一種從自然語言文本到本體模型的轉(zhuǎn)換方法

彭 靜 羅 偉

遼寧裝備制造職業(yè)技術(shù)學(xué)院（沈陽 110161）

一種從自然語言文本到本體模型的轉(zhuǎn)換方法

彭 靜 羅 偉

遼寧裝備制造職業(yè)技術(shù)學(xué)院（沈陽 110161）

如何利用本體將內(nèi)容所蘊(yùn)涵的語義進(jìn)行形式化與規(guī)范化描述是一項(xiàng)艱巨的任務(wù)。本體通常用來描述內(nèi)容的語義，以實(shí)現(xiàn)基于語義的內(nèi)容共享和集成。然而，手工構(gòu)建本體通常耗費(fèi)巨大，因此，有必要研究基于非結(jié)構(gòu)化數(shù)據(jù)的本體學(xué)習(xí)技術(shù)。提出了從自然語言文本中學(xué)習(xí)本體的方法，定義了自然語言數(shù)據(jù)源到本體的映射規(guī)則并與現(xiàn)有方法進(jìn)行了詳細(xì)的比較，同時(shí)給出了應(yīng)用實(shí)例及原型實(shí)現(xiàn)。分析表明，本文提出的方法在映射的完整性及正確性方面有較大提高。

本體 自然語言

本體學(xué)習(xí)（ontology learning）方法主要可以歸為三類：手工的、半自動(dòng)化、全自動(dòng)化的方法。目前存在的本體構(gòu)造方法多是手工的，需要領(lǐng)域?qū)＜业膮⑴c，在面對海量的內(nèi)容時(shí)，手工方法費(fèi)時(shí)、費(fèi)力，而完全自動(dòng)化的方法也不現(xiàn)實(shí)，因此，如何利用機(jī)器學(xué)習(xí)或統(tǒng)計(jì)等知識獲取技術(shù)自動(dòng)半自動(dòng)化的從已有的數(shù)據(jù)資源中獲取期望的本體，以降低本體構(gòu)建的開銷是一個(gè)迫切需要解決的問題。本文主要研究如何從非結(jié)構(gòu)化（主要指自然語言文本）數(shù)據(jù)源獲取期望的本體。

1 概述

自然語言文本是Web中大量存在的一類非結(jié)構(gòu)化數(shù)據(jù)，因此，有必要從該類數(shù)據(jù)源中學(xué)習(xí)本體。依據(jù)文獻(xiàn)，本體概念的獲取方法主要有3類：基于語言學(xué)方法，基于統(tǒng)計(jì)學(xué)方法和混合方法。對于概念關(guān)系的獲取，有基于模板的方法、基于概念聚類的方法、基于關(guān)聯(lián)規(guī)則的方法、基于詞典的方法和以上方法的混合。本文提出的方法是半自動(dòng)化的，需要人工的參與。首先，借助于特定領(lǐng)域的核心本體與WordNet詞典，挖掘出文本中包含的與該本體概念在語義上相近的概念以及頻繁項(xiàng)集作為侯選概念，在人工參與下將侯選概念補(bǔ)充到核心本體中；然后挖掘與全部概念相關(guān)的關(guān)聯(lián)規(guī)則，利用該關(guān)聯(lián)規(guī)則形成概念間的侯選關(guān)系與實(shí)例，最終判定由用戶來決定。

2 自然語言文本到本體模型的轉(zhuǎn)換

借助特定領(lǐng)域的核心本體與WordNet，挖掘文本包含的與該本體概念在語義上相近的概念及頻繁項(xiàng)集作為侯選概念，在人工參與下將侯選概念補(bǔ)充到核心本體中，步驟如圖1所示。

圖1 相關(guān)概念的獲取流程

“拆詞”：從核心本體概念的標(biāo)識，獲取與概念相關(guān)的詞或詞組。

“去頻繁項(xiàng)”：將頻繁出現(xiàn)并含有較少語義信息并的詞從“拆詞”獲得的詞集中去除。

“切詞與標(biāo)詞”：獲得輸入詞的詞根及詞性。本文采用Porter Stemming 算法完成“切詞”步驟，采用QTAG算法完成“標(biāo)詞”步驟。

“同義詞集”：借助WordNet，獲得單詞的同義詞集合，繼而獲得單詞的語義鏈（Semantic Chain），然后將語義鏈轉(zhuǎn)化為向量表示。

“矢量化”：借助WordNet，用向量表示獲得輸入文本中單詞的語義鏈，將向量進(jìn)行標(biāo)準(zhǔn)化，即為每個(gè)分量計(jì)算權(quán)重。權(quán)重的計(jì)算采用TF*IDF規(guī)則產(chǎn)生，TF（term frequency）表示詞頻，IDF（inverse document frequency）表示逆文檔頻率，權(quán)重計(jì)算公式如下：

wi,j表示詞ti在向量dj中的權(quán)重，fi,j為詞ti在向量dj中的詞頻，N為向量總數(shù)，ni為包含詞ti的向量數(shù)目，分母為歸一化因子。

“匹配”：利用VSM方法，通過向量間的夾角余弦衡量單詞的相似程度，計(jì)算公式如下：

根據(jù)結(jié)果選出與核心本體中概念相關(guān)的單詞和句子。

用戶從上述步驟得出的相關(guān)單詞和句子中選擇新的概念標(biāo)識充實(shí)到核心本體，得到與特定文本相關(guān)的本體。采用關(guān)聯(lián)規(guī)則挖掘算法，形成概念間的侯選關(guān)系與實(shí)例并添加到本體中。

給出從文本數(shù)據(jù)源生成本體的例子。采用清華大學(xué)的travelontology.owl作為旅游領(lǐng)域的核心本體，導(dǎo)入一篇桂林旅游的自然語言文本。圖2顯示了導(dǎo)入系統(tǒng)后的本體，可以進(jìn)行概念及概念間關(guān)系、屬性、實(shí)例的編輯添加，以充實(shí)核心本體，生成與導(dǎo)入內(nèi)容相關(guān)的本體。

3 本體編輯及一致性檢驗(yàn)

本文研發(fā)的管理系統(tǒng)支持由數(shù)據(jù)庫、XML內(nèi)容、自然語言文本到本體的轉(zhuǎn)換，及現(xiàn)有本體的導(dǎo)入，形成基于本體的知識庫。另外，內(nèi)容管理系統(tǒng)提供本體的編輯及一致性檢驗(yàn)功能，以消解可能的語義沖突。

圖2 自然語言文本到本體的導(dǎo)入

4 結(jié)語

討論了自然語言數(shù)據(jù)源到本體的轉(zhuǎn)換，并與現(xiàn)有工作進(jìn)行了詳細(xì)的比較，在此基礎(chǔ)之上開發(fā)了內(nèi)容管理系統(tǒng)，實(shí)現(xiàn)了本體編輯和數(shù)據(jù)一致性檢驗(yàn)，為實(shí)現(xiàn)面向語義的內(nèi)容搜索奠定了基礎(chǔ)。

[1]杜小勇等.本體學(xué)習(xí)研究綜述.軟件學(xué)報(bào),2006（9）.

[2]Lawrence S, Giles CL. Searching the World Wide Web. Science, 1998,280（5360）:98?100.

[3]Alexander Maedche, Steffen Staab.Mining Ontologies from Text. In:Proc. Of th EKAW2000,LNAI1937.pp:18 9-202.2000.

[4]Felbaum.WordNet:an Electronic Lexical Database.MIT Press,Cambridge,Massachusetts,1998

[5]張劍,李春平.基于Word Net概念向量空間模型的文本分類.計(jì)算機(jī)工程與應(yīng)用,2006（14）.

齊婷婷）