信息资源的采集

• 劳动耗费率
指信息系统搜集到得单位信息所耗费的最低劳 动量，用搜集过程所有环节的劳动消耗总数计算， 用公式表示为： n
L li
i 1
L表示搜集信息的总的劳动耗费量，li(i=1,2,…n) 表示单位信息在第i个环节的劳动耗费量，n表示总 的环节数。 劳动耗费率取决于信息资源采集过程中的难度、 条件、效率等因素，实践中依照采集过程每道工序 的劳动耗费定额来确定劳动耗费率和工作量。
信息资源 的采集
案例一
海湾战争爆发前期，投资商纷纷撤离当地市场， 由战争所导致的社会动荡成为扼杀市场的怪物。国 内商人除了关注美伊的军事力量以外，对商业关注 者寥寥无几。但长虹集团的老板倪瑞峰却从不停播 放的战讯中看出了倪端。10天后，伊拉克电台报道， 由于战争即将爆发，石油及附属产品价格跌入谷底， 聚苯乙烯的价格也不例外。于是，长虹集团董事会 立即制定采购500万吨聚苯乙烯的计划，用做电视机 外壳材料。后来，经过成功调运，长虹电视机外壳 成本是国内同类产品成本的45%，在利润分成中，长 虹依靠这一商业信息决策而获得5000万元的相对收 益。

3.2 传统信息资源的采集方法
3.2.1基于人工的信息资源采集主要有以下9种：
直接观察法 • 阅读法 • 访问法 • 问卷调查法：设计问卷、选取样本和实施调查 • 采购 • 交换 • 索取 • 检索 • 复制
•
案例二
美国的尼尔逊公司在全美国的1250个家庭的电 视机中装上了电子监视器，每隔90秒钟扫描一次。 每个家庭只要收看3分钟以上的电视节目，就会被记 录下来。通过与电子计算机系统实现联网，就可以 采集该公司想要获得的商业信息。

4.2 文本挖掘技术
文本挖掘技术是指从大量文本数据中发现和提 取隐含模式和知识，它涵盖了文本分析、模式识别、 统计学、数据库技术、数据可视化、机器学习、人 工智能等多领域技术。是数据挖掘领域的一个分支。 数据挖掘的对象以数据库中的结构化数据为主， 并利用关系表等存储结构来发现知识，处理过程如 图示：
使用关联规则挖掘技术，对交易资料库中的纪 录进行资料挖掘，首先必须要设定最小支持度与最 小信赖度两个门槛值，假设最小支持度 min_support=5% 且最小信赖度min_confidence=70%。 若Support(尿布，啤酒)>=5%且Confidence(尿布， 啤酒)>=70%，将可接受「尿布，啤酒」的关联规则。 Support(尿布，啤酒)>=5%：在所有的交易纪录资 料中，至少有5%的交易呈现尿布与啤酒这两项商品 被同时购买的交易行为。 Confidence(尿布，啤酒)>=70%:在所有包含尿布的 交易纪录资料中，至少有70%的交易会同时购买啤 酒。
T ti
T表示总时间，ti(i=1，2，…n)表示第i个环 节所花费的时间，n表示总的环节数。 • 费用率 衡量信息资源采集的资金效率，即信息库中单 位信息的费用的最低能力。取决于采集过程的组织、 各环节的技术装备及其它因素，用公式表示为：
i 1
n
F C G
C表示单位信息的费用率，F表示年度采集信息 的总花费，G表示年度搜集信息总量。

2.2 信息源的选择与评价 2.2.1 信息源
信息源是获取信息的来源，联合国教科文组织 在其出版的《文献术语》中，将其定义为：“个人 为满足信息需要而获得信息的来源。”
2.2.2 信息源的分类
• 按照组织边界划分
分为内部信息源和外部信息源 • 按信息的数字化形式划分 分为数字化信息源和非数字化信息源 研究数据显示：对于组织中不同层次的管理人员 对数字化信息和非数字化信息的依赖程度不同 • 按信息的载体形式划分 分为印刷型信息源、缩微型信息源、电子型信息 源、实物信息源和声像信息源 • 按信息的运动方式划分 分为静态信息源和动态信息源
r P R
P表示采全率，r表示系统中切题的信息，R 表示当时系统内、外全部切题的信息。
• 采准率
衡量信息搜集的针对性，指某一信息系统所 取决于用户的信息能 含有的全部切题信息在当时该系统所有信息中所 力和知识水平、信息 搜集者的业务水平 占的比例，用公式表示为： r E Q
E表示采准率，r表示该系统中切题的信息， Q表示系统内所有的信息。 • 及时率 衡量信息搜集的速度，由搜集过程的每一环 节(从信息的产生到其被输入到信息库)所花费的 总时间来计算，公式为：
数字化信息源Baidu Nhomakorabea
非数字化信息源
10%~15 % 15%~20 % 25%~45 %
15%~20 % 30%~40 %
高层管理人员
中层管理人员 基层管理人员 操作层(生产职责)
55%~75 %

2.2.2 信息源的评价
对各种信息的性能、质量进行评价是有效选取 和利用信息源的前提。 从两个方面评价信息源：信息源本身所能提供的 信息价值；从信息收集的角度看信息能否快捷、方 便、经济。 具体有八个指标：信息量、可靠性、新颖性、及 时性、系统性、全面性、易获取性、经济性。

案例三 20世纪30年代中期，英国作家雅各布发表了一 本172页的小册子，上面记载了希特勒军队的组织编 制、各军区概况、参谋部人员以及160多名指挥官的 姓名、简历，甚至连刚成立不久的装甲师的步兵小 队都被披露无疑。为此，希特勒勃然大怒，下令将 雅各布抓到盖世太保总部审讯，要他供出窃取德军 军事机密的“罪行”。雅各布坦然说：“我都是用 卡片摘录下来的，连××将军婚礼的报道也不放 过。”雅各布利用德国公开报纸的点滴资料，经过 分析、综合处理，最后汇集成这本小册子。因此， 他理直气壮地说：“我不是间谍！”
信息资源存储
信息资源检索
信 息 资 源 分 析
用户 信源/信宿
信 息 资 源 开 信息资源开发 发 利 用
信息资源传递反馈 信息需求分析 信息资源反馈 信息资源传递 信息资源利用
信息资源过程管理示意图
一、信息资源采集的原则
信息资源采集的原则有： 主动性原则 针对性原则 连续性原则 经济性原则 科学性原则 可靠性原则 系统性原则
采集活动开始 需求分析
选择信息源
采集策略确定 采集实施 反馈意见 采集效果评价 和解释 效果满意 采集结束
信 息 资 源 采 集 过 程
高层管理人员
中层管理人员 基层管理人员 操作层(生产职责)
管理和专业层
操作层：为信息系统输入信息或从事分析处理工作， 仓库保管员、销售员、秘书、打字员等。 基层：监督操作层人员的工作，能够熟悉操作层的各 项工作，以便沟通解决生产和人事问题。 中层：专业技术人员 工程师、会计师、律师等。 部门管理管理工作的人员 主任、部门经理等。 高层：决策企业等发展的管理人员 总经理、校长等。 专业技术人员的信息需求：取决于工作性质 管理人员的信息需求共性：围绕组织目标，着眼整个 组织的发展。
动画和视频
利用人眼的视觉暂留原理，将一系列顺序排列 的静态画面连续播放，从而产生动态效果，其中的 每个画面就是视频文件的一帧。 Flash是美国Macromedia公司出品的矢量图 形编辑和动画创作的专业软件,主要应用于网页设 计和多媒体创作。其文件扩展名为：.fla .swf等。 视频文件是通过视频采集卡把模拟电视信号进 行采样、量化、转换而成的数字图像文件。常用的 视频格式有DVD、Quicktime、AVI等。 音频 音频质量主要体现在音调、音强、音色上，常 用格式有WAV、MP3、MP4、WMA、MIDI等。
四、信息资源采集的技术

4.1 信息获取技术
现代的信息不单是文字、数值、符号、图像、 声音等，而是各种形式的媒体。 文本生成 文本输入到计算机分为人工和自动两种输入方法 光学字符识别技术(OCR) 图形图像 图形即矢量图，描述点、线、面等几何图形 的大小、形状、位置及其他属性的指令集合。常 用的格式有DXF、PIF、SLD、DRW等。 图像在计算机中用数字描述像素点、强度和 颜色。常用格式为BMP、GIF、JPEG、JPG等。
二、信息资源采集的程序

2.1 需求分析
信息需求是用户为了满足何种目的需要什么信息，表现 在5个方面：
2.1.1目标用户的确定 根据信息用户类型的不同，可以将信息需求分为个人信 息需求和组织信息需求。 • 个人信息需求 个人信息需求又分为生活信息需求和职业信息 需求等。 • 组织信息需求 由团体用户产生、为实现其目标和宗旨而形成 的一系列信息需求。
案例四 沃尔玛拥有世界上最大的数据仓库系统，为了 能够准确了解顾客在其门店的购买习惯，沃尔玛对 其顾客的购物行为进行购物篮分析，想知道顾客经 常一起购买的商品有哪些。沃尔玛数据仓库里集中 了其各门店的详细原始交易数据。在这些原始交易 数据的基础上，沃尔玛利用数据挖掘方法对这些数 据进行分析和挖掘。 一个意外的发现是："跟尿布一起购买最多的商 品竟是啤酒！经过大量实际调查和分析，揭示了一 个隐藏在"尿布与啤酒"背后的美国人的一种行为模 式：在美国，一些年轻的父亲下班后经常要到超市 去买婴儿尿布，而他们中有30%～40%的人同时也为 自己买一些啤酒。产生这一现象的原因是：美国的 太太们常叮嘱她们的丈夫下班后为小孩买尿布，而 丈夫们在买尿布后又随手带回了他们喜欢的啤酒。
开发和利用信息资源的第一步就是对信 息进行有效的采集，为了采集的高效性，需 要：
了解信息采集的目的和需求 掌握信息资源的分布规律
采集时的遵循的原则
本节学习目标
信息资源采集的原则 信息资源采集的程序 信息资源采集的方法 信息资源采集的技术

信息源分析
信息资源采集
信息资源加工 信息资源建设
结论是：
今后若有某消费者出现购买尿布的行为， 超市将可推荐该消费者同时购买啤酒。

4.3 自动分类技术
4.3.1自动分类类别
自动聚类：从待分类对象中提取特征，根据一定的 规则将具有相同或相近特征的对象归为 一类。 自动归类：从待分类对象中提取特征，通过与事先 定义好的各种类别具有的共同特征进行 分析，再将分类对象划归为特征最接近 的一类并赋予相应的分类标识。 常用算法：KNN算法即K最邻近算法
三、信息资源的采集方法

3.1 信息资源采集的效率指标 信息资源采集的效率指标有：采全率、采准率、 及时率、费用率、和劳动耗费率5个指标。 • 采全率 衡量切题信息搜集的完整程度，指某一信 取决于系统现有切题信 息发展的预测数据、用 息系统所含的全部切题信息(对该系统全体用户 户信息需求结构、相关 而言)，在当时系统内、外所有切题信息中所占 信息源的分布和信息流 的比例，公式为： 的特征
文 本 数 据 源
预处理
文 本 文本挖掘分析 特 征 库
数 可视化技术 客 据 户 集 端 合 交互技术
处理过程描述如下： 1. 确定文本数据源 明确挖掘的目标、应用范围、 领域背景知识等相关数据。 2. 对数据源进行预处理并存入文本特征库 选取待分析处理的文本，利用分词技术、文本 结构分析技术等抽取出代表文本特征的元数据， 存入特征库。 3. 选择适当的挖掘分析算法，提取面向特定应用 目标的知识和模式。 文本挖掘分析技术有：文本结构分析、文本摘 要、文本分类、文本聚类、文本关联分析等。 4. 利用可视化技术将解释结果提交给用户 利用评估指标对获取的知识或模式进行评估， 根据需要进行优化处理。
2.1.2 确定采集内容
通过与信息资源采集目标和需求具有一定相 关性的信息的特征来确定。 2.1.3 确定采集的范围 采集的时间范围：注重信息的时效性，选择 适当的时间范围。 采集的空间范围：根据信息的分布特性，选 择适当的空间范围，提高信息的相关度和适应度。 2.1.4 确定采集量 采集的信息数量决定采集工作的人力、时间 和费用。 2.1.5 其他因素 信息环境、信息的可获取性等。

3.3 网络信息的采集方法
• 基于网络检索工具的信息资源采集
网络检索工具：搜索引擎、公共联机书目查 询系统(OPAC)、站点导航、非www网络采集工具 (FTP、Telnet等)、网络数据库等。 • 基于Push技术的信息资源采集 Push技术下，服务具有主动性，有效利用网 络资源，提高网络吞吐率。 • 基于网页浏览器的信息资源采集 • 基于网络交流工具的信息资源采集