柑桔病蟲害自適用本體構(gòu)建方法*

趙嫦花，米春橋

(1.懷化學(xué)院計算機科學(xué)與工程學(xué)院，湖南 懷化 418000；2.武陵山片區(qū)生態(tài)農(nóng)業(yè)智能控制技術(shù)湖南省重點實驗室，湖南 懷化 418000)

本體是概念的可視化，即標準化現(xiàn)實世界中抽象的概念，使概念與概念、概念與對象、對象與對象之間的關(guān)系更加清晰，從而實現(xiàn)知識重用和知識共享.本體引入計算機科學(xué)領(lǐng)域之后，國內(nèi)外許多研究機構(gòu)對基于敘詞表的領(lǐng)域本體建構(gòu)及相關(guān)問題進行了研究，目前已經(jīng)開發(fā)了大量相對成熟的本體.[1]由于本體建構(gòu)方法和應(yīng)用領(lǐng)域的不同，這些本體在規(guī)模和復(fù)雜性上有一些差異.為了使提取出的關(guān)鍵字能反映文檔主題，劉俊等[2]提出了一種新的詞的主題特征(Topic Feature)計算方法，該方法利用主題模型中詞和主題的分布情況計算詞的主題特征和提取關(guān)鍵字；Vigneshwari S等[3]提出了一種使用基于多本體的散列法實現(xiàn)語義的社會信息檢索技術(shù).

支持本體推理規(guī)則和語義推理的工具有很多，如FACT，RACER，Jena[4]等.在本體中推理出病蟲害及其相應(yīng)的處理知識之間的關(guān)系后，可開發(fā)用于分析病蟲害產(chǎn)生原因及其影響的智能軟件.與其他的資源獲取渠道相比，本體能提供詳盡的病蟲害相關(guān)信息[5]，并幫助農(nóng)民理解專家知識，使得不同的病蟲害得到特定的防治方案，從而最低限度地減小損失.隨著時間的推移，病蟲會形成耐藥性，動態(tài)更新病蟲害知識庫十分重要.筆者擬采用自適用本體構(gòu)建方法設(shè)計一套本體知識庫系統(tǒng)，并將其命名為CitrusPestOntoGenerator.該系統(tǒng)能從對柑桔病蟲害的最新文字描述中提取關(guān)鍵字信息，并構(gòu)建相應(yīng)的本體庫，也能幫助農(nóng)業(yè)專家更新病蟲害知識庫，如加入新的病蟲害種類、實例、癥狀、原因和補救措施等.

1 構(gòu)建思路

圖1 CitrusPestOntoGenerator流程Fig. 1 Workflow of CitrusPestOntoGenerator

CitrusPestOntoGenerator的核心思想是動態(tài)構(gòu)建本體庫以支持柑桔病蟲害管理.農(nóng)業(yè)專家有很多與農(nóng)作物病蟲害管理相關(guān)的說明文件，這些文件一般都是文本格式，不能在自動化系統(tǒng)里直接使用，因此必須讓這些文本具有與本體一樣的結(jié)構(gòu).利用本體可以將柑桔病蟲害文本進行層次結(jié)構(gòu)劃分，一旦構(gòu)建好病蟲害本體，文本就可以很容易地轉(zhuǎn)化成任何語言.CitrusPestOntoGenerator的整體工作流程是如圖1所示.

圖2 CitrusPestOntoGenerator使用的本體庫基礎(chǔ)Fig. 2 Foundation Ontology Used by CitrusPestOntoGenerator

CitrusPestOntoGenerator系統(tǒng)為農(nóng)業(yè)專家提供了基礎(chǔ)本體(圖2)，筆者選擇OWL作為構(gòu)建本體的語言.由于OWL可以表征互聯(lián)網(wǎng)的信息，因此一旦柑桔病蟲害知識被存儲為OWL文檔，就可以使用網(wǎng)絡(luò)訪問，也可輕松應(yīng)用于其他任何農(nóng)業(yè)專家系統(tǒng).柑桔病蟲害基礎(chǔ)本體中的基本類別分為蟲害(Insetct Pests)、非蟲害(Non-Insect Pests)和病害(Diseases)，病害又包括真菌病(Fungal)、細菌疾病(Bacterial)和病毒(Viruses)3個子類.

2 病蟲害關(guān)鍵字提取算法

為了添加更多類別的蟲害實例和有害生物到本體庫中，農(nóng)業(yè)專家需要提供包含特定作物蟲害細節(jié)的文本語料庫.通過友好的用戶界面，農(nóng)業(yè)專家可以在文本語料庫中添加或刪除文本描述.從所有柑桔病蟲害語料庫中提取關(guān)鍵字時，首先逐個讀取文件，并應(yīng)用關(guān)鍵字提取步驟收集所有關(guān)鍵字[6-7]，然后刪除重復(fù)的關(guān)鍵字，提供最終更新的蟲害本體關(guān)鍵字列表.柑桔病蟲害關(guān)鍵字提取算法的具體流程如下所示：

輸入:柑桔病蟲害描述文件

輸出:相關(guān)關(guān)鍵字

Begin

從文件中提取文本

While

切分文本

去除停用詞

通過應(yīng)用OpenNLP POS標簽和保留POS

標簽來提取名詞和專有名詞

對所有關(guān)鍵字進行排序

將關(guān)鍵字與AGROVOC詞庫進行比較，去

除無關(guān)的關(guān)鍵字

EndWhile

移除重復(fù)關(guān)鍵字

將列表分為2個列表，一個為名詞，另一個為專

有名詞

End

使用由Java提供的StringTokenizer來提取和分割與柑桔病蟲害有關(guān)的文件.文檔中的停用詞若對本體構(gòu)建無用，則先標記出來，再將這些字詞從標記集合中刪除.關(guān)鍵字是否為停用詞通過使用頻率來確定，若使用頻率小于3，則判定其為停用詞，并將停用詞從列表中刪除.剩下的關(guān)鍵字將通過英文分詞算法被還原成英文單詞原型，如將planted還原成plant.病蟲害類以owl:class表示并保存在病蟲害本體中，它的實例以owl:individual表示.本體中的類(Class)和實例(Individual)通常是語句中的名詞和專有名詞，筆者利用這個特性，使用openNLP POS標簽來提取名詞和專有名詞.

關(guān)鍵字提取是對關(guān)鍵字進行排序且只保留排名靠前的關(guān)鍵字，這是通過使用TFIDF算法實現(xiàn)的[6].TFIDF值包括詞頻(Term Frequency，TF)和逆向文件頻率(Inverse Document Frequency，IDF)兩部分，TF表示詞條在文檔中出現(xiàn)的頻率，IDF是一個詞語普遍重要性的度量.某一特定詞語的IDF可以由總文件數(shù)目除以包含該詞語的文件數(shù)目，再對得到的商取對數(shù).這里每個關(guān)鍵字在具體病蟲害文件中的都要計算出來，然后按逆序頻率刪除關(guān)鍵字.關(guān)鍵字的TFIDF值詞頻和逆向文件頻率，列表根據(jù)TFIDF值進行排序.在CitrusPestOntoGenerator中，筆者對每個文件提取了大約100個關(guān)鍵字.

3 算法實現(xiàn)

圖3 提取柑桔病蟲害關(guān)鍵字的界面Fig. 3 Keywords Extraction

為了找到關(guān)鍵字與農(nóng)業(yè)領(lǐng)域的相關(guān)性，筆者尋找存在于農(nóng)業(yè)多語種敘詞表(AGROVOC)中的關(guān)鍵字，那些AGROVOC中不存在的關(guān)鍵字將從關(guān)鍵字列表中刪除.所有這些步驟都是重復(fù)讀取柑桔種植業(yè)專家提供的文件，再將從這些文件中收集到的關(guān)鍵字放在一起，最后準備2個關(guān)鍵字列表，一個是名詞，另一個是專有名詞.列表中的詞將按照類和實例添加到新的病蟲害本體中.提取柑桔病蟲害關(guān)鍵字的界面如圖3所示.

圖4 CitrusPestOntoGenerator對基礎(chǔ)本體庫的擴展Fig. 4 Extending of Foundation Ontology Through CitrusPestOntoGenerator

找到關(guān)鍵字后，農(nóng)業(yè)專家首先刪除無用的關(guān)鍵字，然后按照前面收集的關(guān)鍵字類和實例添加新的蟲害類型、蟲害實例和蟲害屬性，以此更新基礎(chǔ)病蟲害本體庫.CitrusPestOntoGenerator對基礎(chǔ)本體庫的擴展如圖4所示.從圖4中可以看出，本體庫增加了蟲害的子類，分別為蚜蟲(Aphid)、螨蟲(Acarid)、蚧類(Scale Insects)、潛葉蛾(Phyllocnistis Citrella)和蠅蟲(Flies).

系統(tǒng)提取的關(guān)鍵字不僅可以添加到柑桔病蟲害本體中，而且可以添加到專家自己的知識庫中.這些關(guān)鍵字被保存到單獨的關(guān)鍵字本體中，它將隨著柑桔病蟲害本體的更新而動態(tài)更新，也會和AGROVOC進行比較擴展.這使得系統(tǒng)具有健壯性，有助于提高關(guān)鍵字提取的精度.為了將信息存儲為OWL文檔，使用斯坦福大學(xué)基于Java語言開發(fā)的本體開發(fā)環(huán)境Protégé5.0，在Protégé中可以添加或刪除類、方法、實例、數(shù)據(jù)屬性和對象屬性等.筆者將蟲害類型存儲為OWL類，實例存儲為OWL個體，將癥狀、原因和補救措施存儲為OWL個體的數(shù)據(jù)屬性，并將其設(shè)置為字符格式.

4 實驗結(jié)果

采用柑桔病蟲害關(guān)鍵字提取算法對100個柑桔病蟲害文檔進行關(guān)鍵字提取，并將其中8個樣本的提取結(jié)果進行關(guān)鍵字分類，結(jié)果如表1所示.

表1 8個樣本的柑桔病蟲害關(guān)鍵字提取分類

由表1中的數(shù)據(jù)，可計算得到CitrusPestOntoGenerator系統(tǒng)關(guān)鍵字的平均提取準確率為73%.使用CitrusPestOntoGenerator系統(tǒng)生成100個本體，檢索來自每個文檔的100個關(guān)鍵字并記錄其中有用的關(guān)鍵字，實驗結(jié)果表明該自適應(yīng)算法有助于有用的關(guān)鍵字的提取.

5 結(jié)語

本體在語義網(wǎng)中扮演著重要的角色，它能很好地表示異構(gòu)數(shù)據(jù)，柑桔病蟲害本體的構(gòu)建能很好地為農(nóng)民解決問題.CitrusPestOntoGenerator系統(tǒng)使用自然語言處理技術(shù)，協(xié)助農(nóng)業(yè)專家為柑桔病蟲害分級，并確定它的類型和實例.在使用CitrusPestOntoGenerator系統(tǒng)時，農(nóng)業(yè)專家不需要理解本體，只需確認從文本中提取出來的病蟲害類型、實例、癥狀、原因及補救措施即可.CitrusPestOntoGenerator系統(tǒng)利用NLP技術(shù)和OWL表征知識的強大能力，將專家知識轉(zhuǎn)化為結(jié)構(gòu)化格式，并以各種方式向農(nóng)民提供信息.