中醫(yī)文本信息抽取系統(tǒng)*

于彤 朱玲 李敬華 高宏杰

中醫(yī)藥文獻(xiàn)是中醫(yī)藥文化的重要載體之一，記載著歷代醫(yī)家的智慧和經(jīng)驗(yàn)。如何對(duì)浩如煙海的中醫(yī)藥文獻(xiàn)進(jìn)行系統(tǒng)梳理和深度挖掘，是中醫(yī)藥知識(shí)管理中的一個(gè)重要問題[1-2]。文本信息抽取（Text Information Extraction）是指從一段文本中自動(dòng)抽取特定信息的計(jì)算機(jī)技術(shù)，它能顯著提升人類處理海量文獻(xiàn)并從中獲取知識(shí)的效率[3-4]。文本信息抽取的任務(wù)包括命名實(shí)體識(shí)別[5]、語義關(guān)系發(fā)現(xiàn)[6]、事件抽取[7]、情感分析[8]等。筆者構(gòu)建了基于本體的文本信息抽取系統(tǒng)，用于輔助中醫(yī)專家從中醫(yī)文獻(xiàn)中挖掘知識(shí)，并進(jìn)一步完善中醫(yī)領(lǐng)域本體系統(tǒng)。本文介紹該系統(tǒng)所使用的文本信息抽取方法，以及該系統(tǒng)的主要功能和使用情況。

1 文本信息抽取方法

該系統(tǒng)使用一種本體驅(qū)動(dòng)的文本信息抽取方法。本體（Ontology）是一種用于表示領(lǐng)域知識(shí)的計(jì)算機(jī)模型，它能幫助計(jì)算機(jī)更好地理解領(lǐng)域術(shù)語并處理文本內(nèi)容[9]。它定義了一個(gè)領(lǐng)域中的語義類型和語義關(guān)系，并構(gòu)建了領(lǐng)域的概念層次結(jié)構(gòu)和語義網(wǎng)絡(luò)[10]。中醫(yī)界從本世紀(jì)開始在中醫(yī)藥領(lǐng)域中引入了本體技術(shù)，對(duì)該領(lǐng)域的概念和術(shù)語體系進(jìn)行系統(tǒng)性的表達(dá)[11]。其中的代表性系統(tǒng)包括中醫(yī)藥學(xué)語言系統(tǒng)和中醫(yī)古籍語言系統(tǒng)等[12-13]。本體為文本信息抽取提供了領(lǐng)域背景知識(shí)，可將領(lǐng)域本體與文法分析技術(shù)相結(jié)合，從而改進(jìn)文本信息抽取的效果[9，14]。本系統(tǒng)基于中醫(yī)藥本體，從文獻(xiàn)中提取關(guān)鍵性詞匯，識(shí)別領(lǐng)域概念，進(jìn)而發(fā)現(xiàn)領(lǐng)域?qū)嶓w之間的語義關(guān)系。信息提取有2種途徑：（1）關(guān)系提取，即理解作者在文本中直接提出的顯性關(guān)系；（2）假設(shè)生成，即根據(jù)顯性關(guān)系推理出文本中并未直接提出的隱性關(guān)系。該方法包括如下4步。

第一步、提取關(guān)鍵性詞匯。文本中僅有部分詞匯有助于機(jī)器理解文本中蘊(yùn)含的語義關(guān)系，這部分詞匯被稱為關(guān)鍵性詞匯。首先，根據(jù)應(yīng)用需求，從本體中導(dǎo)出關(guān)鍵性詞匯，創(chuàng)建領(lǐng)域詞庫(kù)。例如，在藥物發(fā)現(xiàn)應(yīng)用中，“藥物組成”“感冒”“甘草”“主治”等詞匯往往用于表示領(lǐng)域?qū)＜谊P(guān)切的醫(yī)藥學(xué)關(guān)系，而“西藏”等地理名稱一般不可能構(gòu)成有意義的醫(yī)藥學(xué)關(guān)聯(lián)。又如，中醫(yī)古籍文獻(xiàn)中的某些關(guān)鍵動(dòng)詞（如“主”）往往對(duì)應(yīng)概念之間的語義關(guān)系（如“管理”），因此需要找出這些關(guān)鍵動(dòng)詞，并建立關(guān)鍵動(dòng)詞與語義關(guān)系之間的對(duì)照表。在建立關(guān)鍵性詞匯的詞庫(kù)后，利用一種詞庫(kù)驅(qū)動(dòng)的最大匹配算法，從文獻(xiàn)中提取關(guān)鍵性詞匯，從而將原始的中文文本轉(zhuǎn)化為詞匯序列。

第二步、識(shí)別關(guān)鍵性概念。為消除領(lǐng)域知識(shí)表達(dá)中的歧義性，領(lǐng)域本體中定義了概念和詞匯之間的語義關(guān)系，包括概念的正名和異名等。機(jī)器根據(jù)領(lǐng)域本體從詞匯序列中識(shí)別對(duì)應(yīng)的概念，并判斷概念的語義類型。例如，根據(jù)本體中定義的異名關(guān)系〈甘草，藏名，‘相額爾’〉（即甘草在藏醫(yī)藥學(xué)中稱為‘相額爾’），將藏醫(yī)藥學(xué)文本中出現(xiàn)的詞匯‘相額爾’理解為概念甘草；并根據(jù)本體中定義的類型關(guān)系〈甘草，rdf：type，草藥〉，將概念甘草歸屬于草藥這個(gè)類。此后，將概念及其類別加入詞匯序列中的對(duì)應(yīng)位置，生成文本對(duì)應(yīng)的概念序列。

第三步、抽取語義關(guān)系。通過一系列預(yù)先定義的語義模板與概念序列進(jìn)行匹配，若匹配成功則生成對(duì)應(yīng)的陳述。該過程分為3步：（1）基于領(lǐng)域本體生成一個(gè)語義模板庫(kù)，其中的每個(gè)語義模板為由領(lǐng)域概念和詞匯構(gòu)成的三元組；（2）根據(jù)資源序列中出現(xiàn)的概念在模板庫(kù)中檢索對(duì)應(yīng)的一系列語義模板；（3）將每個(gè)模板與資源序列匹配，如果匹配成功，則生成對(duì)應(yīng)的陳述。例如，針對(duì)文本“[七十味珍珠丸]的[藥物組成]為：…… [相額爾] ……”，首先提取出其中的3個(gè)關(guān)鍵詞，并識(shí)別對(duì)應(yīng)的概念；其次根據(jù)本體中定義的概念類型〈七十味珍珠丸，類型，方劑〉和〈甘草（相額爾），類型，藥物〉，獲取相應(yīng)的模板〈方劑，‘藥物組成’，藥物〉；最后，將模板與資源序列匹配，從而推出陳述：〈七十味珍珠丸，包含，甘草〉。將所獲得的陳述融合為一個(gè)圖，并將其加入索引結(jié)構(gòu)中。

第四步、推導(dǎo)假設(shè)性語義關(guān)系。根據(jù)文本中的語義信息，使用領(lǐng)域規(guī)則進(jìn)一步推導(dǎo)出假設(shè)性的語義關(guān)系。領(lǐng)域規(guī)則形如 Body Head，在Body和Head中均可出現(xiàn)變量。例如，規(guī)則R1：〈？x， 包含，？y〉 〈？y， 屬于，？x〉表示對(duì)于任意x和y，如果x包含y，那么y屬于x；根據(jù)規(guī)則R1和陳述〈七十味珍珠丸，包含，甘草〉，可以推出〈甘草，屬于，七十味珍珠丸〉。又如，規(guī)則R2：〈？x， 包含，？y〉〈？y， 具有功效，？z〉 〈？x， 具有功效，？z〉表示如果某種藥物x的成分y具有功效z，則x具有功效z；根據(jù)規(guī)則R2和〈七十味珍珠丸，包含，當(dāng)歸〉、〈當(dāng)歸，具有功效，補(bǔ)血〉可推出〈七十味珍珠丸，具有功效，補(bǔ)血〉。

下面通過一個(gè)關(guān)于方劑生化湯的案例來解釋上述過程。下面是《中華藥典》中描述傳統(tǒng)方劑生化湯的組成和功效的部分文本：“ ……[生化湯]中重用[當(dāng)歸]，補(bǔ)血活血，祛瘀生新為[君]；[川芎]行血中之氣，[桃仁]活血祛瘀為[臣]；[黑姜]入血散寒，溫里定痛為[佐]；[炙甘草]調(diào)和諸藥為[使]。[功效]為[活血化瘀] ……”。首先，根據(jù)中醫(yī)領(lǐng)域本體，從詞匯序列中提取對(duì)應(yīng)的概念，并對(duì)概念歸類。據(jù)本體可知，生化湯為方劑的實(shí)例，當(dāng)歸、川芎、桃仁、黑姜和炙甘草為中藥的實(shí)例，活血化瘀為功效的實(shí)例。進(jìn)而，提取文中的語義關(guān)系。例如，根據(jù)模板〈方劑，藥物，‘君’〉，和序列（生化湯，當(dāng)歸，‘君’），推出：〈生化湯，君，當(dāng)歸〉。最后，根據(jù)已知的語義關(guān)系生成假設(shè)。例如，根據(jù)陳述〈生化湯，具有功效，活血化瘀〉和規(guī)則〈？x， 具有功效，活血化瘀〉 〈？x， 治療，血瘀證〉，推出假設(shè)：〈生化湯，治療，血瘀證〉。提取出的語義信息構(gòu)成了如圖1所示的語義圖。

圖1 從文本中提取出的關(guān)于方劑生化湯的信息

2 文本信息抽取系統(tǒng)

筆者采用上面的方法，構(gòu)建了中醫(yī)文本信息抽取系統(tǒng)。該系統(tǒng)基于本體對(duì)中醫(yī)文獻(xiàn)進(jìn)行處理，自動(dòng)識(shí)別其中出現(xiàn)的中醫(yī)概念，生成文本內(nèi)容的索引。該系統(tǒng)還能從文本中自動(dòng)發(fā)現(xiàn)語義關(guān)系，再將所發(fā)現(xiàn)的語義關(guān)系交由領(lǐng)域?qū)＜疫M(jìn)行檢驗(yàn)。筆者以綜合性醫(yī)學(xué)著作《醫(yī)學(xué)綱目》等中醫(yī)古籍作為試驗(yàn)文本對(duì)該系統(tǒng)進(jìn)行了測(cè)試。該系統(tǒng)基于“中醫(yī)古籍語言系統(tǒng)”對(duì)中醫(yī)古籍進(jìn)行處理，從中提取出中醫(yī)藥領(lǐng)域概念及其語義關(guān)系，取得了良好的效果。

圖2 文本信息抽取系統(tǒng)界面截圖（以《醫(yī)學(xué)綱目》為例）

該系統(tǒng)還實(shí)現(xiàn)了文本語義關(guān)系管理與檢閱的功能，對(duì)從文本中發(fā)現(xiàn)的語義關(guān)系進(jìn)行集中管理，支持用戶查看語義關(guān)系在中醫(yī)文本中的用法，并完成語義關(guān)系的檢閱、分析和標(biāo)注工作。如圖2所示，該系統(tǒng)以網(wǎng)頁(yè)的形式展示《醫(yī)學(xué)綱目》古籍全文，以不同的顏色標(biāo)出文本中出現(xiàn)的中醫(yī)名詞和謂詞。該系統(tǒng)在左側(cè)建立書籍目錄導(dǎo)航，在頁(yè)面主體部分顯示全文，自動(dòng)識(shí)別文中出現(xiàn)的中醫(yī)概念并在文本右側(cè)列出，用戶可點(diǎn)擊查看概念定義。該系統(tǒng)還找出文中出現(xiàn)的謂詞，據(jù)此識(shí)別文中出現(xiàn)的語義關(guān)系。用戶也可以點(diǎn)擊查看原文中蘊(yùn)含的語義關(guān)系。該系統(tǒng)還實(shí)現(xiàn)了中醫(yī)本體加工輔助工具，將文本語義關(guān)系正式插入某個(gè)本體系統(tǒng)，為中醫(yī)本體的修訂和完善提供可行的技術(shù)路徑。

3 小結(jié)

中醫(yī)藥文獻(xiàn)是中醫(yī)藥知識(shí)共享的主要手段。近年來，隨著文字識(shí)別等信息技術(shù)的廣泛應(yīng)用，大量的中醫(yī)藥文獻(xiàn)被轉(zhuǎn)換為數(shù)字文件、數(shù)據(jù)庫(kù)等數(shù)字資源[15]。中醫(yī)藥文獻(xiàn)的數(shù)字化，為將文本信息抽取等各種文獻(xiàn)處理技術(shù)應(yīng)用于中醫(yī)藥領(lǐng)域奠定了基礎(chǔ)。本文介紹了中醫(yī)文本信息抽取系統(tǒng)，它能從中醫(yī)文獻(xiàn)中提取領(lǐng)域?qū)嶓w及語義關(guān)系，并支持用戶完成文本語義關(guān)系的檢閱、分析和標(biāo)注工作。這套系統(tǒng)能輔助中醫(yī)專家開展文獻(xiàn)知識(shí)挖掘工作，為梳理中醫(yī)藥知識(shí)體系，實(shí)現(xiàn)中醫(yī)文獻(xiàn)和知識(shí)的共享和重用提供技術(shù)支持。

[1]劉毅.中醫(yī)古籍?dāng)?shù)字化與知識(shí)挖掘[J].圖書館工作與研究，2010，14（12）：92-94.

[2]周雪忠，崔蒙，吳朝暉，等.基于文本挖掘的中醫(yī)學(xué)文獻(xiàn)主題自動(dòng)標(biāo)引[J].中國(guó)中醫(yī)藥信息雜志，2003，10（1）：71-74.

[3]顧錚，顧平.信息抽取技術(shù)在中醫(yī)研究中的應(yīng)用[J].醫(yī)學(xué)信息，2007，20（1）：27-30.

[4]楊博，蔡?hào)|風(fēng)，楊華，等.開放式信息抽取研究進(jìn)展[J].中文信息學(xué)報(bào)，2014，28（4）：1-11，36.

[5]趙軍.命名實(shí)體識(shí)別、排歧和跨語言關(guān)聯(lián)[J].中文信息學(xué)報(bào)，2009，23（2）：3-17.

[6]陶金火，陳華鈞，胡雪琴，等.中醫(yī)藥文獻(xiàn)語義關(guān)系圖發(fā)現(xiàn)[J].計(jì)算機(jī)科學(xué)，2011，38（3）：213-217，251.

[7]吳家皋，周凡坤，張雪英，等.HMM模型和句法分析相結(jié)合的事件屬性信息抽取[J].南京師大學(xué)報(bào)（自然科學(xué)版），2014，14（1）：30-34.

[8]趙妍妍，秦兵，劉挺，等.文本情感分析[J].軟件學(xué)報(bào)，2010，21（8）：1834-1848.

[9]丁晟春，劉逶迤，熊霞，等.基于領(lǐng)域本體和語塊分析的信息抽取的研究與實(shí)現(xiàn)[J].情報(bào)學(xué)報(bào)，2010，29（1）：53-58.

[10] Gruber T R. Ontology. Entry in the Encyclopedia of Database Systems，Ling Liu and M[M]. Tamer ?zsu （Eds.）， Springer-Verlag， 2008.

[11]于彤，崔蒙，李敬華，等. 中醫(yī)藥本體工程研究現(xiàn)狀[J]. 中國(guó)中醫(yī)藥信息雜志，2013，20（7）：110-112.

[12]賈李蓉，楊碩，董燕，等.中醫(yī)藥學(xué)語言系統(tǒng)評(píng)價(jià)體系的研究與建立[J]. 中國(guó)數(shù)字醫(yī)學(xué)，2012，7（10）：13-16.

[13]朱玲，尹愛寧，崔蒙，等.中醫(yī)古籍語言系統(tǒng)構(gòu)建的關(guān)鍵問題與對(duì)策[J].中國(guó)中醫(yī)藥信息雜志，2010，17（4）：98-99.

[14]方純潔，王波，羅杰，等.基于信息抽取的中醫(yī)藥文獻(xiàn)知識(shí)發(fā)現(xiàn)[J].浙江中醫(yī)藥大學(xué)學(xué)報(bào)，2012，36（1）：88-90，96.

[15]張稚鯤，李文林.古籍?dāng)?shù)字化建設(shè)的文獻(xiàn)計(jì)量學(xué)研究[J].圖書館理論與實(shí)踐，2011，12（2）：45-51.