基于語義Web的Blog智能檢索系統(tǒng)研究

崔 琳(宿州學(xué)院信息工程學(xué)院，安徽 宿州234000）

汪材印(宿州學(xué)院機(jī)械與電子工程學(xué)院，安徽 宿州234000）

自2003年以來，與Web 2．0相關(guān)的技術(shù)不斷涌現(xiàn)，其中Blog（博客）是最熱門應(yīng)用之一，其開放性和易于發(fā)布性已吸引了眾多用戶。隨著Blog的發(fā)展，Blog頁面的數(shù)量呈指數(shù)級上升，只靠傳統(tǒng)的搜索引擎有可能查找不到所需要的Blog日志，這促使人們針對Blog搜索引擎進(jìn)行研究。目前，已經(jīng)出現(xiàn)了許多頂級的Blog搜索引擎，如Technorati、BlogStreet等，Google也推出了中文Blog搜索引擎，但針對某一領(lǐng)域知識檢索的專業(yè)Blog搜索引擎還比較少[1]。為此，筆者基于語義Web思想，對計算機(jī)領(lǐng)域的Blog日志進(jìn)行搜索的智能檢索系統(tǒng)進(jìn)行了研究。

1 語義Web的體系結(jié)構(gòu)

1998年，萬維網(wǎng)(Web）的奠基人Tim Berners-Lee提出了語義 Web的概念及其技術(shù)路線[2]。后來，Tim Berners-Lee又提出了語義 Web的基本體系結(jié)構(gòu)[3]，如圖1所示。

若要讓計算機(jī)理解Web上的語義，需要為計算機(jī)提供描述Web數(shù)據(jù)的數(shù)據(jù)，即元數(shù)據(jù)。資源描述框架RDF（Resource Description Framework，RDF）正是描述資源的元數(shù)據(jù)模型。RDF是由資源、屬性、屬性值所組成的三元組，在知識表示領(lǐng)域，資源、屬性和屬性值分別稱為主體(Subject）、謂詞(Predicate）和客體（Object），這三者的組合稱為一個陳述(Statement）[4]。

圖1 語義Web的體系結(jié)構(gòu)

2 系統(tǒng)設(shè)計

為實現(xiàn)語義檢索計算機(jī)專業(yè)領(lǐng)域Blog日志，設(shè)計的系統(tǒng)結(jié)構(gòu)由RSS采集子系統(tǒng)、RSS處理子系統(tǒng)和Blog查詢子系統(tǒng)3個模塊構(gòu)成，每個大的模塊又詳細(xì)劃分為若干個小模塊(見圖2）。具體內(nèi)容如下：①聚合內(nèi)容采集子系統(tǒng)。Blog網(wǎng)頁的聚合內(nèi)容(really simple syndication，RSS）文件中包含該Blog網(wǎng)頁的重要信息，通過RSS的自動 “推送”，用戶可以很及時的獲得Blog網(wǎng)頁的更新信息，是使用最廣泛的XML應(yīng)用之一[5]。該系統(tǒng)中，網(wǎng)絡(luò)蜘蛛抓取的資源是RSS鏈接所指的XML文檔，這一點和傳統(tǒng)搜索引擎有明顯差別。該模塊設(shè)計中主要涉及網(wǎng)絡(luò)蜘蛛，其設(shè)計的好壞將直接影響系統(tǒng)檢索結(jié)果。網(wǎng)絡(luò)蜘蛛搜索算法如圖3所示。②RSS處理子系統(tǒng)。對抓取的RSS文件在本體庫的指導(dǎo)下進(jìn)行語義標(biāo)注，提取出文檔的特征并對原始資源使用RDF描述形成元數(shù)據(jù)，然后對元數(shù)據(jù)索引處理，以提供給查詢子系統(tǒng)進(jìn)行查詢。③Blog查詢子系統(tǒng)。在本體庫的指導(dǎo)下對查詢詞進(jìn)行語義擴(kuò)展和語義推理，將經(jīng)過擴(kuò)展的查詢詞在系統(tǒng)的索引庫中查詢，最后把查詢結(jié)果返回給用戶。

圖2 Blog智能檢索系統(tǒng)詳細(xì)功能模塊

3 本體文件的建立

本體是概念模型的明確的規(guī)范化說明[6]。該系統(tǒng)中，需要利用本體對RSS文件進(jìn)行語義標(biāo)注，還要對用戶提交的查詢詞進(jìn)行語義擴(kuò)展，所以構(gòu)建良好的本體是十分重要的。設(shè)計時使用OWL語言描述本體，采用本體構(gòu)建工具Protégé構(gòu)建本體。

圖3 網(wǎng)絡(luò)蜘蛛搜索算法圖

3．1 計算機(jī)專業(yè)領(lǐng)域本體的設(shè)計

由于所設(shè)計的系統(tǒng)是針對計算機(jī)專業(yè)領(lǐng)域的Blog日志進(jìn)行語義查詢，所以要構(gòu)建計算機(jī)專業(yè)領(lǐng)域的本體庫，將現(xiàn)有的計算機(jī)領(lǐng)域分成7類，即Computer science and technology based subjects（計算機(jī)科學(xué)技術(shù)基礎(chǔ)學(xué)科）、Computer Software(計算機(jī)軟件）、Computer Application(計算機(jī)應(yīng)用）、Computer Architecture(計算機(jī)系統(tǒng)結(jié)構(gòu)）、Artificial Intelligence（人工智能）、Computer engineering(計算機(jī)工程）、Computer science and technology other subjects（計算機(jī)科學(xué)技術(shù)其他學(xué)科）。每個大類包含許多小的分類，每一個小的分類又包含許多個不同的子類，使用rdfs：subClassof表示類之間的上下位關(guān)系或父子關(guān)系。

定義英語分類的同時，還定義了對應(yīng)的中文分類，將中英文詞匯用owl：sameas建立同義映射關(guān)系，查詢時，借助這種同義關(guān)系就可以實現(xiàn)擴(kuò)展詞義。例如英文 “Database”與中文 “數(shù)據(jù)庫”之間的同義可表示為：

3．2 RSS文件的本體設(shè)計

針對所查詢文檔是RSS文件的特點，定義了用于描述RSS文件的本體Document類，并為Document類定義了若干描述RSS文件的屬性，語句如下：

類定義：

屬性定義：

4 系統(tǒng)實現(xiàn)

選擇Java作為開發(fā)平臺，后臺數(shù)據(jù)庫使用MySQL 2000，Web服務(wù)器選擇支持JSP服務(wù)的Tomcat。因為CSDN網(wǎng)和希賽網(wǎng)下的Blog是目前互聯(lián)網(wǎng)上使用最為廣泛的計算機(jī)學(xué)科類博客，網(wǎng)絡(luò)蜘蛛所抓取Blog網(wǎng)頁主要來自于上述網(wǎng)站。首先在檢索項選擇關(guān)鍵詞，檢索值輸入 “數(shù)據(jù)庫”，點擊“查詢”按鈕，結(jié)果如圖4所示。“數(shù)據(jù)庫”經(jīng)過該系統(tǒng)的語義擴(kuò)展推理，得到同義詞匯 “database”和下位詞匯 “sql”，除查詢到含有“數(shù)據(jù)庫”的Blog網(wǎng)頁外，還查詢到包含 “database”和 “sql”的Blog網(wǎng)頁。

圖4 語義擴(kuò)展查詢結(jié)果界面

5 結(jié) 語

針對計算機(jī)專業(yè)領(lǐng)域Blog日志進(jìn)行語義搜索的智能檢索系統(tǒng)，使用了本體、語義推理等語義Web技術(shù)，把對資源信息的語義處理引入到信息檢索領(lǐng)域中。實際運(yùn)用表明，該系統(tǒng)對網(wǎng)絡(luò)蜘蛛所抓取的計算機(jī)領(lǐng)域的Blog日志能實現(xiàn)一般查詢和語義擴(kuò)展查詢，可以提高信息檢索的查全率和查準(zhǔn)率。下一步的工作是對本體庫進(jìn)行細(xì)化和完善，以便使計算機(jī)學(xué)科類本體庫和RSS文檔本體更為合理。

[1]潘冰，徐亮亮 ．中文博客搜索引擎研究 [J]．計算機(jī)工程與設(shè)計，2010，31（8）：1718-1721．

[2]葉育鑫，歐陽丹彤 ．語義Web搜索技術(shù)研究進(jìn)展 [J]．計算機(jī)科學(xué)，2010，37（3）：1-5．

[3]Tim Berners-Lee．Semantic Web-XML2000 [EB／OL]．http：／／www．w3．org／2000／Talks／1206-xml2k-tbl／，2000-12-06．

[4]郭志鑫 ．基于本體的文檔引文元數(shù)據(jù)信息抽取 [J]．微計算機(jī)信息，2006，6（3）：304-306．

[5]原舒雨，蔡皖東，李勇軍，等 ．面向博客的智能網(wǎng)絡(luò)蜘蛛技術(shù)及其系統(tǒng)實現(xiàn) [J]．微電子學(xué)與計算機(jī)，2011，28（1）：193-196．

[6]張柳松 ．基于本體的智能檢索系統(tǒng)的研究 [J]．微計算機(jī)信息，2007，12（3）：237-238．