面向多本體語(yǔ)義相似度計(jì)算的改進(jìn)研究

余朦朦，劉宇，劉雅婷

（1.武漢科技大學(xué)計(jì)算機(jī)學(xué)院，武漢 430065；2.武漢市科學(xué)學(xué)研究所，武漢 430023）

0 引言

語(yǔ)義相似度的計(jì)算是自然語(yǔ)言處理的關(guān)鍵問(wèn)題之一，在問(wèn)答系統(tǒng)、機(jī)器翻譯和文本主題抽取等領(lǐng)域有著非常廣泛的應(yīng)用[1]。雖然目前研究人員已提出了多種基于單本體的語(yǔ)義相似度計(jì)算方法[2]，但是單一領(lǐng)域本體的知識(shí)覆蓋度限制了相關(guān)方法的性能。針對(duì)上述問(wèn)題，Montserrat等人[3]提出了基于多本體的語(yǔ)義相似度計(jì)算方法。通過(guò)利用多個(gè)本體所提供的語(yǔ)義線(xiàn)索，Montserrat法的計(jì)算結(jié)果更準(zhǔn)確，即更為擬合領(lǐng)域?qū)＜业脑u(píng)估結(jié)果。

鑒于運(yùn)用多本體計(jì)算概念對(duì)的語(yǔ)義相似度較為復(fù)雜，Montserrat法采用了依據(jù)不同情況分別處理的解決方案：1.僅某一本體包含概念a和b，兩者的語(yǔ)義相似度直接利用單本體計(jì)算獲得；2.a和b都同時(shí)出現(xiàn)在多個(gè)本體，選取各本體計(jì)算結(jié)果的最大值作為a和b的語(yǔ)義相似度；3.無(wú)本體同時(shí)包含a和b，利用多本體中上位概念的匹配概念對(duì)計(jì)算a和b的語(yǔ)義相似度。圖1展示了生物醫(yī)學(xué)本體FMA（Foundational Model Of Anatomy）和 NCI（National Cancer Institute）的部分匹配概念對(duì)。顯然，計(jì)算Ana_str和Org_Che的語(yǔ)義相似度滿(mǎn)足Montserrat法的情況3——FMA和NCI不同時(shí)包含 Ana_str和 Org_Che。從圖 1可見(jiàn)，Ana_str和Org_Che不僅上位概念中包含匹配概念對(duì)FMA（Thing）:NCI（Thing），而且下位概念中也包含匹配概念對(duì) FMA（Pho）:NCI（Pho）和 FMA（phospha）:NCI（phos?pha）。因此，僅利用上位概念中的匹配概念對(duì)，而沒(méi)有借鑒下位概念中的匹配概念對(duì)，Montserrat法無(wú)法充分利用多本體所提供的語(yǔ)義線(xiàn)索。針對(duì)Montserrat法中情況3的處理方式所存在的不足，本文提出了改進(jìn)的面向多本體語(yǔ)義相似度的計(jì)算方法，記為I-SSCMO。

圖1 FMA和NCI的部分匹配概念對(duì)

1 改進(jìn)的計(jì)算方法

設(shè)概念a和b分別隸屬于本體A和B，則本論文所涉及的相關(guān)定義描述如下。

定義1（上位概念集合）本體A中概念a的上位概念集合，記為 U（A,a）。

定義2（下位概念集合）本體A中概念a的下位概念集合，記為 L（A,a）。

定義3（匹配概念集合）本體A與本體B的匹配概念集合，記為 M（A,B）。在圖 1 中，M（FMA,NCI）包含所有箭頭線(xiàn)所連接的概念對(duì)。

定義4（匹配上位概念集合）本體A中a的上位概念與本體B中b的上位概念相匹配的概念集合，記為MU（A（a）,B（b））。在圖 1 中，MU（FMA（Ana_str）,NIC（Org_Che））={FMA（Thing）:NCI（Thing）}。

定義5（匹配下位概念集合）本體A中a的下位概念與本體B中b的下位概念相匹配的概念集合，記為ML（A（a）,B（b））。在圖 1 中，{FMA（Pho）:NCI（Pho）,FMA（phospha）:NCI（phospha）}為 Ana_str 和 Org_Che的匹配下位概念集合。

定義6（公共上位概念集合）本體A中概念a與本體B中概念b的公共上位概念集合為

在圖 1 中，CU（FMA（Ana_str）,NIC（Org_Che））={FMA（Thing）,NCI（Thing）}。

定義7（公共下位概念集合）本體A中概念a與本體B中概念b的公共上位概念集合為

在圖 1 中，CL（FMA（Ana_str）,NIC（Org_Che））={FMA（Pho）,NCI（Pho）,FMA（phospha）,NCI（phos?pha）,FMA（pholin）,NCI（pholinl）}。

在上述定義的基礎(chǔ)上，I-SSCMO法首先利用多本體中匹配上位概念集合所提供的語(yǔ)義線(xiàn)索，計(jì)算概念對(duì)的語(yǔ)義相似度，其具體計(jì)算方法如公式（3）所示。

然后，I-SSCMO法利用匹配下位概念集合計(jì)算語(yǔ)義相似度，具體計(jì)算方法如公式（4）所示。

通過(guò)綜合上述兩種語(yǔ)義相似度，A本體中概念a與B本體中概念b的語(yǔ)義相似度可由公式（5）獲得。

其中，w∈[0,1]。w為加權(quán)因子，調(diào)控U_Sim(A(a),B(b))和 L_Sim(A(a),B(b))對(duì)最終結(jié)果Sim(A(a),B(b))的影響。當(dāng)w為0時(shí)，表示僅利用匹配下位概念集合所提供的線(xiàn)索計(jì)算語(yǔ)義相似度；當(dāng)w為1時(shí)，表示僅利用匹配上位概念集合所提供的線(xiàn)索計(jì)算語(yǔ)義相似度。

I-SSCMO法的偽代碼如下所示：

輸入：本體A和本體B，待評(píng)估的概念對(duì)（a,b），加權(quán)因子w

輸出：概念對(duì)（a,b）的語(yǔ)義相似度

1:IF概念對(duì)（a,b）屬于Montserrat法的情況1和情況2

2: RETURN Montserrat法的計(jì)算結(jié)果；

3:ELSE

4:分別獲取a和b的上位概念集合和下位概念集合；

5:獲取概念對(duì)（a,b）的匹配上位概念集合和匹配下位概念集合；

6:獲取概念對(duì)（a,b）的公共上位概念集合和公共下位概念集合；

7: 根據(jù)公式（3）計(jì)算 U_Sim（A（a）,B（b））；

8: 根據(jù)公式（4）計(jì)算 L_Sim（A（a）,B（b））；

9: 根據(jù) U_Sim（A（a）,B（b））、L_Sim（A（a）,B（b））和加權(quán)因子 w 計(jì)算 Sim（A（a）,B（b））；

10:RETURN Sim（A（a）,B（b））；

11:END IF

2 實(shí)驗(yàn)及評(píng)估

為了驗(yàn)證I-SSCMO法的有效性，本文利用兩對(duì)本體進(jìn)行了實(shí)驗(yàn)：生物醫(yī)學(xué)本體FMA和NCI、經(jīng)濟(jì)領(lǐng)域本體STW（The Thesaurus for Economics）和社會(huì)科學(xué)本體 TheSoz（The Thesaurus for the Social Sciences）。需要說(shuō)明的是，盡管STW和TheSoz屬于不同的領(lǐng)域，但它們之間有很大部分的重疊域。由于I-SSCMO法主要改進(jìn)了Montserrat法情況3的計(jì)算方法，本實(shí)驗(yàn)從FMA和NCI、STW和TheSoz中分別選取了30對(duì)概念對(duì)。這些概念對(duì)不僅滿(mǎn)足情況3的條件，而且均具有匹配下位概念。在人工評(píng)判環(huán)節(jié)，分別由多名醫(yī)學(xué)和經(jīng)濟(jì)專(zhuān)業(yè)人員對(duì)概念對(duì)的相似度按照5個(gè)等級(jí)打分（0表示兩個(gè)概念不相關(guān)，4表示兩個(gè)概念相同），并以平均值作為人工評(píng)判的最終結(jié)果。最后，本文將Montserrat法和I-SSCMO法的計(jì)算結(jié)果與人工評(píng)判的結(jié)果進(jìn)行了比較，并運(yùn)用皮氏積矩相關(guān)系數(shù)的計(jì)算方法來(lái)評(píng)估結(jié)果的準(zhǔn)確度，具體如公式（6）所示。r的取值范圍為[0,1]，并且r值越大意味著計(jì)算結(jié)果越擬合人工評(píng)判的結(jié)果，此時(shí)相應(yīng)方法能夠獲得更為準(zhǔn)確的語(yǔ)義相似度。

其中，Xi為Montserrat法或I-SSCMO法計(jì)算第i對(duì)概念對(duì)的語(yǔ)義相似度，Yi為人工評(píng)判的第i對(duì)概念對(duì)的相似度，X可為Montserrat法或I-SSCMO法計(jì)算結(jié)果所組成的數(shù)組，Y為人工評(píng)判結(jié)果所組成的數(shù)組，Xˉ和Yˉ分別是X數(shù)組和Y數(shù)組的平均值。

鑒于加權(quán)因子w對(duì)I-SSCMO法的影響，本實(shí)驗(yàn)從[0,1]中選取了11個(gè)w值，以評(píng)估在w不同的取值情況下I-SSCMO法的結(jié)果準(zhǔn)確度。圖2展示了在計(jì)算FMA和NCI中概念對(duì)時(shí)Montserrat法或I-SSCMO法的性能比較。Montserrat法不受加權(quán)因子w的影響，因此其準(zhǔn)確度始終是0.6579；當(dāng)w=0.8時(shí)，I-SSCMO法的準(zhǔn)確度達(dá)到最大值0.6602。圖2的結(jié)果說(shuō)明，在FMA和NCI中匹配下位概念所提供的語(yǔ)義線(xiàn)索有限，I-SS?CMO的性能改進(jìn)不顯著。圖3展示了在計(jì)算STW和TheSoz中概念對(duì)時(shí)Montserrat法或I-SSCMO法的性能比較。同樣，Montserrat法的準(zhǔn)確度始終是0.5101；當(dāng)w=0.9時(shí)，I-SSCMO法的準(zhǔn)確度達(dá)到最大值0.5702，性能提升較為明顯。綜合圖2和圖3的結(jié)果，可以發(fā)現(xiàn)：1.在計(jì)算多本體中概念對(duì)的語(yǔ)義相似度時(shí)，相對(duì)于匹配下位概念而言，匹配上位概念所提供的語(yǔ)義線(xiàn)索更為有效，即w應(yīng)取較大值；2.對(duì)不同多本體處理時(shí)，應(yīng)當(dāng)根據(jù)具體情況選取w的值，即處理FMA和NCI時(shí)應(yīng)取0.8、處理STW和TheSoz時(shí)應(yīng)取0.9；3.對(duì)于彼此之間差異較大的本體對(duì)，考慮匹配下位概念所提供的語(yǔ)義線(xiàn)索是有效的，能夠提供更為準(zhǔn)確度的結(jié)果。

圖2 計(jì)算FMA和NCI中概念對(duì)時(shí)的性能比較

圖3 計(jì)算STW和TheSoz中概念對(duì)時(shí)的性能比較

3 結(jié)語(yǔ)

針對(duì)基于多本體的語(yǔ)義相似度計(jì)算方法所存在的問(wèn)題，本文提出了綜合考慮匹配上位概念和匹配下位概念所提供語(yǔ)義線(xiàn)索的相似度計(jì)算方法。在FMA和NCI、STW和TheSoz上的實(shí)驗(yàn)表明，通過(guò)選取合適的加權(quán)因子w，改進(jìn)的方法I-SSCMO能夠在一定程度上獲得更準(zhǔn)確的結(jié)果。在將來(lái)的研究中，我們將考慮如何更為充分地利用匹配下位概念提供的語(yǔ)義線(xiàn)索、加權(quán)因子w的優(yōu)化取值等問(wèn)題。

[1]張滬寅,劉道波,溫春艷.基于《知網(wǎng)》的詞語(yǔ)語(yǔ)義相似度改進(jìn)算法研究[J].計(jì)算機(jī)工程,2015,41（2）:151-156.

[2]孫海霞,錢(qián)慶,成穎.基于本體的語(yǔ)義相似度計(jì)算方法研究綜述[J].現(xiàn)代圖書(shū)情報(bào)技術(shù),2010,26（1）:51-56.

[3]Batet M,Sánchez D,Valls A,et al.Semantic Similarity Estimation from Multiple Ontologies[M].Applied Intelligence,2013：29-44.