论文部分内容阅读
摘 要：文章以中国科学院机构知识库CAS OpenIR为例，采用基于学术搜索引擎Google Scholar优化的策略和方法，如针对Google Scholar收录原则、Google Scholar元数据体系、sitemaps、Robots协议等策略和方法进行分析和实践，通过提升机构知识库在Google Scholar中的收录比率，进而增强机构知识库中内容被发现引用的机率，以扩大IR利用影响力。
关键词：机构知识库 谷歌学术搜索 学术搜索引擎优化 中科院机构知识库
中图分类号： G252 G255.76 文献标识码： A 文章编号： 1003-6938（2012）05-0085-05
1 引言
近年来机构知识库（Institutional Repository，IR）快速稳步增长，已覆盖了大部分知名高校和科研机构。目前在开放获取机构资源库OpenDOAR中注册登记的IR已有2163家[1]，除此以外还有相当一部分数量的IR未在OpenDOAR中注册。IR做为支持开放获取的一种重要形式，支持机构实施数字知识资产的长期保存和管理，提高机构及科研人员智力成果的发现几率、传播范围和影响，是吸引机构及科研人员重视和参与IR建设的重要因素。相关的研究也表明，支持开放获取的论文其引用影响可获得25%～250%的提升[2]。 而Arlitsch等人[3]的调查结果显示，当前IR内容被Google Scholar收录的比率总体上维持在10%～30%的水平，甚至有0%的IR（见图1）。也就是说，大部分IR的内容没有得到充分的发现和利用，仍然局限在小范围内进行交流传播。
Google Scholar作为一项针对学者和科研人员的免费学术文献搜索服务，现在已成为学者、研究人员和学生查找专业文献资料的首选工具[4]。其搜索的范围涵盖了几乎所有知识领域的高质量学术研究资料，包括论文、专业书籍以及技术报告等。Google Scholar不但可以过滤普通网络搜索引擎中对学术人士无用的大量信息，通过与众多学术文献出版商的合作，还加入了许多普通搜索引擎无法搜索到的内容。目前，科研用户通过网络来获取资源，第一选择就是通过Google等搜索引擎进行大范围搜索，其次考虑利用专业的学术数据库，最后才会去翻阅学术期刊。这种检索顺序已经形成了一种社会习惯。
因此，如何解决IR被搜索引擎Google Scholar收录，提升IR中学术文章被Google Scholar收录的比率，已成为增强IR内容可发现性和可见性的关键。本文以中国科学院研究所IR平台CAS OpenIR[5]为例，采用学术搜索引擎优化（Academic Search Engine Optimization，ASEO）的策略和方法，通过提升IR在Google Scholar中的索引比率，进而增强IR中内容被发现引用和利用影响力。
[图1 IR被Google Scholar收录情况调查表[3]]
2 ASEO策略和目的
ASEO建立在传统的SEO[6]基础之上，是从普通的SEO发展而来。由于学术搜索引擎Google Scholar与普通搜索引擎有着明确的定位区别，因此ASEO与SEO有着明显的不同之处。
SEO指通过采用易于搜索引擎索引的合理技术手段和策略，使网站各项要素适合搜索引擎的检索原则，从而更容易被搜索引擎收录和优先排序。SEO基于网页（Web Page），收录过程较灵活和容易。IR属于学术产出的数据库平台，有着自身的元数据元素集，其中的学术文章属于“Academic Invisible Web”[7]，不能被Google Scholar直接访问和索引。因此，在被学术搜索引擎Google Scholar收录前，需要对IR进行ASEO改造，使其符合Google Scholar索引标准，易于被Google Scholar收录爬取。即：
（1） 使IR可以被搜索引擎Google Scholar更好地收录和更新（包括IR的元数据和全文）；
（2） 使搜索引擎在规则允许的范围内进行索引，明确IR的哪些页面可以被索引收录，哪些页面不能被索引收录；
（3） 在用户使用Google Scholar搜索时，可以排名靠前的呈现IR中的相关条目，起到推介IR的作用；
（4） 将IR中开放权限的全文纳入Google Scholar的全文检索中，增加IR中论文的可见性，提高论文的被引用率。
3 Google Scholar收录原则和排名算法
Google Scholar针对学术性数据库内容的收录和索引，有明确的收录原则[8]，如：① 被收录文章需要有唯一的URL；②匿名用户可免费地通过原文URL进入阅读被收录文章；③数据库服务的Robots.txt协议正确配置，明确允许及禁止Googlebot爬取的路径及内容范围；④数据记录的Meta标签符合Google Scholar Meta规则，并且必须包含DC.title，DC.creator，DCTERMS.issued三项描述元数据；⑤记录除了题录文摘信息外，被收录记录必须要有全文；⑥全文格式为PDF格式。
Google Scholar检索排名继承了普通Google检索中应用的PageRank算法[9]，即主要看某项学术内容、页面被引用的情况，同时还将文章全文、作者和出版物等因素纳入算法，从而保证检索结果的高相关性，提高查准率。学术论文被引述的频度越多，一般判断这篇论文的权威性就越高，它的PageRank值就越高。
4 面向IR的ASEO策略与方法实现
根据学术搜索引擎Google Scholar收录、排名的要约特点，本文中笔者将选取ASEO中的关键环节，就设计思路和实现的过程做一分析说明。
4.1 搜索引擎注册
关键词：机构知识库 谷歌学术搜索 学术搜索引擎优化 中科院机构知识库
中图分类号： G252 G255.76 文献标识码： A 文章编号： 1003-6938（2012）05-0085-05
1 引言
近年来机构知识库（Institutional Repository，IR）快速稳步增长，已覆盖了大部分知名高校和科研机构。目前在开放获取机构资源库OpenDOAR中注册登记的IR已有2163家[1]，除此以外还有相当一部分数量的IR未在OpenDOAR中注册。IR做为支持开放获取的一种重要形式，支持机构实施数字知识资产的长期保存和管理，提高机构及科研人员智力成果的发现几率、传播范围和影响，是吸引机构及科研人员重视和参与IR建设的重要因素。相关的研究也表明，支持开放获取的论文其引用影响可获得25%～250%的提升[2]。 而Arlitsch等人[3]的调查结果显示，当前IR内容被Google Scholar收录的比率总体上维持在10%～30%的水平，甚至有0%的IR（见图1）。也就是说，大部分IR的内容没有得到充分的发现和利用，仍然局限在小范围内进行交流传播。
Google Scholar作为一项针对学者和科研人员的免费学术文献搜索服务，现在已成为学者、研究人员和学生查找专业文献资料的首选工具[4]。其搜索的范围涵盖了几乎所有知识领域的高质量学术研究资料，包括论文、专业书籍以及技术报告等。Google Scholar不但可以过滤普通网络搜索引擎中对学术人士无用的大量信息，通过与众多学术文献出版商的合作，还加入了许多普通搜索引擎无法搜索到的内容。目前，科研用户通过网络来获取资源，第一选择就是通过Google等搜索引擎进行大范围搜索，其次考虑利用专业的学术数据库，最后才会去翻阅学术期刊。这种检索顺序已经形成了一种社会习惯。
因此，如何解决IR被搜索引擎Google Scholar收录，提升IR中学术文章被Google Scholar收录的比率，已成为增强IR内容可发现性和可见性的关键。本文以中国科学院研究所IR平台CAS OpenIR[5]为例，采用学术搜索引擎优化（Academic Search Engine Optimization，ASEO）的策略和方法，通过提升IR在Google Scholar中的索引比率，进而增强IR中内容被发现引用和利用影响力。
2 ASEO策略和目的
ASEO建立在传统的SEO[6]基础之上，是从普通的SEO发展而来。由于学术搜索引擎Google Scholar与普通搜索引擎有着明确的定位区别，因此ASEO与SEO有着明显的不同之处。
SEO指通过采用易于搜索引擎索引的合理技术手段和策略，使网站各项要素适合搜索引擎的检索原则，从而更容易被搜索引擎收录和优先排序。SEO基于网页（Web Page），收录过程较灵活和容易。IR属于学术产出的数据库平台，有着自身的元数据元素集，其中的学术文章属于“Academic Invisible Web”[7]，不能被Google Scholar直接访问和索引。因此，在被学术搜索引擎Google Scholar收录前，需要对IR进行ASEO改造，使其符合Google Scholar索引标准，易于被Google Scholar收录爬取。即：
（1） 使IR可以被搜索引擎Google Scholar更好地收录和更新（包括IR的元数据和全文）；
（2） 使搜索引擎在规则允许的范围内进行索引，明确IR的哪些页面可以被索引收录，哪些页面不能被索引收录；
（3） 在用户使用Google Scholar搜索时，可以排名靠前的呈现IR中的相关条目，起到推介IR的作用；
（4） 将IR中开放权限的全文纳入Google Scholar的全文检索中，增加IR中论文的可见性，提高论文的被引用率。
3 Google Scholar收录原则和排名算法
Google Scholar针对学术性数据库内容的收录和索引，有明确的收录原则[8]，如：① 被收录文章需要有唯一的URL；②匿名用户可免费地通过原文URL进入阅读被收录文章；③数据库服务的Robots.txt协议正确配置，明确允许及禁止Googlebot爬取的路径及内容范围；④数据记录的Meta标签符合Google Scholar Meta规则，并且必须包含DC.title，DC.creator，DCTERMS.issued三项描述元数据；⑤记录除了题录文摘信息外，被收录记录必须要有全文；⑥全文格式为PDF格式。
Google Scholar检索排名继承了普通Google检索中应用的PageRank算法[9]，即主要看某项学术内容、页面被引用的情况，同时还将文章全文、作者和出版物等因素纳入算法，从而保证检索结果的高相关性，提高查准率。学术论文被引述的频度越多，一般判断这篇论文的权威性就越高，它的PageRank值就越高。
4 面向IR的ASEO策略与方法实现
根据学术搜索引擎Google Scholar收录、排名的要约特点，本文中笔者将选取ASEO中的关键环节，就设计思路和实现的过程做一分析说明。
4.1 搜索引擎注册