植物領域知識圖譜構建中本體非分類關系提取方法

趙　明　杜亞茹　杜會芳　張家軍　王紅說　陳　瑛

(中國農業大學信息與電氣工程學院， 北京 100083)

?

植物領域知識圖譜構建中本體非分類關系提取方法

趙明杜亞茹杜會芳張家軍王紅說陳瑛

(中國農業大學信息與電氣工程學院， 北京 100083)

采用本體學習的方法，以百度百科植物類詞條內容的非結構和半結構化中文文本信息作為語料進行處理。使用一種有指導的基于依存句法分析的詞匯-語法模式來獲取植物領域的概念、分類和非分類關系，并分別利用基于詞表過濾的方法和給模式添加限制的方法，較大程度地提高了關系抽取的精確度，完成在輕量級本體的基礎上自動構建重量級本體。該方法建立了一個特定領域語料的概念層次，提高了最具代表性的分類和非分類關系的發現，并使用OWL語言形式化表達抽取結果。實驗表明，該方法在非分類關系抽取上取得了較好的結果，為該領域知識圖譜構建奠定了基礎。

植物領域本體； 知識圖譜； 非分類關系； 本體學習； 百度百科

引言

“知識圖譜”[1]作為一種知識表示方法，包含了大量概念(實體)以及概念間的分類和非分類關系，使其成為具有語義性的知識庫。它支撐綜合性知識檢索、智能問答、智能決策等方面的廣泛應用。知識圖譜構建的主要任務是抽取豐富的概念和關系，其中概念間非分類關系抽取是構建知識圖譜的難點問題。而本體(Ontology)作為構建知識圖譜的概念模型和邏輯基礎，尤其是概念之間的非分類關系，不僅增加了知識表達的完備性和復雜性，還在很大程度上對知識圖譜進行了豐富和擴展[2]。

本體[3]是用于描述或表達某一領域中術語、概念以及之間關系的一個基本知識體系，是共享概念模型的形式化的明確說明。基于本體的應用和解決方案是在本體構建的基礎上實現的。然而，現有的各種本體開發工具(如Protégé、KAON等)支持的是手工構建本體的方式，存在費時、費力且不易及時動態更新等問題。因此如何快速、低成本、自動或半自動構建大規模領域本體——即所謂的本體學習(Ontology learning)就成為一個很有意義的研究方向[4-5]。目前，在本體學習領域抽取非分類關系的方法主要有：基于詞典的方法、基于關聯規則的方法和基于模式匹配的方法。

基于詞典的方法抽取出的關系必須是WordNet 中已經存在的關系，并僅能從WordNet 中抽取同義、反義和部分/整體這幾種關系，局限性比較大。基于關聯規則的方法研究中，研究者分別設置不同的參數，諸如概念之間的關聯度閾值[6]、術語之間相似度權重[7]、對數似然比[8-9]以及粒計算模型[10]等進行非分類關系抽取。但是該類方法中，由于詞性標注的錯誤對準確率有較大的影響，因此還要探索更為有效的方法。

基于模式匹配的方法[11]是通過分析領域相關文本，歸納出頻繁使用的語言模式，來識別相應的語義關系。研究者均采用語義依存[1]的本體非分類關系抽取方法，經過詞性標注、角色標注[3]和語義分析得到具有語義依存的動詞框架，構建動詞向量語料庫[12]，再進行句子相似度的計算。還有一部分研究者提出一種綜合語義模式和統計學的啟發式非分類關系學習框架[11，13]。該類方法中，抽取精度較高，但是有些中心詞的選取會對非分類關系的選取造成影響。另外，非分類關系復雜多樣，不僅僅包含術語和術語之間的關系，還包含一些諸如產地、病蟲害等屬性關系，此類關系更為復雜且豐富，以上方法沒有針對性，因此提取效果較差。以上方法由于中文概念的多義性對非分類關系種類的影響等原因，該方法的準確率和召回率在領域本體構建中還可以進一步優化。

以上非分類關系抽取的研究方法所涉及的領域包括農業[14]、醫學診療[15]、網站[16]、航空管理等[17]。還有一部分研究者利用非監督的本體學習方法[18]從Web文檔提取非分類關系，并對該方法進行評測[19]。但是中文本體的自動構建，尤其是農業領域非分類關系的學習研究才剛剛起步。因此本文針對基于模式匹配方法提取非分類關系的局限，以百度百科植物詞條內容為語料，采用詞匯-語法模式進行非分類關系的抽取，利用停用詞表過濾和為模式增加限制的方法對該方法進行改進，并且對非分類關系的類別進行討論，開展基于Web的中文植物本體非分類關系學習方法的研究。

1　基于詞匯-語法模式的非分類關系抽取

針對基于百度百科植物領域本體學習中非分類關系的學習方法，采用的主要技術和步驟如下：

(1)抓取相關詞條的網頁內容，以此為語料，對語料進行預處理，使用改進的詞匯-語法模式進行非分類關系的自動抽取，提升抽取的準確度。

(2)抽取百度百科半結構化文本中的非分類關系。

(3)在抽取出關系三元組的基礎上，使用OWL語言將其形式化。

總體流程如圖1所示。

圖1　技術流程圖Fig.1　Flow chart of technological process

1.1基于詞匯-語法模式的非分類關系抽取

1.1.1數據的獲取與預處理

利用Python編寫的語料采集工具從百度百科的植物分類下抓取了9 623個詞條作為語料。這些語料用GBK編碼的文本文件形式存儲。為解決百度百科詞條正文非結構化文本難以直接利用的問題，借助自然語言處理的開源工具LTP(Language technology platform)[20]，主要使用分詞、詞性標注和依存句法分析這3個模塊對語料進行預處理，得到的結果以XML的形式保存。

1.1.2模式獲取

從百度百科植物語料中選取一小批高質量并具有代表性的詞條(在19個分類下共選取了97個詞條)，自動找出典型的表達非分類關系的語句(共339句)，該類語句均含有農業概念，且主要集中在具有農業價值的非分類關系上，如植物的地理分布、適生環境、病蟲害、經濟價值等，表1列舉了其中部分語句。

表1　部分語句Tab.1　Some of statements

模式提取的任務實際上也是一種序列標注問題，解決該任務一般采用有監督學習方式。令{(xi,yi)}(i=1,2,…,N)為一個大小為N的訓練樣本集。每個序列對(xi,yi)為一個樣本，其中xi=，yi=。序列標注的目標就是尋找一個模型M，可以在給定輸入序列x的基礎上預測標注序列y。

另外，考慮到植物領域詞匯的特殊性，其概念詞匯出現的上下文中往往包含特定的詞匯，例如：又名、又叫、輪作、套種、有、富含、含有、栽培、病害、蟲害等。因此在植物詞匯出現的語句中，分別在淺層和深層依存句法分析結果進行標注，即找出并標明句子中存在非分類關系的概念，以及非分類關系的名稱，記為Ri(Xi,Yi)。然后統計Xi、Ri、Yi之間的依存關系序列在其他標注Xj、Rj、Yj(i≠j)中出現的次數。其中，淺層句法分析通過正則表達式匹配的方法獲取非分類關系，深層句法分析通過句法依賴分析匹配模式的方法獲得關系。再借助相似度計算等機器學習方法統計訓練語料中出現頻率較高的詞語構成高頻詞表，進行多次迭代不斷泛化來獲取表達非分類關系的詞匯-語法模式，剔除不符合語法的序列后，得到出現多次的依存關系序列即為表達非分類關系的詞匯-語法模式，如表2所示(依存句法標注含義見LTP官方文檔)。

表2　詞匯-語法模式集Tab.2　Set of lexicon-syntactic patterns

其中，模式采用依存關系(頭節點，依存節點)→非分類關系名稱(施事概念，受事概念)的形式表示。可以形式化為

(1)

其中L、A、B為si和ti中指定的元素，式(1)表示當所有依存關系Di都滿足時，則L(A,B)關系成立。

1.1.3為模式增加規則

對于抽取的詞匯-語法模式，一個值得注意的問題是有些模式含有并列關系(COO)和連動結構(VV)：對于并列關系，如果某個節點的依存關系為COO的話，則該節點視為等同于依存關系所指向的節點，并且該性質具有傳遞性。例如，在句子 “主要蟲害有介殼蟲和斑蛾。”中，將“介殼蟲”與“斑蛾”視為等同；對于連動結構，如果某個節點的依存關系為VV的話，則該節點依存關系所指向的節點可視為與該節點共享主語，即VV(X, Y), SBV(X, Z)→SBV(Y, Z)，并且該性質具有傳遞性。例如，在句子“黃芪產于內蒙古等地，為國家三級保護植物。” 中，“產”與“為”是連動結構，“為”共享“產”的主語“黃芪”。

另一個值得注意的問題是，表2中的模式沒有利用定中關系(ATT)和狀中結構(ADV)，這樣會導致抽取出來的非分類關系的概念和關系名稱都是語句中相應成分的中心詞，從而丟失了部分語義，例如，“鐵觀音原產于福建安溪縣西坪。”這句話，利用模式SBV(Y, X), HED(Root, Y), CMP(Y, Z), POB(Z, W)→Y_Z(X, W)會抽取出“產_于(鐵觀音，西坪)”，關系名稱丟失了“原產于”中的狀語“原”，也影響了關系名稱的精確性。本文在歸納總結詞匯-語法模式時，考慮到要盡可能提高模式的召回率，采用了這種弱限定的模式，對于上述抽取結果語義缺失的情況，本文采用后處理的方法，如果抽取出的非分類關系的概念和關系名稱在語句中前面有限定性修飾成分的話，則會補上。

另外，由于百度百科詞條的文本圍繞著詞條進行闡述說明，故許多句子的主語默認就是詞條名稱，從而被缺省。這種情況對非分類關系抽取的影響是導致抽取出來的非分類關系缺少施事概念，本文的處理方法就是將詞條名稱作為默認的施事概念。

1.1.4非分類關系抽取

在所獲詞匯-語法模式的基礎上，可以進行非分類關系的提取。具體過程為：對待提取的文檔利用LTP進行分段、分句、分詞、依存句法分析；然后將模式匹配歸結為在依存樹中尋找子樹的問題，即對句子的依存樹進行檢測，如果樹中存在這些節點，其滿足模式前件中的每項約束，則模式匹配成功；并將這些節點按照模式的后件轉換為非分類關系。以表2中第3行為例，“鐵觀音原產于福建安溪縣西坪。”這句話的依存樹如圖2所示，因為“鐵觀音”與“產”為主謂關系(SBV)，虛擬節點Root與“產”為HED關系，“產”與“于”為動補結構(CMP)，“于”與“西坪”為介賓關系(POB)，所以滿足了該模式的前件，根據模式的后件，將這些節點轉為非分類關系：產_于(鐵觀音，西坪)。

圖2　“鐵觀音原產于福建安溪縣西坪”的依存樹Fig.2　An example of a D-tree

另外，當利用SBV-HED-VOB模式對句子進行模式匹配時，將句子中依存關系名稱為“SBV”、“HED”、“VOB”的詞組成三元組，然后再去判斷這些三元組內部的依存關系是否和模式中的完全一致，當一致時，則匹配成功，否則失敗。

1.1.5對詞匯-語法模式添加約束

(1)對結果進行過濾

針對模式過于寬泛而影響準確率的問題，為避免抽取出一些非農業領域的通用語義關系，采用詞表過濾的方式，當關系的施事概念、受事概念都屬于植物領域相關概念時，保留該關系，其余關系則為錯誤關系。這種方式可以大幅提高關系抽取的準確度。

(2)對詞匯-語法模式增加限制

對上述詞匯-語法模式進行改進，添加更多的約束，以提高模式的準確度。改進方法的流程如圖3所示。

圖3　改進方法的流程圖Fig.3　Flow chart of the improved method

單個限制用如圖4所示的方式表示。可以用Constraint Combination對象表示多個限制的組合。

圖4單個限制的數據結構
Fig.4Data structure of a single constraint

首先用基本模式，如SBV-HED-VOB在標注集上進行初步抽取，對于抽取成功的實例，本文將施事概念、關系名稱、受事概念的詞性和詞中的字用圖4中的方式表示為限制(限制值均為XML處理過程中對文本的標記。其中，段落id和句子id分別為實例所在段落和句子的位置；基準id為依存父節點在句子中的位置；相對于基準的偏移量為抽取實例與依存父節點位置差值；限制的值為模式抽取的正確實例所含的特征)，并計算這些限制的所有子集在標注集上的Laplacian值，Laplacian因子計算公式為

(2)

式中e——抽取的錯誤數

n——抽取的總數

Laplacian用來估計所添加的約束的性能好壞，Laplacian值低的表示該限制組合在標注集上抽取表現良好。

1.2基于百度百科半結構化文本的非分類關系抽取

由于對模式增加限制會對抽取非分類關系的召回率造成影響，本文除了從非結構化文本信息中進行關系提取，還有效利用百度百科中大量的半結構化文本，這些半結構化文本通常是經過總結和提純過的知識，相較于自然語言處理的方式，這種通過收割半結構化文本的知識重用方式不僅可以抽取非分類關系作為補充來提高召回率，還具有簡單易行、準確度高的優點，因而也是本體學習的一個重要途徑。

百度百科的詞條結構包括：詞條名稱、百科名片、段落標題和目錄、詞條正文等。可用于抽取非分類關系的半結構化信息存在于百科名片和詞條正文的表格中。

百科名片中包含了大量的植物別名、產地等屬性信息，該類信息也為植物領域非分類關系的一部分，且清晰易得。百度百科詞條正文中的大部分都是非結構化的自由文本，但是有的詞條正文中也會同時采用表格的方式表示知識。

本文利用百度百科詞條半結構化信息的方法為：對網頁的DOM樹進行解析處理，查找出其中表示百科名片中詞條基本信息欄表格和正文表格的HTML標簽，獲取表格中“分布區域”等表示非分類關系的表項，然后將其轉換為對應的非分類關系三元組，其中，關系名稱為表格中表項的名稱，施事概念為詞條名稱，受事概念為表項的內容。因為表達受事概念的表項內容通常為一些簡單的自然語言語句，因此需先對其進行LTP分詞、命名實體識別等處理。例如表3為百度百科詞條“紫薯”的正文中的一張表格，其中含有較多的表示營養成分的概念，因此觸發了非分類關系的生成，這些概念均處于表示營養成分主題的列表中，故非分類關系的名稱取“營養成分”。

1.3抽取結果的形式化

將抽取的關系三元組用OWL(Web ontology language)語言進行形式化，并借助Protégé的可視化插件OWLPropViz進行抽取結果的顯示。對應的可視化結果如圖5所示。

2　實驗與結果分析

本研究從收集的語料中挑選了70個含有植物

表3　百度百科中紫薯的營養成分Tab.3　Nutrients of Solanum tuberdsm in Baidu encyclopedia

注：各成分含量為每100 g中的含量。

圖5　部分結果的可視化結果Fig.5　Partial results of visualization

分布區域關系的句子和31個含有植物病蟲害關系的句子，測試上文提出的非分類關系抽取方法的性能。作為抽取方法的baseline，基本模式的抽取情況如表4所示。其中SBV-HED-VOB模式主要用于病蟲害關系的抽取，SBV-HED-CMP-POB模式主要用于分布區域關系的抽取。

表4　基本模式的抽取情況Tab.4　Extraction of basic pattern

注：表中N/A表示不可用。

從表4中可以看出，在利用LTP對文本進行自然語言處理結果的基礎上，直接用模式進行抽取，準確率在70%左右，還有較大的提升空間。一方面，LTP對于長難句和語言風格偏科研文獻句子的處理結果都會有一些問題。因此，本文把LTP處理有錯誤的句子進行過濾，模式抽取準確率大有提升。另一方面，針對模式過于寬泛而影響準確率的問題，本文采用詞表過濾的方法作為對模式的一種改進。如表4所示，過濾后的結果具有較高的準確率。

另一種提高模式準確率的改進方法是為其增加限制。將31個含有植物病蟲害關系的句子分為2部分，前15個句子用來計算限制的Laplacian因子，并據此挑選在其上表現最優的限制；然后將模式和限制合在一起，用來抽取后16個句子中的病蟲害關系。這時根據啟發式的策略選擇擁有最低Laplacian值的限制，測試語句上的準確率如表5所示。

表5　加上限制后模式的抽取情況Tab.5　Extraction after adding restriction

可以看出，通過對模式增加限制，可更充分地利用除依存關系外的其他語言特征，從而提高了模式的抽取準確度。

近幾年內，國內外本體學習界也有一些非分類關系學習的研究，例如加拿大ZOUAQ等[21]研究的OntoCmaps工具，以及國內的古凌嵐等[22]提出的中文本體非分類關系抽取方法，這些研究在一定程度上代表了當前本體非分類關系學習的水平，非分類關系抽取方法的性能如表6所示。

表6　相關研究的抽取情況Tab.6　Extraction condition of related study

ZOUAQ等在OntoCmaps中采用的是手工總結的詞匯-語法模式，其在論文中的測評結果顯示，該方法在不同語料上的性能波動較大，故表6中給出了其平均準確率的最大和最小值，總的來說，該結果和本文手工設定的模式準確率基本一致，但二者均由于LTP性能問題以及其方法缺少對結果的過濾功能，導致抽取的準確率偏低。

綜合實驗結果來看，本文用改進的詞匯-語法模式作為非分類關系提取的基本方法，已經能夠達到與同類方法相當的準確度。在此基礎上，分別利用基于詞表過濾的方法和給模式添加限制的方法，較大程度地提高了關系抽取的準確度。

3　結論

(1)以網絡百科為知識來源，在信息提取、自然語言處理等領域的一些關系抽取方法基礎上，提出了一種改進的基于詞匯-語法模式的中文非分類關系抽取辦法，實驗表明其有效地提高了模式的準確度，取得了預期的效果。

(2)本文的研究屬于嘗試性的探索工作，測試的語句集還較少，未來還有一些需要改進的地方和可能的研究方向：鑒于LTP等中文自然語言處理工具在百度百科的文本上性能有所下降，說明目前的技術在依存句法分析等相對深層的自然語言處理中與完全實用尚有一定的距離。本體是知識圖譜表示的概念模型和邏輯基礎，在本體非分類關系抽取的基礎上，進行實體和關系的映射，構建完整的植物領域知識圖譜還需要進一步完善。

1王昊奮. 大規模知識圖譜技術[EB/OL]. (2014-06-12)http:∥www.China-cloud.com/zhongyunxy/20140612_38070.html.

2DESHPANDE O, LAMBA D S, TOURN T, et al. Building, maintaining, and using knowledge bases: a report from the trenches[C]∥2013 SIGMOD’13, 2013:1209-1220.

3程童凌, 李娟子. 基于維基類百科知識資源的實體關系發現和語標注[J]. 電子技術與軟件工程, 2015(18):170-173.

4MAEDCHE A, STAAB S. Ontology learning for the semantic web[J]. IEEE, Intelligent Systems, 2001, 16(2):72-79.

5WONG W, LIU W, BENNAMOUN M. Ontology learning from text: a look back and into the future[J]. Acm Computing Surveys, 2012, 44(4):1-36.

6廖福燕. 本體構建中概念和關系獲取方法研究[D]. 西安:西安建筑科技大學, 2011.

LIAO Fuyan. Research on domain ontology concept and relation acquisition[D]. Xi’an:Xi’an University of Architecture and Technology,2011.(in Chinese)

7谷俊, 嚴明, 王昊. 基于改進關聯規則的本體關系獲取研究[J]. 情報理論與實踐, 2011, 34(12):121-125.

GU Jun, YAN Ming, WANG Hao. Research on ontology relation extraction based on improved association rule[J]. Information Studies, 2011, 34(12):121-125. (in Chinese)

8舒萬里. 中文領域本體學習中概念和關系抽取的研究[D]. 重慶:重慶大學, 2012.

SHU Wanli. Research on concept and relation extraction of Chinese domain ontology[D]. Chongqing: Chongqing University, 2012. (in Chinese)

9胡云飛. 本體學習中關系獲取的研究[D]. 西安：西安建筑科技大學, 2012.

HU Yunfei. Research on relations acquisition of ontology learning[D]. Xi’an: Xi’an University of Architecture and Technology, 2012. (in Chinese)

10邱桃榮,黃海泉,段文影,等.非分類關系學習的粒計算模型研究[J].南昌大學學報:工科版,2012,34(3):273-278.

QIU T R, HUANG H Q, DUAN W Y, et al. Research on granular computing model for non-taxonomic relations learning[J]. Journal of Nanchang University, 2012,34(3):273-278. (in Chinese)

11梁吉震. 基于領域概念知識的非分類關系學習研究[D]. 長春:吉林大學, 2012.

LIANG Jizhen. Research on non-taxonomic relationships learning based on domain concept knowledge[D]. Changchun: Jilin University, 2012. (in Chinese)

12WEICHSELBRAUN A, WOHLGENANNT G, SCHARL A. Refining non-taxonomic relation labels with external structured data to support ontology learning[J]. Data & Knowledge Engineering, 2010, 69(8):763-778.

13向陽, 張波, 韓婕. Agent驅動的中文本體智能構建研究[J]. 計算機工程與應用, 2009, 45(10):133-137.

XIANG Yang, ZHANG Bo, HAN Jie. Agent driven intelligent construction of Chinese ontology[J]. Computer Engineering and Appfication, 2009, 45(10):133-137. (in Chinese)

14葉瓊. 農業領域本體知識云化方法研究[D]. 合肥:安徽農業大學, 2012.

YE Qiong. Research on cloudization method of agricultural ontology knowledge[D]. Hefei: Anhui Agricultural University, 2012. (in Chinese)

15鄧子平. 面向醫學診療的本體自動生成系統的研究與開發[D]. 廣州:廣東工業大學, 2011.

DENG Ziping. Research and development of a ontology automatic generation system oriented medical diagnosis[D]. Guangzhou: Guangdong University of Technology,2011. (in Chinese)

16馬莉,陳志新.基于網站結構的領域本體學習方法[J].計算機光盤軟件與應用,2014(16):83,85.

MA Li, CHEN Zhixin. Domain ontology learning mehtod based on structure of the site[J]. Computer CD Software and Applications,2014(16):83,85. (in Chinese)

17王紅,高斯婷,潘振杰,等.基于NNV關聯規則的非分類關系提取方法及其應用研究[J].計算機應用研究,2012,29(10):3665-3668.

WANG Hong, GAO Siting, PAN Zhenjie, et al. Application and research of non-taxonimic relation extraction method based on NNV association rule[J]. Application Research of Computers, 2012, 29(10): 3665-3668. (in Chinese)

19SERRA I, GIRARDI R, NOVAIS P. Evaluating techniques for learning non-taxonomic relationships of ontologies from text[J]. Expert Systems with Applications, 2014, 41(11):5201-5211.

20CHE W, LI Z, LIU T. LTP: a Chinese language technology platform[C]∥Proceedings of the 23rd International Conference on Computational Linguistics: Demonstrations, 2010:13-16.

21ZOUAQ A, GASEVIC D, HATALA M. Linguistic patterns for information extraction in OntoCmaps[C]∥Proceedings of the 3rd Workshop on Ontology Patterns, 2012:1-12.

22古凌嵐, 孫素云. 基于語義依存的中文本體非分類關系抽取方法[J]. 計算機工程與設計, 2012, 33(4):1676-1680.

GU Linglan, SUN Suyun. Approach to Chinese ontology non-taxonomic relation extraction based on semantic dependency[J].Computer Engineering and Design, 2012, 33(4):1676-1680. (in Chinese)

Research on Ontology Non-taxonomic Relations Extraction in Plant Domain Knowledge Graph Construction

Zhao MingDu YaruDu HuifangZhang JiajunWang HongshuoChen Ying

(CollegeofInformationandElectricalEngineering,ChinaAgriculturalUniversity,Beijing100083,China)

In order to provide more specific knowledge and technology of plant field, the main task of KG (knowledge graph) is to extract a wealth of concepts and relationships. Due to the relation extraction is the most difficult in KG construction, this paper makes use of ontology learning, and proposes a non-taxonomic relation learning method to obtain representative concepts and their relations from unstructured and semi-structured texts of Baidu Encyclopedia entry content by using lexicon-syntactic patterns based on dependency grammar analysis. Moreover, the methods of adding constraint models and words filtering were adopted to build heavy weight ontology automatically based on a lightweight ontology and greatly improved the precision of the relation extraction. The approach established a concept structure from the plant domain corpus, ameliorated the discovery of the most representative non-taxonomic relation, and formalized them in the standardized OWL 2.0. A set of experiments was performed using the approach implemented in the plant domain. The results indicated that extraction by patterns should be performed directly after natural language processing, which has a comparatively high accuracy compared to the former algorithms, and this approach can extract non-taxonomic relations with high effectiveness, which lays the foundation for KG construction of plant field.

plant domain ontology; knowledge graph; non-taxonomic relation; ontology learning； Baidu Encyclopedia

10.6041/j.issn.1000-1298.2016.09.038

2016-03-09

2016-05-15

國家自然科學基金項目(61503386)

趙明(1963—)，男，副教授，主要從事知識工程與計算機圖形學研究，E-mail: zhaoming@cau.edu.cn

陳瑛(1978—)，女，副教授，主要從事自然語言處理研究，E-mail: chenying@cau.edu.cn

TP391

A

1000-1298(2016)09-0278-07