谷歌推出数据集搜索黑科技，再也不用发愁找数据！

旨在整合全球互联网信息的谷歌，其首要目标本来是林林总总的商业网站。但最近，它推出了一种新型的数据集搜索引擎，将服务目标延展到了科研社群。这就是属于科研工作者等数据狂的黑科技——Google Dataset Search（谷歌数据集搜索）。

谷歌数据集搜索发起了一次数据搜索的革命，它让人们能够迅速获取分散在全互联网的各式数据集。无论是网站、数字图书馆还是专业数据库，只要是存在于线上的共享数据集，就能够被引擎找到。用户键入搜索信息后，谷歌会分析比对相同数据集的不同版本，并尽可能地检索有价值的相关信息。

实际上，这次革命的核心工具非常纯粹，就是一个可以将各式数据集集中在一起加以描述检索的开放标准（http://schema.org）。数据发布者按照这个标准所定义的标签框架，对发布的数据内容进行标签式的描述。定义的标签包括发布时间、发布方、数据收集方式等等。而引擎随后会将这些标签信息编入索引，并与谷歌知识谱图结合使用，从而使本来分布零散的数据集成为一个能够统一检索的强大系统。

Figure.1Google Dataset Search使用实例

Figure.2Google Dataset Search使用实例

谷歌的人工智能科学家娜塔莎·诺伊（Natasha Noy）接受采访时表示，创建数据集搜索的目标是将数以万计的在线数据集统合展示，并非自行建立数据库收集数据，她说：“我们只是希望这些数据能够被人们轻松获取，并不是想将其收集挪动到其他地方。“

目前，互联网上的数据集资料分布极其零散。不同的学科领域各自拥有自己的首选资源库，各政府机构和地方当局更是如此。诺伊说：“科学家们当然知道能在哪些专业数据库找到他们自己领域的数据，但他们有时想要的并不是这一类数据。而一旦他们将视野拓展到专业领域之外，数据搜寻就会变得十分困难。”

诺伊举了一个她亲历亲闻的例子，一位气象学家在为即将开展的研究寻找海洋温度的特定数据集，但怎么也找不到。她没有继续追踪，直到她在遇到了相关方面的同事，在同事的帮助下她才找到那个数据库。然后她的研究工作才得以继续。诺伊说：“虽然保存数据的地方算是很显见，数据描述也写得很清晰，但仍然很难被找到。”

该搜索引擎的初始版本主要包括来自ProPublica等新闻机构以及政府机构的数据和数据集。 但是，如果这项搜索服务最终流行起来，那么随着机构和科学家争相开放数据的访问权限，它所囊括的数据量肯定会呈现滚雪球式的成长。

而近年来，世界各地关于数据开放共享的倡议正在蓬勃发展，这将有助于数据集搜索引擎的实现。诺伊认为，在过去的几年里，可共享数据的存量已经爆炸，她将此归功于科学文献中数据的重要性在日益增长——因为期刊会要求作者将数据集发布出来。而除此之外，美国政府和欧洲政府的法律法规也在进一步引导数据开放共享。

开放数据研究所（ODI）首席执行官Jeni Tennison表示，Google参与到开放数据行动中来，将更有利于这项运动获得成功。数据集搜索一直是一个很困难的事情，希望谷歌能让它变得更加容易。她进一步说，要创建一个像样的搜索引擎，你需要知道如何构建对用户友好的系统，并了解人们在键入某些短语时的真实所想。而谷歌对这些了如指掌。事实上，对于搜索引擎来说，最重要的是用户所产生的行为数据，这才是促进引擎快速成长的活力源泉。所以，虽然搜索引擎赖以抓取数据集的元数据标签是一个开放标准，任何竞争对手（如Bing或Yandex等）都可以使用它来构建自己的竞争服务，但谷歌从没有丧失自己的真正优势。Tennison也表示：“直观地了解人们的搜索方式很重要，譬如，他们在检索时会使用什么样的术语，又会如何表述这些术语。从了解人们如何搜索数据，并据此进一步推进数据开放的角度说，如果谷歌能够开放自己的用户行为数据，将会大有裨益。”

总而言之，更多的数据开放共享是值得期待的潮流，而谷歌无疑又一次扛起了领头的大旗。当然，在谷歌完全回归中国之前，我们距离便利还会多一个梯子的距离。