基于維基百科與都柏林核心的本體構(gòu)建方法研究*

吳天吉，肖 奎，李 強(qiáng)

0 引言

標(biāo)簽系統(tǒng)是一種非常流行的Web 2.0 應(yīng)用，主要用于幫助用戶標(biāo)注網(wǎng)絡(luò)資源，分享網(wǎng)絡(luò)資源。人們可以通過(guò)標(biāo)簽輕松實(shí)現(xiàn)資源的分類，每一個(gè)資源都附有幾個(gè)標(biāo)簽，用以描述資源的特性等信息。用戶通過(guò)一個(gè)標(biāo)簽就能搜索到一組相關(guān)的資源，但當(dāng)前很多資源的描述標(biāo)簽，僅僅是詞匯的列表，用戶在搜索過(guò)程中，從這些標(biāo)簽得到的幫助有限。比如，Programmableweb 平臺(tái)上的標(biāo)簽只是一些靜態(tài)的、固定的詞匯，用戶很難通過(guò)這幾個(gè)詞匯搜索到符合需要的信息。為改進(jìn)搜索過(guò)程，提高搜索的準(zhǔn)確率，搜索引擎需要理解用戶含義，了解和掌握用戶真正需要的信息。所以，人們需要一些智能搜索技術(shù)以改進(jìn)資源搜索的過(guò)程，而本體技術(shù)能較好地解決這類問(wèn)題。近年很多研究人員關(guān)注如何通過(guò)標(biāo)簽來(lái)構(gòu)建本體，但是利用單個(gè)網(wǎng)絡(luò)資源的標(biāo)簽構(gòu)建本體很困難，因?yàn)橐话銌蝹€(gè)資源的描述標(biāo)簽數(shù)量較少，無(wú)法構(gòu)建本體。為此，研究人員通常利用一組資源的描述標(biāo)簽構(gòu)建本體。具有相同類別的標(biāo)簽可以轉(zhuǎn)換為本體中的概念。構(gòu)建的本體可用于標(biāo)注Web 服務(wù)等資源，從而改進(jìn)Web 服務(wù)的搜索過(guò)程。S2R2 平臺(tái)[1]描述了利用本體標(biāo)注Web服務(wù)的過(guò)程原理與方法[2-4]。本文利用Web 服務(wù)描述標(biāo)簽與維基百科的語(yǔ)義知識(shí)構(gòu)建本體，用來(lái)標(biāo)注Web 服務(wù)。圖1 描述Web 服務(wù)、本體與標(biāo)簽之間的關(guān)系。

圖1 Web 服務(wù)、本體與標(biāo)簽之間的關(guān)系

文章介紹語(yǔ)義與本體的相關(guān)研究，提出一種標(biāo)簽篩選的方法，選擇構(gòu)建本體的標(biāo)簽，運(yùn)用維基百科知識(shí)庫(kù)的體系結(jié)構(gòu)構(gòu)建本體，并通過(guò)實(shí)例展示簡(jiǎn)單標(biāo)簽本體的構(gòu)建方法，最后對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行驗(yàn)證。

1 相關(guān)研究

語(yǔ)義網(wǎng)研究社區(qū)長(zhǎng)期研究與標(biāo)簽相關(guān)的難題。研究人員關(guān)注如何發(fā)現(xiàn)標(biāo)簽的特性，以及如何挖掘標(biāo)簽潛在的語(yǔ)義。有些主要的知識(shí)庫(kù)可以為普通的標(biāo)簽提供語(yǔ)義信息，比如維基百科、WordNet 與其它在線本體等等。這些知識(shí)庫(kù)都可以被研究人員用來(lái)豐富標(biāo)簽的語(yǔ)義，但是每個(gè)知識(shí)庫(kù)都有各自的特點(diǎn)，提供的信息形式也各有不同。

維基百科為大量的實(shí)體與概念提供了條目。網(wǎng)絡(luò)用戶在這個(gè)平臺(tái)上編輯了許多知識(shí)信息，這些信息覆蓋的領(lǐng)域非常廣泛，對(duì)信息抽取應(yīng)用程序具有很大的吸引力[5]。研究表明，維基技術(shù)可以很容易地用于本體開發(fā)過(guò)程[6]。而且維基百科條目的URIs 適用于本體概念的標(biāo)識(shí)符(identifier)。雖然標(biāo)簽用來(lái)對(duì)資源進(jìn)行分類，但維基百科的分類方式與標(biāo)簽相比可提供更好的語(yǔ)義信息。

WordNet 是一個(gè)由專業(yè)研究團(tuán)體維護(hù)的知識(shí)庫(kù)，很多的研究工作都是基于這個(gè)知識(shí)庫(kù)[7]。WordNet 的開發(fā)研究團(tuán)隊(duì)采用了一種新的方法，構(gòu)建基于分眾分類標(biāo)簽的本體。在此過(guò)程中，他們利用Word Net 的概念樹實(shí)現(xiàn)對(duì)delicious平臺(tái)的關(guān)鍵詞過(guò)濾。DBPedia 是一個(gè)由集體維護(hù)的知識(shí)庫(kù)，而且其內(nèi)容在持續(xù)演化更新[8]中。DBPedia 提出一種方法可以為一詞多義的標(biāo)簽消除歧義，這種方法依賴于DBPedia 與維基百科的支持。每個(gè)標(biāo)簽的每一次標(biāo)注行為都可以關(guān)聯(lián)到許多DBPedia 條目，這些條目定義了該標(biāo)簽所有可能的含義。在線本體也是這類研究工作常用的數(shù)據(jù)源，例如，Watson 有一種語(yǔ)法分析工具，該工具可以自動(dòng)搜集、分析和檢索互聯(lián)網(wǎng)上可用的本體與語(yǔ)義數(shù)據(jù)。它為語(yǔ)義網(wǎng)用戶與應(yīng)用程序訪問(wèn)互聯(lián)網(wǎng)的大量知識(shí)信息提供了便利。

本文選擇維基百科幫助構(gòu)建標(biāo)簽本體。與其它知識(shí)庫(kù)系統(tǒng)不同，維基百科一直由普通用戶對(duì)其信息進(jìn)行更新，能提供最新版本的數(shù)據(jù)信息。構(gòu)建的本體的關(guān)系來(lái)自于Dublin Core，Dublin Core 是一種圖書關(guān)系元數(shù)據(jù)的國(guó)際標(biāo)準(zhǔn)，現(xiàn)在是本體論研究的一個(gè)標(biāo)準(zhǔn)測(cè)試集。

2 構(gòu)建本體的方法

服務(wù)平臺(tái)一般有如下特點(diǎn)：每個(gè)服務(wù)都由幾個(gè)標(biāo)簽描述；根據(jù)描述標(biāo)簽，服務(wù)被劃分到不同的類別；標(biāo)簽由服務(wù)創(chuàng)建者提供。從這些特點(diǎn)可以看出，這些標(biāo)簽為服務(wù)搜索提供的幫助很有限。

利用標(biāo)簽構(gòu)建各個(gè)服務(wù)集合的本體，可使得服務(wù)搜索的過(guò)程變得更智能。本文創(chuàng)建的本體是指RDF 文檔。首先，從各個(gè)服務(wù)集合的標(biāo)簽中篩選出核心標(biāo)簽，每個(gè)服務(wù)集合都被視為一個(gè)獨(dú)立的領(lǐng)域。然后，把每個(gè)核心標(biāo)簽與維基百科的條目關(guān)聯(lián)起來(lái)。因?yàn)槊恳粋€(gè)維基百科的概念條目都有獨(dú)立的URI，它們可以被用作RDF 文檔的實(shí)體。此方法只支持簡(jiǎn)單的RDF文檔結(jié)構(gòu)，忽略任何其它類似樹形結(jié)構(gòu)的復(fù)雜結(jié)構(gòu)。

2.1 核心標(biāo)簽的篩選

由于每個(gè)服務(wù)都由幾個(gè)標(biāo)簽描述，可能有些標(biāo)簽與服務(wù)對(duì)應(yīng)的領(lǐng)域沒(méi)有關(guān)聯(lián)。比如有的標(biāo)簽是城市名稱，說(shuō)明服務(wù)與具體城市有關(guān)；有的標(biāo)簽是產(chǎn)品名稱，例如iphone，說(shuō)明服務(wù)可能是iphone 專用的服務(wù)；有的標(biāo)簽說(shuō)明了平臺(tái)的名稱，例如服務(wù)調(diào)用Delicious 平臺(tái)的APIs 等。很明顯，這些標(biāo)簽與服務(wù)所屬的領(lǐng)域都沒(méi)有直接的關(guān)系。

如果一個(gè)標(biāo)簽被用來(lái)描述某個(gè)領(lǐng)域的多個(gè)服務(wù)，那么可以推斷此標(biāo)簽很可能與領(lǐng)域相關(guān)。那些與服務(wù)領(lǐng)域相關(guān)的標(biāo)簽需要被篩選出來(lái)，它們描述了領(lǐng)域的相關(guān)信息，被稱為領(lǐng)域的核心標(biāo)簽。通過(guò)對(duì)特定領(lǐng)域內(nèi)所有標(biāo)簽的使用頻率進(jìn)行統(tǒng)計(jì)，可以篩選出該領(lǐng)域的核心標(biāo)簽。

2.2 本體的構(gòu)建

為了創(chuàng)建RDF 文檔，需將領(lǐng)域的核心標(biāo)簽映射為RDF 文檔的元素。一般而言，RDF 文檔的元素都采用URI 的形式表示。當(dāng)然，有些RDF 語(yǔ)句的對(duì)象是datatype 屬性，不是URI的形式。維基百科是創(chuàng)建RDF 文檔的非常好的資源。維基百科的條目可以作為本體的概念，每個(gè)條目都有一個(gè)獨(dú)立的URI。更重要的是，很多標(biāo)簽在維基百科知識(shí)庫(kù)里都被定義為一個(gè)個(gè)條目，可以被轉(zhuǎn)換為實(shí)體。

因?yàn)榫S基百科沒(méi)有以明確的知識(shí)表示模型作為基礎(chǔ)，所以一個(gè)維基百科條目可以是實(shí)例、概念或?qū)傩浴８鶕?jù)慣例，維基百科包含的大多數(shù)條目都是名詞，而且沒(méi)有包含相互關(guān)系和屬性的內(nèi)容。這樣在構(gòu)建本體時(shí)可忽略實(shí)例和概念之間的區(qū)別，這些對(duì)于純RDF 文檔并不重要。

通過(guò)把“2.1 節(jié)”篩選出的領(lǐng)域核心標(biāo)簽映射成維基百科的條目，普通的標(biāo)簽就成為帶有一定語(yǔ)義的概念。每個(gè)概念都可以用具體的URI 標(biāo)識(shí)。URI 標(biāo)識(shí)的概念可以作為RDF 文檔的實(shí)體直接使用。對(duì)一詞多義的標(biāo)簽，需要手工進(jìn)行處理。參考標(biāo)簽所屬的領(lǐng)域，以人工方式確定標(biāo)簽所屬的概念。對(duì)一些非名詞的標(biāo)簽，如“social”等，雖然使用的頻率比較高，本研究并不對(duì)它們進(jìn)行映射處理。同樣，對(duì)一些沒(méi)有對(duì)應(yīng)條目的標(biāo)簽，也不進(jìn)行映射處理，當(dāng)前只關(guān)注名詞概念。

此外，從維基百科的條目里難以發(fā)現(xiàn)相互關(guān)系和屬性的內(nèi)容。解決這個(gè)問(wèn)題的方法是使用許多本體包含Dublin 核心元素[9-10]定義的相互關(guān)系和屬性。但本文沒(méi)有完全使用Dublin 作為本體的概念資源，因?yàn)橄鄬?duì)而言，維基百科概念條目更新的速度更快，更能反映語(yǔ)義變化的動(dòng)態(tài)性。

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)設(shè)置

Programmableweb 是一個(gè)非常流行的Mashup 服務(wù)和APIs 平臺(tái)。實(shí)驗(yàn)收集了Programmableweb 平臺(tái)“sports”領(lǐng)域的52 個(gè)Mashup 服務(wù)的標(biāo)簽數(shù)據(jù)，然后統(tǒng)計(jì)了這些標(biāo)簽在“sports”領(lǐng)域Mashup 服務(wù)以及在整個(gè)Programmableweb 平臺(tái)所有Mashup 服務(wù)中使用的次數(shù)，在此基礎(chǔ)上計(jì)算前者在后者所占的比例。

為了獲得“sports”領(lǐng)域的核心標(biāo)簽，實(shí)驗(yàn)設(shè)置了兩個(gè)閾值：

(1)每一個(gè)標(biāo)簽在Programmableweb 平臺(tái)上使用的次數(shù)必須大于1。很多只使用一次的標(biāo)簽與領(lǐng)域無(wú)關(guān)，如城市名稱；

(2)上述計(jì)算的比例必須大于0.1。標(biāo)簽使用的頻率越高，它與領(lǐng)域的關(guān)聯(lián)越緊密。

表1 “Sports”領(lǐng)域的核心標(biāo)簽

表1 顯示了52 個(gè)Mashup 服務(wù)集合的核心標(biāo)簽，很明顯，所有這些標(biāo)簽都與“sports”領(lǐng)域緊密相關(guān)。其中，有些標(biāo)簽進(jìn)行了額外的手工的處理，比如，“cycling”實(shí)際上包含{bicycle，bike，cycling，biking}四個(gè)標(biāo)簽，實(shí)驗(yàn)中把它們作為一個(gè)標(biāo)簽處理；同樣，“football”包含了{(lán)football，soccer}兩個(gè)標(biāo)簽；“skiing”包含了{(lán)skiing，ski}兩個(gè)標(biāo)簽。

然后，利用這些“sports”領(lǐng)域的核心標(biāo)簽創(chuàng)建相應(yīng)的RDF 文檔。每一個(gè)核心標(biāo)簽都是RDF 文檔的一個(gè)概念。其中，“sports”是這個(gè)領(lǐng)域的首要概念，所有其它標(biāo)簽(即概念)應(yīng)當(dāng)與“sports”概念相關(guān)聯(lián)。第一步，從維基百科中搜索“sports”概念對(duì)應(yīng)的條目，并在該條目搜索包含其它概念的文本內(nèi)容。反過(guò)來(lái)，從其它概念的條目搜索包含“sports”的文本內(nèi)容。第二步，從都柏林核心抽取元數(shù)據(jù)，定義概念之間的語(yǔ)義關(guān)系。

有一些標(biāo)簽在實(shí)驗(yàn)中要被忽略，例如，忽略所有形容詞標(biāo)簽，只關(guān)注名詞標(biāo)簽。除此之外，在維基百科條目中與“sports”概念沒(méi)有文本相關(guān)內(nèi)容的標(biāo)簽也要忽略。剩下的標(biāo)簽可以用來(lái)創(chuàng)建RDF 文檔。每一個(gè)標(biāo)簽都對(duì)應(yīng)一個(gè)URI，可以視為RDF 的實(shí)體。實(shí)體之間的屬性來(lái)自Dublin 核心元素。圖2(見第16 頁(yè))顯示了創(chuàng)建的RDF 文檔細(xì)節(jié)部分。

圖2 中橢圓代表實(shí)體，連接線代表實(shí)體之間的聯(lián)系。具體解釋如下：

Climbing(攀巖)、Baseball(棒球)、Basketball(籃 球)、Golf(高 爾 夫)、Running(跑 步)、Football(足球)、Skiing(溜冰)、Cycling(騎自行車)都屬于Sports 類(class)的實(shí)例。其中Cycling 和Bicycle(自行車)是一種關(guān)聯(lián)關(guān)系，Bike包括Bicycle；Ski(雪橇)和Skiing 是一種關(guān)聯(lián)關(guān)系，Soccer(英式足球)是Football 的實(shí)例。

3.2 驗(yàn)證

為了考察生成的RDF 文檔的準(zhǔn)確性，可利用Word Net 的知識(shí)對(duì)上述實(shí)驗(yàn)結(jié)果進(jìn)行驗(yàn)證。首先，從WordNet 知識(shí)庫(kù)中找出包含上述全部核心標(biāo)簽的知識(shí)，然后，利用這些WordNet 知識(shí)體系驗(yàn)證生成的RDF 文檔。

標(biāo)簽在Word Net 知識(shí)庫(kù)中可能有多個(gè)語(yǔ)義(sense)，每個(gè)語(yǔ)義對(duì)應(yīng)著WordNet 知識(shí)庫(kù)體系結(jié)構(gòu)的一個(gè)結(jié)點(diǎn)，那么一個(gè)標(biāo)簽就可能對(duì)應(yīng)多個(gè)結(jié)點(diǎn)，但上述實(shí)驗(yàn)的核心標(biāo)簽的語(yǔ)義都存在于以entity 為根節(jié)點(diǎn)的樹狀結(jié)構(gòu)中。為了確定每個(gè)核心標(biāo)簽的語(yǔ)義，可求解每個(gè)標(biāo)簽的結(jié)點(diǎn)到其它各個(gè)標(biāo)簽結(jié)點(diǎn)的路徑長(zhǎng)度之和，再對(duì)這些所求的和進(jìn)行累加，當(dāng)累加值最小時(shí)每個(gè)標(biāo)簽對(duì)應(yīng)的結(jié)點(diǎn)就作為標(biāo)簽的sense。圖3(見第17 頁(yè))顯示了“sports”領(lǐng)域的核心標(biāo)簽的WordNet 知識(shí)體系。

本文構(gòu)建的本體與WordNet 知識(shí)庫(kù)相比，語(yǔ)義關(guān)系比較準(zhǔn)確。在WordNet 知識(shí)庫(kù)中，Skiing 與Cycling 屬于Sports 類(class)的實(shí) 例(instance)，Basketball 與Golf 等 屬 于Sports 類的子類的實(shí)例，但Climbing 與Sports沒(méi)有這種隸屬關(guān)系。而且Ski 與Skiing、Bike及Bicycle 與Cycling 之間的關(guān)聯(lián)關(guān)系是WordNet中沒(méi)有的，這說(shuō)明維基百科的語(yǔ)義關(guān)系比WordNet 更豐富，能對(duì)WordNet 形成補(bǔ)充。

圖2 “Sports”領(lǐng)域的RDF 圖

4 結(jié)語(yǔ)

本文利用維基百科知識(shí)庫(kù)為服務(wù)創(chuàng)建本體，在篩選出服務(wù)領(lǐng)域的核心標(biāo)簽后，把領(lǐng)域核心標(biāo)簽與維基百科的條目進(jìn)行關(guān)聯(lián)，然后將各條目的URI 用作本體的基本元素。所創(chuàng)建的本體主要是一些簡(jiǎn)單的RDF 文檔，RDF 實(shí)體之間的屬性來(lái)自Dublin 核心元素。下一步，可考慮創(chuàng)建一些結(jié)構(gòu)復(fù)雜的本體，以便進(jìn)一步提高服務(wù)搜索的效率。此外，文本描述也是一個(gè)重要的標(biāo)簽來(lái)源，充分發(fā)揮網(wǎng)絡(luò)資源文本描述的作用也非常重要。

[1] 李兵. 軟件服務(wù)注冊(cè)庫(kù)[EB/OL].[2013- 05- 12].http：/ /www.s2r2.org，2010.

[2] Zeng C， He K Q， Li B， et al. Toward Multiontology Based Interoperability in Web Service Registry[J]. Journal of Computational Information Systems，2009，5 （6）：1669- 1677.

[3] Zeng C，He K Q，Li B，et al. A MFI4OR- based Approach of Semantic Annotation for Web Service[A]/ / the 5th International Joint Conferences on Computer，Information， and Systems Sciences， and Engine(CISSE 2009) [C]. Connecticut， USA， 2009：615- 620.

圖3 “Sports”領(lǐng)域核心標(biāo)簽在WordNet中的知識(shí)體系

[4] 曾誠(chéng)，何克清，李兵. 一種支持語(yǔ)義互操作的Web服務(wù)注冊(cè)管理機(jī)制[J]. 小型微型計(jì)算機(jī)系統(tǒng)，2011（9）：1710- 1715.

[5] Ahn D，Jijkoun V，Mishne G，et al. UsingWikipedia at the TREC QA track [A]/ / The Thirteenth Text Retrieval Conference. 2004.

[6] Hepp M， Bachlechner D， Siorpaes K. Harvesting Wiki Consensus- Using Wikipedia Entries as Ontology Elements [A]/ / the 3rd European Semantic Web Conference[C]. Budva，Montenegro，2006.

[7] Laniado D，Eynard D，ColombettiM. UsingWordNet to turn a folksonomy into a hierarchy of concepts [C].the 4th Workshop on Semantic Web Applications and?Perspectives，2007：192- 201.

[8] d’Aquin M，Sabou M，Dzbor M，et al. Watson：A gateway for the semantic web [C]. the 4th European Semantic Web Conference，2007.

[9] Dublin Core Metadata Initiative. Dublin Core Metadata Element Set， Version 1.1： Reference Description[EB/OL].[2013- 05- 12]. http：/ / dublincore.org/ documents/dces/ ，2005- 11- 30.

[10] Dublin Core Metadata Initiative. DCMI Metadata Terms [EB/OL]. [2013- 05- 12]. http：/ / dublincore.org/ documents/ dcmi- terms/ ，2005- 11- 30.