 |
 |
|
|
中央研究院 |
| Page 6 of 6 |
| 肆、進行中相關的研究和展望
CTP的設計始於1985年，第一版在1988年大功告成，並於6月間推出廿五史的前四史，即＜史記＞、＜漢書＞、＜後漢書＞、＜三國志＞供大家使用。自此之後，雖屢經改版並陸續改進和新增了不少功能，但是其主要結構未曾改變。目前國內已有十一個機構，國外也有七所大學安裝了本院製作的古籍全文資料庫，使用日益普遍，詳如[表五]，古漢語文獻語料庫雖未在院外裝設，然亦有國內外共八個單位獲准使用。由於計算機科學及信息處理技術的突飛猛進，這十多年來計算環境也變得和以往大不相同了，設法更新以迎合新設備、新技術固然是理所當為，然而，也有更徹底的做法，即將整個系統重新再設計一次。在本節中，我們將報導些在這方面的進展，以展望未來的中文全文檢索的面貌。
一、和關聯式資料庫的整合
全文檢索系統的一大缺點，就是處理文件的屬性時很不方便。例如，不能從作者找到其著作，只能檢查著作中的文句。有鑑於一般圖書檢索系統利用關聯式資料庫對屬性的檢索已發展得很成熟，試圖將二者合而為一是很自然的想法。將二者結合有二種做法，其一是將全文資料檢索系統中的每一個文件元素都設一個關聯式的記錄 (record)，再將這些記錄歸並成些關聯的資料庫，並提供這兩種資料庫之間彼此往返的管道。其次是將關聯式資料庫中某些欄位(field)改成變動長度的全文式欄位，只在這些欄位下提供全文檢索功能。 這兩種做法都經過嚐試，前者結構太複雜，且沒有具體的計劃支持，是故沒有成功。後者已有成品，名為文件檢索系統(簡稱DORE，即Document Retrieval System，本院計算中心發展)，利用它也做了些資料庫，如＜內閣大庫檔案索引＞約有五萬筆資料，又如＜歷史書目＞三萬七千筆，＜台灣考古學著作＞三千餘筆，及＜中國考古學資料庫＞五千餘筆等，目前使用得尚滿意。 依作者看來，前者雖未成功，但仍深具潛力，值得再試。後者功能受限制，目前雖成功，但前景並不樂觀。 二、擷取引擎的開發雖然字串比對技術已運用得相當成熟，更新的擷取技術仍待開發。開發新的擷取引擎並不是完全取代已有的擷取方式，它們是相輔相成的。不同的擷取方式可滿足不同方式的查詢(query)要求。對使用者而言，查詢的變化越有彈性越好，而系統中裝設幾個不同的擷取引擎以伺候不同的查詢需求亦非難事。 一個利用字與字之間相鄰或相近的機率模式，再將字碼折疊編碼(super imposed coding)而呈現文件識別特徵(signature)以資擷取或檢索文件的系統發展得甚為成功。這個系統的名稱是「尋易智慧型文件檢索系統」(簡稱尋易，CSmart)。 此系統有許多優點。第一，它的索引深度是可調式的（基於機率），且空間需求小，搜尋速度極快（與原文件檔案大小無關），是故可處理巨量中文文件檔案，如數十億字的文獻。第二，它有近似自然語言的查詢功能，能做部份匹配 (partial match)，亦能做中英夾雜的查詢句，如查「宏碁ACER主機板量產」時，可將宏碁、ACER，主機板、量產等任意部份組合的文字都找出來。第三，它能和語音識別系統，如金聲三號，合併使用，直接以語音做查詢。第四，它可以在INTERNET的WWW上運作。這個系統目前已正式公開，讓大家免費試用【註六】 。雖然該系統的機率是依白話文統計，我們利用江味農先生《金剛經講義》共約五十萬字作古文測試，成果尚令人滿意。若有古籍的語料庫，先校準文言文的頻率，此系統應可用於古籍的檢索及查詢。 尋易系統目前並沒有能力處理依標誌語言SGML所標誌的文獻，這是未來發展必須克服的。如果尋易能夠擴充至處理標誌結構的文件，那麼和全文檢索FTMS可嚐試著合而為一，為使用者提供更友善，更好的全文檢索服務。 三、網路上的發展由於網路的使用日益普遍，除「尋易」外，中文全文資料庫WWW版本也已推出使用。中文全文資料庫採用描述性標誌(descriptive markup) , WWW的 HTML 亦然 ,而前者遠較後者簡單 , 所以由前者轉換為後者 , 通常非常直接。既然如此 , 為何不直接採用後者? 主要的理由正是求簡單 , 因為資料量動輒為百、千萬字 , 標誌者的工作似乎愈單純愈好。另一個理由是中文古籍有某些編排習慣為英文所無 , 我們可以設計一些簡易的標誌來保存這些特性。如果直接標上 HTML , 可能發生不易逆推其原來特性 , 甚或失真而無以復原的現象。譬如當代排印的古籍 , 習慣以小字前後加上 ( 與 ) 的型式 , 代表贅文 , 亦即這些字為原文所有 , 但被後人視作多餘。我們以 \qd 及 \Qd 包夾贅文 , 檢索時可以依據這對標誌剔除贅文 , 而顯示時則輕易將其轉變成HTML , 獲致大家熟知的版面。 FTMS的標誌轉換為HTML的標誌是直接而單純，主要的轉換規則如[表六]所示。 目前幾乎所有的全文資料庫都已有WWW版本，然而由於這些資料庫智慧產權尚未釐清，所以僅提供本院內部使用。希望不久的將來能開放供全世界人士利用。 四、以網路上的字形資料庫解決字碼(缺字和造字)問題在網路上的另一發展是利用網路強大的及時溝通能力，充份告知缺字和造字的字碼(Code) 和字體(Font)信息，並提供便利的字形資料檢索。這樣的安排可以使得使用者隨時掌握共用造字表中的詳細訊息，以達到缺字的資訊共享和交流的目的。 在前文中可知，交換碼中的字不夠用是個大問題。如果每個資料庫建構者都自已造字，那麼這些的字不僅會帶來使用上的不方便，造成衝碼，並且嚴重妨礙了資料的匯集和共享。因此，在沒有理想的交換碼可用之前，解決造字問題已是燃眉之急務。 目前，一個字形資料庫的雛型已經完成。它可利用字根檢索任何含有該字根的文字【註七】 。這個字形資料庫將於近期內在本院內試用。相信它的使用不僅可解決上述的困難，對於建製全文資料庫時的資料登錄和造字管理工作，都將大幅化簡。 五、以內容為檢索對象的研究傳統的文件檢索，是藉詞彙或字串為媒介來找到文件。然而有許多文件的內容相當隱晦，並沒有明顯的文詞可資識別。為解決這種檢索上的問題和古文各版本經傳注疏等之相互參照關係，資訊所文獻處理實驗室也做了若干嚐試。目前這方面已有些初步的成績，例如，該實驗室已經建立了：（一）一個連接知識結構和文章的新超文件（hypertext）模式；（二）發展了新的標誌界面，使任何一個文件可輕易地建立多重的標誌(Multiple/concurrent togging)，而且使用者不必去記憶標誌的名稱；（三）知識結（knowledge chunk）的名稱可以作標示(tag)的名稱，這樣可以讓使用者充份活用此超文件中的知識結構來了解文獻､導讀文件和蒐尋文件等；（四）已成功的做了一個能處理多重版本間彼此對映參照的示範系統。這方面研究的前景是相當看好的。日後將會嚐試與FTMS合併，以提供多重檢索的功能【註八】 。 從以上可知，全文檢索的下一代系統正在醞釀中，這些新的工具，配合中央研究院十餘年來，持續不斷地在電子古籍方面的努力，在不久的將來，利用電子計算機處理古籍的事務，應呈現嶄新的面貌。 誌 謝 本文所列之資料清單及其敘述，承蒙黃居仁､劉增貴､魏培泉､陳弱水各位先生之指正，謹此誌謝。打字､排版承張翠玲小姐鼎力完成，功不可沒。此外，黃佩燕小姐､黃淑齡小姐也協助整理表格資料，亦一併誌謝。 【註六】 「尋易智慧型中文資訊檢索系統」之技術資料，請參照簡立峰博士論文：
【註七】 請參照
【註八】 關於這些研究，可參閱下列文件:
|
| Page 6 of 6 |
|
