基于語義Web的Blog智能檢索系統研究

崔 琳(宿州學院信息工程學院，安徽 宿州234000）

汪材印(宿州學院機械與電子工程學院，安徽 宿州234000）

自2003年以來，與Web 2．0相關的技術不斷涌現，其中Blog（博客）是最熱門應用之一，其開放性和易于發布性已吸引了眾多用戶。隨著Blog的發展，Blog頁面的數量呈指數級上升，只靠傳統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搜索引擎進行研究。目前，已經出現了許多頂級的Blog搜索引擎，如Technorati、BlogStreet等，Google也推出了中文Blog搜索引擎，但針對某一領域知識檢索的專業Blog搜索引擎還比較少[1]。為此，筆者基于語義Web思想，對計算機領域的Blog日志進行搜索的智能檢索系統進行了研究。

1 語義Web的體系結構

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

若要讓計算機理解Web上的語義，需要為計算機提供描述Web數據的數據，即元數據。資源描述框架RDF（Resource Description Framework，RDF）正是描述資源的元數據模型。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的體系結構

2 系統設計

為實現語義檢索計算機專業領域Blog日志，設計的系統結構由RSS采集子系統、RSS處理子系統和Blog查詢子系統3個模塊構成，每個大的模塊又詳細劃分為若干個小模塊(見圖2）。具體內容如下：①聚合內容采集子系統。Blog網頁的聚合內容(really simple syndication，RSS）文件中包含該Blog網頁的重要信息，通過RSS的自動 “推送”，用戶可以很及時的獲得Blog網頁的更新信息，是使用最廣泛的XML應用之一[5]。該系統中，網絡蜘蛛抓取的資源是RSS鏈接所指的XML文檔，這一點和傳統搜索引擎有明顯差別。該模塊設計中主要涉及網絡蜘蛛，其設計的好壞將直接影響系統檢索結果。網絡蜘蛛搜索算法如圖3所示。②RSS處理子系統。對抓取的RSS文件在本體庫的指導下進行語義標注，提取出文檔的特征并對原始資源使用RDF描述形成元數據，然后對元數據索引處理，以提供給查詢子系統進行查詢。③Blog查詢子系統。在本體庫的指導下對查詢詞進行語義擴展和語義推理，將經過擴展的查詢詞在系統的索引庫中查詢，最后把查詢結果返回給用戶。

圖2 Blog智能檢索系統詳細功能模塊

3 本體文件的建立

本體是概念模型的明確的規范化說明[6]。該系統中，需要利用本體對RSS文件進行語義標注，還要對用戶提交的查詢詞進行語義擴展，所以構建良好的本體是十分重要的。設計時使用OWL語言描述本體，采用本體構建工具Protégé構建本體。

圖3 網絡蜘蛛搜索算法圖

3．1 計算機專業領域本體的設計

由于所設計的系統是針對計算機專業領域的Blog日志進行語義查詢，所以要構建計算機專業領域的本體庫，將現有的計算機領域分成7類，即Computer science and technology based subjects（計算機科學技術基礎學科）、Computer Software(計算機軟件）、Computer Application(計算機應用）、Computer Architecture(計算機系統結構）、Artificial Intelligence（人工智能）、Computer engineering(計算機工程）、Computer science and technology other subjects（計算機科學技術其他學科）。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系或父子關系。

定義英語分類的同時，還定義了對應的中文分類，將中英文詞匯用owl：sameas建立同義映射關系，查詢時，借助這種同義關系就可以實現擴展詞義。例如英文 “Database”與中文 “數據庫”之間的同義可表示為：

3．2 RSS文件的本體設計

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 系統實現

選擇Java作為開發平臺，后臺數據庫使用MySQL 2000，Web服務器選擇支持JSP服務的Tomcat。因為CSDN網和希賽網下的Blog是目前互聯網上使用最為廣泛的計算機學科類博客，網絡蜘蛛所抓取Blog網頁主要來自于上述網站。首先在檢索項選擇關鍵詞，檢索值輸入 “數據庫”，點擊“查詢”按鈕，結果如圖4所示。“數據庫”經過該系統的語義擴展推理，得到同義詞匯 “database”和下位詞匯 “sql”，除查詢到含有“數據庫”的Blog網頁外，還查詢到包含 “database”和 “sql”的Blog網頁。

圖4 語義擴展查詢結果界面

5 結 語

針對計算機專業領域Blog日志進行語義搜索的智能檢索系統，使用了本體、語義推理等語義Web技術，把對資源信息的語義處理引入到信息檢索領域中。實際運用表明，該系統對網絡蜘蛛所抓取的計算機領域的Blog日志能實現一般查詢和語義擴展查詢，可以提高信息檢索的查全率和查準率。下一步的工作是對本體庫進行細化和完善，以便使計算機學科類本體庫和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]．計算機工程與設計，2010，31（8）：1718-1721．

[2]葉育鑫，歐陽丹彤 ．語義Web搜索技術研究進展 [J]．計算機科學，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據信息抽取 [J]．微計算機信息，2006，6（3）：304-306．

[5]原舒雨，蔡皖東，李勇軍，等 ．面向博客的智能網絡蜘蛛技術及其系統實現 [J]．微電子學與計算機，2011，28（1）：193-196．

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