OCLC编目培训:虚拟AskQC办公时间

OCLC的WorldCat元数据质量团队举办的免费网上活动 Virtual AskQC Office Hours (VAOH),每月一个相关话题(2个不同时间、相同内容,每次1小时),很好在线编目培训资料:

AskQC https://help.oclc.org/WorldCat/Metadata_Quality/AskQC

AskQC 即 Ask Quality Control(询问质量控制),可以发送邮件到 AskQC@oclc.org,向OCLC元数据质量人员发送有关编目政策、标准和实践的问题。

从网页看,VAOH始于2018年,内容结合实践发展,有与OCLC相关的,也有通用的。比如2018年1月话题是:260字段到264字段的转换

参加活动需注册,结束后,录像、PPT、问答(AskQC office hour member Q&A)、活动中提及资源网址(AskQC office hour URLs),都会上网,可以很方便地利用。

  • 即将举行的2024年3月话题:面向门外汉的乐谱编目(Music Score Cataloging for the Uninitiated)

你对乐谱编目的经验太少吗?但预计你会对越来越多的积压乐谱进行编目?你从未学会阅读乐谱,一想到要把乐谱编目,你会害怕吗?OCLC与音乐图书馆协会和音乐OCLC用户小组的联络人Morris Levy将主持此次会议,会议将包括音乐编目资源的概述、相关MARC领域的回顾以及古典音乐和流行音乐的例子。

2024年上半年其他几次的话题分别是(1-2月资料已经上网):

  • 1月,阅读LC规范记录(为使用LC名称和主题规范文件的非NACO编目员设计)
  • 2月,CIP记录的生命周期(关于美国国会图书馆在版编目)
  • 4月,PCC和OCLC:概述和新功能(就使用BIBCO记录进行讨论)
  • 5月,谁是您的受众?目录记录受众的方法(介绍521和385等MARC字段、定长字段值以及记录这些信息的好处)
  • 6月,定制MARC记录、使用Collection Manager交付(生成WorldCat更新记录)

牛津大学图书馆Z39.50服务器变化

牛排(网友)在微信上问我,牛津大学图书馆书目数据还能套录否?并给出认证用户失败、查询失败的提示截屏。

很久没用Z39.50查书目数据了。电脑系统更新到Windows 11后,还没有安装Z39.50客户端。立刻安装,添加以前收集的牛津大学Z39.50服务器信息(主机/端口/数据库)library.ox.ac.uk / 210 / ADVANCE,确实查不了。

参见:Z39.50服务器信息(2004-11-4)

要找到源头,看有没有说法。在该馆网站,查到2023年8月图书馆系统更换,数据库名称变化:z39.50 configuration

  • Host: library.ox.ac.uk
  • Port: 210 or 1921
  • Database: 44OXF_INST

于是在Z39.50客户端上重新添加主机,竟然连接就要求登录?上述网页并未提及需要认证呀。

后来才想起,添加数据库时没选“匿名”。修改后,连接主机数据库,查询有结果,可以正常下载记录。

问题解决。

自动主题标引工具Annif

不知道什么时候看到2021年的文章《BIBFRAME作品实体描述的半自动化方法》:

Jim Hahn (2021) Semi-Automated Methods for BIBFRAME Work Entity Description, Cataloging & Classification Quarterly, 59:8, 853-867, DOI: 10.1080/01639374.2021.2014011

摘要:本文报告了在RDF关联数据编辑器Sinopia(https://Sinopia.io)中半自动创建BIBFRAME作品实体描述的机器学习方法的研究。自动主题标引软件Annif配置了美国国会图书馆主题标题(LCSH)词表,该词表来自关联数据服务https://id.loc.gov/。培训语料库由来自IvyPlus POD项目 (https://pod.stanford.edu/) 和Share-VDE (https://wiki.share-vde.org) 的930万个题名和LCSH关联数据参引组成。探索了半自动化流程,以支持和扩展而不是取代专业知识。

内容涉及BIBFRAME、机器学习、语料库、自动主题标引……就编目领域而言,很潮。不过下载到电脑桌面后就忘了,前几天看到,打开仔细看过:文章篇名称“作品实体描述”,实际只是提供“主题”;“半自动化方法”,指根据文献题名,由自动主题标引软件Annif给出建议的主题,编目员决定是否采用。其实主题标引建议,对MARC编目也同样适用。

本文围绕两个工具:一、Annif,根据文献题名建议主题;二,BIBFRAME编辑器Sinopia,通过API选择或不选择建议的主题,需要解决编辑器功能问题。以下结合本文了解Annif使用方法。

Annif(https://annif.org/)是芬兰国家图书馆开发的自动主题标引和分类工具。最新版本Annif 1.0.2(2024年2月2日)

实际使用有3种途径:1、命令行界面,2、简洁的Web UI(网站主页有试用),3、微服务风格的REST API。

使用方法(四步骤)

1、选择主题词表

Annif结合使用现有的自然语言处理和机器学习工具,包括TensorFlow、Omikuji、fastText和Gensim。它是多语言的(网站演示3种语言即芬兰语、瑞典语、英语),可以支持任何主题词表(SKOS或简单的TSV格式)。

本文使用LCSH,下载自 https://id.loc.gov/。由于LCSH文件格式没有Annif支持的TTL语法,作者使用RDF语法库进行转换,并在GitHub上公开SKOS LCSH TTL转换的输出。

2、根据训练数据准备语料库。本文使用两个训练语料库:

(1)宾夕法尼亚大学图书馆的130万条带有题名 (245 $a) 和相关的关联数据主题 (650 $0 uri) 的记录的元数据集,数据由Share-VDE作过URI增强处理。

(2)IvyPlus开放数据平台(POD)和Share-VDE的930万题名和主题关联数据。Share-VDE数据来源于合作编目计划(PCC)数据池项目。

3、加载词表并训练模型

首先使用预先标记的测试集评估训练模型。通过使用预先标记的测试,软件将系统地确定基于机器学习的标题[主题]与人工指定的标题的比较方式。PCC成员馆中单独的SDVE强化MARC元数据集提供了测试训练的目标。

通过Scikit学习模型评估,生成归一化折损累计增益(NDCG)分数,前述两个语料库分别得分0.401和0.487。文章称,对于依赖完全自动化机器学习系统的行业来说,预测精度通常接近百分之九十。

4、为新文档建议主题

Annif网站 Web UI 试用可选择显示10、15、20个建议主题。

【话外】第3步预测精度不足,是语料库的问题,不是Annif的问题。由题名预测主题,其不靠谱是可以预料的,最著名的例子是《钢铁是怎样炼成的》。这也就是本文只能“半自动”的主要原因了。

用本文摘要试用Annif网站 Web UI,词表选择YSO Omikuji Bonsai English,建议的10个主题如下:

  • lists of subject headings
  • subject indexing
  • subject cataloging
  • semantic web
  • linking
  • thesauri
  • linked open data
  • metadata
  • machine learning
  • computer programmes

提到Annif的相关博文