基于知網(wǎng)義原信息量的詞語(yǔ)相似度計(jì)算方法

李國(guó)佳　楊喜亮

摘要：國(guó)內(nèi)利用知網(wǎng)計(jì)算中文詞語(yǔ)相似度通常采用基于義原距離的方法，這些方法依賴(lài)于公式設(shè)計(jì)和參數(shù)選取。根據(jù)信息論中計(jì)算兩個(gè)事物相似度的思想，利用知網(wǎng)的分類(lèi)體系來(lái)計(jì)算詞語(yǔ)所包含的義原信息量，將義原及其角色關(guān)系的信息量作為詞語(yǔ)相似度計(jì)算的基本單位，通過(guò)計(jì)算兩個(gè)詞語(yǔ)的共有義原及其角色關(guān)系的信息量和所有義原及其角色關(guān)系的信息量的比值來(lái)綜合計(jì)算詞語(yǔ)的相似度。實(shí)驗(yàn)結(jié)果證明，該方法合理可行。

關(guān)鍵詞：義原信息量；角色關(guān)系；詞語(yǔ)相似度；信息處理

DOIDOI：10.11907/rjdk.151250

中圖分類(lèi)號(hào)：TP391

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：16727800（2015）006014203

作者簡(jiǎn)介作者簡(jiǎn)介：李國(guó)佳（1986-），男，山西大同人，碩士，華北水利水電大學(xué)軟件學(xué)院助教，研究方向?yàn)樽匀徽Z(yǔ)言處理；楊喜亮（1981-），男，河南鄭州人，碩士，華北水利水電大學(xué)現(xiàn)代教育技術(shù)中心助教，研究方向?yàn)橹悄苄畔⑻幚怼?/p>

0 引言

詞語(yǔ)相似度計(jì)算在信息檢索、文本分類(lèi)、信息抽取、機(jī)器翻譯等領(lǐng)域有著廣泛應(yīng)用。目前，詞語(yǔ)相似度的計(jì)算方法主要有兩大類(lèi)：一類(lèi)是基于距離的方法，如基于WordNet中詞語(yǔ)結(jié)點(diǎn)的距離來(lái)計(jì)算英語(yǔ)詞語(yǔ)的語(yǔ)義相似度[1]，基于知網(wǎng)（Hownet）義原距離來(lái)計(jì)算中文詞語(yǔ)的語(yǔ)義相似度[23]；另一類(lèi)是基于語(yǔ)料統(tǒng)計(jì)的方法，這類(lèi)方法假設(shè)凡是語(yǔ)義相近的詞語(yǔ)，它們的上下文也應(yīng)該相似，利用上下文中詞語(yǔ)的概率分布來(lái)計(jì)算詞語(yǔ)相似度[45]。

自1999年知網(wǎng)（HowNet）正式發(fā)布以來(lái)，其受到越來(lái)越多研究人員的關(guān)注。基于知網(wǎng)計(jì)算中文詞語(yǔ)的相似度也誕生了很多方法[2，68]，這些方法通常根據(jù)意義分解思想，將詞語(yǔ)分解為更小單位（義原）參與相似度計(jì)算，再按照權(quán)重比例綜合計(jì)算詞語(yǔ)整體相似度。利用詞語(yǔ)分解后的單位（義原）參與計(jì)算，割裂了描述詞語(yǔ)的各個(gè)義原之間的關(guān)系，不能充分反應(yīng)出詞語(yǔ)間語(yǔ)義的相似性，計(jì)算結(jié)果也不夠理想。

本文從整體性角度出發(fā)，給出一種基于義原信息量計(jì)算中文詞語(yǔ)相似度的方法?；谥W(wǎng)的分類(lèi)體系（Taxonomy），將義原及其角色關(guān)系整體作為詞語(yǔ)相似度計(jì)算的基本單位，保留了描述詞語(yǔ)概念的各個(gè)義原間的關(guān)系，并依據(jù)信息論中計(jì)算兩個(gè)事物相似度的思想[4]，用兩個(gè)詞語(yǔ)共有義原及其角色關(guān)系的信息量和所有義原及其角色關(guān)系的信息量來(lái)綜合計(jì)算詞語(yǔ)的相似度。

1 知網(wǎng)義原信息量

1.1 義原信息量

其中，P（A）表示義原A在某個(gè)語(yǔ)料庫(kù)樣本空間中出現(xiàn)的概率。計(jì)算語(yǔ)料庫(kù)樣本空間中某個(gè)義原出現(xiàn)的概率很困難。知網(wǎng)作為一個(gè)以各類(lèi)概念及關(guān)系為描述對(duì)象的知識(shí)系統(tǒng)，其分類(lèi)體系本身可以看作是各個(gè)義原出現(xiàn)的一個(gè)樣本空間，那么僅依賴(lài)知網(wǎng)分類(lèi)體系本身而不需其它語(yǔ)料庫(kù)，作為計(jì)算義原出現(xiàn)概率的樣本空間也是合理的。本文給出一種根據(jù)知網(wǎng)的分類(lèi)體系來(lái)計(jì)算義原信息量的方法。

由義原組成的知網(wǎng)分類(lèi)體系是一棵概念分類(lèi)樹(shù)，在每類(lèi)義原樹(shù)狀層次結(jié)構(gòu)（以下簡(jiǎn)稱(chēng)為義原樹(shù)）中，根結(jié)點(diǎn)義原是分類(lèi)類(lèi)別，是最大的分類(lèi)，其它義原都是根結(jié)點(diǎn)義原的子孫。可以認(rèn)為，分支結(jié)點(diǎn)義原包含越多的子孫結(jié)點(diǎn)，其信息量越小。葉子結(jié)點(diǎn)是最小的分類(lèi)，所有葉子結(jié)點(diǎn)的信息量是相同的。

1.2 義原及其角色關(guān)系的信息量

在知網(wǎng)的知識(shí)詞典中，每個(gè)詞語(yǔ)由DEF來(lái)描述其概念。將DEF分為兩部分：主類(lèi)義原和特性描述部分。

定義1：義原及其角色關(guān)系。

在詞語(yǔ)概念DEF的特性描述部分中，將義原及動(dòng)態(tài)角色與特征（Event Role and Features）[9]的層次結(jié)構(gòu)的組合稱(chēng)為義原及其角色關(guān)系。

定義2：主類(lèi)義原。

在詞語(yǔ)概念DEF中，把描述詞語(yǔ)概念最左邊的第一個(gè)義原稱(chēng)為主類(lèi)義原，也稱(chēng)為第0層義原及其角色關(guān)系。

例如詞語(yǔ)“病菌”的一個(gè)概念：DEF={bacteria|微生物：domain={medical|醫(yī)}，modifier={able|能：scope={ResultIn|導(dǎo)致：result={disease|疾病}}}}。在“病菌”的DEF中，將“bacteria|微生物”稱(chēng)為主類(lèi)義原，其它部分是特性描述部分。在特性描述部分中，將“domain={medical|醫(yī)}”、“modifier={able|能 }”稱(chēng)為DEF的第一層義原及其角色關(guān)系，其中包含兩個(gè)本層義原“medical|醫(yī)”和“medical|醫(yī)”；把“scope={ResultIn|導(dǎo)致}”稱(chēng)為第二層義原及其角色關(guān)系，包含一個(gè)本層義原“ResultIn|導(dǎo)致”，將“result={disease|疾病}”稱(chēng)為第三層的義原及其角色關(guān)系，包含一個(gè)本層義原“disease|疾病”，依次類(lèi)推。

其中，I（pj）表示r所包含的第j個(gè)義原pj的信息量。

例如在詞語(yǔ)“病菌”的DEF中，每層的義原及其角色關(guān)系中包含的本層義原信息量均為3.346，根據(jù)式（4）可得“病菌”的義原及其角色關(guān)系的總信息量為7.946。

在知網(wǎng)中，包含幾種特殊符號(hào)，如“～”、“？”、“MYM”、“*”。其中，“～”表達(dá)的含義是充當(dāng)一個(gè)具體動(dòng)態(tài)角色的值，“？”表示所充當(dāng)?shù)膭?dòng)態(tài)角色的演員一定會(huì)出現(xiàn)，“MYM”表示充當(dāng)某一個(gè)動(dòng)態(tài)角色的演員[9] 。設(shè)定模式為“{義原1：{義原2： 動(dòng)態(tài)角色或特征={～}}}”情況下，“～”所表達(dá)內(nèi)容的信息量等于義原1的信息量。將其它特殊符號(hào)及動(dòng)態(tài)角色的信息量設(shè)定為一個(gè)常數(shù)，大小與具體詞的信息量相同，為3.346。一個(gè)沒(méi)有義原描述的具體詞，其信息量為一個(gè)常數(shù)，其大小可規(guī)定為一個(gè)葉子義原結(jié)點(diǎn)的信息量3.346。

1.3 共有義原及其角色關(guān)系的信息量

3 實(shí)驗(yàn)結(jié)果及分析

目前沒(méi)有可以評(píng)估中文詞語(yǔ)語(yǔ)義相似度算法質(zhì)量的專(zhuān)用數(shù)據(jù)集，本文選取一些常用詞語(yǔ)和知網(wǎng)漢語(yǔ)詞典中以“病”開(kāi)頭的一些相關(guān)詞語(yǔ)作為實(shí)驗(yàn)對(duì)象，與國(guó)內(nèi)著名的劉群方法[2]、知網(wǎng)在線[9]的詞語(yǔ)相似度計(jì)算方法進(jìn)行對(duì)比分析。劉群方法、知網(wǎng)在線和本文方法的實(shí)驗(yàn)參數(shù)如表1所示。詞語(yǔ)相似度實(shí)驗(yàn)結(jié)果如表2所示。

本文方法與劉群方法、知網(wǎng)在線方法相比較可知，劉群方法是基于義原距離來(lái)計(jì)算詞語(yǔ)相似度，當(dāng)義原處在同一類(lèi)義原樹(shù)中，詞語(yǔ)的相似度偏大，例如第3、6組詞語(yǔ)相似度結(jié)果比本文及知網(wǎng)在線方法的結(jié)果都偏大，與人的判斷也不一致。實(shí)際上，劉群方法在詞語(yǔ)相似度計(jì)算上不夠重視能反映出詞語(yǔ)差異的特性描述部分，使得詞語(yǔ)相似度計(jì)算結(jié)果的差異性不夠明顯，例如第4組詞語(yǔ)間相似度結(jié)果過(guò)于接近。

知網(wǎng)在線方法在計(jì)算詞語(yǔ)的相似性時(shí)更加細(xì)化，將詞語(yǔ)的義原結(jié)構(gòu)分解為多個(gè)部分，賦予各部分不同的權(quán)重然后加權(quán)計(jì)算得到整體間的相似度。這種方法實(shí)際上進(jìn)一步割裂了描述詞語(yǔ)的各個(gè)義原之間的關(guān)系，使得詞語(yǔ)相似度計(jì)算的結(jié)果也不夠準(zhǔn)確，例如第1、2、5、8、9組詞語(yǔ)，計(jì)算結(jié)果偏小。另外，知網(wǎng)在線方法對(duì)詞語(yǔ)特性描述部分計(jì)算比較復(fù)雜，計(jì)算量也較大。

綜合來(lái)看，本文方法的結(jié)果整體表現(xiàn)更加合理，能夠反映出詞語(yǔ)間語(yǔ)義的相似性和差異，與人的判斷結(jié)果比較一致，計(jì)算也簡(jiǎn)單。

4 結(jié)語(yǔ)

基于知網(wǎng)義原信息量計(jì)算中文詞語(yǔ)相似度的方法根據(jù)信息論中計(jì)算兩個(gè)事物相似度的思想，利用知網(wǎng)的分類(lèi)體系來(lái)計(jì)算義原信息量，并根據(jù)知網(wǎng)這一關(guān)系系統(tǒng)的特性，從保留義原間關(guān)系的角度出發(fā)，將義原及其角色關(guān)系作為計(jì)算概念相似度的基本單位，更能全面反映詞語(yǔ)語(yǔ)義的相似性和差異?；谥W(wǎng)通過(guò)義原及其角色關(guān)系的信息量來(lái)綜合計(jì)算詞語(yǔ)的相似度，計(jì)算量較少，計(jì)算結(jié)果合理可行。在詞語(yǔ)相似度計(jì)算基礎(chǔ)上，進(jìn)一步研究句子間相似度計(jì)算方法，則有待下一步研究。

參考文獻(xiàn)：

[1] ENEKO AGIRRE，GERMAN RIGAU.A proposal for word sense disambiguation using conceptual distance[C].Proceedings of the First International Conference on Recent Advanced in NLP，1995：258264.

[2] 劉群，李素建.基于《知網(wǎng)》的詞匯語(yǔ)義相似度的計(jì)算[C]. 臺(tái)北：第三屆漢語(yǔ)詞匯語(yǔ)義學(xué)研討會(huì)，2002，7（2）：5976.

[3] 董振東，董強(qiáng)，郝長(zhǎng)伶.《知網(wǎng)》的理論發(fā)現(xiàn)[J].中文信息學(xué)報(bào)，2007，21（4）：39.

[4] DEKANG LIN.An informationtheoretic definition of similarity[C].Proceedings of the Fifteenth International Conference on Machine Learning，1998：296304.

[5] PHILIP RESNIK.Semantic similarity in a taxonomy： an informationbased measure and its application to problems of ambiguity in natural language[J].Journal of Artificial Intelligence Research，1999（2）：95130.

[6] 夏天.漢語(yǔ)詞語(yǔ)語(yǔ)義相似度計(jì)算研究[J].計(jì)算機(jī)工程，2007， 33（6）：191194.

[7] 張亮，尹存燕，陳家駿.基于語(yǔ)義樹(shù)的中文詞語(yǔ)相似度計(jì)算與分析[J].中文信息學(xué)報(bào)， 2010，24（6）：2330.

[8] 王小林，王義.改進(jìn)的基于知網(wǎng)的詞語(yǔ)相似度算法[J].計(jì)算機(jī)應(yīng)用，2011，31（11）：7590.

[9] 董強(qiáng)，董振東.知網(wǎng)簡(jiǎn)介[EB/OL].[20130129].http：//www.keenage.com/.

責(zé)任編輯（責(zé)任編輯：孫 娟）