旨在整合全球互聯(lián)網(wǎng)信息的谷歌，其首要目標本來是林林總總的商業(yè)網(wǎng)站。但最近，它推出了一種新型的數(shù)據(jù)集搜索引擎，將服務(wù)目標延展到了科研社群。這就是屬于科研工作者等數(shù)據(jù)狂的黑科技——Google Dataset Search（谷歌數(shù)據(jù)集搜索）。

谷歌數(shù)據(jù)集搜索發(fā)起了一次數(shù)據(jù)搜索的革命，它讓人們能夠迅速獲取分散在全互聯(lián)網(wǎng)的各式數(shù)據(jù)集。無論是網(wǎng)站、數(shù)字圖書館還是專業(yè)數(shù)據(jù)庫，只要是存在于線上的共享數(shù)據(jù)集，就能夠被引擎找到。用戶鍵入搜索信息后，谷歌會分析比對相同數(shù)據(jù)集的不同版本，并盡可能地檢索有價值的相關(guān)信息。

實際上，這次革命的核心工具非常純粹，就是一個可以將各式數(shù)據(jù)集集中在一起加以描述檢索的開放標準（http://schema.org）。數(shù)據(jù)發(fā)布者按照這個標準所定義的標簽框架，對發(fā)布的數(shù)據(jù)內(nèi)容進行標簽式的描述。定義的標簽包括發(fā)布時間、發(fā)布方、數(shù)據(jù)收集方式等等。而引擎隨后會將這些標簽信息編入索引，并與谷歌知識譜圖結(jié)合使用，從而使本來分布零散的數(shù)據(jù)集成為一個能夠統(tǒng)一檢索的強大系統(tǒng)。

Figure.1Google Dataset Search使用實例

Figure.2Google Dataset Search使用實例

谷歌的人工智能科學家娜塔莎·諾伊（Natasha Noy）接受采訪時表示，創(chuàng)建數(shù)據(jù)集搜索的目標是將數(shù)以萬計的在線數(shù)據(jù)集統(tǒng)合展示，并非自行建立數(shù)據(jù)庫收集數(shù)據(jù)，她說：“我們只是希望這些數(shù)據(jù)能夠被人們輕松獲取，并不是想將其收集挪動到其他地方。“

目前，互聯(lián)網(wǎng)上的數(shù)據(jù)集資料分布極其零散。不同的學科領(lǐng)域各自擁有自己的首選資源庫，各政府機構(gòu)和地方當局更是如此。諾伊說：“科學家們當然知道能在哪些專業(yè)數(shù)據(jù)庫找到他們自己領(lǐng)域的數(shù)據(jù)，但他們有時想要的并不是這一類數(shù)據(jù)。而一旦他們將視野拓展到專業(yè)領(lǐng)域之外，數(shù)據(jù)搜尋就會變得十分困難?！?/p>

諾伊舉了一個她親歷親聞的例子，一位氣象學家在為即將開展的研究尋找海洋溫度的特定數(shù)據(jù)集，但怎么也找不到。她沒有繼續(xù)追蹤，直到她在遇到了相關(guān)方面的同事，在同事的幫助下她才找到那個數(shù)據(jù)庫。然后她的研究工作才得以繼續(xù)。諾伊說：“雖然保存數(shù)據(jù)的地方算是很顯見，數(shù)據(jù)描述也寫得很清晰，但仍然很難被找到?！?/p>

該搜索引擎的初始版本主要包括來自ProPublica等新聞機構(gòu)以及政府機構(gòu)的數(shù)據(jù)和數(shù)據(jù)集。 但是，如果這項搜索服務(wù)最終流行起來，那么隨著機構(gòu)和科學家爭相開放數(shù)據(jù)的訪問權(quán)限，它所囊括的數(shù)據(jù)量肯定會呈現(xiàn)滾雪球式的成長。

而近年來，世界各地關(guān)于數(shù)據(jù)開放共享的倡議正在蓬勃發(fā)展，這將有助于數(shù)據(jù)集搜索引擎的實現(xiàn)。諾伊認為，在過去的幾年里，可共享數(shù)據(jù)的存量已經(jīng)爆炸，她將此歸功于科學文獻中數(shù)據(jù)的重要性在日益增長——因為期刊會要求作者將數(shù)據(jù)集發(fā)布出來。而除此之外，美國政府和歐洲政府的法律法規(guī)也在進一步引導數(shù)據(jù)開放共享。

開放數(shù)據(jù)研究所（ODI）首席執(zhí)行官Jeni Tennison表示，Google參與到開放數(shù)據(jù)行動中來，將更有利于這項運動獲得成功。數(shù)據(jù)集搜索一直是一個很困難的事情，希望谷歌能讓它變得更加容易。她進一步說，要創(chuàng)建一個像樣的搜索引擎，你需要知道如何構(gòu)建對用戶友好的系統(tǒng)，并了解人們在鍵入某些短語時的真實所想。而谷歌對這些了如指掌。事實上，對于搜索引擎來說，最重要的是用戶所產(chǎn)生的行為數(shù)據(jù)，這才是促進引擎快速成長的活力源泉。所以，雖然搜索引擎賴以抓取數(shù)據(jù)集的元數(shù)據(jù)標簽是一個開放標準，任何競爭對手（如Bing或Yandex等）都可以使用它來構(gòu)建自己的競爭服務(wù)，但谷歌從沒有喪失自己的真正優(yōu)勢。Tennison也表示：“直觀地了解人們的搜索方式很重要，譬如，他們在檢索時會使用什么樣的術(shù)語，又會如何表述這些術(shù)語。從了解人們?nèi)绾嗡阉鲾?shù)據(jù)，并據(jù)此進一步推進數(shù)據(jù)開放的角度說，如果谷歌能夠開放自己的用戶行為數(shù)據(jù)，將會大有裨益。”

總而言之，更多的數(shù)據(jù)開放共享是值得期待的潮流，而谷歌無疑又一次扛起了領(lǐng)頭的大旗。當然，在谷歌完全回歸中國之前，我們距離便利還會多一個梯子的距離。