XML標記的語意

[摘　要]　儘管XML文件類型定義提供了一種機器可讀形式的、能夠說明XML語言語法的機制，但目前並沒有類似的機制來指定XML詞彙表的具體語義。這意味著沒辦法說明XML標記的意義，由XML形式呈現的事實和關係無法清晰、全面和規範地定義。這在實務和理論上都引起了嚴重的後果。從正面的方面來看，XML結構能被賦予任意語意，並可用於最初的設計者無法預見的領域。從不太積極的方面來看，內容開發者和軟體工程師必須依靠乏味的文檔，或者更糟的情況是，只能依靠猜測標記語言設計者的意圖來開展工作。這過程既費時費力，又易出錯，還無法核實驗證。即便是設計者當初的建檔工作做得相當完美，不如意的情況還是會發生。另外，對標記語意本質研究的匱乏也意味著屬於工程應用領域的數位文件處理根本沒有理論。儘管目前正在進行的一些工程（XML模式、RDF、語意網）已經取得了一些成績，但是這些工程都沒有直接全面地解決XML標記語意的核心問題。本文回顧了標記意義這個概念的發展歷史，闡明了解釋XML正式語意的動機，並介紹了一個研究語意的科學研究計畫－BECHAMEL標記語意計畫。
[關鍵字]　SGML　XML　標記語意知識表示
 1　引言
 
近年來，隨著數位出版的發展、萬維網應用的迸發以及電子商務領域的快速發展，我們日常的社會、商業、文化、生活等各方面都開始應用閃光標準化通用標記語言（Standard Generalized Markup Language，SGML）和可擴展標記語言（Extensible Markup Language，XML）的文字標記系統。 SGML/XML是一種定義描述性標記語言的機器可讀技術。除去一些需要特別處理的部分，這種語言能清楚定義文檔結構及其潛在意義。 SGML/XML發展速度很快，廣泛使用這種技術能夠支援高效能的文件互通處理和出版。
這種美好的願望已經部分實現了，SGML/XML的優越性超出了人們的預期，但是SGML/XML文件系統在功能性、互通性、多樣性和可獲取性上仍有待提高。若不把握這個機會，後果會非常嚴重：實業已經花費了高昂的財務成本，也失去了很多機會；在關鍵的安全應用上還有可能導致一些災難；對於殘疾人來說，這會阻礙他們平等地獲取當代社會文化和商業福利。此外，久已存在的一些問題也不斷提醒我們，當下最好的數位文件模型仍有缺陷，至少是不夠完善的。
這些問題的根源在於，儘管SGML/XML能為文件提供有意義的結構，但是SGML/XML不能以系統的機器可處理的方式來表示文件元件和主題之間的基本語意關係。 SGML/XML支援對機器可讀的「語法」進行說明，但是它沒有提供解釋某種語法的語義內涵的機制，所以一個SGML/XML詞彙的潛在意義到底是什麼，還沒有辦法進行形式化表達。利用當下的SGML/XML甚至無法表達非常簡單的有關文件標註系統的基本語義事實，這些事實通常是標記語言設計師預先設計的，但具體實現仍舊依賴於標記語言用戶和軟體。
這種表達功能的缺失使得SGML/XML使用者必須猜測標記語言設計師想到的但沒有形式化表達出來的那些語意關係。內容開發者必須猜測設計者的意圖，在內容編碼時依靠這些推斷來開展工作，無法將自己的推斷和意圖清晰地表達給其他人或傳遞給處理編碼內容的應用程式。軟體設計師也需要猜測標記語言設計師的可能意圖，並將這種猜想設計到軟體工具和應用系統中。有時候二階的猜想是必須的：軟體設計師要猜測內容開發者對標記語言設計師意圖的推論。
很顯然，這些猜測是不完整的、易錯的、未經證實的。而且，製作和實現過程都費時費力，功能性和互通性也很差。為一般的自然語言文件配備一個SGML/XML的說明書並不能完美地解決這個問題。當然，普通的自然語言文件可以提供內容提供者和軟體工程師一些提示，但目前SGML/XML文件還沒有通用的規則。不管怎麼樣，普通的自然語言文件不是機器可讀的形式，這就是我們要說的SGML/XML標記系統的問題。
與SGML和XML相關的機器可處理的語義描述方面的設想還未形成，這是目前工程領域的問題和未來發展障礙的根源，相關的語義學研究也很少，但是很多學者已經開始關注此問題。 W3CSchema方面的工作與此相關，但也只是涵蓋了這個問題中的很小一部分（例如資料類型）。 W3C的「語意網」計畫也與此相關，但它是為了發展通用的基於XML的知識表示技術。我們的研究重點是文檔標記的語義，它隱藏在實際的文檔處理系統中。人們可能會說語意網的本質就是設計語意標記，然而在本文中，我們認為解決上述問題還必須深入考慮標記的本質意義。
接下來，本文首先從歷史背景方面說明標記的意義問題（標記在文本處理方法的發展中扮演了有趣的角色）；其次，詳細描述是何種因素產生了形式語義標記需求，何種因素決定了語義需求；最後簡要介紹一項多個機構正在參與實施的研究計劃——BECHAMEL標記語義計劃，該計劃正努力解決標記的語義問題。
 2　歷史背景 
文件「標記」大概可以算是傳播系統的一部分，包括早期的書寫、抄寫出版和印刷，但是隨著數位文字處理和排版的發展，標記的使用變得自覺又常見，同時也成了系統開發中重要的創新領域。 1960年代到80年代是文件標記系統全面系統化發展的時期，重點工作是提升數位排版和文字處理的有效性和功能性。在1980年代初期，人們依舊致力於研究標記的理論框架，並利用該框架支持高性能係統的發展。這方面的一些成果已經發表，但大部分成果也只是記錄在工作文件和各種標準形式的產品上。
在這個階段出現的一種觀點是，文檔作為一種智力成果，更適合被抽象為一系列物件（如章節、段落、公式等）的有序層次化結構模型，而不是一維文本字元流模型。字元流常夾雜著大量定義格式的編碼、描述設計佈局的結構（如頁碼、分欄、印刷行）、像素值矩陣，以及其他一些在不同的文件處理及儲存系統中潛在的表達形式。有序層級結構模型概括了兩種具有本質差異的標註，分別是識別編輯文本物件（標題、章節等）的標註和說明版面要求的標註。前者的應用已經取得一些成果。諸如標題、章節、段落、方程式、引文之類的相關文檔元素能被分隔標記清晰地標示出來，之後通過映射給元素類型的規則來對元素進行間接處理。這種內容和形式的分離，能夠以常見的組合經濟的方式實現基礎層面的間接性和抽象化。在文件處理的所有方面，這種分離形式有巨大而多樣的實用價值，更重要的是它似乎說明了「文件到底是什麼」這個問題。用於實現如此功能的描述性標記不只是標示了元素的範圍，也攜帶了文件模型想要揭示的意義（如這段文本是一個章節）。
20世紀80年代初期，美國國家標準化局（ANSI/ISO）發布了很有影響力的SGML文件標記元語法，並梳理了標記和文檔結構方面之前所做的理論和分析工作。 SGML為定義描述性標記語言提供了一種機器可讀的形式。作為一種元語法，SGML沒有定義標記語言，而是詳述了開發標記語言中的機器可讀的技術。這個定義的核心是一種類似巴科斯-諾爾範式（Backus-Naur Form，BNF）的形式化表現機制。此機制攜帶有用於定義類型化屬性及其值的規則，以及其他一些用於進一步抽象和間接化的設計（請參閱註釋中對文件類型定義（Document Type Definitions，DTDs）和巴科斯-諾爾範式相似程度方面的總結）。從結構上來說，SGML文件是一種具備有序分支和帶有標記節點的樹，它是其對應的DTD的形式化產物。
經過多年的分析和實踐，SGML背後的基本理念已經眾所周知。利用元語法層面的產業級標準和詞表層面的在地化創新所帶來的優點，SGML的特有機制（類巴科斯-諾爾範式的元語法，類型化屬性/屬性值對，實體引用等）在應用程序和工具方面得到了高效實現。 SGML標記語言本身在發展中似乎也同時支援和優化用於文件系統設計、實施和利用的理想的工作流程。 1980年代中期到90年代初期，大量以SGML為基礎的標註系統發展起來。
儘管SGML的發展得到很多關注，其想法也不錯，並在多個領域成功實施，但在最初的十年裡，幾乎沒有人使用它。導致這個結果的因素有很多，但最重要的還是SGML本身過於複雜，特別是SGML中包含了許多複雜的可選屬性，對應的軟體可能根本沒必要對其實現，導致SGML軟體開發速度非常緩慢。更糟的是，如果文件未經DTD驗證，進一步的分析就不可能實現。縮寫控制意味著如果不考慮文件語法，元素邊界都無法確定下來。另外，SGML也包含了一些其他屬性，它們會導致現有的語法分析工具不適用於形式語法，無法進行高效率的語法分析。
在網路出版與交流方面，SGML系統可應用於HTML（超文本標記語言）方面。最初的HTML版本定義很鬆散，缺乏正式的語法說明。後來人們對HTML的SGMLDTD有了興趣，事實證明為已經成為「正確」實踐的東西設計DTD是很困難的。更重要的是，由於在最初的HTML說明書中，供應商隨意地把程序性標記（如

）添加到關鍵性的描述性標記中（如