數(shù)字圖書館本體的構(gòu)建方法研究與應(yīng)用

摘 要： 設(shè)計(jì)并實(shí)現(xiàn)了中文領(lǐng)域術(shù)語抽取系統(tǒng)，提出了基于前后綴的中文領(lǐng)域術(shù)語抽取算法，該算法獨(dú)立于具體的領(lǐng)域，并且對包含常用前后綴的領(lǐng)域術(shù)語具有較好的抽取效果；通過對領(lǐng)域本體構(gòu)建中關(guān)鍵技術(shù)的研究，提出了適用于不同領(lǐng)域的領(lǐng)域本體半自動構(gòu)建方法；最后，數(shù)字圖書館氣候變化領(lǐng)域本體的成功構(gòu)建驗(yàn)證了基于多源數(shù)據(jù)的領(lǐng)域本體半自動構(gòu)建方法的有效性，并且該方法可以很方便地移植到其他領(lǐng)域。

關(guān)鍵詞： 本體； 本體構(gòu)建； 術(shù)語抽取； 關(guān)系抽取

中圖分類號： TN911?34； TM417 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2016）17?0112?04

0 引 言

本體是網(wǎng)絡(luò)信息組織和檢索的理想選擇，信息組織以便于信息檢索和利用為目的，本體的引入能夠促進(jìn)信息組織向知識組織轉(zhuǎn)變，由于本體能夠提供領(lǐng)域知識的共享和重用，以這樣的方式進(jìn)行信息組織，能夠更好地為人們提供信息檢索和利用服務(wù)。語義Web的發(fā)展迫切需要簡單快捷的本體構(gòu)建方法。國內(nèi)外對本體理論及其技術(shù)進(jìn)行了一系列研究，提出了多種本體構(gòu)建方法，產(chǎn)生了多種本體構(gòu)建工具和描述語言。雖然本體構(gòu)建工具已經(jīng)相當(dāng)成熟，但它支持的仍然是手工構(gòu)建本體的方法，手工構(gòu)建本體耗費(fèi)大量的時間、人力和物力，難以適應(yīng)時代發(fā)展的要求。因此，通過機(jī)器學(xué)習(xí)的辦法讓計(jì)算機(jī)參與到本體構(gòu)建的過程中來，以縮短本體構(gòu)建的周期，減少人員投入，成為語義Web的一個重大課題。

1 系統(tǒng)介紹

目前以本體為核心的語義Web技術(shù)正在為解決異構(gòu)系統(tǒng)之間的互操作問題提供一種解決思想。本體的實(shí)質(zhì)就是實(shí)現(xiàn)領(lǐng)域知識的共享和重用，形式化和標(biāo)準(zhǔn)化的領(lǐng)域本體為信息系統(tǒng)之間的互操作提供了良好的工具，因此，將本體技術(shù)引入到數(shù)字圖書館，可以解決分布式網(wǎng)絡(luò)環(huán)境下的互操作問題。本體在數(shù)字圖書館中具有很大的應(yīng)用空間。例如：可以創(chuàng)建跨系統(tǒng)、跨平臺之間的通信中介；可以提供元數(shù)據(jù)的映射方案；可以提高計(jì)算機(jī)支持的協(xié)同工作的能力；可以提高分布式環(huán)境下查詢請求的自動分發(fā)能力和語義理解能力；可用于數(shù)字圖書館的數(shù)據(jù)挖掘等多個方面。

2 本體半自動構(gòu)建方法

將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用到領(lǐng)域術(shù)語抽取及概念關(guān)系抽取中，提出了基于多源數(shù)據(jù)的領(lǐng)域本體半自動構(gòu)建方法，具體流程如圖1所示。

多源數(shù)據(jù)是指構(gòu)建領(lǐng)域本體所使用的源數(shù)據(jù)，包括txt文本、敘詞表、HTML文本，既有非結(jié)構(gòu)化的數(shù)據(jù)，也有半結(jié)構(gòu)化數(shù)據(jù)，而不僅僅限于某一種數(shù)據(jù)來源。

文中長度為1的領(lǐng)域詞稱為基本術(shù)語，復(fù)合術(shù)語也即詞組型術(shù)語，其長度大于1，通過分析領(lǐng)域術(shù)語，復(fù)合術(shù)語通常包括一個前綴或一個后綴。因此，領(lǐng)域術(shù)語通?？梢员硎緸橐韵聨追N形式：

3 術(shù)語關(guān)系獲取

3.1 術(shù)語解釋抽取模塊

術(shù)語解釋抽取模塊主要用來抽取術(shù)語的詞條解釋，以及該術(shù)語在百科中的相關(guān)詞條，以此獲得需要從中抽取術(shù)語關(guān)系的所有術(shù)語的概念解釋。整個術(shù)語解釋抽取流程可描述為：

（1） 初始化候選詞表，初始候選詞表是氣候變化領(lǐng)域種子術(shù)語。

（2） 從候選詞表中選擇一個候選詞，下載其對應(yīng)的百科網(wǎng)頁，并保存到Access數(shù)據(jù)庫。

（3） 利用SVM分類器判斷當(dāng)前網(wǎng)頁是否是氣候變化領(lǐng)域詞匯，如果是，則抽取當(dāng)前候選詞對應(yīng)的百科名片數(shù)據(jù)，并保存到Access數(shù)據(jù)庫；否則，不做任何操作。

（4） 抽取當(dāng)前詞匯百科名片中的鏈接詞匯，并加入到候選詞表；同時抽取該詞匯在百科網(wǎng)頁中的相關(guān)詞匯，加入到候選詞表，同時保證候選詞表中的候選詞不重復(fù)。

（5） 重復(fù)步驟（2）～步驟（4），直到候選詞表為空。

術(shù)語解釋抽取模塊抽取的術(shù)語解釋保存在Access數(shù)據(jù)庫中。

3.2 抽取模板學(xué)習(xí)模塊

抽取模板學(xué)習(xí)模塊主要分析術(shù)語的百科名片解釋，通過機(jī)器學(xué)習(xí)訓(xùn)練關(guān)系抽取模板。該模塊的流程框圖包含三大步驟：

抽取候選標(biāo)記詞：在本文中，標(biāo)記詞是在百科名片解釋中出現(xiàn)次數(shù)較多，并且比較抽象的詞；

人工篩選標(biāo)記詞：候選標(biāo)記詞集中并不是所有的詞都被最終選作標(biāo)記詞，通過分析百科名片解釋的語言表達(dá)特點(diǎn)，結(jié)合候選標(biāo)記詞在候選標(biāo)記詞集中的頻率信息，對候選標(biāo)記詞集進(jìn)行了人工篩選；

生成關(guān)系抽取模板：對術(shù)語百科名片解釋進(jìn)行分詞，分詞時只保留術(shù)語本身、標(biāo)記詞和標(biāo)點(diǎn)符號，其他詞用其詞性代替。

3.3 本體關(guān)系抽取模塊

本體關(guān)系抽取模塊使用關(guān)系抽取模板抽取本體中的上下位關(guān)系，實(shí)驗(yàn)結(jié)果如表1所示。

通過實(shí)驗(yàn)結(jié)果可以看出：基于百科的術(shù)語間關(guān)系抽取的方法的召回率比較低，準(zhǔn)確率相對較高。經(jīng)分析可知影響召回率的因素如下：術(shù)語的百科名片中不含上位概念；關(guān)系抽取模板覆蓋不夠充分，基于百科的術(shù)語關(guān)系抽取本質(zhì)上是術(shù)語基于模板的關(guān)系抽取方法，模板集的完備性會對關(guān)系抽取效果產(chǎn)生很大的影響。

分析可知影響準(zhǔn)確率的因素如下：分詞程序切分不準(zhǔn)確。分詞結(jié)果的不準(zhǔn)確使得模板無法正確匹配術(shù)語的上位概念，從而影響了關(guān)系抽取的準(zhǔn)確率；模板錯誤匹配；術(shù)語百科名片信息本身的問題。一些術(shù)語的百科解釋中并不會包含術(shù)語的上位概念，這樣從術(shù)語的百科名片解釋中當(dāng)然無法抽取其上位概念。

4 應(yīng)用案例

4.1 數(shù)字圖書館氣候變化領(lǐng)域本體構(gòu)建

為實(shí)現(xiàn)對已獲取氣候變化領(lǐng)域新聞的分類，方便用戶分類查找，同時完成對信息進(jìn)行語義標(biāo)注，本文利用基于多源數(shù)據(jù)的領(lǐng)域本體半自動構(gòu)建方法進(jìn)行構(gòu)建，構(gòu)建的氣候變化領(lǐng)域本體具有樹狀結(jié)構(gòu)，最大深度是5層，與其他本體不同的是，該本體中只有上下位關(guān)系，這些關(guān)系是由人工確定的。

（1） 期刊文獻(xiàn)關(guān)鍵詞

通過氣候變化領(lǐng)域?qū)＜彝扑]，獲得了氣候變化領(lǐng)域的445篇核心期刊文獻(xiàn)。通過對這些文獻(xiàn)的來源期刊進(jìn)行分析，可以初步勾畫出氣候變化所涉及到的學(xué)科領(lǐng)域。對這445篇文獻(xiàn)的關(guān)鍵詞進(jìn)行搜集整理，并與第一輪中得到的關(guān)鍵詞對比，經(jīng)過去重復(fù)及刪除不相關(guān)詞語之后，將整理得到的關(guān)鍵詞添加到詞匯集中。

（2） 開放網(wǎng)絡(luò)信息

氣候變化領(lǐng)域相關(guān)新聞中包含了大量的氣候變化領(lǐng)域術(shù)語。鑒于新聞的實(shí)時性，其在一定程度上反映了當(dāng)前的熱點(diǎn)問題，利用本文提出的基于前后綴的領(lǐng)域術(shù)語抽取技術(shù)，通過分析和處理大量的氣候變化領(lǐng)域新聞，抽取出該領(lǐng)域的術(shù)語，經(jīng)過去重復(fù)后將抽取出的術(shù)語添加到詞匯集中，對詞匯集進(jìn)行擴(kuò)充。

基于前后綴的中文領(lǐng)域術(shù)語抽取算法，首先分析種子術(shù)語的常用前后綴；其次對實(shí)驗(yàn)語料分詞，統(tǒng)計(jì)與常用前后綴相鄰的詞的頻次信息，根據(jù)頻次信息計(jì)算前后綴與相鄰詞是否構(gòu)成候選術(shù)語；然后再根據(jù)詞語在語料中出現(xiàn)的頻率擴(kuò)充初始候選術(shù)語集；最后通過詞語共現(xiàn)分析過濾候選術(shù)語，得到最終的領(lǐng)域術(shù)語集。術(shù)語抽取系統(tǒng)的界面如圖3所示。

圖3中展示了基于前后綴的中文領(lǐng)域術(shù)語抽取系統(tǒng)界面，界面上方是系統(tǒng)工具欄和設(shè)置算法中閾值的設(shè)置區(qū)域，算法需要使用的閾值一共有三個，判斷出現(xiàn)在某一前綴詞后面的詞是否與該前綴構(gòu)成候選術(shù)語的閾值，判斷出現(xiàn)在某一后綴詞前面的詞是否與該后綴詞構(gòu)成候選術(shù)語的閾值，判斷某一候選術(shù)語是否是氣候變化領(lǐng)域術(shù)語的閾值。左側(cè)用來顯示抽取出的領(lǐng)域術(shù)語以及有關(guān)該術(shù)語的一個值，該值是每一個候選術(shù)語在算法中計(jì)算出的判定該候選術(shù)語是否是氣候變化領(lǐng)域術(shù)語的指標(biāo)，為了便于人們觀看，已經(jīng)對該值進(jìn)行降序排列展示。

4.2 本體的初始化

本體的初始化即構(gòu)建初始化的領(lǐng)域本體，使得能夠通過對初始化的本體進(jìn)行精煉和校正得到最終的領(lǐng)域本體。在氣候變化領(lǐng)域本體的構(gòu)建過程中，項(xiàng)目開發(fā)組針對氣候變化本體的層次構(gòu)建問題組織了相關(guān)專家進(jìn)行研討，綜合專家意見將氣候變化領(lǐng)域進(jìn)行結(jié)構(gòu)分類，如圖4所示。

在完成對領(lǐng)域術(shù)語的分析整理和本體框架的初步建立后，開始進(jìn)行術(shù)語與知識節(jié)點(diǎn)之間關(guān)系的確定，采取的主要方法是根據(jù)專家領(lǐng)域知識，把術(shù)語掛接到所建立的氣候變化領(lǐng)域知識樹的葉節(jié)點(diǎn)之下。對構(gòu)建的氣候變化領(lǐng)域本體知識樹進(jìn)行掛接，采用由根到葉的分類方法。

4.3 本體的精煉與確認(rèn)

領(lǐng)域?qū)＜沂褂帽疚闹虚_發(fā)的本體編輯器，可以很方便地完成本體的校正。系統(tǒng)啟動時，就會將已有的本體知識樹和待掛接的候選術(shù)語載入到系統(tǒng)中，同時候選術(shù)語解釋區(qū)域能夠?yàn)楸倔w編輯器的使用者提供一定的幫助。氣候變化領(lǐng)域本體的成功構(gòu)建驗(yàn)證了基于多源數(shù)據(jù)的領(lǐng)域本體半自動構(gòu)建方法的有效性。最終構(gòu)建的氣候變化領(lǐng)域本體具有樹狀層次結(jié)構(gòu)，最大深度為5層，共包括233個分類節(jié)點(diǎn)和932個領(lǐng)域術(shù)語。氣候變化領(lǐng)域本體已經(jīng)應(yīng)用到“應(yīng)對氣候變化科技成果集成與服務(wù)平臺建設(shè)”中，用于新聞定制和新聞閱讀器。

隨著全球性氣候變化問題的日益嚴(yán)重，將會有更多的人、數(shù)據(jù)庫和信息系統(tǒng)涉及本領(lǐng)域的電子圖書館知識管理系統(tǒng)。領(lǐng)域本體的核心價值是知識共享，為該領(lǐng)域提供一個統(tǒng)一框架或規(guī)范模型，減少概念和術(shù)語上的歧義，使來自不同背景、持不同觀點(diǎn)和目的的人員之間的交互和理解成為可能，在人和其他Agent之間對信息結(jié)構(gòu)達(dá)成共同認(rèn)識，方便人機(jī)對話和信息系統(tǒng)之間的互操作。

5 結(jié) 論

本文探討了領(lǐng)域本體的構(gòu)建方法，提出了基于前后綴的中文領(lǐng)域術(shù)語抽取算法，在抽取包含前后綴的領(lǐng)域術(shù)語方面具有良好的抽取效果，并且基于該算法實(shí)現(xiàn)了一個中文領(lǐng)域術(shù)語抽取系統(tǒng)。同時，提出的基于百科的術(shù)語關(guān)系獲取方法，充分利用了術(shù)語的百科名片解釋，能夠有效地抽取出術(shù)語間的關(guān)系，實(shí)現(xiàn)了上下位關(guān)系的抽取。然后，通過使用基于多源數(shù)據(jù)的領(lǐng)域本體半自動構(gòu)建方法，使計(jì)算機(jī)參與到本體構(gòu)建的過程中來，提高了本體開發(fā)的效率。

參考文獻(xiàn)

[1] 古小東，夏斌.我國推行合同能源管理的問題與對策研究[J].企業(yè)經(jīng)濟(jì)，2013（3）：149?152.

[2] 李恒杰，李軍權(quán)，李明.領(lǐng)域本體建模方法研究[J].計(jì)算機(jī)工程與設(shè)計(jì)，2008，29（2）：381?384.

[3] CIMIANO P， LKER J V O. Text2Onto [C]// Proceedings of 2005 10th International Conference on Applications of Natural Language to Information Systems. Alicante： IEEE， 2005： 227?238.

[4] 胡金強(qiáng)，冀亞林，孟妍，等.基于Protege的裝備保障知識本體構(gòu)建方法[J].現(xiàn)代電子技術(shù)，2010，33（6）：207?210.

[5] NAVIGLI R， VELARDI P. Learning domain ontologies from document warehouses and dedicated web sites [J]. Computational linguistics， 2004， 30（2）： 151?179.

[6] 季培培，鄢小燕，岑詠華.面向領(lǐng)域中文文本信息處理的術(shù)語識別與抽取研究綜述[J].圖書情報工作，2010，54（16）：124?129.

[7] 周浪，張亮，馮沖，等.基于詞頻分布變化統(tǒng)計(jì)的術(shù)語抽取方法[J].計(jì)算機(jī)科學(xué)，2009，36（5）：177?180.

[8] 賈秀玲，文敦偉.一種本體學(xué)習(xí)中分類關(guān)系提取方法的研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2007（10）：31?33.

[9] 袁小艷，唐青松，賀建英.高校知識本體的構(gòu)建及應(yīng)用研究[J].現(xiàn)代電子技術(shù)，2014，37（16）：58?61.