基于網(wǎng)站結(jié)構(gòu)的領(lǐng)域本體學(xué)習(xí)方法

摘 要：為了完善問答系統(tǒng)、搜索平臺(tái)等信息檢索系統(tǒng)對(duì)本體的應(yīng)用需求，提出了一種基于網(wǎng)站結(jié)構(gòu)的領(lǐng)域本體學(xué)習(xí)方法，該方法對(duì)網(wǎng)站結(jié)構(gòu)進(jìn)行分析，通過挖掘網(wǎng)站結(jié)構(gòu)中所隱藏的知識(shí)進(jìn)行本體學(xué)習(xí)，實(shí)踐證明該方法可以更快、更準(zhǔn)確地獲取特定領(lǐng)域中的概念、概念層次以及概念間的非分類關(guān)系，最終幫助構(gòu)建本體。

關(guān)鍵詞：本體學(xué)習(xí)；網(wǎng)站結(jié)構(gòu)；非分類關(guān)系

中圖分類號(hào)：TP181

本體是目前知識(shí)表示和知識(shí)推理的一個(gè)重要研究課題，已在眾多領(lǐng)域得到應(yīng)用。本體構(gòu)建是本體應(yīng)用的基礎(chǔ)，目前已經(jīng)有許多本體構(gòu)建工具（如0ntoligua、WebOnto、Protégé、OntoEdit等），雖然這些工具提供了友好的圖形界面，為本體構(gòu)建提供了方便，但總的來說仍然是一種手工構(gòu)建的方式。為了降低本體建立的開銷，自動(dòng)或者半自動(dòng)地構(gòu)建本體成為了本體研究領(lǐng)域的一個(gè)重要方向——本體學(xué)習(xí)（Ontology Learning）。

本體學(xué)習(xí)是利用自然語言處理、機(jī)器學(xué)習(xí)等技術(shù)，自動(dòng)或半自動(dòng)地從不同結(jié)構(gòu)的數(shù)據(jù)源中獲取領(lǐng)域中的概念、關(guān)系和公理[1]。國內(nèi)外已有許多專家學(xué)者展開了對(duì)它的研究，且出現(xiàn)了一些本體學(xué)習(xí)工具：如OntoLearn[2]、OntoBuilder、Text-To-Onto、Hasti。本文主要研究這種基于網(wǎng)站結(jié)構(gòu)的領(lǐng)域本體學(xué)習(xí)方法。

1 本體學(xué)習(xí)

本體學(xué)習(xí)可以分為三個(gè)部分：本體學(xué)習(xí)的數(shù)據(jù)源、本體學(xué)習(xí)的方法、本體的學(xué)習(xí)對(duì)象。根據(jù)數(shù)據(jù)源的結(jié)構(gòu)化程度將本體學(xué)習(xí)的數(shù)據(jù)源分為結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)和半結(jié)構(gòu)化數(shù)據(jù)。針對(duì)不同的數(shù)據(jù)源應(yīng)采用不一樣的學(xué)習(xí)技術(shù)。本體學(xué)習(xí)對(duì)象即利用本體學(xué)習(xí)方法從數(shù)據(jù)源中學(xué)到的對(duì)象，主要包括概念、概念間關(guān)系以及公理。通常又將概念間的關(guān)系分為分類關(guān)系與非分類關(guān)系，分類關(guān)系即概念層次關(guān)系[1]。目前大部分本體學(xué)習(xí)的方法主要有三個(gè)步驟：（1）獲取領(lǐng)域中概念；（2）獲取概念的分類關(guān)系，即得到概念層次結(jié)構(gòu)；（3）獲取概念間的非分類關(guān)系。

2 基于網(wǎng)站結(jié)構(gòu)的本體學(xué)習(xí)方法

已有的基于Web的本體學(xué)習(xí)方法大都以網(wǎng)頁中的文本作為學(xué)習(xí)的數(shù)據(jù)源，其中一種思路是利用自然語言處理、統(tǒng)計(jì)分析、模式匹配等技術(shù)從文本中獲取概念、關(guān)系，另一種思路則是利用形式概念分析技術(shù)，將網(wǎng)頁中的文本看作形式背景，利用形式概念分析技術(shù)獲取領(lǐng)域的概念及概念的層次關(guān)系。事實(shí)上，網(wǎng)站作為一種特殊的語料庫，相比于百科全書等靜態(tài)知識(shí)，它不僅有文本描述，還具有一定的結(jié)構(gòu)，在網(wǎng)站的結(jié)構(gòu)中已經(jīng)隱含了許多領(lǐng)域知識(shí)，不需要十分復(fù)雜的技術(shù)和過程就可以提取這些知識(shí)，從而可以幫助更快地構(gòu)建本體。

2.1 總體架構(gòu)?；诰W(wǎng)站結(jié)構(gòu)的本體學(xué)習(xí)方法的框架包含如下幾個(gè)步驟：首先分析某特定領(lǐng)域的多個(gè)網(wǎng)站的結(jié)構(gòu)，分別得到網(wǎng)站的層次結(jié)構(gòu)圖，該圖中包含了領(lǐng)域的基本術(shù)語及層次關(guān)系，對(duì)網(wǎng)站層次結(jié)構(gòu)圖中的術(shù)語進(jìn)行修剪、合并，得到領(lǐng)域中的概念，形成領(lǐng)域的輕量級(jí)本體；然后分析網(wǎng)站層次結(jié)構(gòu)最底層的對(duì)象（實(shí)例）頁面的結(jié)構(gòu)，得到概念的數(shù)值屬性；接下來分析對(duì)象（實(shí)例）頁面的內(nèi)容，確定擁有關(guān)系的概念對(duì)，并給這些概念對(duì)打上語義標(biāo)簽。最后領(lǐng)域的概念、概念的層次關(guān)系、概念的非分類關(guān)系構(gòu)建了最終的領(lǐng)域本體。

2.2 構(gòu)建輕量級(jí)本體（Lightweight Ontologies）。通過觀察、總結(jié)眾多的特定領(lǐng)域網(wǎng)站（如汽車、手機(jī)、旅游），筆者發(fā)現(xiàn)，大多數(shù)網(wǎng)站都擁有像地圖一樣的結(jié)構(gòu)，這種結(jié)構(gòu)按層次從上到下，引導(dǎo)用戶從主頁逐步瀏覽網(wǎng)站的各個(gè)頁面，本文將這種結(jié)構(gòu)稱為網(wǎng)站的層次結(jié)構(gòu)。這種層次結(jié)構(gòu)是開發(fā)者使用分類學(xué)（Taxonomy）方法將領(lǐng)域信息進(jìn)行層次劃分，每層確定一個(gè)主題而得到的。在知識(shí)分類中，本體與分類學(xué)（Taxonomy）本來就具有相通性，所以以分類學(xué)為基礎(chǔ)的網(wǎng)站層次結(jié)構(gòu)實(shí)際上已經(jīng)擁有了領(lǐng)域本體中的基本概念和概念層次知識(shí)，所以可以利用網(wǎng)站的層次結(jié)構(gòu)來構(gòu)建領(lǐng)域的輕量級(jí)本體。以“太平洋汽車網(wǎng)”為例，該網(wǎng)站的層次結(jié)構(gòu)如圖1所示，由此層次結(jié)構(gòu)而形成的汽車商務(wù)領(lǐng)域的輕量級(jí)本體如圖2所示：

2.3 獲取數(shù)值屬性。在語料庫里屬性一般用來描述某一對(duì)象（實(shí)例）的特性，通過分析網(wǎng)站結(jié)構(gòu)，對(duì)象（實(shí)例）頁面已經(jīng)分離出來，所以利用網(wǎng)站的層次結(jié)構(gòu)可以迅速地找到實(shí)例對(duì)象（實(shí)例），為獲取概念的屬性提供了方便。數(shù)值屬性是描述對(duì)象與數(shù)值之間的關(guān)系，這類知識(shí)在網(wǎng)頁中較容易被發(fā)現(xiàn)。通過分析網(wǎng)站中網(wǎng)頁結(jié)構(gòu)，數(shù)值屬性在網(wǎng)頁中多以某個(gè)實(shí)例的參數(shù)表的形式體現(xiàn)，如在“太平洋汽車網(wǎng)”中，對(duì)象“騰翼C30 1.5L MT標(biāo)準(zhǔn)型”的發(fā)動(dòng)機(jī)、底盤、外觀等參數(shù)均以參數(shù)表的形式體現(xiàn)在網(wǎng)頁上，這些參數(shù)即“汽車車型”這個(gè)概念的數(shù)值屬性，所以通過在對(duì)象（實(shí)例）頁面中搜索具有表格結(jié)構(gòu)特點(diǎn)的網(wǎng)頁再進(jìn)行分析可以快速找到某個(gè)概念的數(shù)值屬性。

2.4 獲取非分類關(guān)系（對(duì)象屬性）。對(duì)象屬性是用來描述兩個(gè)對(duì)象之間的關(guān)系，從第2節(jié)可知對(duì)象屬性就是概念間的非分類關(guān)系，常見的非分類關(guān)系如“部分與整體關(guān)系”、“上下位關(guān)系”、“等價(jià)關(guān)系”等。概念間非分類關(guān)系的獲取一直是是本體學(xué)習(xí)的難點(diǎn)，也是研究的重點(diǎn)。國內(nèi)外已有對(duì)非分類關(guān)系學(xué)習(xí)的相關(guān)研究，但總的來說目前該方向還處于探索階段。通過總結(jié)，概念間非分類關(guān)系的學(xué)習(xí)可以定義為一個(gè)四元組（C，K，A，R），其中C是領(lǐng)域中概念的集合，K是語料庫、知識(shí)源，A是非分類關(guān)系學(xué)習(xí)算法，R是通過算法得到的非分類關(guān)系結(jié)果集，R={（a，b）|a C，b C且滿足has_relation（a，c）}。

3 實(shí)驗(yàn)

為了驗(yàn)證本文方法的有效性，本文以“太平洋汽車網(wǎng)”、“汽車之家”、“易車網(wǎng)”等網(wǎng)站作為本體學(xué)習(xí)的數(shù)據(jù)源。通過網(wǎng)站的層次結(jié)構(gòu)分析獲得“汽車商務(wù)領(lǐng)域”的輕量級(jí)本體，該本體含有“汽車商務(wù)領(lǐng)域”的36個(gè)概念；通過對(duì)網(wǎng)站對(duì)象頁面的結(jié)構(gòu)分析，獲得了該領(lǐng)域127個(gè)數(shù)值屬性；使用本文的非分類關(guān)系獲取方法獲得28個(gè)概念間的非分類關(guān)系。最后筆者將構(gòu)建好的“汽車商務(wù)領(lǐng)域本體”應(yīng)用到了“汽車商務(wù)領(lǐng)域問答系統(tǒng)”當(dāng)中，該系統(tǒng)可以很好回答用戶對(duì)“汽車商務(wù)領(lǐng)域”的自然語言提問。

4 結(jié)束語

本文提出了一種基于網(wǎng)站結(jié)構(gòu)的本體學(xué)習(xí)方法，利用網(wǎng)站結(jié)構(gòu)逐步從網(wǎng)站中挖掘本體的概念、概念層次、非分類關(guān)系。此方法實(shí)用性較強(qiáng)，但主要針對(duì)一些主題比較鮮明的網(wǎng)站，不具有通用性，且在本體學(xué)習(xí)的過程中，需要知識(shí)工程師的輔助才能完成最終本體的生成，今后的工作要進(jìn)一步提高本體學(xué)習(xí)的自動(dòng)化程度。

參考文獻(xiàn)：

[1]杜小勇，李曼，王珊.本體學(xué)習(xí)研究綜述[J].軟件學(xué)報(bào)，2006（09）：1838-1839.

[2]Navigli R，Velardi P，Gangemi A.Ontology learning and it s application to automated terminology translation[J].IEEE IntelligentSystems，2003（01）：22-31.

作者簡介：馬莉（1985-），女，講師，碩士，研究方向：問答系統(tǒng)、本體；陳志新（1982-），男，講師，碩士，研究方向：知識(shí)建模。

作者單位：桂林電子科技大學(xué) 信息科技學(xué)院，廣西桂林 541004

基金項(xiàng)目：本文受廣西教育廳科研項(xiàng)目——基于旅游問答系統(tǒng)的手機(jī)短信平臺(tái)（項(xiàng)目編號(hào)：201106LX189）資助。