随着互联网技术的发展,结构化的文献全文信息越来越容易获得。作为一种重要的信息资源结构化描述方式, XML全文格式已经成为各文献数据库的一种重要的全文显示方式, Springer、 Elsevier和Wiley都提供或部分提供XML格式的全文阅读或下载。比如,Elsevier运行的ConSyn数据库提供了XML格式全文的批量下载,知名开放获取(Open Access)出版物PLOS ONE,在传统的PDF下载之外,也提供了XML格式的全文下载。

全文数据的出现也给传统的引文分析带了新的条件和可能。传统的引文分析,受题录式引文数据的限制,只能研究文献之间的引用或被引关系,无法识别被引文献在施引文献中的引用位置、引用语境等信息。而本文在XML全文引文数据的基础上,利用PHP+MySQL语言,设计和实现了一种基于服务器和浏览器方式的引文分析系统,通过对施引文献的XML格式全文的解析,可以识别和分析施引文献中的引用位置、引用语境等信息,从而丰富了传统引文分析的功能和用法。

文献计量学正沿着从题录分析到引文分析,再到全文分析的趋势向前发展。题录分析是利用文献数据库所提供的文献题录信息对文献进行分析,如作者分析、词频分析等。引文分析是利用引文数据库,通过对引文的分析(如被引次数的统计),来挖掘某一领域的高被引文献及其学术影响。然而,传统的引文分析由于数据本身的限制,只能给出一篇文献被引用的次数,并不能反映文献被引用的具体语境,如引文在施引文献中的什么位置被引用,在一篇文献被引用了几次,每次引用的具体语境是什么。Garfield、Moed等引文分析的早期开创者也指出,单纯考虑数量的引文分析方法具有局限性^{[ 1, 2, 3, 4]},因为它没有考虑到引用行为和动机的复杂性和多样性^{[ 5, 6]}。

要解决这些问题,就需要施引文献的全文数据和对施引文献的全文分析^{[ 7, 8, 9]}。比如,就引用位置而言,Cano^{[ 10]}发现引用的位置因素与引用的行为有关;Frøsig^{[ 11]}也认为引用位置所在的章节是对引用行为进行分类的一个重要参考; Herlach^{[ 12]}认为单纯的被引次数指标过于简单,还应该考虑到一篇引文在文献中被引用或提及的次数;Teufel等^{[ 13]}则指出对引用的行为进行识别需要找到引文的引用语境,通过引用语境的分析对引用的行为和动机进行分类^{[ 14, 15, 16]},同时改善文献被引检索的性能和精度^{[ 17, 18, 19, 20]}。

之前由于全文数据的不易获取和不易解析, 基于全文的引文分析,尤其是大样本的实证研究比较少见。在互联网时代,科学文献全文数据尤其是结构化的全文数据XML,变得越来越易得。相对于PDF格式的全文,XML格式的文献全文具有以下特点^{[ 21, 22]}:

(1)结构化:XML是一种结构化的标识语言,更易于标识文章的题录信息和引文的位置和上下文信息;

(2)通用性:XML是一种由浏览器支持的通用格式,不受软件和平台的限制,并且可以自定义各种丰富的显示样式;

(3)交互性:XML中可以包含丰富的超链接,以方便在文章或数据库中跳转,大大提高了文章的交互性和数据库的连通性。

Elsevier的XML全文数据格式是影响较广的一个全文元数据格式,开放获取期刊PLOS ONE就采取了Elsevier的XML数据格式作为数据的存储和中转中介。Elsevier的XML格式数据的文档类型定义(Document Type Definition, DTD)和XML架构(Schema)的具体描述可以从Elsevier的官方网站上获取,Elsevier ConSyn数据库提供XML全文数据的检索和下载。

在Elsevier的XML全文数据格式中,对正文中出现的引用使用超链接和标识符的方式进行了标引,可以方便地在施引文献的全文中识别出引用的位置等信息,这为本文在微观层次上研究引文提供了条件。正是基于Elsevier的XML全文数据,利用PHP语言在处理XML数据上的优势,本文构建并开发了一种引文分析系统,以实现对基于全文的引文分析的大样本进行实证研究。

本系统主要由两个功能模块构成,如图1所示:

图1

	Figure Option ViewDownloadNew Window
	图1 基于全文的引文分析系统的实现流程和功能模块

(1)数据层:在服务器端,首先进行XML全文数据的解析和数据库存储;

(2)用户层:在浏览器端,设计了引文的检索、筛选和结果界面,同时为了进一步的计量分析,还提供对检索结果的导出(以表格的形式)。

3.1 数据的解析和存储

一个标准的Elsevier XML全文数据由题录信息、正文信息和引文信息三部分组成。其中,题录信息和引文信息的导入比较简单,可以利用PHP中的SimpleXML函数直接进行解析和提取;而正文信息的解析需要经过对正文全文的遍历,较为复杂,是本系统的难点和重点,如图2所示:

图2

	Figure Option ViewDownloadNew Window
	图2 XML全文数据的解析和存储流程

(1)题录信息的解析和存储

题录信息的提取较为简单,可以利用PHP中的SimpleXML函数,将XML字符串进行解析,并载入到对象变量﹩object中,题录信息主要在﹩object→rdf_RDF→rdf_Description或者﹩object→﹩ja_article→﹩ja_head两个对象中,其中包括了该文献的标题(dc_title)、作者(dc_creator)、期刊(prism_publicationName)、年份(prism_coverDate)、期卷(prism_volume)、起止页码(prism_startingPage,prismendingPage)、关键词(dc_subject)、摘要(ce_abstractsec)等。

需要注意的是,由于Elsevier XML格式的XML标签中含有冒号,如,会导致SimpleXML函数无法正常运行,因此需要先将标签中的冒号替换为“_”或其他字符。

在提取题录数据之后,需要将它们存储在一个MySQL数据库中。根据上述各题录信息之间的关系,本文设计了三个数据表进行存储,分别是article、author、keyword。其中,除作者和关键词外的各信息存储在article数据表中;作者和关键词信息因为与文章之间存在多对多的关系,因此分别存储在author和keyword表中,并以文章序号与article建立索引关系。

(2)引文信息的解析和存储

同题录信息的提取类似,引文信息主要存在ja_tail对象下面的ce_bibliography中,包括每个引文的标题(sb_title)、作者(sb_authors)、期刊(sb_series)、年份(sb_date)、期卷(sb_volumenr)、起止页码(sb_pages)等。如果引文的类型是图书(sb_book)、编集(sb_editedbook)或其他类型(ce_otherref),引文的信息略有不同。提取的引文信息会被存储在ref数据表中。

(3)正文信息的提取和存储

正文信息的解析最为复杂,由于在Elsevier XML格式的全文中,正文的基本单元是段落(ce_para),而不是句子,因此需要通过遍历的方法将段落切分成句子,同时在遍历过程中标识出文中可能存在的引用,如图3所示:

图3

	Figure Option ViewDownloadNew Window
	图3 正文的遍历流程与正文信息的提取

在对正文的遍历中,使用句号(.)和问号(?)作为切分句子的标志。感叹号(!)虽然也可以用来切分句子,但因为在学术论文中感叹号的使用非常罕见,为了保证程序的运行效率,不将其作为句子的切分标志。另外,由于句号(.)除作为句子结束符外,还可能出现在人名(如“Iijima S.”)、数字(如“0.123”)或其他缩写中(如“etc.”、“e.g.”、“Fig. 1”)中,对于这类情况,采取词表替换(主要针对缩写中的句号)和正则表达式替换(主要针对人名和数字中的句号)相结合的方法,将干扰句号首先替换为其他特殊符号,切分之后再进行恢复。切分得到的句子,会依次存储在sentence数据表中,每个句子作为数据表中的一条记录,存储字段主要包括句子的长度和位置,包括所在的小节(section)、段落(paragraph)等。

另外,在正文的遍历过程中还要完成对引用信息的提取。当遇到引用的标识“”时,系统将其视为一条引用信息,并记下当前的位置作为该次引用的位置(包括所在的小节、段落、句子以及单词数),同时,根据引用标识中的属性信息,如“refid="bib2 bib3"”,找到该次引用所引用的引文。引用信息被存储在bib数据表中,每条引用信息对应数据表中的一条记录。

以上6个数据表之间存在着如下一对多或者多对多的关系,如图4所示:

图4

	Figure Option ViewDownloadNew Window
	图4 基于XML全文的引文分析系统底层数据库表结构和关系

author和article之间存在多对多的关系,一篇文章可以有多个作者,而一个作者也可以发表多篇文章;keyword和article之间存在类似的关系;article和sentence之间的关系是一对多的,一篇文章对应多个句子,而一个句子只可能存在于一篇文章中;sentence和bib之间的关系也是一对多的,一个句子中可以有一个或多个引用,而一个引用只能存在于一个句子中;bib和ref之间存在多对多的关系,一个引用位置可能引用多篇引文,而一篇引文可以在多个引用位置被引用。

3.2 引文的筛选和检索

在完成全文数据的导入和存储之后,可以通过数据库的查询功能进行引文的检索,如图5所示:

图5

	Figure Option ViewDownloadNew Window
	图5 基于XML全文的引文分析系统的实现流程和功能模块被引检索界面

本系统参考ISI Web of Science的浏览器端用户界面和检索流程,设计两步式的检索策略,即首先根据用户提交的检索项,查询并返回所有可能的引文供用户进行筛选,然后经由用户勾选提交后系统再进一步查询被引文献的施引信息。与ISI Web of Science不同的是,该系统返回的结果不再是施引文献,而是一条条的引用信息,即引文在施引文献中的具体引文位置、引用语境等。

(1)引文的查询和筛选

由于引文的格式通常比较杂乱,本系统设计了引文筛选的中间步骤,中间筛选过程可以大大提高被引检索的查全率和查准率。在这一步中,用户首先填写想要检索的引文的作者、年份和期刊信息(出于其他检索目的,也可以只填写其中的一项或两项),客户端将表单提交给服务器端(如图5-①所示),服务器端根据提交的检索项生成SQL语句,在ref数据表中查询所有可能的引文。所生成的SQL语句是:select reference from ref where author like ‘xxxx%’ [and year=xxxx [and source like ‘xxxx%’]]。服务器将利用这一SQL查询得到的记录列表,按照被引次数的高低进行排序后,返回给用户(如图5-②所示)。用户根据服务器返回的可能的引文列表,判断它们是否为所要查找的引文并进行勾选,然后再次提交服务器端进行第二步检索。

(2)引用信息的检索

在这一步中,服务器根据用户提交的引文列表进行被引检索。该步检索需要在bib、sentence和article三个数据表中进行,首先通过在bib数据表的查询得到引文的施引文献编号及其在施引文献中的具体位置(如所在的句子编号),所用SQL语句为select uid, sen_id from bib where ref_id in (‘refid1’, ‘refid2’,…);然后在article数据表根据施引文献的编号给出该施引文献的题目和DOI等信息,所用SQL语句为select * from article where uid=uid_value;同时在sentence数据表中根据句子编号给出该句子的内容,即引用的语境信息,所用SQL语句为select * from sentence where uid=uid_value and sen_id=senid_value。

检索得到结果如图5-③所示,每条结果为一条引用信息,包括引用所在的施引文献、在施引文献中的位置和具体语境。为了方便进行其他统计分析,系统还提供对检索结果的表格显示和导出,如图5-④所示。

本文以纳米管(Nano Tube)领域的48 665篇全文数据为例,对基于XML全文的引文检索系统进行实验。这些数据于2012年8月9日下载自Elsevier的ConSyn全文数据库,数据总大小(zip压缩)为882MB。首先,将这些全文导入MySQL数据库中,大约需要5小时(与服务器端配置的高低有关)。然后,选取日本电镜专家Iijima在1991年发表在Nature杂志上的一篇关于碳纳米管的高被引论文进行引文检索。在对应的文本框里分别输入“Iijima”、“1991”和“Nature”进行检索。

提交检索,服务器端返回所有符合检索条件的引文,并按照被引次数的从高到低进行排列(如图5-②所示)。显然,排在前10的这些引文所指的都是所要的引文,只是格式上略有差异,因此将这些引文全部进行勾选,然后再次提交进行第二步查询。

在第二步中,系统根据用户提交的引文列表,查询并返回它们的施引信息,共3 616条。图6列出了返回的其中4条引用信息的具体组成和形式,共分5行,分别是:施引文献的年份和DOI链接、施引文献的标题、该次引用在施引文献中的引用位置、引文在施引文献中的被引强度(即在该施引文献被引用的次数)以及该次引用的具体语境。

在图6的引用信息中显示了每次引用的具体位置,以章节序号、段落序号、句子序号和单词序号来测度。例如,在图6中第2条引用信息显示,该次引用位于施引文献的第1节(共4节)Introduction,第2段(共11段),第12句(共78句)和第310个单词(全文共3 361个单词)处,是全文25个引用位置中的第2个。

图6

	Figure Option ViewDownloadNew Window
	图6 Iijima一文的被引检索结果及含义

利用检索结果的导出功能,将检索到的 3 616条引用位置导出到Excel中,并对引用位置进行统计。

通过对Iijima的引用位置的统计发现,高达98%的引用出现在Introduction中,大约2%的引用出现在Results and Discussion中,几乎没有对Iijima的引用是出现在Experimental和Conclusions中,如图7-①所示。这既反映了一般引用的位置特点,也反映了Iijima自身的被引特点,即Iijima一文被引的目的是用来进行背景的表述(在Introduction的引用),而不是方法的阐述(在Experimental中的引用)。

图7中还显示了按照段落、句子、单词划分的引用位置的分布。比如,将全文按照单词分为10等份,那么,2 133次即59%对Iijima的引用,出现在全文的第1等份,即全文的前10%的位置;25%的引用出现在第2等份,即10%-20%之间的位置;8%的引用位于第3等份;其余位置的引用只占8%。这说明,对Iijima的引用在引用位置上具有极大的不均衡性,大部分的引用位于全文的开始部分。

图7

	Figure Option ViewDownloadNew Window
	图7 Iijima一文被引的引用位置分布

传统的引文分析,通常由于数据所限而局限于宏观层面,对于微观范围内的各类特性缺少统一的分析框架。针对越来越普遍的结构化全文数据,引文分析需要向更为精细的方向发展。本文构建了一种基于XML全文的引文分析系统,可以在完成引用信息的解析、提取和存储的基础上,实现被引筛选和检索,得到被引的语境信息,并可以根据这些引用信息,对引用位置等进行计量统计。

从Iijima关于碳纳米管一文的被引检索来看,对该文的引用大部分位于Introduction一节中,具体位置一般位于全文开始的前10%部分。这一实验结果,验证了本系统的可行性和执行效果,同时也显示了该系统可以为传统的引文分析提供一种微观视角的引文检索和分析工具。

(致谢:感谢Elsevier ConSyn提供了XML格式全文的海量数据。本研究部分工作是在美国德雷塞尔大学联合培养期间完成的,感谢德雷塞尔大学信息科技学院和国家留学基金委为此提供了科研条件和资金资助。)