基于本體的多專業(yè)領(lǐng)域知識(shí)語義檢索系統(tǒng)研究

劉紫玉，楊國(guó)霞，李學(xué)會(huì)

（1.河北科技大學(xué)經(jīng)濟(jì)管理學(xué)院，河北石家莊 050018；2.河北科技大學(xué)信息科學(xué)與工程學(xué)院，河北石家莊 050018）

基于本體的多專業(yè)領(lǐng)域知識(shí)語義檢索系統(tǒng)研究

劉紫玉1，楊國(guó)霞2，李學(xué)會(huì)2

（1.河北科技大學(xué)經(jīng)濟(jì)管理學(xué)院，河北石家莊 050018；2.河北科技大學(xué)信息科學(xué)與工程學(xué)院，河北石家莊 050018）

多專業(yè)領(lǐng)域是指由多個(gè)專業(yè)構(gòu)成的學(xué)科領(lǐng)域，如高速鐵路領(lǐng)域由工務(wù)工程、牽引供電、動(dòng)車組、運(yùn)營(yíng)管理等專業(yè)領(lǐng)域構(gòu)成。對(duì)于多專業(yè)領(lǐng)域本體的構(gòu)建，可以先構(gòu)建各個(gè)專業(yè)領(lǐng)域本體，然后根據(jù)專業(yè)領(lǐng)域之間的關(guān)系進(jìn)行本體集成。面向多專業(yè)領(lǐng)域，在本體模型的基礎(chǔ)上提出了多專業(yè)領(lǐng)域本體模型，并給出了多專業(yè)領(lǐng)域本體概念語義相似度計(jì)算模型，此模型可作為語義擴(kuò)展的基礎(chǔ)。在此基礎(chǔ)上，設(shè)計(jì)了一個(gè)基于本體的多專業(yè)領(lǐng)域知識(shí)語義檢索系統(tǒng)，并以高速鐵路領(lǐng)域?yàn)楸尘皩?duì)提出的語義檢索系統(tǒng)進(jìn)行實(shí)驗(yàn)驗(yàn)證，從測(cè)試結(jié)果來看，開發(fā)的語義檢索系統(tǒng)可以獲取較高的準(zhǔn)確率和召回率。

本體；多專業(yè)領(lǐng)域；語義檢索；高速鐵路領(lǐng)域

本體在知識(shí)管理、人工智能、信息檢索、Web服務(wù)發(fā)現(xiàn)等領(lǐng)域中扮演著越來越重要的角色。根據(jù)領(lǐng)域依賴程度，可以將本體分為通用本體、領(lǐng)域本體、任務(wù)本體和應(yīng)用本體［1］。領(lǐng)域本體可以有效地組織領(lǐng)域中的知識(shí)，使知識(shí)更好地共享、重用。

對(duì)于多專業(yè)領(lǐng)域本體的構(gòu)建，可以先構(gòu)建各個(gè)專業(yè)領(lǐng)域本體，然后根據(jù)專業(yè)領(lǐng)域之間的關(guān)系進(jìn)行本體集成。在本文中作以下定義：由多個(gè)專業(yè)領(lǐng)域構(gòu)成的領(lǐng)域定義為“多專業(yè)領(lǐng)域”，如高速鐵路領(lǐng)域；基于每個(gè)專業(yè)領(lǐng)域構(gòu)建的本體稱為“專業(yè)領(lǐng)域本體”，如動(dòng)車組專業(yè)領(lǐng)域本體；由多個(gè)專業(yè)領(lǐng)域本體集成的統(tǒng)一本體稱為“多專業(yè)領(lǐng)域本體”，如將高速鐵路的動(dòng)車組專業(yè)領(lǐng)域本體、牽引供電專業(yè)領(lǐng)域本體等集成后的本體稱為“高速鐵路多專業(yè)領(lǐng)域本體”。多專業(yè)領(lǐng)域本體構(gòu)建方法本文不進(jìn)行詳細(xì)說明，可以參見相關(guān)作者的文章［2］。

筆者面向多專業(yè)領(lǐng)域，在本體模型的基礎(chǔ)上提出了多專業(yè)領(lǐng)域本體模型，并給出了多專業(yè)領(lǐng)域本體概念語義相似度計(jì)算模型，此模型可作為語義擴(kuò)展的基礎(chǔ)。在此基礎(chǔ)上，設(shè)計(jì)了一個(gè)基于本體的多專業(yè)領(lǐng)域知識(shí)語義檢索系統(tǒng)。最后以高速鐵路領(lǐng)域文獻(xiàn)資料知識(shí)作為實(shí)驗(yàn)對(duì)象，對(duì)本文提出的語義檢索系統(tǒng)進(jìn)行實(shí)驗(yàn)分析，從測(cè)試結(jié)果來看，開發(fā)的語義檢索原型系統(tǒng)可以獲取較高的準(zhǔn)確率和召回率。

1 概念語義相似度計(jì)算模型

1.1 本體模型

關(guān)于本體（Ontology）的定義有許多，目前獲得較多認(rèn)同的是STUDER等的解釋［3］：“Ontology是對(duì)概念體系的明確的、形式化的、可共享的規(guī)范說明”。

定義1 一個(gè)完整的本體應(yīng)由概念、關(guān)系、函數(shù)、公理和實(shí)例等5類基本元素構(gòu)成。本體可以表示為

其中：C為概念，概念是指客觀世界中任何事物的抽象描述，在本體中通常按照一定的關(guān)系形成一個(gè)層次結(jié)構(gòu)；

R?2C×C，概念之間的關(guān)系，如“subclass-of”關(guān)系、“part-of”關(guān)系等；

F?Rn是一種特殊的關(guān)系，其中第n個(gè)元素cn相對(duì)于前面n－1個(gè)元素是唯一確定的，函數(shù)F可以表示為c1×c2×…×cn－1→cn；

A為概念或者概念之間的關(guān)系所滿足的公理，是一些永真式；

I為領(lǐng)域內(nèi)概念實(shí)例的集合。

1.2 領(lǐng)域本體模型

在實(shí)際的領(lǐng)域本體中，由于概念之間不僅僅存在著上下位關(guān)系，概念之間還通過其他各種關(guān)系可以連接，尤其在多專業(yè)構(gòu)成的領(lǐng)域本體中還有許多自定義的關(guān)系，這使得概念的組織形式并不完全是一個(gè)樹型結(jié)構(gòu)，而是一個(gè)網(wǎng)狀結(jié)構(gòu)。因此，根據(jù)多專業(yè)領(lǐng)域本體的特點(diǎn)，在本體模型的基礎(chǔ)上重新構(gòu)建了領(lǐng)域本體模型。

定義2 領(lǐng)域本體模型是一個(gè)八元組：DO＝｛C，P，Hc，Rs，Rud，I，F(xiàn)，A｝。其中：DO 表示領(lǐng)域本體；C 表示概念（或稱為類）；P表示領(lǐng)域本體中Datatype類型屬性；Hc表示類間的上下位（subclass-of）二元關(guān)系；Rs表示類間的同義（synonymy）關(guān)系；Rud表示類間的用戶自定義（user-defined）關(guān)系（包括part-of關(guān)系也用自定義關(guān)系來描述），也就是類的ObjectProperty；I表示領(lǐng)域內(nèi)概念實(shí)例的集合；F表示概念間一種特殊的關(guān)系，可以表示為c1×c2×…×cn－1→cn；A表示領(lǐng)域本體中概念或者概念之間的關(guān)系所滿足的公理，是一些永真式。

定義3 概念C 的模型是一個(gè)九元組：C＝｛P，Csc，Cuc，Cs，Cr，Hc，Rs，Rud，Ic｝。其中：P 表示概念C 的Datatype類型屬性；Csc表示概念C的子概念（subclass）；Cuc表示概念C的父概念（upperclass）；Cs表示概念C的同義概念（equivalentclass）；Cr表示與概念C有關(guān)系的概念；這里主要指通過用戶自定義關(guān)系聯(lián)系起來的概念；Hc表示概念C的上下位關(guān)系；Rs表示概念C的同義（synonymy）關(guān)系；Rud表示概念C的用戶自定義（user-defined）關(guān)系；Ic描述概念C 的實(shí)例。

概念之間的關(guān)系主要分為3類：1）上下位關(guān)系，用Csc，Cuc和Hc表示；2）同義關(guān)系，用Cs和Rs表示；3）用戶自定義關(guān)系，用Rud表示。

1.3 概念語義相似度計(jì)算模型

1.3.1 模型組成描述

傳統(tǒng)本體概念間相似度計(jì)算的不足在于其語義關(guān)系只考慮了層次語義關(guān)系，沒有考慮語義關(guān)系中非層次關(guān)系的影響，同時(shí)對(duì)象實(shí)例對(duì)于概念的影響也沒有考慮。筆者在定義3的基礎(chǔ)上，提出了計(jì)算概念之間相似度的模型，該模型全面考慮了本體概念模型中各種元素對(duì)相似度的影響，考慮的元素主要包括屬性（Datatype類型屬性）、上下位語義關(guān)系、其他語義關(guān)系（自定義關(guān)系）和實(shí)例特征。

1.3.2 MD4模型概念語義相似度算法

在同一本體中，概念相似度計(jì)算首先需要檢查2個(gè)概念是否同義。如果2個(gè)概念同義，那么2個(gè)概念是完全相似的，其相似度為1。

1）上下位關(guān)系語義相似度計(jì)算

在領(lǐng)域本體中，只考慮上下位關(guān)系時(shí)的本體模型為樹型結(jié)構(gòu)。計(jì)算上下位關(guān)系語義相似度時(shí)采用基于距離的概念相似度計(jì)算方法。筆者參考陳杰等人的算法，綜合考慮概念距離和層次對(duì)概念相似度的影響［4］，算法公式如下：

式中dl（C1）和dl（C2）分別是C1和C2所處的層次；Dist（C1，C2）是概念C1和C2之間的本體樹中的最短路徑；Max樣dl是指本體樹的最大深度，在這里除以該參數(shù)是便于計(jì)算結(jié)果的歸一化處理；α是一個(gè)可調(diào)節(jié)參數(shù)，一般α≥0。

2）自定義關(guān)系語義相似度計(jì)算

假設(shè)有2個(gè)非同義概念Ci和Cj，根據(jù)定義3中的概念模型表示方法，可得到概念Ci對(duì)應(yīng)的p個(gè)自定義關(guān)系集Rudi和p個(gè)自定義關(guān)系對(duì)應(yīng)的m個(gè)概念集Cri，概念Cj對(duì)應(yīng)的q個(gè)自定義關(guān)系集Rudj和q個(gè)自定義關(guān)系對(duì)應(yīng)的n個(gè)概念集Crj。這里，每個(gè)集合中不存在相同的元素。

當(dāng)2個(gè)自定義關(guān)系進(jìn)行比較時(shí)，如果2個(gè)關(guān)系是相同的，那么相似度為1，否則相似度為0。

自定義關(guān)系相似度計(jì)算公式如下：

其中p和q分別是概念Ci和Cj對(duì)應(yīng)的自定義關(guān)系的個(gè)數(shù)。

自定義關(guān)系對(duì)應(yīng)的概念之間的相似度計(jì)算使用式（1），綜合相似度計(jì)算公式為

其中m是Ci的p個(gè)自定義關(guān)系對(duì)應(yīng)的概念個(gè)數(shù)，n是Cj的q個(gè)自定義關(guān)系對(duì)應(yīng)的概念個(gè)數(shù)。

在領(lǐng)域本體中，Ci和Cj通過自定義關(guān)系體現(xiàn)出的相似度Simud（Ci，Cj）為

其中β，γ分別表示2種相似度的權(quán)重（可簡(jiǎn)單設(shè)定β＝γ＝0.5），0≤β≤1，0≤γ≤1，β＋γ＝1。

3）概念Datatype類型屬性相似度計(jì)算

當(dāng)2個(gè)Datatype型的屬性進(jìn)行比較時(shí)，如果2個(gè)屬性是相同的，那么相似度為1，否則相似度為0。首先確定Ci和Cj的屬性集Pi和Pj，概念Ci和Cj分別對(duì)應(yīng)m和n個(gè)Datatype類型的屬性（DatatypeProperty），然后對(duì)屬性集合Pi和Pj進(jìn)行笛卡爾乘積Pi×Pj，得到配對(duì)集，再計(jì)算Ci和Cj的屬性相似度Simp，得到Ci和Cj的屬性相似度計(jì)算公式為

其中，m和n分別是概念Ci和Cj的Datatype類型屬性的個(gè)數(shù)。

4）實(shí)例語義相似度計(jì)算

實(shí)例語義相似度的計(jì)算采用和概念Datatype類型屬性相似度計(jì)算相同的算法。Ci和Cj的實(shí)例語義相似度計(jì)算公式為

式中：m和n分別是概念Ci和Cj的實(shí)例的個(gè)數(shù)；iCi和iCj表示概念Ci和Cj的某個(gè)實(shí)例。

5）領(lǐng)域本體中非同義概念實(shí)際相似度計(jì)算

將上述4種相似度加權(quán)綜合，得到非同義概念Ci和Cj的實(shí)際相似度計(jì)算公式為

其中ω，θ分別表示權(quán)重，0＜ω＜1，0＜θ＜1，ω＋θ＝1，一般ω較大。

2 語義檢索系統(tǒng)結(jié)構(gòu)

本文設(shè)計(jì)的語義檢索系統(tǒng)［5］分為4個(gè)大的功能模塊：本體查詢、文獻(xiàn)語義預(yù)處理與概念語義相似度預(yù)計(jì)算、語義擴(kuò)展檢索和推理檢索，具體結(jié)構(gòu)如圖1所示。

圖1 系統(tǒng)結(jié)構(gòu)圖Fig.1 Architecture of semantic retrieval system

用戶界面主要和用戶進(jìn)行交互，系統(tǒng)提供4種功能：第1種是本體查詢，可以查詢所建本體的概念、概念屬性、概念實(shí)例等；第2種是語義擴(kuò)展檢索，用戶以關(guān)鍵字形式表達(dá)查詢意圖；第3種是推理檢索，使用本體規(guī)則和公理進(jìn)行推理檢索；第4種是系統(tǒng)給用戶提供對(duì)文獻(xiàn)語義預(yù)處理與概念語義相似度預(yù)計(jì)算進(jìn)行操作的界面。

本體知識(shí)庫(kù)以O(shè)WL文件的形式存儲(chǔ)領(lǐng)域本體知識(shí)，文獻(xiàn)庫(kù)存儲(chǔ)進(jìn)行語義標(biāo)注過的領(lǐng)域文獻(xiàn)知識(shí)。

2.1 本體查詢

這一模塊的主要功能是使用戶可以方便查詢本體知識(shí)庫(kù)中所建本體的概念、概念屬性、概念實(shí)例等。

2.2 文獻(xiàn)語義預(yù)處理與概念語義相似度預(yù)計(jì)算

文獻(xiàn)語義預(yù)處理與概念語義相似度預(yù)計(jì)算的主要結(jié)構(gòu)如圖2所示。該模塊主要包括2個(gè)部分：文獻(xiàn)語義預(yù)處理和概念語義相似度預(yù)計(jì)算。文獻(xiàn)語義預(yù)處理主要是對(duì)文獻(xiàn)事先進(jìn)行語義標(biāo)注，按照用本體庫(kù)中定義好的概念對(duì)文獻(xiàn)進(jìn)行標(biāo)引。語義相似度預(yù)計(jì)算事先對(duì)本體庫(kù)中的概念進(jìn)行語義相似度計(jì)算，根據(jù)本文的式（7）進(jìn)行相似度值的計(jì)算，并在本體庫(kù)中保留相似度值，方便語義擴(kuò)展檢索模塊進(jìn)行查詢關(guān)鍵字的擴(kuò)展。

文獻(xiàn)語義標(biāo)引的最終目的是獲得文檔的語義向量，對(duì)本體解析后可以遍歷本體中的概念對(duì)一篇文檔進(jìn)行標(biāo)引，關(guān)鍵是如何確定標(biāo)引概念對(duì)應(yīng)的權(quán)重，即這個(gè)概念相對(duì)于這篇文檔的重要性。過去的研究表明，詞頻和位置在反映標(biāo)引詞和文獻(xiàn)主題的關(guān)系上起著重要的作用，筆者采用山西大學(xué)鄭家恒等人提出的非線性函數(shù)和“成對(duì)比較法”相結(jié)合的方法，綜合考慮位置和詞頻2個(gè)因素［6］，最終給出標(biāo)引概念的權(quán)重。對(duì)于標(biāo)引文檔的概念和其對(duì)應(yīng)權(quán)重，采用一維向量的形式來表示，文獻(xiàn)的語義特征向量就由這2個(gè)一維向量來表現(xiàn)。

文檔語義表示之后的概念向量和權(quán)重向量如下：

圖2 文獻(xiàn)語義預(yù)處理與概念語義相似度預(yù)計(jì)算結(jié)構(gòu)圖Fig.2 Process structure of semantic precomputation for document and the concept similarity

2.3 語義擴(kuò)展檢索

語義擴(kuò)展檢索模塊的主要功能是把用戶輸入的查詢?cè)~進(jìn)行語義擴(kuò)展，然后把語義擴(kuò)展向量和從文獻(xiàn)語義預(yù)處理模塊中取出的標(biāo)引向量進(jìn)行相似度計(jì)算，計(jì)算后得到的相似度與用戶設(shè)立的閾值進(jìn)行比較，如果大于閾值則文獻(xiàn)與查詢相關(guān)，返回該文檔查詢結(jié)果，并按照相似度大小將排序后的文獻(xiàn)列表返回給用戶界面。

用戶查詢?cè)~經(jīng)過概念語義相似度計(jì)算擴(kuò)展以后，語義擴(kuò)展向量可以用擴(kuò)展后的概念向量（包括用戶輸入的查詢概念詞）和對(duì)應(yīng)的權(quán)重向量來表現(xiàn)，這2個(gè)向量用一維向量的形式表示。

計(jì)算文檔語義特征向量和用戶查詢語義擴(kuò)展向量的語義相似度，本文借鑒的方法，首先計(jì)算兩兩概念之間的語義相似度，然后計(jì)算2個(gè)向量之間的語義相似度［7］。

對(duì)于文檔語義特征向量Document（1）中的概念c1i，其對(duì)應(yīng)的權(quán)重為w1i，用戶查詢語義擴(kuò)展向量Document（2）中的概念c2j，其對(duì)應(yīng)的權(quán)重為w2j。那么，對(duì)于這2個(gè)概念（c1i，c2j），其相似度計(jì)算公式如下：

其中distance（c1，c2）是c1和c2之間最短路徑所包含的邊的條數(shù)，用于計(jì)算c1和c2之間的距離。

最終計(jì)算2個(gè)一維向量的相似度，可以用以下的方法得到：

其中，m是文獻(xiàn)語義特征向量的概念向量中概念的個(gè)數(shù)，n是用戶查詢語義擴(kuò)展向量的概念向量中概念的個(gè)數(shù)。

2.4 推理檢索

本體推理檢索是在構(gòu)建的本體的基礎(chǔ)上，獲得本體中隱含的知識(shí)或推理出需要的知識(shí)。推理檢索的目的是回答用戶問題，并檢索出相關(guān)文獻(xiàn)，按文獻(xiàn)語義標(biāo)注時(shí)的相似度排序后提交給用戶［8］。推理檢索模塊直接使用本體中的規(guī)則和公理的語義關(guān)系進(jìn)行推理檢索，如利用本體中的子類公理（subClassOf）、同義（equivalentClass）等，實(shí)現(xiàn)了實(shí)例推理查詢、實(shí)例所屬類推理查詢和三元組推理查詢。

3 實(shí)驗(yàn)和結(jié)果

高速鐵路領(lǐng)域由工務(wù)工程、牽引供電、動(dòng)車組、運(yùn)營(yíng)管理等不同的專業(yè)領(lǐng)域構(gòu)成，它是多專業(yè)領(lǐng)域的一個(gè)代表。在集成后的高速鐵路多專業(yè)領(lǐng)域本體的基礎(chǔ)上，以筆者提出的語義檢索系統(tǒng)結(jié)構(gòu)，開發(fā)了一個(gè)面向高速鐵路文檔知識(shí)的語義檢索和推理系統(tǒng)，并對(duì)其進(jìn)行了實(shí)驗(yàn)分析。

2個(gè)最常用的基于相關(guān)性的語義檢索系統(tǒng)評(píng)價(jià)指標(biāo)分別是準(zhǔn)確率（precision）和召回率（recall），為了考察語義擴(kuò)展檢索方法的有效性，采用準(zhǔn)確率和召回率作為評(píng)測(cè)標(biāo)準(zhǔn)。

實(shí)驗(yàn)?zāi)康模罕容^語義擴(kuò)展檢索方法（expand）和傳統(tǒng)的關(guān)鍵字檢索方法（non＿expand）。

實(shí)驗(yàn)方法：分別用語義擴(kuò)展檢索方法和傳統(tǒng)的關(guān)鍵字檢索方法，進(jìn)行10次檢索，比較這2種方法的結(jié)果。結(jié)果如表1所示。

表1 不同方法的召回率和準(zhǔn)確率Tab.1 Recall and precision of different methods

通過實(shí)驗(yàn)，可以看出語義擴(kuò)展檢索方法在準(zhǔn)確率和召回率上要明顯優(yōu)于傳統(tǒng)的關(guān)鍵字檢索方法。所以這在一定程度上證明了語義擴(kuò)展檢索方法的有效性。雖然人工選擇的相關(guān)集有一定的不確定性，但這個(gè)不確定性也是人機(jī)交互系統(tǒng)所不可完全避免的一個(gè)問題。

4 結(jié) 語

以本體為基石的語義網(wǎng)的出現(xiàn)，克服了傳統(tǒng)檢索方法的不足，為實(shí)現(xiàn)信息檢索提供了一種全新的方法，能夠大大提高檢索的效率和精確度。面向多專業(yè)領(lǐng)域，在本體模型的基礎(chǔ)上提出了多專業(yè)領(lǐng)域本體模型，并給出了多專業(yè)領(lǐng)域本體概念語義相似度計(jì)算模型，此方法作為語義擴(kuò)展的基礎(chǔ)。在此基礎(chǔ)上設(shè)計(jì)了一個(gè)基于本體的多專業(yè)領(lǐng)域知識(shí)語義檢索系統(tǒng)，該系統(tǒng)包括4部分：本體查詢、語義擴(kuò)展檢索、推理檢索和用戶界面。最后以高速鐵路領(lǐng)域文獻(xiàn)資料知識(shí)作為實(shí)驗(yàn)對(duì)象，對(duì)本文提出的語義檢索系統(tǒng)進(jìn)行實(shí)驗(yàn)分析，從測(cè)試結(jié)果來看，開發(fā)的語義檢索原型系統(tǒng)可以獲取較高的準(zhǔn)確率和召回率。

［1］ 金 芝.知識(shí)工程中的本體論研究［A］.世紀(jì)之交的知識(shí)工程與知識(shí)科學(xué)［C］.北京：清華大學(xué)出版社，2001.447-465.

［2］ 劉紫玉，黃 磊.高速鐵路領(lǐng)域本體構(gòu)建方法研究［J］.情報(bào)學(xué)報(bào)（Journal of the China Society for Scientific and Technical Information），2009，28（2）：195-200.

［3］ STUDER R，BENJAMINS V R，F(xiàn)ENSEL D.Knowledge engineering：Principles and methods［J］.Data and Knowledge Engineering，1998，25（1／2）：161-197.

［4］ 陳 杰，蔣祖華.領(lǐng)域本體的概念相似度計(jì)算［J］.計(jì)算機(jī)工程與應(yīng)用（Computer Engineering and Applications），2006，42（33）：163-166.

［5］ 孔田野，李萬龍，張海鷗.基于藥品本體的信息檢索系統(tǒng)研究［J］.河北科技大學(xué)學(xué)報(bào)（Journal of Hebei University of Science and Technology），2008，29（3）：223-226.

［6］ 鄭家恒，盧嬌麗.關(guān)鍵詞抽取方法的研究［J］.計(jì)算機(jī)工程（Computer Engineering），2005，31（18）：194-196.

［7］ WU Jiang-ning，YANG Guang-fei.An ontology-based method for project and domain expert matching［A］.FSKD（2）［C］.［S.l.］：［s.n.］，2005.176-185.

［8］ 董 慧，余傳明，徐國(guó)虎，等.基于本體的數(shù)字圖書館檢索模型研究——?dú)v史領(lǐng)域知識(shí)推理機(jī)制［J］.情報(bào)學(xué)報(bào)（Journal of the China Society for Scientific and Technical Information），2006，25（6）：666-678.

Research in semantic retrieval system for knowledge of multiple majors domain based on ontology

LIU Zi-yu1，YANG Guo-xia2，LI Xue-hui2
（1.College of Economics and Management，Hebei University of Science and Technology，Shijiazhuang Hebei 050018，China；2.College of Information Science and Engineering，Hebei University of Science and Technology，Shijiazhuang Hebei 050018，China）

In this paper a domain including different major fields is called multiple majors domain.For example，the high-speed railway domain consists of maintenance engineering，traction power supply，EMU and operation management，etc.Ontologies of the major fields are built based on thesaurus and thematic words，and these ontologies are integreted into a unified ontology for the multiple majors domain.Oriented to the domain that consisting of several major fields，this paper gives the ontology model for multiple majors domain，and also builds the model to compute semantic similarity between concepts for multiple major domain.Then，this paper puts out a semantic retrieval system for the knowledge of multiple major domain based on ontology and verifies it.The experimental results show that the developed semantic retrieval system can reach satisfying recall and precision.

ontology；multiple majors domain；semantic retrieval；high-speed railwaydomain

TP311

A

1008-1542（2011）05-0471-06

2011-03-05；

2011-09-12；責(zé)任編輯:李 穆

河北省科技支撐計(jì)劃項(xiàng)目（11213504D）；河北省教育廳科學(xué)技術(shù)研究項(xiàng)目（Z2011275）；河北科技大學(xué)博士科研基金資助項(xiàng)目（QD201017）

劉紫玉（1975-），女，河北趙縣人，講師，博士，主要從事知識(shí)管理、本體等方面的研究。