知識網格中基于ＴＭ的知識表示技術研究

摘要：介紹了知識網格的一種主要知識表示技術--TM (Topic Map)。詳細介紹了TM主題地圖，TM的組成及它的知識表示與知識推理，并把TM與RDF(Resource Description Framework)兩種技術作了分析與比較，TM所具有的優點都使其在知識網格中可以有非常廣闊的發展空間。

關鍵詞：知識網格；語義Web；元數據；知識推理；TM

中圖分類號：TP311文獻標識碼：A文章編號：1009-3044(2008)26-1772-04

Research of the Knowledge Representation Technology Based on TM in Knowledge Grid

LIN Pei-hua， SHEN Ji-quan， LI Yue-ying

(College of Computer Science and Technology， Henan Polytechnic University， Jiaozuo 454000， China)

Abstract: In this article， we introduced one main knowledge representation technology in knowledge grid——TM (Topic Map).We detailedly introduced the Topic Map， the constitution， the knowledge representation and knowledge inference of the TM. We analyzed and compared the two technologies between TM and RDF(Resource Description Framework)，all of the advantages of TM make it own wide spaces of development in knowledge grid.

Key words: knowledge grid; semantic web; metadata; knowledge inference;TM

1 引言

Fran Berman較早提出知識網格（Knowledge Grid簡稱KG）的概念，指出知識網格的主要研究內容是：利用網格、數據挖掘、推理等技術從大量在線數據集中抽取合成知識使搜索引擎能夠智能地進行推理和回答問題，并從大量數據中得出結論[1]。諸葛海教授認為[2]：“知識網格是一個智能互聯環境，它能使用戶或虛擬角色有效地獲取、發布、共享和管理知識資源，并為用戶和其他服務提供所需要的知識服務，輔助實現知識創新、協同工作、問題解決和決策支持。它包含了反映人類認知特性的認識論和本體論；運用社會、生態和經濟學原理；采納下一代互聯網所使用的技術和標準。”

知識是知識網格實現知識服務的基礎，因此知識網格中的核心是如何表示和處理知識。而知識表示(Knowledge Representation， 簡稱KR)則是知識網格建設中首先要解決的關鍵技術，只有實現了形式化的、有效的、無二義的知識表示，才可以在此基礎上實現知識的共享和管理，并通過后臺推理與解釋機制提供所需的知識服務。知識表示就是將有關領域的知識和專家的經驗知識表示為計算機可以識別的記號。目前，用來表示知識的技術很多，如語義網SN、資源定義框架RDF、概念圖CG、主題地圖TM等等[3]，它們都有自己的側重點。

在語義Web(Semantic Web) 體系中，基于元數據(Metadata)對網絡數據進行結構化表示是網絡數據語義表示的基礎，提供基于本體(Ontology) 的領域知識描述和推理機制是實現知識處理和知識交換的必要手段[4]。當前， 研究比較廣泛的語義Web框架是: 以RDF作為元數據描述語言， 以OWL (Web本體語言) 作為本體描述層提供知識表示和邏輯推理。本文介紹了以TM作為Web信息的元數據和本體描述語言， 研究Web信息的知識表示與應用的實現。

2 基于TM 的知識表示技術

TM是用以描述知識結構并將其與信息資源相聯系的ISO標準，它能在任何類型的資源上建立有價值的信息網絡[5]，它可以方便地將某一資源提供的知識轉換成在別處也可使用的形式，以支持異構系統間的知識共享[6]。

2.1 TM 主題地圖

主題地圖就是一個由“主題Topic”(論題或術語的名稱)、“關聯association”(參看， 參考)以及主題的“出現occurrence”(頁碼、或者位置描述)[7]組成的集合體(TAO)，能夠滿足更加廣闊的數字信息領域的需要。

2.2 TM 的組成

TM由以下幾部分組成：

1）要討論的專家知識：所涉及到的概念或者實體。 這是設計一個主題地圖首先應該明確并規劃的內容， 與本體描述中的領域術語相對應 XTM 中用< topicMap > 來標記整個主題地圖討論的問題，用 來表示要涉及的那些概念和實體。

2）對主題屬性的描述：一個Topic的描述申明是通過它的屬性描述實現的， Topic 的屬性主要包括以下幾個方面:

①Topic Type: 任何Topic 都是0個或多個其它Topic 的實例( instance) ， 這一特征描述了現實世界中固有的分類繼承關系。

②Topic Name: 通常每個Topic 都有一個確切的名稱， 用BaseName 來定義， XTM 還提供了Variants 根據不同的語境定義不同的名稱。

③此外，與Topic 對應的Occurrence 以及其在某個關聯(association) 中所扮演的角色( role)也是它的相關屬性。

3）確定主題間的關聯描述：單個的Topic描述無法構成一個Map， Association 是構建一個真正有用的知識地圖的關鍵。 在一個Association 中Topics 所扮演的關聯角色， 是實現知識表達和推理的關鍵。

4）確定相關資源描述：資源描述和定位是TM在語義Web系統的最終目的，與前面的Topic以及其屬性的描述相結合，Occurrence 可以實現對所有網絡資源進行有效的結構化編碼并與實際資源對應， 完成系統資源的組織。

5）確定語境：對一個主題地圖中所論及的內容，不是所有人對所有內容都感興趣，在某些應用領域也存在一定的訪問權限設定的要求。為此， 在構建主題地圖過程中， 就應該標出對某個topic 或者資源(occurrence)以及關聯等進行討論時所處的語境。XTM 用來確定語境范疇，在主題地圖中幾乎所有對象(topic、baseName、occurrence等)都可以指派語境，對于沒有指派scope 的對象我們稱其為非約束性的，它對任何的語境都是有效的，對于被指派了scope的對象，它只在特定語境是有效的。

完整描述整個主題地圖的過程，就是構建和描述特定的領域知識框架、構建信息與知識橋梁的過程。

2.3 TM的知識表示與知識推理

知識表示領域的核心是解決如何進行信息的編碼并以推理計算模型加以利用。有專家認為KR由3個主要部分組成：邏輯、本體和計算[8]。邏輯提供了通過邏輯運算從現有知識演繹出新的邏輯描述的功能； 計算則是指確定一個描述是否能夠從給定描述演繹得出的過程。Ontology本體是自然事物及其關系的研究， 在KR中又被稱為形式化本體和計算本體，是某個領域事物的符號描述， 方便知識共享和重用的實現。它被認為是語義Web 體系中最為關鍵的部分。TM可以作為本體描述語言，進行領域知識描述， 要完成真正意義的知識表示， 我們還必須討論和實現如何將TM轉化為形式化邏輯知識描述，并進行相應的演繹計算。

2.3.1 基于TM 的知識推理

邏輯知識表示的最終目的就是知識推理和演繹計算。TM可以與一階邏輯系統及其子系統建立良好的對應關系。這里針對基于Horn邏輯的TM 知識推理進行演示，說明基于TM的子句歸結演繹推理模式[9]。首先簡單說明Horn子句集合的三個部分以及與TM 的對應關系:

1）規則：它是形如B ←A 1， A 2， …， A n 的蘊涵式，與TM中得到的公理系統相對應。

2）斷言：它是形如B←的正單位子句，與TM 映射的所有不含個體變元的謂詞公式相對應。

3）目標子句：它是形如←A 1， A 2，…， A n 的無結論蘊涵式， 與TM 查詢目標相對應。

在應用過程中，我們首先通過TM 的XML文檔解析獲取所有知識原語(即最小知識單元)，

構成斷言集合，并通過語法構成模式構建完備的公理系統。 然后，將一個查詢請求轉化為一組目標子句，與前面的知識與公理構成一個Horn 子句集合，并基于該子句集合進行歸結， 獲得所有可以滿足的目標子句， 即查詢結果。

下面通過實例1來說明基于Horn邏輯的TM知識推理過程。

一般地，在一個標準的XML文檔中首先要加入一個＜TopicMap＞標簽，以表明這是一個主題圖文檔。下面是一個主題圖的XTM語法的基本框架：

＜?xml version=“1.0”encoding=“ISO-8859-1”?＞

＜topicMap xmlns=“http://www.topicmaps.org/xtm/1.0/”

xmlns:xlinR=“http://www.w3.org/1999/xlink”＞

＜/topicMap＞

TM上的很多實際工作都是構建在XML工具之上的，實例1是從XTM規范中所帶的例子里截取的一小段代碼。

實例1：莎士比亞及其著作的主題圖節選。

＜topic id=“shakespeare”＞

＜instanceOf＞＜topicRef xlink:href=“#author”/＞＜/instanceOf＞

＜baseName＞

＜baseNameString＞William Shakespeare＜/baseNameString＞

＜/baseName＞

＜/topic＞

＜topic id=\"hamlet\"＞

＜instanceOf＞＜topicRef xlink:href=“#play”/＞＜/instanceOf＞

＜baseName＞

＜baseNameString＞Hamlet， Prince of Denmark＜/baseNameString＞

＜/baseName＞

＜occurrence＞

＜instanceOf＞

＜topicRef xlink:href=“#plain-text-format”/＞

＜/instanceOf＞

＜resourceRef

xlink:href=“ftp://www.gutenberg.org/pub/gutenberg/etext97/1ws2610.txt”/＞

＜/occurrence＞

＜/topic＞

＜topic id=“written-by”＞

＜baseName＞

＜baseNameString＞written by＜/baseNameString＞

＜/baseName＞

＜/topic＞

＜association＞

＜instanceOf＞＜topicRef xlink:href=“#written-by”/＞＜/instanceOf＞

＜member＞

＜roleSpec＞＜topicRef xlink:href=“#author”/＞＜/roleSpec＞

＜topicRef xlink:href=“#shakespeare”/＞

＜/member＞

＜member＞

＜roleSpec＞＜topicRef xlink:href=“#play”/＞＜/roleSpec＞

＜topicRef xlink:href=“#hamlet”/＞

＜/member＞

＜/association＞

我們首先通過實例1所示的XML文檔得到如下斷言集合：

AsRole(“shakespeare”，author，written-by).

AsRole(“hamlet”，play，written-by).

IS_A(“hamlet”，play).

IS_A(“shakespeare”，author).

Written-by(play，author).

在Horn邏輯中我們可以這樣形式化的定義一個規則：

Written-by(book1，person1) :-

AsRole(person1，author，written-by)，AsRole(book1，play，written-by)，IS_A(book1，play)，IS_A(person1，author)，Written-by(play，author).

通過斷言和規則我們可以構造一個小的公理系統：

AsRole(“shakespeare”，author，written-by).

AsRole(“hamlet”，play，written-by).

IS_A(“hamlet”，play).

IS_A(“shakespeare”，author).

Written-by(play，author).

Written-by(book1，person1) :-

AsRole(person1，author，written-by)，AsRole(book1，play，written-by)，IS_A(book1，play)，IS_A(person1，author)，Written-by(play，author).

然后我們可以提出這樣一些問題：劇本“hamlet”是由作家“shakespeare”所作嗎？劇本“hamlet”是誰寫的？作家“shakespeare”寫過哪些作品？

這些問題形式化之后可以表示為下面一組目標子句：

?- Written-by(“hamlet”，“shakespeare”).

?- Written-by(“hamlet”，X).

?- Written-by(X，“shakespeare”).

這些目標子句與前面的公理系統構成一個Horn子句集合，從而獲得查詢結果。

3 TM與RDF的比較

TM與RDF都是信息管理元數據模型，但兩者有一些區別。RDF描述網絡資源主要為了實現機器間的互操作和交流，實現比較復雜；而主題地圖主要是從人的角度來實現信息管理，操縱傳統的搜索引擎，在信息空間向人們提供直覺導航，易于被人理解和操作。

RDF與TM的中心概念是相似的，即它們都有所要表示的事物，但是它們在如何賦于這些事物特征方面有著完全不同的概念，而且在確定這些特性上的思想也是不同的。在RDF的聲明中，是用(subject， property， object)形式來表示的，而且這是唯一的分配特性的方式，而在TM中主題屬性是由names， occurrences， 以及在associations中的role來表示的。

TM與RDF都有聲明事物之間關系的機制，但是這兩種機制有非常大的不同，最明顯的是表示結構方面的不同，RDF是把一個事物與另一個事物聯系起來，而TM能夠把任何數目的事物聯系起來，而且能夠在它們之間的關系中清楚的表示出每個事物的包含關系。在RDF中實現這個功能在概念化和執行方面都需要再做額外的工作。另一個不同是TM中關系所固有的雙向性。而在RDF中雖然能夠將關系來回移動，而且能夠指定反轉的屬性，但是這并不是RDF中關系表示方式所固有的性質。簡言之，在TM中可以很清楚的知道哪些是關系哪些不是，所有的關系都是雙向的，而且更容易去表示復雜的關系。

在表示事物的屬性方面，TM又比RDF更勝一籌，而且可以包含更多的外在的語義。也就是說由于一些工作在標準中已經完成了，所以對于TM來說不僅更容易開發通用軟件而且TM的應用的概念化也更容易實現。

RDF中沒有上下文的概念，雖然通過引進匿名資源在屬性分配中上下文信息可以被附到分配中，但是這樣做顯得缺乏靈活性。在TM中上下文即是scopes（語境范疇）。所以在上下文領域TM和RDF的主要不同是上下文在TM中更容易表示，而且通用軟件可以知道上下文在每個應用中是如何表示的。

在RDF中是用資源的URI來識別的。在TM中，主題都有一個指向主題資源的URI，而且可能會有任意數目的URI來指向資源以此來解釋主題。

從實際意義上來說所有這些原因都使RDF必然比TM層次級別要低，如果不知道一定范圍的知識就不可能很好地使用RDF模式，而對于TM來說這是可能的，因為它有更高的提取信息的水平。資源層和提取出的知識層之間的分離使得TM的性能比語義網更勝一籌。與RDF 相比，TM 是真正的面向本體的知識模型， TM 在語義上的表現力是RDF無法包容代替的。

4 結束語

TM 固有的導航功能以及其在信息與知識之間的橋梁作用決定了它廣泛的應用范疇，但是它的一個最主要的應用是解決了信息的查找定位問題，也就是說如何在大量的信息中找到你所需要的信息。TM被描述作為語義網的可行技術，是網絡信息結構化語義表示的一種新嘗試。本文探討了知識網格中TM 的知識表示以及推理的轉化和實現機制，并與RDF作了比較，如上所述，它所具有的優點都使TM 的知識表示技術在知識網格中可以有非常廣闊的發展空間，但是不可否認的是，RDF是目前研究比較廣泛的一種知識表示技術，在接下來的研究中我們可以進一步探討如何拓展TM的知識表示能力及TM能否與RDF技術相結合，從而實現一種更加強大的知識表示技術。

參考文獻：

[1] Berman F.From teraGrid to Knowledge Grid[J].Commun ACM，2001，44(11):27-28.

[2] Zhu G H.China's E-Science Knowledge Grid Environment[J].IEEE Intelligent System，2004，19(1):13-17.

[3] Sheila A M， Ilraith C， Zeng H L， et al.Semantic web services[J]. IEEE Intelligent Systems，2001，(15):46-53.

[4] BiezunskiM ， New comb SR. XML topic maps: finding aids for the web[J]. IEEE Mult-imedia， 2001， 8: 104-108.

[5] Sow a J F. Knowledge representation: logical， philosophical， and computational foundations [M].California: Pacific Grove， 2000.

[6] Nilsson N J. 人工智能[M]. 鄭扣根，譯.北京:機械工業出版社，2000.

[7] 劉毅志，劉建勛.知識網格研究[J].湘潭師范學院學報（自然科學版），2006，28(2):13-14.

[8] 李玲，唐勝群.知識網格中基于RDF的知識表示技術和應用[J].計算機應用研究，2005，(12):223-229.

[9] 戴鋒.基于Topic Map的知識表示技術研究[J].中南民族大學學報（自然科學版），2004，23(1):84-87.

10] 吳江，趙宗濤，張佩云.基于TMS的信息資源分類與檢索方法研究[J].計算機應用與軟件，2005，22(9):33-35.

[11] 劉茜萍，竇萬春，蔡士杰，等.知識網格環境下基于TMs的協同認知[J].計算機科學，2006，(33)5:222-226.