基于ontology的智能答疑系統的研究

李立,管燕

(1.安慶廣播電視大學,安徽安慶246003;2.連云港高等師范專科學院,江蘇連云港222006)

課程答疑系統能夠在一定程度上跨越時空的局限性,及時解答學生的疑難問題,消除學生的學習障礙,加強遠程教育中師生的交流。目前國內具有智能性的網上答疑系統比較少,大多數采用電子郵件、留言板、聊天室、語音會議系統等基于網絡的人際交互方式實現人工答疑。同時也出現了一些結合基于數據庫的自動答疑系統,但這些系統一般智能性不強,準確性不高,答疑很難做到廣泛的知識共享。設計一個反饋及時、答疑智能、知識共享、回答準確的網絡答疑系統,解決實踐中所提出的問題,已經成為網絡教育中要解決的一個重要課題。

本文提出的基于ontology的智能答疑系統模型,以《大學計算機信息技術》課程為例,構建該課程的部分領域本體,在自然語言提問的語義理解上,深入到領域內部結合本體與自然語言處理技術,設計基于ontology的智能答疑系統。

1 ontology答疑系統模型

基于ontology的智能答疑系統模型,用戶用自然語言提出問題,先在FAQ庫中匹配答案。如果有,將結果返回。否則,進入知識庫進行檢索,該模塊主要包括問句分析、查詢產生和知識查詢三個組件,通過這三個組件與領域本體庫和語義知識庫進行交互,從中提取答案,反饋給用戶。如果沒有將返回,答案不滿意,則等待人工答疑。

2 系統的主要技術實現

2.1 構建領域本體

領域本體是專業性的本體,可以幫助教學專家建立人性化的知識答疑管理系統與方法,提高教學水平,使答疑系統中的知識和人類用自然方式表達的信息可以相互轉換,使答疑系統更加符合學習者的需要[1]。目前構建本體還沒有公認的建模標準,通常都按照具體領域的應用需求,確定自己的原則、標準和定義。現在較為流行的有兩種主要的構建領域本體的方法：(1)在領域專家的幫助下用本體描述語言將本體描述出來。(2)從結構化的數據或文本中學習和抽取(發現)概念,構建領域本體。

在本系統中,將這兩種方法相結合,首先采用基于文本解析和語義關聯分析的方法從文本中抽取和學習概念和概念間關系,得到本體的原型,即本體學習;領域專家或用戶可以通過本體編輯器修改本體原型以達到滿意的程度。具體步驟如下：

合理界定本體的領域和范圍。課程領域本體可依據已有的教學大綱較準確地確定其范圍。如《大學計算機信息技術教程》,內容主要包括計算機組成原理、計算機軟件、計算機網絡、數字媒體、信息系統等。

確定本體中的類和實例。類是具有類似性質的所有個體的抽象,個體稱為類的實例。

根據繼承關系建立類之間的層次結構。具體的方法有三種：自頂向下法、自向上法、綜合法。

給各個類定義合適的槽。槽是類和實例的描述符。用以描述對象的一種屬性,或與其他對象的關系。

建立公理庫。在定義了以上各元素之后,用公理來解釋這些元素并表示它們之間的關聯和約束。

描述類中的實例。同一個類中的實例盡管使用相同的槽,但是槽值各不相同,根據描述的實例來最終確定槽值。

以Protégé_3.2作為表示本體內部概念關系的繪圖工具。

在整個過程中,最重要的是確定核心概念及其關系。要進行領域本體的構建首先要確定領域中的關鍵概念。確定上位概念、較為顯著的概念和常用概念,以建立核心概念集,進而確定本體中的類。

整理出核心概念后,要進一步明確這些核心概念的定義和他們之間的關系。本系統對《大學計算機信息技術教程》的218個常見問題進行分析,發現這些問題中的概念主要存在以下8種關系。因此在遵循本體建立準則[2]的基礎上,采用自頂向下法,采用8種概念關系,按章構建課程知識本體。概念由11元屬性描述[3]：C=(n,f,pa, ki,in,at,sy,cop,af,be,conv)。

其中,n表示概念C的名稱;f表示概念C的標識碼;pa表示概念C的部分概念;ki表示概念C的類屬概念;in表示概念C的實例概念;at表示概念C的屬性概念;sy表示概念C的同義概念;cop表示與概念C比較;af表示概念C的后序概念;be表示概念C的前序概念;conv表示概念C轉換成另一概念。

作為領域知識的一種模型,領域本體需要不斷的改進才能接近人對客觀世界的認識。沒有哪一個時刻的本體是完善的。因此,本體庫需要在系統的使用過程中不斷地加以完善和維護。

2.2 問題模式化

在智能答疑系統中,首先需要對學生所提出的問題進行分析處理。對于同一個問題,學生可能有多種提問方式。因此,需要對這種一個問題多種提問方式的情況進行分析,以便能夠得到一個統一的表示方式,即問題模式。

在本系統中由于使用本體,涉及關系為類、屬性、實例以及它們之間關系,通過問題模式化可以提供對以下三類問題的識別支持：(1)求類或實例的描述問題。如：“什么是存儲器?”。(2)求類或實例的某些特定屬性值問題。如：“存儲器具有哪些性能?”。(3)求類、實例及屬性之間關系問題。如：“內存和外存有何區別?”。

針對以上三種問題模式,本文使用一個查詢確定算法。

模式一：問句中只映射一個實體A,其類型為ClassA。則得出需要查詢的是關于A的描述(DESCRIBE),故產生輸出查詢三元組(DESCRIBE?x)和＜?x,rdf：typeOf,OEIQAS：ClassA＞。

模式二：問句中映射的實體A的類型為ClassA,B的類型為propertyB。根據RDF語義模型,則丟失需要查詢的元素為Class類型實例,不妨設置為“?xclass”。若PropertyB的定義域為ClassA,則輸出查詢三元組＜OEIQAS：A,OEIQAS：B?xclass＞。若B的值域為ClassA,則輸出查詢三元組＜? xclass,OEIQAS：B,OEIQAS：A＞。否則輸出為null。

模式三：問句中映射的實體A的類型為ClassA,B的類型為ClassB。則丟失需要查詢的元素為Property類型實例,不妨設置為“?xproperty”。若ClassA有屬性PropertyA的值域是ClassB,則產生的查詢三元組為＜OEIQAS：A,?xproperty,OEIQAS：B＞;若ClassB有屬性PropertyB的值域是ClassA,則產生的查詢三元組為＜OEIQAS：B,?xproperty, OEIQAS：A＞;若上述情況都滿足,則產生查詢三元組集＜OEIQAS：A,?xproperty,OEIQAS：B＞、＜OEIQAS：B,?xproperty,OEIQAS：A＞,關系為OPTIONAL。

2.3 基于本體的知識推理

本體的推理就是分析用戶提交的問題并抽取核心的關鍵詞,特別是疑問詞,根據語義分析結果,查找核心概念和問題在本體庫中的所在位置,根據本體庫中的信息,到知識庫中提取問題的知識,并轉換為用戶易于理解的表達形式,發布給用戶。對于基于ontology的智能答疑系統來說,應該充分發揮本體的推理能力,做到對知識的推理與擴展,讓系統更加智能[4]。本系統利用本體屬性的特征,在產生詞語三元組時定義了如下推理規則擴充語義教育資源陳述：

1)領域本體中有屬性Pl inverseOf P2、Pi是Pl的實例、Pn是P2的實例;;對于知識Statement＜Si, Pi,Oi＞成立,則新知識Statement＜Oi,Pn,Si＞也成立。

2)領域本體中有Pi是屬性P的實例,而P又被聲明為TransitiveProperty。對于知識Statement＜Si,Pi,Oi＞、＜Oi,Pi,On＞成立,則新知識statement＜Si,Pi,On＞也成立。

3)領域本體中有Pi是屬性P的實例,而P又被聲明為SytnmetricProperty。對于知識Statement＜Si,Pi,Oi＞成立,則新知識Statement＜Oi,Pi,Si＞也成立。其中,inverseOf、TransitiveProperty和SytnmetricProperty分別表示OWL本體的翻轉、傳遞和對稱屬性特征。

2.4 答案匹配

本系統通過3種途徑匹配用戶答案：

將用戶提問的標準問句在FAQ庫中搜索,如果有相同的,直接把FAQ庫中這個問題對應的答案返回。

如果搜索后發現FAQ中沒有相同的問題,本系統借助關鍵詞序列,不僅計算用戶問題與FAQ中問題的相似度,還計算用戶問題與FAQ中答案的相似度,這樣做突破了目前常用的方法,即計算用戶問句與FAQ庫中問句的語義相似度,返回相似性較高的問題所對應的答案。問題與答案的表示可以采用常用的向量空間模型,問題與答案的相似度計算可以計算向量的相似度。本系統設定一個相似度的閾值為α,將相似度大于α的答案按相似度的大小反饋給用戶。

如果應用前兩種途徑都匹配不到的答案的,則等待人工處理,并將處理后的問題、答案添加到FAQ庫中。

3 實驗結果與性能分析

為了驗證本文提出的基于ontology的智能答疑系統的有效性,對《大學計算機信息技術教程》六章內容分別構建了課程的知識本體,針對該課程的80個隨機提問,測試結果如表1。

表1 實驗結果Tab.1 Experimental results

從實驗的數據來看,總體還是比較滿意的,總體準確率達88.75%。表明本文提出的基于ontology的智能答疑系統切實可行且有效。該系統在直接回答的準確率上還不是很高,是因為構建的領域本體不夠豐富,很大程度上影響著答疑系統的準確率。系統的本體知識庫還沒有經過多次的實踐迭代。本體工程的開發應該是一個反復迭代的過程,在初始版本建立后,還要反復地將其應用到實際系統中或者與領域專家進行評價和排錯,直至滿意。

4 結束語

利用領域本體提供的知識和豐富的語義信息,使該系統的準確率更高,可以得到較滿意的結果。

[1]史月飛,張小艷,邵 剛.Ontology理論及其在智能答疑系統中的應用[J].科技信息(學術研究版),2007,229 (17)：192-193.

[2]DAVID EICHMANN.The RBSE crawler-balancing effective search against web load[A].In Proceedings of the First International World Wide Web Conference[C].Geneva,Wwitzerland,1994.113-120

[3]管燕,仲兆滿.基于課程知識本體的FAQ庫自動生成方法研究[J].中國遠程教育,2010(07)：68-72.

[4]張爭萬.基于本體論的網絡教育智能答疑系統模型研究[J].軟件導刊,2008(12)：35-36.