基于圖數(shù)據(jù)庫的閱讀行為知識圖譜構(gòu)建研究

陳光儀，陳義明，吳小慧

（湖南農(nóng)業(yè)大學(xué)信息與智能科學(xué)技術(shù)學(xué)院，長沙 410128）

0 引言

語義網(wǎng)絡(luò)作為人工智能的重要應(yīng)用領(lǐng)域之一，可以給用戶提供一個更加準(zhǔn)確、更加智能的知識獲取環(huán)境。而知識圖譜是實現(xiàn)語義網(wǎng)絡(luò)的技術(shù)基礎(chǔ)，是通向語義網(wǎng)絡(luò)環(huán)境的鮮明道路。在智慧學(xué)習(xí)的大環(huán)境下，疊加近年來新冠疫情的防控需求，在線閱讀已越來越多地成為廣大讀者的首選閱讀方式。如果能夠有效獲取讀者的閱讀行為并構(gòu)建對應(yīng)的知識圖譜，對于圖書館而言，可以及時了解其在閱讀過程中的實際需求，繼而進(jìn)行針對性的閱讀指導(dǎo)并為讀者推薦個性化的閱讀內(nèi)容；對于出版商而言，可以及時調(diào)整、改進(jìn)電子出版物的內(nèi)容編排及后續(xù)再版工作，以更好地適應(yīng)目標(biāo)讀者群體的實際需求。因而，此項研究工作對于進(jìn)一步提升讀者的閱讀學(xué)習(xí)效果，完善圖書館的智慧化閱讀服務(wù)，推動促進(jìn)全社會形成良好的智慧學(xué)習(xí)環(huán)境大有裨益。

1 知識圖譜構(gòu)建技術(shù)

構(gòu)建知識圖譜有自頂向下和自底向上兩種方式。前者通常是指基于百科類網(wǎng)站等高質(zhì)量的結(jié)構(gòu)化數(shù)據(jù)源，從中提取本體和模式信息后再加入到知識庫中，因而適用于那些內(nèi)容明確、關(guān)系清晰的領(lǐng)域知識圖譜構(gòu)建；而后者是指通過借助特定的技術(shù)手段從公開采集的數(shù)據(jù)中提取模式信息，選擇其中置信度較高的新模式，經(jīng)人工審核后再加入到知識庫中。目前大部分知識圖譜的構(gòu)建都采用自底向上的方式，其層次架構(gòu)按照知識獲取的過程可分為信息抽取、知識融合和知識加工。

信息抽取是指從多源異構(gòu)的數(shù)據(jù)源中提取出實體、屬性以及實體之間的關(guān)系，在此基礎(chǔ)上形成本體化的知識表達(dá)，它是知識圖譜構(gòu)建技術(shù)的關(guān)鍵。早期信息抽取主要是基于預(yù)定規(guī)則的抽取技術(shù)，工作量龐大且僅適用于特定的專業(yè)領(lǐng)域，后來人們開始嘗試使用統(tǒng)計機器學(xué)習(xí)的方法，通過標(biāo)注部分?jǐn)?shù)據(jù)得到訓(xùn)練集，在此基礎(chǔ)上再使用均方根誤差算法（root mean squared error,RMSE）或多項式回歸算法（polynomial regression,PR）等有監(jiān)督學(xué)習(xí)算法識別命名實體。

從開放領(lǐng)域中抽取信息所得到的結(jié)果，可能具有較高的數(shù)據(jù)冗余度且包含大量錯誤內(nèi)容，數(shù)據(jù)內(nèi)在的層次性和邏輯性也缺失嚴(yán)重，這就需要通過有效的知識融合技術(shù)來清洗并整合數(shù)據(jù)，主要工作包括實體對齊和知識合并等。

經(jīng)過融合處理后，所得到的數(shù)據(jù)、信息或事實表達(dá)還必須經(jīng)過進(jìn)一步的知識加工才能形成最終結(jié)構(gòu)化、網(wǎng)絡(luò)化的知識體系。此過程中涉及的主要技術(shù)包括本體構(gòu)建、知識推理和質(zhì)量評估。

上述層次架構(gòu)可用圖1所示的模型來表示。

圖1 自底向上構(gòu)建知識圖譜的層次架構(gòu)

2 閱讀行為知識圖譜構(gòu)建

就本文所研究的讀者閱讀行為知識圖譜構(gòu)建而言，采用自底向上的方法更為合適。這種方法將知識圖譜的構(gòu)建過程分為四步：知識獲取、知識表示、知識存儲和知識可視化錯誤!未找到引用源。。

結(jié)合項目的實際需求，本文設(shè)計出閱讀行為知識圖譜構(gòu)建系統(tǒng)的實現(xiàn)流程如下：首先從存檔的電子出版物中抽取出讀者的閱讀行為數(shù)據(jù)，然后對數(shù)據(jù)進(jìn)行清洗并進(jìn)行格式調(diào)整，再將數(shù)據(jù)加載到圖數(shù)據(jù)庫中，創(chuàng)建知識節(jié)點及節(jié)點之間的關(guān)系以得到完整的知識圖譜，最后使用圖數(shù)據(jù)庫操縱語言對知識進(jìn)行查詢推理，并將結(jié)果可視化地呈現(xiàn)在頁面上。完整流程如圖2所示。

圖2 閱讀行為知識圖譜構(gòu)建流程

2.1 知識獲取

構(gòu)建知識圖譜的首要任務(wù)是獲取知識。從各種類型的數(shù)據(jù)源中提取出實體（概念）、屬性以及實體之間的相互關(guān)系，在此基礎(chǔ)上形成本體化的知識表達(dá)。

本文構(gòu)建閱讀行為知識圖譜所需的數(shù)據(jù)主要來源于讀者在閱讀過程中所生成的各種標(biāo)注和注釋信息，這是一種簡明且方便獲取的、用以了解讀者閱讀行為的數(shù)據(jù)。讀者在閱讀電子出版物的過程中，會隨手在文檔中添加一些附注、標(biāo)記和注釋信息，這些信息真實準(zhǔn)確地反映了讀者個人的閱讀習(xí)慣，及其對所閱讀內(nèi)容的認(rèn)識、理解和掌握程度。為保證數(shù)據(jù)來源的隨機性和真實性，本文收集整理了數(shù)十位學(xué)生讀者在閱讀不同類型電子出版物后所形成的文檔材料，編寫程序自動提取出其中所包含的讀者閱讀行為數(shù)據(jù)。部分原始數(shù)據(jù)如圖3所示。

圖3 閱讀行為原始數(shù)據(jù)局部

2.2 知識表示

自動提取的原始數(shù)據(jù)中往往會包含一些信息噪音。因而本文設(shè)計了專門的數(shù)據(jù)清

洗程序以去除其中的噪音，然后再將數(shù)據(jù)格式化為知識表示的形式。具體過程為：

（1）首次清洗。構(gòu)造如下正則表達(dá)式，對抽取的數(shù)據(jù)進(jìn)行完整清洗，去除價值密度低的數(shù)據(jù)，保留重要的標(biāo)記注釋文本、生成時間和創(chuàng)建位置等內(nèi)容。

（2）再次清洗。將元組轉(zhuǎn)換為列表數(shù)據(jù)，構(gòu)造正則表達(dá)式，采用循環(huán)掃描的方式對數(shù)據(jù)進(jìn)行再次清洗。其中的少部分?jǐn)?shù)據(jù)可能發(fā)生錯置現(xiàn)象，需要抽取相應(yīng)數(shù)據(jù)并重載至正確位置。

（3）格式化數(shù)據(jù)。構(gòu)造正則表達(dá)式，整理清洗后的數(shù)據(jù)，對它們進(jìn)行適當(dāng)?shù)那蟹趾秃喜ⅲ詈髮⑺袛?shù)據(jù)格式化為知識表示的形式。

2.3 知識存儲

關(guān)系型數(shù)據(jù)庫在結(jié)構(gòu)化數(shù)據(jù)的存儲和處理方面擁有絕對優(yōu)勢，但對知識存儲及語義檢索的支持卻不夠友好。而以圖論為基礎(chǔ)的圖數(shù)據(jù)庫在這些方面卻恰好擁有與生俱來的長處，尤其在保持?jǐn)?shù)據(jù)語義及處理復(fù)雜關(guān)系等方面，圖數(shù)據(jù)庫明顯優(yōu)于關(guān)系型數(shù)據(jù)庫。目前在學(xué)術(shù)研究和商業(yè)領(lǐng)域，主要的圖數(shù)據(jù)庫產(chǎn)品包括ArangoDB、FlockDB和Neo4j等。根 據(jù)DBEngine排名，其中最為活躍的當(dāng)屬開源產(chǎn)品Neo4j，它不僅支持嚴(yán)格的事務(wù)處理，還提供強大的圖搜索能力和極好的橫向擴展能力。

本文通過編寫程序，實現(xiàn)了將格式化后的讀者閱讀行為數(shù)據(jù)自動加載到Neo4j圖數(shù)據(jù)庫中的功能。程序能根據(jù)格式化數(shù)據(jù)的結(jié)構(gòu)創(chuàng)建相應(yīng)節(jié)點，添加屬性并標(biāo)注關(guān)系，自動完成知識圖譜的存儲和構(gòu)建。

2.4 知識可視化

Neo4j數(shù)據(jù)庫支持強大的圖操縱語言Cypher，可以快捷高效地實現(xiàn)知識圖譜的查詢和推理。在配置好所需模塊后，調(diào)用瀏覽器打開圖數(shù)據(jù)庫，輸入相應(yīng)Cypher命令便能查詢所需內(nèi)容并將結(jié)果可視化呈現(xiàn)在頁面上。本文所創(chuàng)建的讀者閱讀行為知識圖譜的部分查詢結(jié)果如圖4所示。

圖4 讀者閱讀行為知識圖譜局部

3 結(jié)語

本文介紹了讀者閱讀行為知識圖譜的完整構(gòu)建過程，設(shè)計并實現(xiàn)了一個自動化的開放知識圖譜構(gòu)建系統(tǒng)。測試結(jié)果表明：本文所得成果能正確高效地實現(xiàn)對讀者閱讀行為數(shù)據(jù)的自動提取、清洗、篩選和格式化，并能在此基礎(chǔ)上將融合后的數(shù)據(jù)表達(dá)為知識再存儲到圖數(shù)據(jù)庫中。后續(xù)研究工作重點在于：一方面對獲取的閱讀行為數(shù)據(jù)和讀者閱讀習(xí)慣、閱讀情感之間的關(guān)聯(lián)性進(jìn)行深入研究；另一方面對如何將所構(gòu)建的知識圖譜用于幫助圖書館提供更好的智慧閱讀服務(wù)進(jìn)行分析。作者將從這兩個方面著手，扎實開展后期的理論研究和實踐創(chuàng)新工作，以期取得更有價值的成果，為推動全社會形成良好的智慧學(xué)習(xí)環(huán)境添磚加瓦。