一種基于領域詞典的XML非結構化信息模式識別方法

杜 巍

（中國人民解放軍海軍艦艇學院，遼寧 大連116018）

0 引言

生產發展推動了社會分工，在效率關乎興亡的社會條件下，許多行業都開始通過以整合資源、系統運作的方式增強競爭力。系統的日益龐大也造成了其外延的不斷擴散，觸及的領域之多、范圍之廣已經超過了人類個體的認知范圍。另一方面，人類注意力的有限性使得他們在信息爆炸時代的海量“信息碎片”中難以取舍。準確快捷的提供用戶所需要的信息，淡化的無關信息，就需要利用各種技術對環境和客體中各種龐雜的信息進行采集并有效進行模式識別。

模式識別是一種計算機通過對信息依次進行采集，預處理，特征或基元抽取，模式分類，以自動或者在人盡量少干預的情況下把待識別模式歸入相應的模式類中去的技術傳統的模式識別方法，主要有統計模式識別法和結構模式識別法。統計模式識別法是通過對待識別對象進行特征提取,然后根據某種準則所確定的決策函數進行分類，即從信息特征空間映射到決策空間；結構模式識別法，則是通過把一個模式描述成子模式的方式，形成一個樹形的描述結構。

在非結構化信息面前，傳統的模式識別方法往往難以滿足計算量和復雜的信息描述方式。隨著模糊數學及人工智能的發展，人們開始了模糊模式識別和智能模式識別的研究，尤其是人工神經網絡在模式識別中產生了較大的成就。然而經驗表明，在灰色領域，即信息數量龐大，結構復雜，內容零碎而情況下，運用神經網絡方法，效率并不盡人意。而基于統計的方法和確定演繹方法均有各自的局限性，如樣本持有量和計算量和使用范圍，需要加以綜合、改進。本文嘗試一種分層的模式識別與信息分類系統結構，使之能夠滿足多范疇不完整的非結構化信息進行模式識別。

1 非結構化信息的概念與XML語言的特性

現實情況下，受到信息來源，信息范疇和保存格式的影響，許多實際問題中，信息的內部結構、參數聚合特征一般不能全部被人們了解。即使事實上這些信息存在這大量聯系實際內容重合，但由于呈現出的結構各不相同，表面描述雜亂無序，內容因采集方式的局限顯得殘缺不齊，難以通過傳統的方法進行識別和分類，這樣的不完全信息都屬于非結構化信息。不完全信息本身固有的語義包括：不完全信息是否有可用來取代該不完全信息的完全信息的值——實值，實值的個數，實值的限定范圍[8]。根據這些語義信息，不完全信息可以分為三類：“不存在型不完全信息”，即某個關系的某一個元組在某一個屬性上不該具有任何實值；“存在性不完全信息就”，即某個關系的某一個元組在某一個屬性上本應必然著幾個實值，但在當前是未知的，需要未來確知這個實值，這個確知的過程稱之為完全化；“占位型不完全信息”，關系的某一個元組在某一屬性上尚不知是否存在某種實值，它可能是不存在性不完全信息，也可能是存在性不完全信息。當作為數據源的傳感器、網絡端口數量龐大，種類繁多的情況下，統一的數據格式往往難以實現，更多的是以非結構化的形式出現，為了促進數據交換與操作，人們開發了各種語言標準，目前比較常用的方法是采用可擴展標記語言XML(eXtensible Markup Language)，這種標記語言有這便于信息檢索、數據內容與形式分離的好處，是信息載體的發展趨勢，也是模式識別的主要研究對象。

2 基于分層領域詞典的非結構化信息的模式識別方法

零散信息源或未知信息源所傳遞的信息，識別工具僅能獲取表面標識和大體結構，而對其攜帶的信息以及實際對應的范疇難以確認，這種部分信息已知而部分信息未知的系統，稱之為灰色系統。對灰色系統的認知適合采用分層次的白化方法，即從大概念上的范疇逐步劃分為其下的子范疇，類似領域本體的層次劃分，呈現出一種樹形結構，劃分的子范疇具有更具體的領域特征和對應的領域詞庫可以對待識別對象進行進一步匹配，這樣既可以降低計算量，增強了系統在低精度要求條件下的識別正確率的魯棒性。

假設收到一組信息，先通過少量具有明顯可區別性特征的元素，如年齡信息、作者信息、具有明顯的特征性，其可能所屬領域范疇則顯著縮小，只需要傳遞致含有生物信息或文化產品信息的領域識別列表處，再通過運用該領域的數據字典庫對目標模式進行比對，做出更細化的劃分，直到抵達葉子節點或需要達到的識別級別。

這種方式有點像本體的概念的劃分，標準頂級本體概念下根據條件的細化從THING（事物）這樣的宏大概念，到GraphLoop（環形圖像）這樣的領域概念。如圖1。

圖1 標準頂級本體概念樹

識別過程：假定收到一組未知對象信息X,需要確認其所屬模式ω，該模式屬于一個論域Ω，通過分析對象X的信息，可以獲知X包含了 n 個屬性，記 為 X=｛x1,x2,… ,xn｝，其中 xi（i=1，2,… ,n）是第 i個屬性,每個屬性x又包括屬性名和屬性值；某一待模式ω內包含了m個屬性，記為 ω=｛ωa1、ωa2…ωam｝，其中 ωaj（j=1,2,…,m）是模式 ω 的第 j個屬性，考慮到信息的格式可能存在不規范特征，比如XML格式中屬性名字可以自己定義，不同名稱的屬性可能表示不同的概念，這就需要為每一個屬性名構造一個近義詞匹配表，該表結構如表1。

表1

這里設的權值ra是衡量的是該信息來源的匹配程度，即近義詞與規范名稱的貼近程度，注意的是因為不同的命名方式與知識領域是相關的，不同的命名方式即使意義相同，也可能降低了屬于本領域的可能性。

校正動作用于該屬性名對應的屬性值，如例子中因為單位的不同需要修正屬性值的大小。v表示該屬性的值，f（v）表示校正后的值。

以某領域距離單位名稱為例：

同樣，對于某個領域下該屬性名的屬性值有一定分布規律，對匹配對象的屬性值分布可能性進行權重確定和處理。

模式ω與對象X的匹配度計算公式如下：

一個待識別對象X與一個模式模式ω的匹配值決定了他們的匹配程度，可以根據需要選擇保留超過事先確定的閾值的若干模式，也可以取最大匹配值的模式作為結果。計算的結果可以根據需求進行下一步處理或舍棄，如信息明顯不屬于用戶關注的領域，則可以忽視此信息，否則以該模式代表的領域，構建新的論域，進行下一級模式匹配。

3 效果驗證

為了驗證以上方案的有效性，構造了一組簡單的不完全信息的案例作為仿真分析，假設某艦艇收到一組XML格式的信息，

＜目標＞

＜時間＞XXX＜/時間＞

＜經度＞121＜/經度＞

＜緯度＞41＜/緯度＞

＜高度＞＜/高度＞ //注：空標識，屬于存在型不完全信息

＜反射面積＞60＜/反射面積＞

＜速度＞40＜/速度＞

＜方向＞135＜/方向＞

＜/目標＞

假設待匹配的模式有3種：模式1(飛機或導彈)、模式2（艦船）、模式3（潛艇或水雷）。

各自的模式特征屬性：（括號內為該屬性的權重）

模式 1：高度（0．6）、反射面積（0．2）、速度（0．3）

模式 2：高度（0．3）、反射面積（0．2）、速度（0．3）、噪聲（0．2）

模式 3：深度（0．6）、速度（0．1）、噪聲（0．3）

需要注明的近義詞表有：

表4 模式3

各模式的屬性分布（只附上待識別目標匹配的）：

表7 模式3

計算結果為 P（X，ω1）=0．40

從計算結果來看，待識別對象為艦船的可能性最大，潛艇的可能性最小，基本符合人的主觀認知。

4 結論

這種模式識別方法具有計算簡單，對數據的結構性和完整性要求十分寬松的特點，適合知識總量可控的領域使用，如果以此進行建立較大領域的模糊識別，需要得到較完善的領域知識和豐富的認知詞典內容的支持。

［1］熊超．模式識別理論以其應用綜述[J]．中國科技信息，2006，6：171－173．

［2］靳光俊，范學峰，郭文宏，金玉．基于灰色理論的整體模式匹配 [J]．信息技術，2008，11：41－45．

［3］韓景倜，盧致杰，覃正．基于XML的復雜信息系統自動分類方法[J]．系統工程理論方法應用，2005，12：487－491．

［4］王智君．粗糙集規則簡約的放蕩發在模式識別中的應用[J]．微計算機應用，2009，5，30（5）．