1 引言

古琴是中国最古老的弹拨乐器之一,也是最纯粹的汉族乐器,具有三千多年的历史^[1]。古琴历来受到文人雅士的喜爱,《诗经》、《尚书》等历史文献都对中国古琴艺术形式有所记载^[2]。古琴艺术源远流长,保存和发展了黄河流域和长江流域的文化传统^[3],自南宋以来逐渐形成了众多不同风格的琴派^[4]。然而,在19世纪下半叶至20世纪,古琴逐渐衰微,使得大众对这一民族文化瑰宝缺少了解。20世纪80年代以来,随着社会整体的繁荣,沉寂多年的古琴又一次走进大众视野,受到越来越多的关注。2003年古琴被联合国教科文组织列为“人类口头和非物质遗产代表作”,进一步促进了古琴艺术的传承和发展,古琴资料整理与古琴知识的传播成为社会文化发展的需要。

古琴的发展与汉文化的发展在地域上有无关系,琴派的形成和风格是否受到地域的影响?这些对了解古琴乃至中国传统文化具有深远的意义。若能将不同时期的古琴名人、琴派的信息收集起来,在地理信息系统中展示和分析,有助于分析古琴艺术的时空演化特征,为研究这一古老的艺术以及中华文化的发展提供新方法。但是由于古代历史文献匮乏、记录不完整以及古今地名歧义性,致使无法收集完整的古琴名人空间信息。

众包指的是一个机构把原来由机构人员执行的工作任务以自由自愿的形式外包给网络大众^[5]。Brabham等^[6]认为众包是一种在线、分布式问题求解和生产模型。Leal等^[7]基于游客在众包平台上撰写的游记数据,对酒店等级进行分析和预测。众包模式也在企业中得到广泛应用,如猪八戒网将个人的智慧通过众包平台进行交易并实现价值,让网络大众在足不出户的情况下就可以服务全中国甚至是世界^[8]。在网络技术飞速发展和互联网用户不断增加的背景下,共享性已成为信息最明显的特征。伴随地理信息的共享,网络上出现了大量的自发地理信息（Volunteered Geographic Information, VGI）,也称为众包地理信息（Crowdsourced Geographic Information, CGI）,为地理信息研究提供了新的数据源^[9]。Goodchild等^[10,11]提出了保障VGI数据质量的方法,并认为VGI为一种有效的地理信息获取方式。对于地理数据的存储模型,胡迪等^[12]提出一种基础的、通用的历史GIS数据模型,并采用非关系型数据库技术实现时空对象的存储;侯志伟等^[13]构建了地质年代本体以解决地质年代时间表达上的差异。然而,不同于以专业方式采集的结构化数据,这种用户自发采集的数据具有多样性、非结构的特点,因此在数据组织管理和分析方面具有一定的难度。

由于完整的古琴名人活动轨迹收集难读较大,本文借鉴众包思想,通过群体智慧收集古琴名人活动轨迹数据,通过解决非结构化数据解析和存储、古琴知识表达的问题,实现古琴名人轨迹和知识的可视化表达,并基于此设计实施基于WebGIS的古琴时空信息采集和检索系统,用户可主动输入古琴名人轨迹数据,不仅有利于促进信息的采集和共享,而且能够吸引更多的古琴爱好者加入,达到一个良性循环,增加古琴名人轨迹数据的完整性。

2 古琴时空信息系统的数据表达模型

2.1 时空轨迹

时空轨迹是关于移动对象的时间和位置的点序列,通常用一组轨迹点记录,以离散的方式表达连续的时空轨迹^[14]。时空轨迹由一组轨迹点p（x, y, t, attr）按照时间先后顺序组成,其中x表示经度,y表示纬度,t表示时间,attr表示速度、加速度、方向等属性信息,也可表示位置的语义信息,相比于出行者的空间位置,位置的语义信息具有更重要的利用价值,可用来挖掘出行者兴趣偏好、情感变化等信息^[15]。本文中每个古琴名人时空轨迹包括n个轨迹点,其中attr表达为位置语义信息,即该轨迹点发生的事件,其时空轨迹表示为： p1(x1,y1,t1,attr1)→p2(x2,y2,t2,attr2)∙∙∙→pn(xn,yn,tn,attrn)。

古琴名人时空轨迹可视化是以直观的图形表达时空轨迹数据,便于从时空的视角对古琴名人的移动轨迹进行展示与分析。古琴时空信息系统使用地理坐标（x, y）表示地理空间位置,纵坐标（t）表示移动时间。时空轨迹将古琴名人的轨迹点用线连接起来^[16,17],如图1所示。

显示原图| 下载原图ZIP| 生成PPT

图1   古琴名人时空轨迹概念图
注：虚线（t₁,t₃,t₅,t₇）表示古琴名人个体在该段时间内没有发生位移,而斜实线（t₂,t₄,t₆）表示古琴名人个体正在发生空间位移^[18]。

Fig. 1   Conceptual diagram of a spatio-temporal trajectory

2.2 知识图谱

人们不仅关注古琴名人的时空轨迹,而且还需要关注有关古琴名人的知识,如古琴名人别名、琴派、古琴书籍、古琴琴谱等实体。这些实体之间存在各种各样的关系,如果选择使用关系型数据库存储这些数据,需要对实体和关系分别建表,一定程度上存在数据冗余,并且在查询实体之间关系时需要进行表连接操作,只能针对输入的关键词进行查询,查询结果缺少语义信息。为了提高检索效率,实现更智能的知识查询,本文采用知识图谱来表达古琴有关的知识,采用图形数据库存储和查询相关知识。

知识图谱（Knowledge Graph）是Google公司于2012年发布的知识体系图数据结构,旨在实现更智能的搜索引擎。该种结构是采用节点和连边组成的关系图对世界万物进行描述的异构网络结构,意在针对世界上的所有事物进行建模,除表达事物的属性特征之外,更注重各种事物之间的关系描述。知识图谱本身不具备形式化的语义,但是可以通过RDFS（Resource Description Framework Schema）或者OWL（Ontology Web Language）的规则进行推理,从而赋予知识图谱形式化语义^[19],因此能够在一定程度上体现语义的共通性,用描述物体的属性代替单纯主题词上的关联,提升检索结果的语义相关性。本文采用知识图谱来表达古琴有关的知识,在图形化结构的数据组织基础上形成古琴知识检索,立足于语义层次的信息检索。采用图形数据库,只需存储实体节点和实体之间的关系,通过遍历一个实体节点即可查询该节点的属性信息、周围节点,不但能检索到输入关键词对应的实体,还能得到所有与该实体有关系的其他实体。本文中古琴知识图谱模型的节点包括古琴名人、古琴书籍、古琴名曲、名人别名和琴派,每一类节点包含若干属性,在节点的基础上,创建节点关系：师父、徒弟、写作、作者、创曲、作曲家、父亲、子女、祖父、孙子、别名、派系,总计12类关系,如图2所示。

显示原图| 下载原图ZIP| 生成PPT

图2   古琴知识图谱模型

Fig. 2   Model of the guqin knowledge graph

3 古琴时空信息采集和检索系统

古琴名人具有个人属性信息与时空轨迹信息,但是不同的古琴名人时空轨迹具有不同数量的轨迹点,同时古琴系统中存在复杂的关系,如古琴名人之间的师徒关系、父子关系、祖孙关系等,关系型数据库不能满足以上数据的有效存储与快速查询。结合第2节中的数据表达模型,本小节采用轨迹数据库和知识库相结合的方法,设计数据库存储结构与古琴名人轨迹众包流程。本文使用MongoDB存储古琴名人轨迹数据,提高轨迹数据的查询效率;使用图形数据库Neo4j存储古琴名人基本属性信息与关系,使得古琴知识检索具有高效性,检索结果具有直观性。

3.1 系统结构

基于WebGIS的古琴时空信息采集和检索系统采用B/S三层体系结构,总体架构设计如图3所示。Web前端地图使用二维和三维轨迹地图：二维轨迹地图使用ArcGIS API for JavaScript接口调用Esri在线地图,三维轨迹地图使用Three.js库完成切片地图的纹理映射与拼接。古琴时空信息采集和检索系统以众包功能为核心,收集古琴名人移动轨迹数据,然后对轨迹数据进行可视化,并挖掘其中隐藏的时空语义信息。

显示原图| 下载原图ZIP| 生成PPT

图3   古琴时空信息采集和检索系统架构

Fig. 3   Framework of the guqin spatio-temporal information system

3.2 轨迹数据管理

3.2.1 轨迹数据库设计

和MongoDB数据库相比,关系型数据库在存储古琴名人轨迹数据方面存在以下问题：如果古琴名人移动轨迹的一个轨迹点存储为一个字段,由于不同古琴名人轨迹长度不同,一个表格中不同记录会有空字段存在,导致存储空间浪费;如果将古琴名人移动轨迹所有轨迹点存储为一个文本字段,则会给查询及解析带来困难。综上,本文选择非关系型数据库MongoDB存储古琴名人的轨迹数据。

本文在MongoDB中建立数据库GuQin,并在该数据库下建立集合User与Trajectory,集合User存储用户信息文档,集合Trajectory存储古琴名人轨迹信息文档,结构如图4所示。MongoDB文档数据结构是一种类JSON的二进制形式的存储格式BSON,所以集合User和Trajectory存储的文档是一组键值（key-value）。集合User中不仅存储用户个人的属性信息：账号（account）、密码（password）、职业（job）、性别（sex）,还存储用户在系统中输入的古琴名人轨迹数据（u_trajectory）;集合Trajectory则是本系统已经收集整理的古琴名人数据,其中包括古琴名人基本属性信息：id（person_id）,姓名（person_name）,生活朝代（dynasty）与轨迹数据（points）,其中的属性信息存储是为了便于根据多种方式查询轨迹信息。因为不同的古琴名人移动轨迹具有不同长度,是一种非结构化数据,因此两个集合中的字段points均表现为JSON格式,嵌套在BSON格式的文档中。在字段points中,“city”表示轨迹中一个轨迹点,“time”表示到达轨迹点的时间,由于古代人类出行工具限制,出行速度较慢,时间跨度较大,所以本文的时间尺度为年,“longitude”与“latitude”表示“city”的经纬度,“semantics”表示轨迹点对应的语义事件。值得一提的是,MongoDB作为非结构化数据库,不需要预定义数据模式,而且MongoDB支持丰富的查询表达式,查询指令使用JSON形式的标记,可轻易查询文档中内嵌的对象及数组,如查询古琴名人移动轨迹时间在公元100年和公元150年之间的古琴名人轨迹数据,mongo命令如下：

db.Trajectory.aggregate([{"\$unwind":"\$points"},

{"\$match":{"point.time":{"\$gt":100, "\$lt":150,}}},

{"\$project":{"trajectory":1}}])

显示原图| 下载原图ZIP| 生成PPT

图4   古琴名人轨迹数据库结构

Fig. 4   Structure of the trajectory database of guqin celebrities

3.2.2 轨迹数据采集

考虑到用户大多为非地理专业的古琴爱好者,众包方式采用文本输入的形式,即用户直接输入包含古琴名人轨迹的文本,如图5所示。系统利用司南TextNet服务^①（http:// geocontext.svail.com）,对文本进行解析。司南TextNet是通过文本解析对文本中的事件进行时间、地点标注并对地名进行地理编码的服务。例如,给定一段文本描述,司南TextNet会依次匹配第一对时间、地点以及文本信息,然后是第二对、第三对等,因此要求用户在输入文本数据的时候,需要将同一个停留点的时间、地理名称和语义信息放在一起,而且在正常情况下,地点、时间以及故事通常是放在一起叙述的。值得注意的是,古琴名人的轨迹涉及到古今地名的对应和历史年代的多种表达。司南TextNet可以同时识别公历纪年（如“公元632年”）和中国传统纪年方法（如“贞观6年”）,司南TextNet的地址编码服务可以识别古今地名并赋予地理坐标。通过TextNet服务的文本解析,最终获取一组包含时间、地理坐标和事件的轨迹点,如用户输入文本：“1984年家乡选派两位青年赴上海求教时,他不计报酬,收下关门弟子。1986年,因年事太高,需人照应,张子谦移居天津他长子张家镇家中,安度晚年”,司南地理编码服务以XML格式返回文本解析结果,如图6所示。系统后台通过对XML解析,提取JSON格式轨迹数据,并且按照时间先后顺序,重组古琴名人张子谦所有轨迹数据,包括系统中已有、该用户以前输入以及最新输入的轨迹数据,如图7显示了将用户输入轨迹插入系统中原有轨迹重组后的轨迹。用户可以在地图上查看重组后的轨迹（图5）。为保证数据的可靠性,用户上传的轨迹数据暂时不能写入系统数据库,只能存于用户个人账号的文件中,等待系统管理员审核,只有管理员审核通过的轨迹才被写入数据库。

显示原图| 下载原图ZIP| 生成PPT

图5   古琴名人轨迹数据输入

Fig. 5   Data input of a guqin celebrity's trajectory

显示原图| 下载原图ZIP| 生成PPT

图6   古琴名人轨迹文本解析

Fig. 6   Text parsing of a guqin celebrity’s trajectory

显示原图| 下载原图ZIP| 生成PPT

图7   将用户输入轨迹与系统中轨迹重组后的结果

Fig. 7   Combination of user-input trajectory and system-archived trajectory

众包数据采集流程如图8所示,具体步骤如下：

显示原图| 下载原图ZIP| 生成PPT

图8   古琴名人轨迹数据众包流程

Fig. 8   Flowchart of crowdsourcing collection of guqin celebrities’ trajectories

（1）用户在Web端输入古琴名人姓名、生活朝代以及移动轨迹,其移动轨迹以文本形式输入,本系统从文本数据中抽取轨迹信息,形成JSON格式轨迹数据;

（2）连接数据库GuQin,以“用户名”、“古琴名人姓名”和“生活朝代”为条件,查询字段User.u_trajectory.points是否存在;以“古琴名人姓名”和“生活朝代”为条件,查询字段Trajectory.points是否存在;

（3）如果字段User.u_trajectory.points与Trajectory.points不存在,则跳转到步骤(4);如果存在,则将用户新输入的JSON轨迹数据与字段User.u_trajectory.points、Trajectory.points对应轨迹数据按照时间先后顺序重新组合;

（4）对轨迹数据进行可视化,即在地图上动态展示二维轨迹路线;

（5）对于用户新输入的轨迹数据,如果数据库集合User不存在该轨迹数据,则增加字段User.u_trajectory.points;如果数据库集合User存在该轨迹数据,则更新字段User.u_trajectory.points;

（6）对于用户输入的轨迹数据,系统管理员通过书籍、网络等方式进行真实性验证;

（7）若输入的轨迹数据为真,则将字段User.u_trajectory.points.status从“待审核”修改为“已接收”,并存入集合Trajectory中;若为假,则将字段User.u_trajectory.points.status从“待审核”改为“已拒绝”。

3.3 图形数据库和古琴知识查询

知识图谱存储采用当前主流的图形数据库Neo4j^[20,21]。和图形数据库Neo4j相比,关系型数据库则需要建立若干张实体表与关系表,实体和关系存储于不同的表格中,不仅存储冗余,而且实现实体及其关系查询时需要进行连接操作,影响查询性能。Neo4j使用图数据存储模型,数据查询时遍历中心节点周围的边和节点,查询速度不会因数据量的增长而下降,且新数据以新的节点和边的形式加入,不需重构数据库,可扩展性强。

Neo4j对应的查询语言为Cypher,方便对Neo4j中的数据进行增删改查操作。本文节点及其关系模型表示如图2所示,其中“古琴名人”节点属性包括：id（person_id）,姓名（person_name）,生活朝代（dynasty）,出生年（birth）,去世年（death）。Neo4j在存储节点时使用“index-free adjacency”,即每个节点都有指向其邻居节点的指针,可以在O（1）时间内找到邻居节点,具有非常高效的查询性能,如查询与古琴名人“伯牙”连接的节点及关系,Cypher语句为： “MATCH （m:古琴名人{name:'伯牙'}）<-[r]-（n）RETURN m,r,n”。图9为查询结果,其含义为：成连是伯牙的师父,俞伯牙和俞瑞是伯牙的别名,伯牙是《高山流水》和《水仙操》的作家。

显示原图| 下载原图ZIP| 生成PPT

图9   古琴名人关系图谱查询结果

Fig. 9   Query result of guqin knowledge graph

Neo4j古琴名人节点属性person_id与MongoDB集合Trajectory文档中字段person_id保持一致性,从而建立轨迹数据库MongoDB与图形数据库Neo4j之间的联系。

4 移动轨迹可视化查询和时空分析

4.1 轨迹查询和可视化

系统对众包轨迹数据进行空间可视化查询,具体包括：① 二维轨迹,可以按照姓名、朝代和时间范围方式查询,如图5,轨迹中红色的圆表示起点,黄色的圆表示途径点,蓝色的圆表示终点,每一个停留点包括一个语义事件;② 三维轨迹,本系统可以从“二维”界面跳转到“三维”界面,可对轨迹进行多视角的展示,有利于发现时空规律。本文利用Three.js库建立三维空间,水平的二维平面坐标表示古琴名人轨迹的地理空间位置,其中竖直向上的箭头表示活动轨迹时间范围,然后将以中国为中心的地图瓦片以纹理方式映射到水平的二维平面上,通过建立地图瓦片地理范围和三维空间关系确定二维平面地理坐标;图10是3条轨迹的三维显示,其表达方式如图1所示,垂直于地图的直线表示古琴名人个体在该段时间内没有发生移动行为,而平行于地图的直线表示古琴名人个体正在发生移动行为。三维轨迹中的地图可以向上或向下移动,可以使地图界面与不同时间点的轨迹相交,从而查看古琴名人在不同时间点对应的地理位置。从图10可看出,同为竹林七贤的嵇康和阮籍在时空上有交集,而蔡琰生活的年代较二人略早。

显示原图| 下载原图ZIP| 生成PPT

图10   三维轨迹显示

Fig. 10   Display of 3-D trajectory

4.2 古琴知识图谱查询

系统根据用户输入的姓名检索图形数据库Neo4j中对应的古琴名人基本信息与关系图谱,并将其图片、基本信息与关系图谱显示在Web端。由于Neo4j与MongoDB通过同一字段建立联系,所以本系统会同时展示MongoDB中对应古琴名人的二维轨迹数据,如图11所示。

显示原图| 下载原图ZIP| 生成PPT

图11   知识图谱

Fig. 11   Knowledge graph

4.3 时空分布

通过众包数据,可对古琴名人的轨迹进行空间分析,从而发现历史上古琴名人游览的热点区域、地域分布和发展趋势等。表1是古琴时空信息采集和检索系统目前收集的不同朝代的古琴名人及对应的轨迹数量,可以看出春秋战国、三国、宋朝（北宋与南宋）、明朝和清朝时期具有的轨迹点较多,因此对以上朝代的古琴名人的轨迹点进行核密度分析^[22],输出密度单位默认SQUARE_MAP_UNITS, 表示输出空间参考的线性单位的平方,本文坐标系为WGS84,对应分析结果输出密度为每平方米,获取古琴名人倾向游历的地点,结果如图12所示,其中颜色越深表示该地点聚集的古琴名人轨迹点密度越大。从图12可看出,随着时间推进,古琴名人移动轨迹的聚集中心发生变化,春秋战国时期人口主要聚集在黄河中下游的中原地区,这里是中华文明的发源地;三国时期,人口则主要分布在曹魏、蜀汉、吴,其中地势条件和兵将优越的曹魏具有更大吸引力;两宋时期,由于宋金、宋元的对峙,北方民众南迁,南方人口开始增加,古琴名人的分布也向南方转移,例如古琴浙派创始人郭沔,移居衡山附近,每于潇湘之上泛舟,望山被云水遮蔽,遥思故国,创作了琴曲《潇湘水云》。明清时期则由长江流域由东向西移民,两湖（湖南湖北）移民的地位十分突出,根本的原因在于湖南湖北的经济开发落后于江西、安徽、江苏和浙江,有相当广阔的开发空间接纳移民^[23,24]。图12中古琴名人聚集的地方包括荆州、苏州、北京、开封、洛阳、济宁、西安,其中荆州、北京、开封、洛阳、西安是中国历代王朝首都,苏州和济宁是国家历史文化名城,这类地方具有历史厚重、文化灿烂的地域特征,是古琴名人的聚集之地。目前本系统中的轨迹数据有限,本文显示的结果不能完全代表古琴在空间上的发展,随着系统中相关数据量的增多,必将更好地反映出古琴的空间演化趋势。

显示原图| 下载原图ZIP| 生成PPT

图12   不同朝代古琴名人轨迹点的核密度分析

Fig. 12   Kernel density analysis of the guqin celebrities' trajectory data in different dynasties

5 结论

本文将GIS技术应用于中华瑰宝古琴艺术相关知识和空间数据的管理,借助WebGIS的开放性与可操作性,通过群体智慧收集古琴名人移动轨迹数据,从而对古琴名人轨迹时空数据进行可视化与分析。本文针对古琴名人的移动轨迹难以完整收集问题,开发了一套基于WebGIS的古琴名人时空信息采集的原型软件系统,着重解决古琴名人轨迹数据库和知识数据库的构建：① 使用非关系型数据库中的文档型数据库MongoDB存储古琴名人的移动轨迹数据,充分利用MongoDB的嵌套存储格式与文档内嵌对象查询便利性的优势;② 使用非关系型数据库中的图形数据库Neo4j存储古琴名人知识图谱,充分利用图数据存储模型、图搜索和图遍历查询方便的优势;③ 基于数据库的设计与建立,本文通过数据众包方式收集和可视化古琴名人轨迹数据,同时展现古琴名人知识图谱;④ 本文对众包的古琴名人移动轨迹进行核密度分析,获取古琴名人的时空移动规律,结果显示古琴名人移动轨迹与中国历史人口迁移趋势一致,且古琴名人倾向于停留在具有浓厚文化气息的历史名城与山水之地。系统目前仍处在数据采集阶段,获取的古琴名人数据数量较少,但是仍然可以挖掘出古琴名人的聚集地与迁移趋势,后期数据的收集与整理,可以进一步验证已获取的空间分析结果与探究更加全面的古琴名人移动轨迹时空规律。在未来获取较多古琴名人轨迹数据的基础上,将以知识发现为主,结合知识图谱对对轨迹数据进行深入挖掘,如探寻与分析古琴名人和流派特征产生的地理根源。

中国传统文化是中国数千年智慧和精华的积淀,为人类文明进步做出了巨大的贡献,需要保护、传承与发展。随着文化复兴的热度越来越高,传承和弘扬中华传统文化势在必行。本文提出的时空信息采集方法同样适用于中国历朝历代名人移动轨迹的采集,如中国历代君王、诗人等,对历史文化研究大有裨益。基于众包的轨迹信息采集不仅有助于人文和历史地理的研究,还可用于天气现象移动、物候、野生动物迁徙等自然现象的研究。

The authors have declared that no competing interests exist.

参考文献

文献选项

• 原文顺序
• 文献年度倒序
• 文中引用次数倒序
• 被引期刊影响因子