基于科技知識組織體系的標(biāo)引框架研究與應(yīng)用

劉春江，胡正銀，方 曙，錢 力

（1．中國科學(xué)院成都文獻(xiàn)情報(bào)中心；2．中國科學(xué)院大學(xué)；3．中國科學(xué)院文獻(xiàn)情報(bào)中心）

1 概述

在大數(shù)據(jù)環(huán)境與數(shù)據(jù)密集型科學(xué)研究新范式下，科技文獻(xiàn)知識組織方式向基于概念單元或知識單元的知識組織方向發(fā)展。［1,2］為了滿足多層次、細(xì)粒度知識組織和知識關(guān)聯(lián)的需求，需要采用自動或半自動方式對科技文獻(xiàn)進(jìn)行主題標(biāo)引。從方法上看，文獻(xiàn)的自動標(biāo)引一般都會綜合運(yùn)用統(tǒng)計(jì)學(xué)、語言學(xué)或機(jī)器學(xué)習(xí)等多種抽取方法，但會以某種具體方法為主，如，F(xiàn)rank［3］等主要采用了基于機(jī)器學(xué)習(xí)的抽取方法，使用了懷卡托大學(xué)開發(fā)的關(guān)鍵詞抽取工具（Keyword Extraction Algorithm，KEA），［4］利用訓(xùn)練文檔集建立抽取模型；Hulth［5］主要采用了基于語言學(xué)的抽取方法，使用了愛丁堡大學(xué)開發(fā)的開源工具LT-TTT2，［6］利用文本中的語言學(xué)特征抽取術(shù)語；Plas［7］等主要采用了基于詞典的抽取方法，利用了WordNet［8］詞典中詞匯的基本語義關(guān)系（如IS-A和PART-OF等）及其一詞多義解釋等特點(diǎn)。雖然這些文獻(xiàn)自動標(biāo)引的方法能夠?qū)崿F(xiàn)一定精度的術(shù)語與概念的自動抽取，但是無法更進(jìn)一步實(shí)現(xiàn)術(shù)語的規(guī)范化與概念的關(guān)聯(lián)化，也就不能達(dá)到對文獻(xiàn)進(jìn)行知識組織的最終目的。

科技知識組織體系（Scientific&TechnologicalKnowl edgeOrganization Systems，STKOS）是“十二五”國家科技支撐計(jì)劃“面向外文科技文獻(xiàn)信息的知識組織體系建設(shè)與應(yīng)用示范”項(xiàng)目的核心成果，是一套基于常用自然科學(xué)領(lǐng)域詞表的超級詞表。STKOS術(shù)語發(fā)布與共享服務(wù)平臺［9］提供了一系列標(biāo)準(zhǔn)化、集成化的開放查詢和推理接口，使第三方應(yīng)用可以靈活地將STKOS檢索、查詢和推理功能嵌入到自己的服務(wù)中。［10,11］本文提出了基于STKOS的標(biāo)引框架，實(shí)現(xiàn)了STKOS與標(biāo)引流程的深度嵌入，可以高效地對科技文獻(xiàn)蘊(yùn)含的知識單元進(jìn)行自動化抽取、主題標(biāo)引與語義關(guān)聯(lián)。

2 基于STKOS的標(biāo)引框架

基于STKOS的標(biāo)引框架由接口層、數(shù)據(jù)層和業(yè)務(wù)層組成，主要思路如下：① 從文本中自動抽取出一定數(shù)量且能夠表征文獻(xiàn)主題的關(guān)鍵詞，形成術(shù)語集；② 在STKOS超級詞表中檢索與這些術(shù)語相匹配的優(yōu)選詞，實(shí)現(xiàn)術(shù)語到概念的映射，形成概念集；③ 根據(jù)STKOS，建立概念的語義關(guān)聯(lián)（見圖1）。

圖1 基于STKOS的標(biāo)引框架

接口層主要實(shí)現(xiàn)了對STKOS的Webservice開放查詢和推理接口的調(diào)用。數(shù)據(jù)層包含各種非結(jié)構(gòu)化文檔，如論文、專利、專著、標(biāo)準(zhǔn)等，主要是通過對文檔載體（如PDF和WORD）進(jìn)行文本的自動提取。

業(yè)務(wù)層主要展示了STKOS的應(yīng)用環(huán)節(jié)。由于機(jī)器學(xué)習(xí)算法比較成熟，流程清晰，有大量的開源框架可供系統(tǒng)集成，本文使用了基于機(jī)器學(xué)習(xí)的術(shù)語抽取方法。具體的流程是：首先確定文本所屬領(lǐng)域，從STKOS中導(dǎo)出領(lǐng)域詞表，結(jié)合訓(xùn)練集，構(gòu)建領(lǐng)域標(biāo)引模型，然后使用模型對文本進(jìn)行自動標(biāo)引，之后調(diào)用STKOS進(jìn)行術(shù)語規(guī)范，通過人工的審核校驗(yàn)，最后基于STKOS對文獻(xiàn)的概念集建立語義關(guān)聯(lián)，完成標(biāo)引流程。

3 STKOS在標(biāo)引框架中的具體應(yīng)用

3.1 術(shù)語抽取

本研究選擇KEA來抽取術(shù)語，KEA基于JAVA語言實(shí)現(xiàn)，提供基于簡單知識組織系統(tǒng)（SimpleKnowledge OrganizaticnSystem，SKOS）詞表的自動關(guān)鍵詞抽取。

從標(biāo)引框架可以看出，構(gòu)建面向領(lǐng)域的標(biāo)引模型非常重要。具體來說，建立模型分三步完成。

（1）從STKOS中導(dǎo)出相關(guān)范疇的領(lǐng)域詞表。筆者實(shí)現(xiàn)了STKOS查詢與推理引擎的瀏覽服務(wù)接口（Browser Service）和關(guān)聯(lián)推理服務(wù)接口 （RelatedSearch Service）。針對瀏覽服務(wù)接口，主要實(shí)現(xiàn)了在STKOS超級詞表中下位范疇類的獲取和范疇下概念的獲?。会槍﹃P(guān)聯(lián)推理服務(wù)接口，主要實(shí)現(xiàn)了在STKOS超級詞表中上下位和相關(guān)概念的獲取（見表1）。

表1 STKOS接口中被使用的方法和功能

領(lǐng)域詞表的載體采用了SKOS詞表，以“人工智能”范疇為例，由于SKOS詞表是建立在RDF之上，因此在表頭先要定義文件的RDF屬性，然后建立該RDF文件的概念表屬性，這里可以定義為：，最后通過算法定義好該RDF文件的其它屬性，生成最終的領(lǐng)域詞表。該算法如下所示。

獲取“人工智能”范疇category1；

while（category1有下位范疇）

獲取下位范疇category2；

獲取category2下的概念列表concepts；

for each概念列表concepts中的概念concept do

if RDF中沒有該概念concept，Then定義新的skos:Concept屬性，加入skos:preflabel中；

if concept有上位概念，Then加入skos:broader中；

if concept有下位概念，Then加入skos:narrower中；

if concept有相關(guān)概念，Then加入skos:related中；

end for

end while

（2）構(gòu)建訓(xùn)練集。任意選擇一定數(shù)量的文獻(xiàn)，針對每篇文獻(xiàn)，將文本內(nèi)容放到“txt”為后綴的文件中，由領(lǐng)域?qū)＜覐念I(lǐng)域詞表中選擇數(shù)量不等的概念作為標(biāo)引詞，將標(biāo)引詞放到“key”為后綴的文件中，兩個文件的文件名必須一致。

（3）建立模型?；陬I(lǐng)域詞表和訓(xùn)練集構(gòu)建標(biāo)引模型，模型建立的步驟如下：① 在任意文件夾下新建模型根目錄，如“AI”；② 在“AI”下面針對抽取文本的語種建立目錄，如，“en”表示抽取文本的語種是英語，同時建立詞表目錄“vocabulary”；③ 在“en”下面建立訓(xùn)練集目錄，如“train”；④ 把訓(xùn)練集（包含多個txt和key文件組）放到訓(xùn)練集目錄下面；把前面生成的領(lǐng)域詞表放到詞表目錄下面；⑤ 在程序中設(shè)置相關(guān)參數(shù)，包括詞表位置、格式和編碼等，然后執(zhí)行程序，會在“en”目錄下生成模型文件“model”。

標(biāo)引模型和領(lǐng)域詞表建立完成后，就可以基于該模型文件和SKOS詞表，利用KEA對輸入文檔集進(jìn)行術(shù)語的自動抽取，針對每篇文檔形成術(shù)語集。

3.2 術(shù)語規(guī)范

在術(shù)語集里面，術(shù)語有可能不在領(lǐng)域詞表的概念之中，因此需要利用STKOS進(jìn)行概念規(guī)范，概念規(guī)范由術(shù)語規(guī)范和審核校驗(yàn)兩個環(huán)節(jié)組成。在術(shù)語規(guī)范過程中，筆者實(shí)現(xiàn)了STKOS查詢與推理引擎的關(guān)聯(lián)推理服務(wù)接口（RelatedSearch Service），利用了獲得規(guī)范詞方法 getStandardWord（ListwordList）。將術(shù)語集中的所有術(shù)語通過該方法查詢，并自動將返回的概念增加到文獻(xiàn)的概念集中（見圖2）。

圖2 術(shù)語規(guī)范流程圖

3.3 審核校驗(yàn)

由于可能存在概念明顯錯誤或者數(shù)量過少等問題，需要審核人員對文獻(xiàn)的自動分析結(jié)果進(jìn)行人工校驗(yàn)。審核人員首先判斷文獻(xiàn)的概念集是否需要新增或者刪除，如果需要新增，那么就在輸入接口中填入術(shù)語，利用獲得規(guī)范詞方法getStandardWord（ListwordList）查詢STKOS，并將返回的概念增加到文獻(xiàn)的概念集中；如果需要刪除，那么就在概念集中刪除原有的概念（見圖3）。

3.4 語義關(guān)聯(lián)

語義關(guān)聯(lián)主要基于STKOS建立概念與范疇之間的關(guān)系以及概念本身的上位、下位和相關(guān)關(guān)系。本研究主要實(shí)現(xiàn)了在STKOS超級詞表中上位范疇類和概念所屬范疇的獲取以及在STKOS超級詞表中上下位和相關(guān)概念的獲取（見表2）。

文獻(xiàn)概念的語義關(guān)聯(lián)載體也采用通用的SKOS詞表格式，以“人工智能”領(lǐng)域下的文獻(xiàn)為例，定義SKOS詞表屬性的算法如下所示，最終生成的SKOS詞表見圖4。

圖3 審核校驗(yàn)流程圖

表2 STKOS接口中被使用的方法和功能

圖4 文獻(xiàn)概念的語義關(guān)聯(lián)簡單知識組織體系詞表圖

foreach概念列表concepts中的概念conceptdo

if RDF中沒有該概念concept，Then定義新的skos：Concept屬性，加入skos：preflabel中；

ifconcept有上位概念，then加入skos：broader中；

if concept有下位概念，then加入skos：narrower中；ifconcept有相關(guān)概念，then加入skos：related中；foreach該概念的范疇列表categories中的概念category do

if category在“人工智能”領(lǐng)域詞表里面，then加入skos：category中；

end for end for

4 標(biāo)引框架的應(yīng)用示范

筆者已在中科院成都文獻(xiàn)情報(bào)中心重要會議開放資源采集與服務(wù)系統(tǒng)（以下簡稱采集服務(wù)系統(tǒng)）［11］上進(jìn)行集成和整合，通過應(yīng)用本標(biāo)引框架，使得標(biāo)引人員可以獲得效果較好的推薦信息，快速完成對文獻(xiàn)和會議的準(zhǔn)確標(biāo)引。具體來說，在文獻(xiàn)主題詞規(guī)范環(huán)節(jié)，標(biāo)引人員可在主題詞列表中對術(shù)語規(guī)范后的主題詞進(jìn)行校驗(yàn)（修改或者刪除），還可調(diào)用接口查詢STKOS獲取到新的規(guī)范主題詞，并增加到主題詞列表中；校驗(yàn)完成后，標(biāo)引人員保存主題詞列表即可完成對單篇文獻(xiàn)標(biāo)引結(jié)果的審核。在學(xué)科分類界面圖中，系統(tǒng)除了可以根據(jù)文獻(xiàn)主題詞調(diào)用接口列出推薦的學(xué)科分類列表，還可以調(diào)用接口列出STKOS的學(xué)科樹，標(biāo)引人員選擇正確的會議所屬學(xué)科分類進(jìn)行保存即可完成對單個會議標(biāo)引結(jié)果的審核。

5 結(jié)語

STKOS作為面向計(jì)算機(jī)應(yīng)用開發(fā)的具有一定規(guī)模的超級科技詞表，涉及的科技領(lǐng)域范圍廣、科技術(shù)語和科技概念數(shù)量多。因此，如何利用STKOS有效地服務(wù)于外文科技文獻(xiàn)的信息揭示、知識組織和知識發(fā)現(xiàn)成為當(dāng)務(wù)之急。本研究針對標(biāo)引環(huán)節(jié)可能會遇到的四個應(yīng)用點(diǎn)，包括領(lǐng)域詞表導(dǎo)出、術(shù)語規(guī)范、審核校驗(yàn)和語義關(guān)聯(lián)等，在STKOS查詢與推理引擎中找出了需要使用的接口方法，形成了一套標(biāo)引框架，為國內(nèi)基于STKOS的應(yīng)用工作提供示范。