新技术对传统学科的颠覆：系谱网使用大数据寻亲问祖

摘要：追本溯源似乎是人类的天性，由于互联网和大数据等技术的发展，系谱学取得了很多进展，寻找并图表描绘家族史已变成一种潮流。Ancestry是系谱学领域有名的企业，近日添加了将孤立的事件整合成完整档案的功能模块。

家谱网爱好者可能认为在Ancestry网上通过人口普查记录、出生证明和其他文件来寻找亲属的信息这件事很有趣。当向朋友和亲属来炫耀自己的个人记录时，就显得不那么有说服力了，而且讲述一个祖先的社会档案并不简单。

Ancestry.com服务幕后的人已经意识到了这一点。现在，他们正在最大限度的利用其4PB的数据库（包括官方的个人记录，用户提交的信息和其它有新特征的数据），为用户提供由计算机生成但是可编辑的祖先信息摘要。

Ancestry网推出的这项服务名为Story View，本季度早些时候只针对一小部分客户，现在10%的客户都可以享受这一服务了。该公司的产品执行副总裁Eric Shoup在最近一次采访中表示，他们计划在正式发布Story View功能前，将对比Stroy View功能使用前后的情况，以进一步完善Story View。通过允许用户围绕一个单页的文档图像以及编辑文件中的文本部分，Ancestry已经增强了这项功能的互动性。

它是如何工作的

Story View功能基于一个比较成熟的工具，该工具可以对亲属数据包括一些手写的记录进行数据挖掘。但是有时只有关键字段，如姓名和居住地。客户可以访问手写记录，定位到一个亲属被描述的位置，查看未被处理的数据，比如那个人的职业。

通过逐步指导"keyers"解析手写记录，并将记录转换为可搜索的文本，Ancestry正在试图通过手写记录获取更多信息。街道地址已经通过这种方式添加进去，其它的字段以后也会添加。同时，由于Ancestry在不断扩充其资料库，社会档案也会有更多的来源。

 

为了从多个文档中提取信息生成一个段落总结，Ancestry求助于Narrative Science，该公司成立于2010年，专注于使用机器生成可读的拷贝（传说中会让我们小编都失业的技术）。早期应用于体育赛事的报道和上市公司的收益报告，现在Narrative Science技术被更多的用于个人信息处理。

Ancestry叙事（narrative）和内容（context）服务团队的首席开发人员Reed McGrew说，当Ancestry第一次采用Narrative Science技术时，只能分批地产生数据。它们会生成大量的财务报告，这并不是我们试图提供的，因为这种批处理确实很慢。

几个月内，Narrative Science开发了一个新的API，这个API可以在更精细的水平上工作。McGrew说：“它们基于单个用户生成社会档案”。

Ancestry精于处理家谱信息，该公司的编辑提供编辑的标准，或“规则”，规定了narratives收发数据的格式。McGrew解释了Ancestry标准：“比如遇到孩子只比母亲小10岁的记录，这更像是输入错误，虽然现实情况中也会发生，但多数情况下不会，所以我们会把这条记录当成错误的来处理”。

包含Shoup某个亲属信息的记录

在Story View中，一个祖先的图片和生活摘要下面是一个缩放的文档图片，而不是结构化文本的离散字段。图片的旁边，Ancestry会提供从文档信息中生成的导语。一旦Ancestry发现所有的记录都和一个人有关，就会根据Ancestry的编辑规则选择出特定的事实组装成完整的句子。一旦基于文档的导语显示在浏览器中，用户就可以在共享前编辑和保存它们。

很难共享

Ancestry的CIO Scott Sorenson说，我们面临的挑战并不在于创建和存储用户的新数据和网页。存储会变得越来越便宜，精确的手写记录处理也不是问题。通常keyers都在中国找，中国的字符集比我们的字母表要大很多，他们很擅长键入这些记录。

真正困难的部分是确保服务的高可用性，数以百万的用户提供正确的文档和文本，并确保网站流量高峰时不致崩溃，但是Story View的目标之一是让更多的人浏览网站内容并最终注册。

***