基于本體術(shù)語學(xué)的教育領(lǐng)域多語言本體構(gòu)建

袁 滿, 張麗偉, 彭悟焯

(1. 東北石油大學(xué) 計算機與信息技術(shù)學(xué)院, 黑龍江 大慶 163318; 2. 哈爾濱理工大學(xué) 電氣與通信工程學(xué)院, 哈爾濱 150080)

0 引 言

隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展和應(yīng)用規(guī)模的不斷擴大, 網(wǎng)絡(luò)上信息呈爆炸式增長, 如何將互聯(lián)網(wǎng)上的海量多語言信息提供給不同文化背景的用戶群體, 讓只精通一種語言的用戶輕松獲取不同語言的信息資源成為各領(lǐng)域?qū)W者共同關(guān)注的問題[1]。

跨語言信息檢索(Cross Language Information Retrieval)是指以一種語言檢索出其他語言信息資源的檢索方法。目前, 跨語言信息檢索是國內(nèi)外信息檢索領(lǐng)域的前沿課題之一。該項技術(shù)具有廣泛的學(xué)術(shù)價值和商業(yè)價值, 可應(yīng)用于跨文化交流、 電子商務(wù)等許多領(lǐng)域。當(dāng)前的多語言信息檢索系統(tǒng)多采用雙語詞表和機器翻譯等方式, 由于缺乏語義, 檢索效果并不理想。本體是一種形式化的知識表達(dá)與描述框架, 具有強大的知識表達(dá)、 賦值機制與語義推理能力[2], 不僅可描述信息資源體系中十分復(fù)雜的概念、 屬性和關(guān)系, 形成語義知識網(wǎng)絡(luò), 還能實現(xiàn)具有語義推理功能的知識檢索[3]。而多語言本體是本體在不同語種中的具體表現(xiàn)形式, 可作為語義層應(yīng)用于跨語言信息檢索系統(tǒng)中, 把術(shù)語到術(shù)語的轉(zhuǎn)換變成術(shù)語到概念、 概念再到術(shù)語的轉(zhuǎn)換, 將檢索提升到語義層面, 具有更大的理論優(yōu)勢[4]。因此, 多語言本體成為目前研究的熱點之一[5]?；诖? 筆者在傳統(tǒng)本體構(gòu)建方法的基礎(chǔ)上, 引入本體術(shù)語學(xué)理論構(gòu)建了教育領(lǐng)域的多語言本體, 可利用此本體實現(xiàn)教育領(lǐng)域信息資源的有效組織和跨語言的語義檢索, 有效提高教育資源利用率, 為各國或地區(qū)之間的知識共享奠定基礎(chǔ), 也為后續(xù)研究提供借鑒。

1 術(shù)語學(xué)與本體術(shù)語學(xué)

“本體術(shù)語學(xué)”建立在術(shù)語學(xué)理論的基礎(chǔ)上。通過語音或文字表達(dá)或限定專業(yè)概念的約定性符號叫做術(shù)語, 術(shù)語可以是詞, 也可以是詞組[6]。在國家標(biāo)準(zhǔn)《術(shù)語工作----原則與方法》中術(shù)語的定義是“術(shù)語是專業(yè)領(lǐng)域中概念的語言指稱[7]”。國家標(biāo)準(zhǔn)《術(shù)語工作----詞匯 第一部分： 理論與應(yīng)用》則將術(shù)語定義為: “在特定專業(yè)領(lǐng)域中一般概念的詞語指稱”。而術(shù)語學(xué)(也叫術(shù)語科學(xué))則是指“研究各專業(yè)領(lǐng)域中術(shù)語的結(jié)構(gòu)、 形成發(fā)展、 用法和管理的學(xué)科[8]”。術(shù)語學(xué)的目標(biāo)是通過標(biāo)準(zhǔn)化手段消除科技語言中的“歧義”, 使表述更加清楚, 無二義性。為實現(xiàn)這個目標(biāo), 現(xiàn)代術(shù)語學(xué)的奠基人維斯特提出： “概念優(yōu)先于術(shù)語(名稱), 概念的通用性獨立于語言的多樣性[9]”。文獻(xiàn)[6,7]的術(shù)語定義也體現(xiàn)了維斯特的理念。但值得注意的是, 在術(shù)語學(xué)中概念不能依靠其自身而獨立存在, 必須依靠于用自然語言或半形式化語言書寫的定義而存在。

在檢索時輸入的關(guān)鍵詞實際上就是術(shù)語。在檢索過程中, 特別是在檢索其他語言資源時, 很容易會因為對術(shù)語的表述或理解不同而漏檢或錯檢, 難以找到自己需要的全部資源, 比如, 在檢索“蘋果”時, 可能會漏掉名為“apple”的資源。與合作者交換信息時也很容易出現(xiàn)歧義。在當(dāng)今時代, 合作和交換信息正穩(wěn)步增長, 參與者需要就術(shù)語的含義達(dá)成一致。在交流出現(xiàn)問題時, 專家們會參照概念間的邏輯形式規(guī)范或半形式化的語言(例如公式、 圖表、 圖示等)使大家達(dá)成共識, 而不是依靠自然語言, 這是因為用結(jié)構(gòu)化或半結(jié)構(gòu)化語言書寫的概念定義是客觀的, 專家們對其內(nèi)涵有共同的認(rèn)識。概念系統(tǒng)是超語言的, 不同語言或文化背景下的不同術(shù)語可表達(dá)同一概念, 概念具有獨立于語言多樣性的穩(wěn)定性?？筛鶕?jù)概念在概念體系中的位置確定概念的定義, 進(jìn)而確定與之對應(yīng)的其他語言的術(shù)語?；诖税l(fā)現(xiàn), ISO(International Organization for Standardization)國際術(shù)語標(biāo)準(zhǔn)項目負(fù)責(zé)人, 法國薩瓦大學(xué)羅什教授引入了術(shù)語學(xué)的新范式： 本體術(shù)語學(xué)[10]。本體術(shù)語學(xué)的主旨是把術(shù)語的語言維度和概念維度區(qū)分開并確立它們之間的關(guān)系。語言維度是由通過語言學(xué)關(guān)系(比如上下位關(guān)系)關(guān)聯(lián)起來的術(shù)語構(gòu)成的。概念維度是用形式化語言編寫的語義本體, 在這個本體中, 概念通過概念間的關(guān)系(比如is-a和part-of)聯(lián)系在一起。由于本體術(shù)語學(xué)中的概念是獨立存在的, 所以, 本體術(shù)語學(xué)既組織術(shù)語也組織概念。但是, 術(shù)語的語言學(xué)維度與概念維度并不是毫無關(guān)聯(lián)的, 術(shù)語的含義與概念是相對應(yīng)的, 因此, 可將不同語言的術(shù)語與它們表示的同一個概念關(guān)聯(lián)起來。這樣就可依據(jù)術(shù)語找到與它相對應(yīng)的概念, 也可進(jìn)一步得到與此概念對應(yīng)的其它語言的術(shù)語或者信息資源。本體術(shù)語學(xué)能把術(shù)語學(xué)的語言學(xué)維度和概念維度這兩個異構(gòu)網(wǎng)絡(luò)聯(lián)系在一個全球性的連貫系統(tǒng)中, 實現(xiàn)語言的標(biāo)準(zhǔn)化。并且, 它更加體現(xiàn)了維斯特關(guān)于概念具有獨立于語言多樣性的普遍性思想: 本體術(shù)語學(xué)保留了不同實踐群體間語言的多樣性, 而不妨礙它們共享共同的學(xué)科領(lǐng)域和標(biāo)準(zhǔn)化的概念體系?；诒倔w術(shù)語學(xué)理論, 可實現(xiàn)各國之間的知識資源共享和跨語言檢索。

本體術(shù)語學(xué)已在歐洲得到實踐, 比如, 歐洲加熱和冷卻應(yīng)用技術(shù)的可持續(xù)性項目ASTECH(Application of Advanced Sustainable Energy Technology in Refrigeration and Heating), 此項目旨在為歐洲再生能源技術(shù)領(lǐng)域的供應(yīng)商和用戶之間提供共享信息的平臺, 其多語言搜索引擎即利用本體術(shù)語學(xué)原則, 該項目的文獻(xiàn)和信息可用9種語言發(fā)布和搜索[9]。筆者將本體術(shù)語學(xué)引入教育領(lǐng)域多語言本體構(gòu)建中, 以便支持多語言教育知識資源的描述與表達(dá), 為教育資源的跨語種檢索和知識資源共享奠定基礎(chǔ)。

2 多語言本體中概念及其關(guān)系的獲取

教育是人類社會的主要活動之一, 自從有人類社會便有了教育活動, 教育理論的發(fā)展歷經(jīng)千年, 如今已是一個龐大的科學(xué)體系, 其中涵蓋的內(nèi)容非常繁雜, 要從零開始構(gòu)建教育領(lǐng)域本體非常困難, 因此, 筆者考慮基于現(xiàn)有知識源構(gòu)建本體。

由于本體與敘詞表和分類法在知識表示上的天然聯(lián)系, 國內(nèi)外很多學(xué)術(shù)團體開始利用現(xiàn)有的敘詞表、 分類表與分類主題一體化詞表構(gòu)建本體, 并取得了一定的成果。目前, 已經(jīng)有十多種敘詞表通過各種方式轉(zhuǎn)換為本體。比如, 聯(lián)合國糧農(nóng)組織(FAO： Food and Agriculture Organization of the United Nations)利用RDFS(Resource Description Framework Schema)將其與歐洲共同體委員會合作開發(fā)的多語種的農(nóng)業(yè)受控詞表轉(zhuǎn)化為農(nóng)業(yè)本體[11]。有學(xué)者將藝術(shù)和建筑敘詞表(ATT： Art and Architecture Thesaurus)轉(zhuǎn)為本體[12]。鄧志鴻等[13]在改造分類法和主題詞表的基礎(chǔ)上, 運用本體技術(shù)構(gòu)建概念模型, 用于智能導(dǎo)航。任瑞娟[14]在分析《中國分類主題詞表》與本體相互關(guān)系的基礎(chǔ)上, 提出了基于《中國分類主題詞表》構(gòu)建分布式本體的設(shè)想, 并設(shè)計使用OWL(Web Ontology Language)描述本體系統(tǒng)。鮮國建[15]將《農(nóng)業(yè)科學(xué)敘詞表》轉(zhuǎn)換為農(nóng)業(yè)本體并總結(jié)基于敘詞表構(gòu)建本體的基本原理。何偉等[16]根據(jù)敘詞表的用、 代、 屬、 分、 參等關(guān)系符號設(shè)計了一種由敘詞表向本體OWL快速轉(zhuǎn)換的算法, 并證明該算法可有效提高本體構(gòu)建速度、 進(jìn)一步促進(jìn)敘詞表在網(wǎng)絡(luò)環(huán)境的應(yīng)用。左惠凱等[17]基于《中國主題分類詞表》等敘詞表中的專有敘詞, 參考中外敘詞表編制標(biāo)準(zhǔn), 提出了面向本體的專有敘詞關(guān)系的調(diào)整原則。在教育領(lǐng)域, Qin等[18]將教育資料網(wǎng)關(guān)(GEM： Gateway to Educational Materials)中的受控詞表轉(zhuǎn)換為本體, 并提出了將受控詞表轉(zhuǎn)化為本體的方法與原則框架。劉小樂[19]從《教育主題詞表》中抽取教育領(lǐng)域重要概念構(gòu)建了教育領(lǐng)域頂級本體等。以上文獻(xiàn)可為筆者提供一定的理論支持。

《教育主題詞表》是我國第1部分類主題一體化詞表, 也是我國出版的第1部教育專業(yè)敘詞表, 內(nèi)容涉及教育科學(xué)的各個領(lǐng)域及其若干相關(guān)學(xué)科[20], 權(quán)威性毋庸置疑, 可為本體構(gòu)建工作提供支持。《教育主題詞表》主要規(guī)范教育領(lǐng)域的主題詞和檢索語言, 同時, 也為教育領(lǐng)域概念術(shù)語的提取及屬性關(guān)系的建立提供參考。它主要由字順表、 分面分類表、 索引及附表等4部分構(gòu)成；分面分類表是在分面分類理論指導(dǎo)下建立的詞匯分類體系, 每個分面的后面都跟著與其相對應(yīng)的主題詞?？偣舶凑諏W(xué)科領(lǐng)域?qū)⒔逃龑I(yè)劃分為7個基本范疇, 16個大類(見表1)。其中在主表中收集專業(yè)詞匯2 828個, 在附表中收集詞匯1 147個, 共收集詞匯3 975個[21]。

表1 《教育主題詞表》分面分類范疇與大類

《教育主題詞表》與教育領(lǐng)域本體間存在以下共同點： 首先, 它們都在某種程度上表示了教育領(lǐng)域概念以及它們之間的關(guān)系； 其次, 它們的類目體系均是等級結(jié)構(gòu), 主題表提供分類結(jié)構(gòu)或范疇索引, 而本體從整體上提供類的層次等級體系結(jié)構(gòu)[18]。這些共同點為基于教育主題詞表構(gòu)建教育領(lǐng)域本體提供了可能, 主題表中的敘詞及詞間關(guān)系可為本體中概念體系的確定提供重要依據(jù), 節(jié)省大量人力物力。

3 利用本體術(shù)語學(xué)構(gòu)建教育領(lǐng)域多語言本體

目前比較成熟的本體構(gòu)建方法主要包括： 骨架法、 AFM(Activity-First Method)法、 評價法、 五步循環(huán)法和七步法等[22]。斯坦福大學(xué)的七步法主要用于構(gòu)建領(lǐng)域本體, 是一種比較通用的方法。筆者采用七步法和protégé工具構(gòu)建教育領(lǐng)域多語言本體。

3.1 多語言本體的概念等級關(guān)系構(gòu)建

圖1 多語言本體概念體系Fig.1 Conceptual system of multilingual ontology

在構(gòu)建本體前, 首先要確定本體中概念的等級關(guān)系, 等級體系是確定其它屬性關(guān)系的基礎(chǔ)?！督逃黝}詞表》幾乎涵蓋了教育領(lǐng)域的全部術(shù)語, 術(shù)語又與概念有著一一對應(yīng)關(guān)系[23]。因此可將《教育主題詞表》中的敘詞轉(zhuǎn)換為本體中的概念?；具^程是把《教育主題詞表》中的7個基本范疇定義為1級類, 將《教育主題詞表》中16個大類定義為2級類, 然后按照“分面分類表”中的等級結(jié)構(gòu)關(guān)系逐步擴展下位類。這樣, 就得到了教育領(lǐng)域多語言本體的概念等級體系。出于通用性的考慮, 筆者選擇英語作為中心語言表示本體中的概念及屬性, 構(gòu)建出的概念等級體系如圖1所示。

3.2 多語言本體屬性的定義

等級關(guān)系形成后, 要確定本體中概念間的其他關(guān)系和屬性。屬性界定了概念之間的關(guān)系, 可為語義檢索與推理奠定基礎(chǔ)。屬性分為對象屬性與數(shù)據(jù)屬性, 對象屬性主要描述類與類之間或?qū)嵗c實例之間的關(guān)系, 數(shù)據(jù)屬性則主要是實例與數(shù)據(jù)之間的關(guān)系?！督逃黝}詞表》中的詞間關(guān)系主要有3種： 等同關(guān)系、 屬分關(guān)系和相關(guān)關(guān)系, 通過“用、 代、 分、 屬、 族、 參”等參照項描述。筆者將敘詞表中的詞間關(guān)系映射為本體中明確的概念之間的關(guān)系(見表2)。數(shù)據(jù)屬性主要包括author,resourceName,ISBN,resourceType等。

表2 詞間關(guān)系與OWL本體中概念關(guān)系映射

3.3 基于本體術(shù)語學(xué)的多語種映射

依據(jù)本體術(shù)語學(xué)概念具有獨立于語言多樣性的穩(wěn)定性思想, 采用國際通用語言英語作為本體構(gòu)建要素構(gòu)建出標(biāo)準(zhǔn)化的中心語言本體, 描述的教育領(lǐng)域中概念及其關(guān)系具有穩(wěn)定性, 可作為術(shù)語的概念維度。將其他語言的術(shù)語按照語言學(xué)關(guān)系相互關(guān)聯(lián)形成獨立的術(shù)語體系(每種語言的術(shù)語按照自己的語言學(xué)關(guān)系進(jìn)行關(guān)聯(lián)), 作為術(shù)語的語言學(xué)維度。通過equivalentClass屬性分別將用各個語言書寫的術(shù)語與概念維度中的概念關(guān)聯(lián)[24]。這樣, 就實現(xiàn)了概念維度與語言維度的相互關(guān)聯(lián), 不同語言的術(shù)語被有序地組織到相應(yīng)的概念下, 而術(shù)語之間的語言學(xué)關(guān)系也得到了保留。當(dāng)想要加入一種新的民族語言時, 只需針對共享的概念給出自己語言所特有的語言學(xué)術(shù)語定義, 然后與本體中的概念相關(guān)聯(lián)即可。筆者選定英語作為中心語言, 漢語、 德語和丹麥語作為多語言本體的語言樣本進(jìn)行試驗, 以概念教育學(xué)為例, 其OWL代碼展示如下：

〈Class rdf: about=“&education_ontology;AB_pedagogy”〉

〈equivalentClass rdf: resource=“&education_ontology;教育學(xué)”/〉

〈equivalentClass rdf: resource=“&education_ontology;uddannelse”/〉

〈rdfs:subClassOf rdf: resource=“&education_ontology;A_educationalScience”/〉

〈/Class〉

OntoGraf中可視化展示如圖2所示。

圖2 多語種映射可視化展示Fig.2 Visual display of mlti-lingual mapping

3.4 多語言本體實例定義

將各資源的元數(shù)據(jù)記錄按照主題關(guān)聯(lián)到對應(yīng)的概念節(jié)點下, 作為對應(yīng)概念節(jié)點的實例, 此過程相當(dāng)于元數(shù)據(jù)的上架[12]。每個概念相當(dāng)于一個文件夾, 把相關(guān)的文檔收在一起, 而不用考慮它的書寫語言。在檢索時不論采用什么語言的術(shù)語進(jìn)行檢索, 最終都指向與它們相對應(yīng)的同一個概念, 進(jìn)而找到概念下的其他語言術(shù)語和用不同語言書寫的教育資源, 實現(xiàn)多語種查詢, 進(jìn)一步提高查全率。本體可被看作一個概念地圖, 在系統(tǒng)中起到承上啟下的中間層的作用。在這個概念地圖中, 專家可通過父類-子類和is-a等關(guān)系進(jìn)行導(dǎo)航, 查找相關(guān)信息資源。

3.5 多語言本體的存儲

圖3 本體存儲在數(shù)據(jù)庫中的表Fig.3 The table in which the ontologyis stored in the database

多語言本體構(gòu)建完成后需對其進(jìn)行存儲, 本體的存儲方式主要有基于文本的存儲和基于數(shù)據(jù)庫的存儲兩種。這兩種存儲方式各有優(yōu)劣, 文件方式存儲簡單快捷、 管理方便、 同時方便擴展, 可保留完整的語義信息, 但系統(tǒng)效率低, 適合小規(guī)模本體存儲。關(guān)系數(shù)據(jù)庫存儲方式效率高, 可充分利用SQL語言的優(yōu)勢, 技術(shù)很成熟, 但語義支持差, 主要用于大規(guī)模本體存儲[25]。考慮到多語言本體概念較多, 筆者采用關(guān)系數(shù)據(jù)庫存儲。存儲過程為： 首先新建一個數(shù)據(jù)庫, 然后配置好數(shù)據(jù)庫連接, 最后將OWL文件轉(zhuǎn)換為字節(jié)流后存儲到數(shù)據(jù)庫中。整個過程由Jena API完成, Jena是惠普公司開發(fā)的一個構(gòu)造語義網(wǎng)應(yīng)用程序的Java框架, 它有著完整的本體解析、 存儲、 推理和查詢函數(shù)以及相關(guān)調(diào)用接口, 可便捷實現(xiàn)本體的數(shù)據(jù)庫存儲[26]。本體存儲到數(shù)據(jù)庫后, 將生成圖3所示的7個表。

4 教育領(lǐng)域多語言檢索系統(tǒng)的實現(xiàn)

筆者構(gòu)建的系統(tǒng)主要用于教育領(lǐng)域信息資源的跨語言檢索, 用戶在系統(tǒng)中輸入任意語言的某個術(shù)語后, 系統(tǒng)就會自動輸出與此術(shù)語相對應(yīng)的本體概念、 其他語言的術(shù)語和相關(guān)學(xué)習(xí)資源的元數(shù)據(jù)信息, 供用戶下載和查看。例如, 輸入漢語術(shù)語教育學(xué)后, 查詢結(jié)果如圖4所示。本系統(tǒng)主要利用Jena API對存儲到數(shù)據(jù)庫中的本體數(shù)據(jù)進(jìn)行查詢, Jena提供了ARQ(A SPARQL Processor for Jena)查詢引擎, 支持RDQL(RDF Data Query Language)和SPARQL(SPARQL Protocol and RDF Query Language)查詢語言, 從而可利用它對本體模型進(jìn)行查詢[27,28]。其中, 依據(jù)用戶輸入的術(shù)語確定與其相對應(yīng)的概念部分主要過程為： 1) 實現(xiàn)數(shù)據(jù)庫連接; 2) 創(chuàng)建本體模型, 將本體信息讀入內(nèi)存; 3) 對本體中的概念進(jìn)行遍歷, 找到與所輸入術(shù)語相關(guān)聯(lián)的概念； 4) 將查詢結(jié)果即目標(biāo)概念輸出。核心代碼如下。

OntModel model;

ModelMaker maker=ModelFactory.createModelRDBMaker(con);

Model base=maker.getModel(“educationDB”);

OntModelSpec spec=new OntModelSpec(OntModelSpec.OWL_MEM);

spec.setImportModelMaker(maker);

model=ModelFactory.createOntologyModel(spec,base);

for(Iterator i=model.listClasses(); i.hasNext();) {

OntClass c=(OntClass) i.next();

OntClass h=c.getEquivalentClass();

if(h.getURI().equals(URI+“教育學(xué)”))

System.out.println(“此術(shù)語對應(yīng)的概念為”+c.getLocalName());}

從圖4中的系統(tǒng)運行結(jié)果可見, 利用筆者構(gòu)建的多語言本體, 可實現(xiàn)教育領(lǐng)域信息資源的有效組織與跨語言檢索。

圖4 基于多語言本體的信息檢索系統(tǒng)界面Fig.4 The interface of information retrieval system based on multi-language ontology

5 結(jié) 語

跨語言信息檢索是目前國內(nèi)外信息檢索領(lǐng)域的前沿課題之一, 筆者為解決教育領(lǐng)域信息資源的跨語言檢索問題, 引入國際標(biāo)準(zhǔn)化組織羅什教授最新提出的本體術(shù)語學(xué)理論, 并結(jié)合教育領(lǐng)域敘詞標(biāo)準(zhǔn)----《教育主題詞表》構(gòu)建出標(biāo)準(zhǔn)化的教育領(lǐng)域多語言本體, 實現(xiàn)了概念、 不同語言術(shù)語和資源的有效組織。并利用此本體構(gòu)建出跨語言信息檢索系統(tǒng), 結(jié)果表明, 該系統(tǒng)所構(gòu)建的多語言本體能很好地實現(xiàn)多語言知識組織, 促進(jìn)跨語言信息檢索向語義化發(fā)展。在多語言本體構(gòu)建過程中, 筆者發(fā)現(xiàn)僅僅依據(jù)敘詞表本身進(jìn)行本體構(gòu)建缺乏屬性類敘詞的標(biāo)準(zhǔn)化數(shù)據(jù)類型, 這是一個亟待解決的問題, 下一步將針對這些問題繼續(xù)進(jìn)行深入研究。