秦鵬

摘要：構(gòu)建本體是一項(xiàng)重要而十分繁重的工作。為了提高構(gòu)建領(lǐng)域本體的效率，該文提出利用爬蟲(chóng)技術(shù)從互聯(lián)網(wǎng)中自動(dòng)獲取相關(guān)領(lǐng)域知識(shí)，重用WordNet的結(jié)構(gòu)并從中獲取領(lǐng)域知識(shí)，半自動(dòng)構(gòu)建領(lǐng)域本體。

關(guān)鍵詞：WordNet；重用；領(lǐng)域本體；爬蟲(chóng)技術(shù)

中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2015）27-0180-02

1 概述

互聯(lián)網(wǎng)技術(shù)高速發(fā)展的今天，網(wǎng)絡(luò)信息急劇膨脹，用戶在浩瀚的互聯(lián)網(wǎng)中獲取需要的數(shù)據(jù)，主要還是依靠傳統(tǒng)的搜索引擎，然而通用搜索引擎也存在很多弊端和局限：搜索引擎根據(jù)用戶提供的關(guān)鍵字返回一條條鏈接，而這些鏈接包含大量用戶并不需要的網(wǎng)頁(yè)，并且通過(guò)關(guān)鍵字搜索的技術(shù)難以支持根據(jù)語(yǔ)義信息進(jìn)行的查詢；通用搜索引擎力求搜索面更加廣泛，而服務(wù)器資源有限，這兩者之間矛盾將日益凸顯；信息形式不斷豐富，傳統(tǒng)搜索引擎對(duì)圖片、音頻、視頻等多媒體形式還不能很好的發(fā)現(xiàn)和支持。

信息技術(shù)朝著智能化發(fā)展，因此信息和數(shù)據(jù)的表示不能像以往那樣僅僅停留在語(yǔ)法層面，更應(yīng)該聚焦在語(yǔ)義層面。本體是一種概念模型建模工具，是語(yǔ)義網(wǎng)絡(luò)的核心技術(shù)，它能在語(yǔ)義和知識(shí)層面上描述信息和數(shù)據(jù)，為解決上述問(wèn)題提供了一種良好途徑，已經(jīng)在很多領(lǐng)域得到廣泛應(yīng)用，引起了國(guó)內(nèi)外很多研究人員的關(guān)注。在基于本體的應(yīng)用中，最基礎(chǔ)和核心的工作是構(gòu)建領(lǐng)域本體。然而本體構(gòu)建是一項(xiàng)基礎(chǔ)卻不簡(jiǎn)單的工作，目前很多領(lǐng)域本體的構(gòu)建普遍面臨幾大困難：缺乏領(lǐng)域內(nèi)專家的支持，基本都是靠計(jì)算機(jī)人員根據(jù)自身理解建立本體概念和屬性，很難達(dá)到共同認(rèn)可的知識(shí)水平；本體構(gòu)建基本上以人工處理為主，這樣的構(gòu)建效率難以適應(yīng)目前信息爆炸的互聯(lián)網(wǎng)時(shí)代；構(gòu)建出來(lái)的本體得不到重用，基本上一個(gè)本體的構(gòu)建都是從頭開(kāi)始，不能很好地利用已有本體。因此，如何高效的構(gòu)建本體是本體研究中一個(gè)迫切需要解決的難題。

2 本體簡(jiǎn)介

本體（ontology）最早是一個(gè)哲學(xué)概念，意思是對(duì)本質(zhì)和存在的一個(gè)系統(tǒng)的描述[1]。而本體在人工智能界有其新的定義，對(duì)本體的理解也在逐步發(fā)展并趨于成熟。在文獻(xiàn)[2]中提到本體的定義有以下幾種：

（1）1991年，Neches 等人，將本體（ontology）定義為“給出構(gòu)成相關(guān)領(lǐng)域詞匯的基本術(shù)語(yǔ)和關(guān)系，以及利用這些術(shù)語(yǔ)和關(guān)系構(gòu)成的規(guī)定這些詞匯外延的規(guī)則的定義”。這是本體在AI領(lǐng)域中的第一個(gè)定義。

（2）1993年，Gruber，將本體（ontology）定義為“概念模型的明確的規(guī)范說(shuō)明”。這是關(guān)于本體的一個(gè)最為流行的定義。

（3） 1997年，Borst，將本體（ontology）定義為“共享概念模型的形式化規(guī)范說(shuō)明”。這是在Gruber定義的基礎(chǔ)上給出的另一種定義。

（4）1998年，Studer，將本體（ontology）定義為“共享概念模型的明確的形式化規(guī)范說(shuō)明”。這是Studer等人對(duì)（2）（3）兩個(gè)定義進(jìn)行了深入的研究，提出的本體的新定義。

在這些定義中，Studer提出的定義是最為著名和引用最為廣泛的，這個(gè)定義指出了本體的4層含義：共享、概念模型、明確和形式化[3]，其具體含義如圖1所示：

目前領(lǐng)域本體的構(gòu)建方法各有不同，但是無(wú)論如何構(gòu)建本體是一項(xiàng)非常繁重的工作，盡管出現(xiàn)了一些自動(dòng)、半自動(dòng)的手段，在構(gòu)建效率上取得了一定的進(jìn)步，但是要實(shí)現(xiàn)全自動(dòng)構(gòu)建本體是非常困難的，因此，如何快速構(gòu)建本體成為一個(gè)熱點(diǎn)研究問(wèn)題。針對(duì)以上不足，本文提出利用爬蟲(chóng)技術(shù)和基于WordNet重用的領(lǐng)域本體構(gòu)建方法。該方法利用爬蟲(chóng)技術(shù)把一系列含有共同主題的網(wǎng)頁(yè)都關(guān)聯(lián)到一個(gè)文檔或一個(gè)文檔集中，有選擇的從互聯(lián)網(wǎng)上獲取到領(lǐng)域內(nèi)相關(guān)信息。以WordNet為源本體，分析領(lǐng)域內(nèi)術(shù)語(yǔ)結(jié)構(gòu)和語(yǔ)義關(guān)系，從WordNet中抽取出相關(guān)領(lǐng)域的本體，得到一個(gè)領(lǐng)域子本體，重用WordNet的結(jié)構(gòu)，并從中獲取領(lǐng)域知識(shí)，從而半自動(dòng)地快速構(gòu)建特定領(lǐng)域的本體。

3 網(wǎng)絡(luò)爬蟲(chóng)技術(shù)

網(wǎng)絡(luò)爬蟲(chóng)意思是Spider，另外Crawler，robots也有此意。網(wǎng)絡(luò)爬蟲(chóng)是從互聯(lián)網(wǎng)上自動(dòng)抓取網(wǎng)頁(yè)的程序，在本體系統(tǒng)運(yùn)行，不斷向互聯(lián)網(wǎng)服務(wù)器發(fā)送讀取網(wǎng)頁(yè)的請(qǐng)求。根據(jù)特定目標(biāo)或主題，事先把重要的鏈接加入隊(duì)列，然后遍歷這些鏈接，讀取這些網(wǎng)頁(yè)的內(nèi)容，并從這些網(wǎng)頁(yè)中提取出新的網(wǎng)頁(yè)鏈接，把這些新提取的鏈接加入遍歷隊(duì)列，不斷重復(fù)這個(gè)過(guò)程直到滿足一定停止條件。一個(gè)爬蟲(chóng)過(guò)程中可概括為下面幾個(gè)步驟：

（1） 對(duì)抓取目標(biāo)或主題進(jìn)行描述，確定目標(biāo)；

（2） 根據(jù)已完成的主題描述進(jìn)行分析和過(guò)濾，確定要保留的網(wǎng)頁(yè)和數(shù)據(jù)；

（3） 根據(jù)特定算法預(yù)測(cè)下一步要訪問(wèn)的網(wǎng)頁(yè)鏈接；

（4） 對(duì)鏈接隊(duì)列進(jìn)行先后排序，優(yōu)先爬取相關(guān)度較高的鏈接。

在設(shè)計(jì)爬蟲(chóng)時(shí)要考慮很多方面，最重要的是怎樣從眾多鏈接中選擇下載重要的網(wǎng)頁(yè)，而不是下載全部網(wǎng)頁(yè)，因此在隊(duì)列中排列鏈接的優(yōu)先級(jí)十分重要，在這方面國(guó)內(nèi)外研究人員已經(jīng)做了很多工作，最著名的是PageRank算法和HITS算法，PageRank算法已經(jīng)成功應(yīng)用于Google搜索引擎中，這兩個(gè)算法都是基于鏈接分析的方法，缺乏語(yǔ)義層面上的分析，因此利用本體技術(shù)，結(jié)合網(wǎng)頁(yè)鏈接和語(yǔ)義層面的爬蟲(chóng)搜索技術(shù)仍有很大的提高空間。

4 WordNet

WordNet是由Princeton 大學(xué)（普林斯頓大學(xué)）的認(rèn)知科學(xué)實(shí)驗(yàn)室在心理學(xué)教授喬治·A·米勒的指導(dǎo)下建立的一種基于認(rèn)知語(yǔ)言學(xué)的英語(yǔ)詞典。WordNet不像普通的英語(yǔ)字典那樣，僅僅依照字母的順序?qū)卧~排列并解釋其詞義，而是構(gòu)建了一個(gè)語(yǔ)義網(wǎng)絡(luò)，這是與傳統(tǒng)詞典的一個(gè)最明顯的區(qū)別。在這個(gè)語(yǔ)義網(wǎng)絡(luò)中，一個(gè)個(gè)的名詞、動(dòng)詞、形容詞、副詞按照其語(yǔ)義被分成不同的詞組，這些詞組具有相同含義，一定程度上就是同義詞集合，被稱作synset，每一個(gè)synset都有自己的注釋和定義，用來(lái)代表概念（concept）。不同的synsets之間的關(guān)系也有注釋和分析，表達(dá)上下位、同義反義、整體與部分、繼承等不同語(yǔ)義關(guān)系，經(jīng)過(guò)這樣的過(guò)程，原本抽象的概念變得具體而且可以通過(guò)詞匯意義加以操作，概念節(jié)點(diǎn)之間建立起具有語(yǔ)義關(guān)系的復(fù)雜語(yǔ)義網(wǎng)絡(luò)。所以說(shuō)WordNet是刻畫(huà)本體的一個(gè)字典。

領(lǐng)域術(shù)語(yǔ)詞典中的內(nèi)容都是標(biāo)準(zhǔn)化的術(shù)語(yǔ)，可看作是領(lǐng)域?qū)＜覍?duì)領(lǐng)域知識(shí)的一個(gè)濃縮，我們選取現(xiàn)有的領(lǐng)域術(shù)語(yǔ)詞典作為領(lǐng)域術(shù)語(yǔ)集，并以之為依據(jù)從源本體中抽取特定領(lǐng)域的子本體。這樣不僅節(jié)省大量的時(shí)間和精力，更重要的是不需要領(lǐng)域?qū)＜业倪^(guò)多支持，就可以獲得高精度和標(biāo)準(zhǔn)化的領(lǐng)域知識(shí)。

在抽取過(guò)程中有很多問(wèn)題需要注意，比如從源本體中刪除領(lǐng)域無(wú)關(guān)的概念時(shí)，若直接刪除，則該概念原來(lái)的下位概念和上位概念就失去了聯(lián)系，這使得抽取出的子本體中出現(xiàn)過(guò)多孤立的節(jié)點(diǎn)。這個(gè)問(wèn)題可以利用WordNet 中的傳遞性關(guān)系解決。

綜上所述，本體構(gòu)建方法仍有很多提高的空間，利用爬蟲(chóng)技術(shù)獲取相關(guān)網(wǎng)頁(yè)知識(shí)，重用已有的標(biāo)準(zhǔn)化本體中的部分知識(shí)，是提高本體構(gòu)建效率的可行之法。

參考文獻(xiàn)：

[1] MaedcheAlexander，StaabSteffen.OniologyLearningfortheSemantieWeb[M].Norwell：KluwerAeademiePublishers，2002.

[2] 鄧志鴻，唐世渭，張銘，等.Ontology 研究綜述[J].北京大學(xué)學(xué)報(bào)（自然科學(xué)版），2002（5）.

[3] Studer R，Benjamins V R，F(xiàn)ensel D.Knowledge Engineering，Principles and Methods[J].Data and Knowledge Engineering，1998，25（1-2）：16l-197.

[4] 王慶連. 基于本體的交通導(dǎo)航數(shù)據(jù)語(yǔ)義查詢研究[D].大連海事大學(xué)，2009.

[5] 劉臣. 組織內(nèi)部知識(shí)網(wǎng)絡(luò)的結(jié)構(gòu)及知識(shí)共享博弈研究[D]. 哈爾濱工業(yè)大學(xué)，2010.