非结构化信息定义

构建非结构化信息产业

非结构化信息定义

非结构化信息 指信息的形式相对不固定，常常是各种格式的文件。它是相对结构化信息而言的，从宏观上看也是结构化信息的一种形式。诸如电子文档、电子邮件、网页、视频文件、多媒体等。

对于来源繁多的信息资料，专业人士根据信息的格式加以划分，将其分为结构化信息和非结构化信息两大类。

结构化信息是可以数字化的数据信息，可以方便地通过计算机和数据库技术进行管理。无法完全数字化的信息称为非结构化信息，如文档文件、图片、图纸资料 、缩微胶片等。这些资源中拥有大量的有价值的信息。现在这类非结构化信息正以成倍的速度增长。

另一种定义：

结构化信息，我们通常接触的数据库所管理的信息，包括生产、业务、交易、客户信息等方面的记录。非结构化信息，专业术语为内容，所涵盖的信息更为广泛，可分为：营运内容（operationalcontent）：如合约、发票、书信与采购记录；部门内容（workgroupcontent）：如文书处理、电子表格、简报档案与电子邮件；Web内容：如HTML与XML等格式的信息；多媒体内容（Rich MediaContent）：如声音、影片、图形等。

如果说结构化信息更多的忠实、详实地记录了企业的生产交易活动，是显性的表示，那么非结构化信息则隐性包含了掌握着企业命脉的关键，隐含着许多提高企业效益的机会。对于企业来说，企业内部，以及企业与供应商、客户、合作伙伴和员工数字化共享所有形式的数据资源，已越来越重要。

90%的信息和知识在“结构化”世界之外，IT应用中还存在着一个“非结构化”的世界。对大多数企业来说，ERP等业务系统所管理的结构化数据只占到企业全部信息和知识的10%左右，其他的90%都是数据库难以存取到的非结构化信息和知识。来自IDC的分析显示，虽然很多企业投资不菲建立了诸多业务支撑系统，但仍有72%的管理者认为知识没有在他们的组织得到重复利用，88%的人认为他们没有接触到企业最佳实践的机会。Gartner也曾预言，对非结构化信息和知识的管理将会带来一个新IT应用潮流。

目前的非结构化信息处理类似于上世纪70年代以前的结构化信息应用。割裂、无法进行数据互操作的应用是其主流。以人们最常用的文档软件来看，DOC文档是MSWORD与WPS的专用格式，永中、中文2000等OFFICE产品厂商则各有各的“自留地”。这种情况下，由于文档格式的束缚而使信息四分五裂，信息流无法通畅流转，信息处理更加困难，信息资源因为“信息流的不通畅”而丧失了其应有的巨大价值。

从非结构化到半结构化，从半结构化到结构化，从结构化到关联数据体系，从关联数据体系到数据挖掘，从数据挖掘到故事化呈现，从故事化呈现到决策导向。

互连网上出现的海量信息，大概分为结构化、半结构化和非结构化三种。结构化信息如电子商务信息，信息的性质和量值的出现的位置是固定的；半结构化的信息如专业网站上的细分频道，其标题和正文的语法相当规范，关键词的范围相当局限；非结构化的信息如BLOG和BBS，所有内容都是不可预知的。

结构化信息和非结构化信息是IT应用的两个世界，它们有着各自不同的应用进化特点和规律。但是，这两个世界之间还缺少相互连接的桥梁，而这种缺失使企业中不可避免地存在“活动”、“信息和知识”的分离，其后果就是：虽然它们都在进行着“知识化”的努力，但两个世界分离的IT应用模式，注定使其难以真正实现它们的初衷——“在最合适的时间，将最合适的信息传送给最合适的人”。

构建非结构化信息产业

中国的软件产业无法在结构化信息产业中获得主动地位，但历史并不会停留在这一个领域内。整个信息产业还有更大的市场有待开发：这就是非结构化信息应用。

通俗地说，结构化信息是一些可以用表格来描述的信息。除此之外还有大量的文档、流媒体信息等非结构化信息。但事实上，现实社会中，非结构化信息占据着80%以上的份额。这部分信息目前仍处于低效率的处理阶段，它给世界信息产业发展留下了空间，也给中国软件产业的跨越式发展带来了契机。

目前的非结构化信息处理仍处于类似于上世纪70年代以前的结构化信息应用。割裂地、无法进行数据互操作的应用是它的主流。以人们最常用的文档软件来看，DOC文档是MSWORD与WPS的专用格式，永中、中文2000等OFFICE产品厂商则各有各的“自留地”。这种情况下，由于文档格式的束缚而使信息四分五裂，信息流无法通畅流转，信息处理更加困难。我们可以想象，有多少信息资源因为“信息流的不通畅”而丧失了其应有的巨大价值。

基于诸如此类的问题和现状，文档库技术的成展成为信息产业下一步发展不可避免的潮流。文档库产业也将成为一个比数据库产业更加重要的核心产业，关系到信息技术的发展进程。文档库技术应用意味着文档信息可以像结构化信息应用操作一样，文档信息的构建只要符合一个特定的数学模型，并设计一种可以对所有符合这种数学模型的文档进行各种操作的标准，文档应用软件就可以对所有此类文档进行相应的操作——就像一个ERP软件通过SQL操作关系型数据库时可以不必去考虑你底层用的是DB2还是ORACLE一样。

一个令人振奋的消息是，北京书生公司近日宣布推出了其SEP文档库技术，并已经形成可以实际应用的文档模型描述和相应的操作标准——UOML（Unstructured OperationMarkupLanguage，非结构化操作标记语言）。这意味着，中国的企业有可能成为非结构化信息产业发展中核心技术的持有者和标准的制订者。

可以想象，占整个信息领域20%的结构化信息产业发展带来了超过千亿美元量级的产业，那么，占整个信息领域80%的非结构化信息产业一旦走上正轨，它将带来怎样的市场机会。这是很多人不敢想象的数字！

按照书生董事长王东临教授的介绍，由书生公司发起的UOML联盟已经启动，TRS、中文2000、汉王、中科院软件所、中标、中科启信、星火燎原等国内的IT企业已加入其中，理光、Fatwire、Autonomy等单位也均有意向加入联盟，正在洽谈过程中。作为计划推进的一部分，加入UOML联盟的企业将首先实现相关操作的互操作问题。如10家联盟企业有各自的文档处理软件，以往这10种软件所保存的文档无法被其他软件操作，而加入联盟后的这10种软件可以操作其他任何一个软件生成的文档。由于文档库及UOML的应用，这些软件完成这种改造只需要一两个小时到一个星期的开发工作（视操作功能而定）。“比如其中有一家加入联盟的企业只是想让他的软件可以打开符合UOML标准的文档，那他只需要花一天去修改他的软件。”

这既是文档库技术给文档信息处理带来的巨大优势，也是推动非结构化信息产业发展的关键。