лиц, принимавших участие в его соз- дании или же связанных с его содержанием. Таким образом, до сере- дины ХХ в. возможности содержательного поиска информации по справочникам или документов, содержащих нужную информацию, в библиотеках ограничивались тремя способами: систематическим, предметным и алфавитным. Традиционной технологией реализации этих способов были списки, перечни книг и статей, содержавших необходимую информа- цию. С 70-х годов XIX в. эти сведения стали записываться на дискрет- ных носителях – библиотечных карточках из плотного картона форма- та 75х125 мм (размер сложенной пополам американской почтовой кар- точки). Следует отдать должное этой традиционной технологии. Она успешно обеспечивала культурный прогресс на протяжении целого столетия вплоть до нынешнего этапа научно-технической революции, позволила накапливать и использовать многомиллионные собрания документов, обслуживать тематические потребности ученых и специа- листов в необходимой им информации. На ней и сегодня еще в значи- тельной степени зиждется деятельность всей мировой библиотечной системы – этого краеугольного камня человеческой культуры, важны- ми составными частями которой является наука и техника. Однако недостаточность, ограниченность этой технологии стала все более остро ощущаться уже в первой четверти ХХ в. В науке пер- выми почувствовали это химики из-за быстрого роста числа синтези- руемых ими веществ. В настоящее время каждые три года появляется свыше миллиона таких веществ. Обычные методы оповещения – биб- лиографические указатели, библиотечные каталоги, справочники типа «Гмелина» для неорганической химии и «Бельштейна» для органиче- ской – начали значительно отставать по времени от успехов исследова- телей и перестали охватывать их результаты в полном объеме. Рево- люции в физике и электронике, характеризующие середину нашего столетия, усугубили трудности информационной коммуникации. 129 Процедуры и понятия Научное сообщество осознало необходимость организационного оформления информационной деятельности, которая в течение не- скольких десятилетий подспудно созревала в недрах науки и техники. Большая наука индустриального типа, пришедшая на смену "малой" науке университетского типа, выдвинула задачу создания систем науч- но-технической информации. Именно в это время, в конце 40-х – нача- ле 50-х годов были сформулированы понятия информационного поис- ка, информационно-поисковой системы, информационно-поискового языка, была выдвинута задача механизации, а затем и автоматизации информационного поиска. Не случайно именно в это время В. Буш пи- сал о необходимости новых форм справочных материалов, которые учитывали бы ассоциативные связи и были пригодны для механизации. К этому времени стало ясно, что информационный поиск – это совокупность логических процедур, в результате которых в ответ на информационный запрос выдается либо необходимая информация, либо документы, в которых она может содержаться, либо библио- графические адреса этих документов. В первом случае поиск получил название фактографического, во – втором документального, в третьем – библиографического. Эти процедуры сводятся к следующему. Каждый вновь появляющийся документ подвергается анализу, в результате которого определяется его смысловое содержание. Этот анализ осуществляется интеллектом человека, возможность его фор- мализации остается пока неясной. У автора документа и различных его читателей может быть разное представление о содержании документа. Затем это абстрактное представление о содержании (считается, что оно должно совпадать с авторским) выражается на некотором информаци- онно-поисковом языке, т. е. синтезируется в виде библиографического описания и индекса. Индекс образуется путем мысленного сопоставления основного смыслового содержания с потенциальными запросами потребителей информации. Эти запросы как бы зафиксированы в схемах классифи- кации и обозначены индексами. Сама процедура выражения основного смыслового содержания документов и информационных запросов на информационно-поисковом языке получила название индексирования и составляет существенную часть аналитико-синтетической обработки документов. Информационный поиск, таким образом, заключается в замене содержательного прочтения полного текста документов фор- 130 мальным сличением (сравнением на соответствие) их поисковых обра- зов с запросами на языке индексов. Понятно, что такая замена значительно упрощает и убыстряет нахождение нужной информации, делает возможной автоматизацию процедуры сравнения. Но за это приходится платить неполнотой и не- точностью поиска. Описанные выше логические процедуры допускают субъективизм осуществляющих их лиц, а используемые информацион- но-поисковые языки несовершенны и неспособны адекватно переда- вать содержание документов и смысл запросов. Следовательно, ин- формационные потери и шум – неизбежные условия информационного поиска. Когда говорят, что поиск осуществлен со 100 %-ной полнотой, имеют в виду, что информационного поиска не производилось, а был осуществлен полный перебор всех текстов (современная технология в некоторых случаях предоставляет такую возможность). Информационный поиск реализуется при помощи информаци- онно-поисковой системы, которая в абстрактном виде должна состоять из информационно-поискового языка, правил перевода на этот язык и критерия смыслового соответствия, определяющего объем выдачи до- кументов или информации (критерий выдачи). Конкретная система включает также средства реализации (перечень, картотека, механиче- ский селектор, компьютер), информационный массив и обслуживаю- щий персонал. Функционирование простейшей документальной информацион- но-поисковой системы можно проследить по ее блок-схеме на рис. 9. В системе имеется два входа (для документов и запросов) и один выход (для выдачи документов по запросам). На входах имеются преобразо- ватели для индексирования документов и запросов. Поисковые образы документов вместе с адресами их хранения (номерами) направляются в активное запоминающее устройство (ЗУакт), а сами документы – в пассивное (ЗУпас). Индексы каждого запроса сравниваются с индекса- ми всех документов в решающем устройстве (РУ), которое в случае их соответствия (полного или предусмотренного критерием выдачи) дает в хранилище (ЗУпас) команду на выдачу документа. Это хранилище составляет как бы второй контур системы (сами документы), которого нет у библиографических (одноконтурных) систем. Активное запоминающее устройство Решающее устройство Индексирова- ние запросов Индексирова- ние доку- ментов Пассивное запоминающее устройство Д о к у м е н т ы З а п р о с ы Д о к у м е н т ы Рис. 9. Блок-схема информационно-поисковой системы Документы с адресами Адреса Поисковые образы и адреса Даже названия элементов на блок-схеме говорят о возможности автоматизации информационно-поисковой системы. Однако блок-схе- ма верно обрисовывает работу любой системы, включая и наиболее традиционные. Это легко видеть на примере библиотеки. Преобразо- ватели на входах соответствуют отделам обработки и справочно-биб- лиографическому, ЗУакт – каталогам, ЗУпас – фондам. Нет в библио- теке только РУ – оно моделируется интеллектом читателя, который (хотя часто он и не осознает этого) вырабатывает собственный крите- рий выдачи и собственную стратегию поиска. Не случайно именно эта интеллектуальная часть функциониро- вания информационно-поисковой системы представила наибольшие трудности для автоматизации, именно она больше всего сдерживала развитие этих систем. Камнем преткновения явились, прежде всего, традиционные информационно-поисковые языки, ограничивающие возможности содержательного поиска информации. Расхожее мнение о том, что эти языки трудно поддаются автоматизации, неверно. Но они рассчитаны на ручную реализацию, и поэтому использование их в компьютерах удорожает поиск, ограничивает число пользователей и не дает никаких выигрышей, т. е. не снимает ограничений, присущих этим языкам. А ограничения эти стали особенно ощутимыми на нынешнем этапе научно-технической революции. Прежде всего, традиционная технология поиска рассчитана на стабильный, медленно меняющийся состав запросов. В схемах классификации и перечнях предметных руб- рик уже заранее как бы скоординированы все понятия, по которым можно извлекать информацию из документов и затем производить по ним поиск (такие языки поэтому и получили название предкоординат- ных). Это приводит к тому, что при возникновении новой проблемы или направления исследований, по которым имеется полученная преж- де информация, система не обеспечивает ее поиска. Ведь эта тематика раньше не была сформулирована и не нашла места в схемах классифи- кации и списках предметных рубрик, а значит и индексирование по ней не производилось. Другими словами, традиционная технология поиска не позволя- ет искать информацию по любому, заранее не предвиденному сочета- нию признаков. При этом, как уже говорилось, субъективизм индекса- тора при извлечении основного содержания документа увеличивает информационный шум и потери, предопределенные характером тради- ционных поисковых языков. Нельзя не отметить также, что основан- ные на них системы ручного поиска, даже фактографические, не пред- 133 назначены для манипулирования полученными из них данными. Они не имеют логического аппарата для содержательной переработки этих данных. Подобная задача всегда решалась самими потребителями без помощи информационных систем. Координатное индексирование Новая технология пришла в информационный поиск в виде ме- тода координатного индексирования, разработанного в США в 50-е годы математическим логиком М. Таубе и работником службы хими- ческой информации К. Муэрсом. Этот метод основан на предположе- нии, что основное смысловое содержание любого документа и инфор- мационного запроса можно выразить при помощи набора терминов, по большей части содержащихся в самом индексируемом документе. Эти термины получили название ключевых слов. Если, к примеру, нужно заиндексировать документ, в котором говорится о защите от коррозии лопаток газовых турбин, то совокупность терминов "турбина", "газ", "лопатки", "коррозия", "защита" и будет служить поисковым образом документа. Эти ключевые слова образуют для данного документа как бы координатную сетку, по которой в дальнейшем ведется информа- ционный поиск по соответствующему запросу. Преимущества данного метода очевидны. Прежде всего, ин- формационные работники и потребители информации освобождаются от жестких рамок классификационных схем и перечней предметных рубрик. Индексирование новых документов ведется без оглядки на от- раженные в них потенциальные и часто уже устаревшие запросы спе- циалистов. С другой стороны, индексирование освобождается от субъ- ективизма – ключевые слова выбираются формально. Эту работу, в принципе, можно поручить автомату. Во многих современных инфор- мационно-поисковых системах оператор вводит в машину библиогра- фические данные документа, его реферат (аннотацию, резюме), а ино- гда и наиболее информативные части текста (например, первый и по- следний абзацы статьи, содержащие наибольшее число терминов, от- носящихся к ее содержанию). При помощи "запретительного" списка служебных и общезначимых слов, введенных в компьютер, осуществ- ляется автоматический отбор ключевых слов, которые программно приводятся к нормальному виду (единственное число именительного падежа существительных и прилагательных, инфинитив глаголов). Это существенный шаг к автоматизации ввода информации в информаци- онно-поисковую систему. 134 При поиске необходимой информации специалист может фор- мулировать свой запрос в виде цепочки терминов, на пересечении ко- торых и окажется большинство документов, содержащих необходимую информацию. При этом потребитель может произвольно менять стра- тегию поиска в зависимости от оценки его промежуточных результа- тов. Если документов по запросу мало или нет в системе, можно снять из запроса какие-либо ключевые слова (в приведенном выше примере "газ" и "защита"). Тогда система выдаст документы более широкого содержания о коррозии лопаток турбин, в которых все же может со- держаться нужная информация. В случае, если документов по запросу слишком много, можно добавить ключевые слова, ограничивающие поиск, например, определенным классом турбин или же конкретными методами защиты их лопаток от коррозии. В этом уже заключен важ- ный элемент возможности диалога с системой при помощи слов есте- ственного языка. Основные достоинства этого принципиально нового подхода к раскрытию содержания документов и поиску информации заключают- ся в том, что он позволяет находить информацию по любому, заранее не предвиденному сочетанию признаков. Кроме того, при появлении совершенно новых направлений исследований можно вести поиск во всем массиве документов, ранее заиндексированных по этому методу. Традиционные методы таких возможностей не предоставляли. Было бы несправедливо умолчать о том, что достоинства нового метода приходится оплачивать преодолением дополнительных трудно- стей. Прежде всего, поиск с использованием естественного языка ог- раничивает его рамками знакомых пользователю языков. Чтобы рас- ширить этот круг, приходится прибегать к словарям. Затем, каждый естественный язык отличается богатством своего словарного состава – слова, одинаковые по написанию, могут иметь разный смысл (много- значность, омонимия), а одно и то же понятие может выражаться раз- ными терминами (синонимия). Запросив информацию о косах, вы по- лучите сведения не только о сельскохозяйственных орудиях, но и о географических объектах, а может быть и о прическах. Желая полу- чить документы о транзисторах, следует помнить, что они могут также называться полупроводниками. Термины находятся в сложных взаимоотношениях между собой, выражают более узкие или более широкие понятия, могут быть связан- ными по сходству, по контрасту или по другим ассоциациям. Чтобы иметь возможность учитывать это при поиске, приходится составлять 135 на каждом языке специальные понятийные справочники (тезаурусы). В них для каждого понятия (класса условной эквивалентности) выби- рается один термин – дескриптор, а для остальных слов указывается их связь с дескриптором. Тезаурусы иногда называют дескрипторными словарями, а сам поиск с их использованием дескрипторным. Кроме словарей для поиска по ключевым словам и дескрипторам часто соз- дают специальную грамматику, Необходимость в ней вызывается воз- никновением ложной координации терминов, ошибочным их сочета- нием. В ответ на запрос "трубы" х "медь" х "свинец" х "покрытие" можно получить не только необходимую информацию о покрытии медных труб свинцом, но и о покрытии свинцовых труб медью. Курьеза ради, следует упомянуть, что метод координатного ин- дексирования для поиска информации, явившийся принципиальным шагом к новой информационной технологии, на самом деле новшест- вом не был. В 1915 г. он был реализован на перфокартах американским орнитологом Т. Тейлором при составлении определителя птиц, а у Б. Виккери возникло предположение, что шумерские врачи еще в III тысячелетии до н. э. пользовались диагностическими устройствами, работавшими по этому принципу. На глиняных клинописных плитках записывались симптомы болезней, а под каждым из них – названия болезней, при которых эти симптомы встречаются. Совокупность сим- птомов составляла координатную сетку, а совпадающие для всех сим- птомов названия болезней – наиболее вероятные недуги больного. Из этого понятно, что информационно-поисковые системы, ос- нованные на принципе координатного индексирования, могут быть реализованы простейшими средствами ручного обращения. Система "унитерм-карт" самого М. Таубе представляла собой особым образом организованную картотеку, позволявшую легко сличать номера доку- ментов, чтобы выявить совпадающие номера для заданных терминов ("унитермов"). Первые информационно-поисковые системы такого типа часто создавались на просветных перфокартах. Однако подлин- ный размах создание координатных, по большей части дескрипторных систем получило, когда они стали использовать компьютеры второго поколения. В 60-е –70-е годы на базе крупнейших в мире рефератив- ных служб были созданы мощные автоматизированные информацион- ные системы, которые предназначались для ускорения выпуска ин- формационных изданий и расширения спектра информационных услуг, а затем стали основными генераторами документальных баз данных на магнитных лентах. |