張霖　張宇航

摘 要：控制閥產(chǎn)品選型設(shè)計對自動化系統(tǒng)有重要影響，檢索是實現(xiàn)選型設(shè)計自動化的有效手段。傳統(tǒng)的檢索是基于精確本體的，不能完成精確語義信息挖掘，提出一種基于粗糙本體的控制閥產(chǎn)品檢索方法，支持控制閥產(chǎn)品的智能選型。首先，建立控制閥本體庫，將其擴(kuò)成生成粗糙本體；其次，對查詢語句進(jìn)行自然語言處理，提取關(guān)鍵字并利用本體和粗糙本體庫上下位擴(kuò)展檢索實例的算法進(jìn)行語義擴(kuò)展；最后，基于布爾模型表示的文檔，結(jié)合語義擴(kuò)展后的關(guān)鍵字進(jìn)行文檔和查詢的匹配實現(xiàn)了一種基于粗糙本體的控制閥產(chǎn)品檢索原型系統(tǒng)，驗證了提出的檢索方法的有效性。

關(guān)鍵詞：粗糙本體；語義擴(kuò)展；查詢匹配；檢索

一、簡介

控制閥是自動化系統(tǒng)的重要組成部分，合理的選擇控制閥對于自動化系統(tǒng)極其重要。然而，產(chǎn)品選型設(shè)計往往關(guān)聯(lián)著需求方與供給方不同企業(yè)，其來自需求方的應(yīng)用需求同來自供給方的產(chǎn)品屬性之間往往存在著巨大的“語義鴻溝”，造成自動化選型的困難性[1]。

檢索是實現(xiàn)選型設(shè)計自動化的有效手段。然而，傳統(tǒng)的基于關(guān)鍵字檢索方法僅僅考慮到了語法層次的問題，即檢索條件在數(shù)據(jù)庫中是否能夠得到匹配，完全摒棄了檢索條件的概念特征；從知識表示的角度來看，關(guān)鍵詞的檢索僅僅考慮了數(shù)據(jù)匹配，而沒有考慮數(shù)據(jù)本身的結(jié)構(gòu)特征，勢必?zé)o法支持復(fù)雜的檢索需求，因而難以應(yīng)用于控制閥產(chǎn)品的自動化選型中[2，3]。本體具有“概念化、形式化、明確性、共享性”[4]的優(yōu)良特性，基于它的檢索方法能夠有效地捕捉用戶的檢索意圖，合理組織底層數(shù)據(jù)，因而受到廣大學(xué)者的積極關(guān)注[5-7]。然而，精確本體不能很好挖掘隱藏的語義信息，導(dǎo)致檢索的全度和精度不理想。

針對這些問題，本體提出了一種基于粗糙本體的控制閥產(chǎn)品檢索方法，通過引進(jìn)粗糙集到本體中，粗糙本體的概念是S.Ishizu提出的，使本體能夠表達(dá)不精確的信息，能夠解決不精確信息影響檢索結(jié)果的問題。本文包括：粗糙本體庫的構(gòu)建，查詢語句的自然語言處理及基于本體和粗糙本體庫上下位語義擴(kuò)展，基于語義擴(kuò)展后的關(guān)鍵字和文檔的查詢匹配。

語義信息檢索是一種基于概念和概念之間關(guān)系的匹配機(jī)制，語義信息檢索的重點和難點是找到不同概念之間的映射關(guān)系，于是本文用本體和粗糙本體來實現(xiàn)檢索。

對比用精確本體進(jìn)行語義擴(kuò)展，粗糙本體能客服精確本體中信息不完整的問題，粗糙本體是用粗糙集理論對精確本體的擴(kuò)展。粗糙本體的實現(xiàn)難點是知識的表征以及粗糙本體的定義問題。

二、控制閥本體庫和粗糙本體庫

基于粗糙本體的檢索方法利用本體“概念化、形式化、明確性、共享性”的特點，可以有效地分析用戶的檢索意圖，合理組織底層數(shù)據(jù)，實現(xiàn)高效的產(chǎn)品檢索工作。文章中的控制閥本體源于我們先前的工作通過計算將滿足設(shè)定閾值的詞加入查詢，本體模型基于NIST的CPM而擴(kuò)建。粗糙本體用粗糙集理論對精確本體的擴(kuò)展，它不僅可以通過精確概念得到粗糙概念，而且繼承了精確本體的可擴(kuò)展性，因此用它來表示粗糙概念。

粗糙本體定義

粗糙本體表達(dá)為O=，C是粗糙概念集，P是屬性集，R是粗糙概念間的關(guān)系集。為了描述概念粗糙度，粗糙集的上近似和下近似被用來表述概念邊界粗糙度。粗糙概念C是一個三元組C=（U，L，Y），對于一個給出的內(nèi)涵Y，U是概念內(nèi)涵的上近似擴(kuò)展，L是概念內(nèi)涵的下近似擴(kuò)展。

表征：將粗糙本體引入語義信息檢索的前提條件就是知識表征。

一個代表性的OWL表征的粗糙本體模型：

粗糙本體是基于粗糙集對精確本體的擴(kuò)展，因此具有本體庫的可擴(kuò)展性[11]。用OWL編碼的粗糙本體，粗糙度的描述需要增加到對象關(guān)聯(lián)中，也就是上近似擴(kuò)展和下近似擴(kuò)展。表達(dá)OWL粗糙本體分成幾步：（1）定義粗糙類；（2）定義子類；（3）定義粗糙概念上近似擴(kuò)展和下近似擴(kuò)展；（4）定義精確類的函數(shù)范圍。分詞后提取得到的關(guān)鍵字在本體樹找到對應(yīng)的位置，同時也在粗糙本體樹中找到相應(yīng)的位置，然后同時進(jìn)行語義擴(kuò)展，找到精確本體中的上位詞及相對具體的下位詞。（作者單位：北方民族大學(xué)計算機(jī)科學(xué)與工程學(xué)院）

創(chuàng)新項目：北方民族大學(xué)研究生處創(chuàng)新項目（YCX1563）

參考文獻(xiàn)：

[1] 白靜.產(chǎn)品智能選型設(shè)計方法及應(yīng)用研究.博士后論文.2011：1-6

[2] Mousavi SM， Jolai F， and Tavakkli-Moghaddam R. A Fuzzy Stochastic Multi-Attribute Group Decision-Making Approach for Selection Problems[J]. Group Decision and Ngotiation. 2013.22（2）：207-233.

[3] Tavana M， Khalili-Damghani K， and Sadi-Nezhad S. A fuzzy group data envelopment analysis model for hightechnology project selection： A case study at NASA[J]：Computers & Industrial Engineering.2013.66（1）：10-23

[4] 王繼東，張瑜，李娜.基于本體的語義檢索技術(shù)研究實現(xiàn).計算機(jī)技術(shù)與發(fā)展.2009.10.