基于語義系統的中華史籍分析研究

●董　慧，徐　雷，王　菲，俞思偉（武漢大學信息資源研究中心，武漢　430072）

基于語義系統的中華史籍分析研究

●董慧，徐雷，王菲，俞思偉
（武漢大學信息資源研究中心，武漢430072）

［關鍵詞］語義系統；中華史籍；本體

［摘要］隨著知識需求的凸顯以及網絡的迅速發展，將語義技術應用于中華史籍研究成為新的研究課題。基于語義系統的中華史籍分析研究以“中華基本史籍分析系統”為依托，以《二十四史》為資源基礎，建立了基于語義系統史籍分析研究的理論框架、技術路線、邏輯結構，論述了史籍語義系統的內涵，成功地開發了《中華基本史籍分析系統》，并理論聯系實際制定了較為科學的史籍語義分析動態流程，為建立領域語義分析體系提供了新思路。

1　引言

1.1基于語義系統的史籍研究現狀

近年來，隨著知識需求的凸顯以及網絡資源的快速發展，語義信息在計算機與信息系統的相關研究中呈現出越來越重要的作用。所謂語義信息，它屬于知識的范疇，指與某一研究領域有關的語義實體以及語義實體之間的語義關系。其中的語義關系揭示了語義實體之間的數量、時間、因果、方式、狀態等。語義系統，即語義信息系統(Semantic Information System，SIS)，是一種特定的知識管理系統，以描述、提取、存儲、處理、組織、查詢和分析某一個領域大量語義實體以及語義實體關系為目的。目前，在人文歷史學科，特別是古籍研究領域，語義資源是一種稀缺的資源。人文歷史學科知識的語義系統構建研究更是甚少，相關古籍的數字化程度也比較低。由于人文歷史領域知識資源的時空依賴性、主觀性、模糊性和爭議性等特性也使得構建歷史領域，特別是古籍語義系統處于非常復雜和困難的境地。

目前，在知識管理領域中對知識表達、知識組織、知識挖掘、海量數據處理和軟件重用等方面出現了很多新問題，包括網絡異構環境下的互操作問題（如技術互操作、資源互操作和組織互操作等），Web資源相融合成指數級增長的海量信息帶來的擴展性、可控性和可管理性問題，面向全球開放模式涉及的跨語言和跨文化問題等。這三者相互交織在一起，對知識存儲和知識服務提出了更高要求。近年來，知識工程研究者應用語義核心技術——本體知識系統建模，開始了諸多新探索。本體及其相關技術對于促進知識系統的發展、古籍分析等都具有十分重要的作用，而且這也是將計算機分析研究方法全面深入地引入人文社會科學知識管理的又一次有益嘗試。

在這種環境下，武漢大學信息資源研究中心和中華書局合作開展的“基于語義系統的中華古籍分析研究”以“中華基本史籍分析系統”為依托，利用本體思想和方法對我國人文歷史學科資源（《二十四史》）進行知識組織和知識表達，一方面為歷史領域的愛好者提供更好的研究和學習平臺，另一方面也為知識管理領域語義系統發展提供探索與借鑒的實證。

1.2“中華基本史籍分析系統”研究概述

1.2.1研究內容

以用戶需求為導向，充分了解相關課題的研究現狀，建立基于語義系統的中華史籍分析研究的理論框架，制定研究技術路線，設計系統研究邏輯結構，開發“中華基本史籍分析系統”，并以該系統作為“基于語義系統的中華史籍分析研究”的平臺，為用戶提供服務。

（1）用戶需求分析。2009年6月開始對中華書局有限公司提出的關于建立《二十四史》分析系統的課

題進行了需求分析，通過分析我們認為《二十四史》具有時空依賴性、主觀性、模糊性和爭議性等特性，其研究工作量大、難度大、涉及面廣。根據分析確立了研究原則，即研究內容僅僅涉及史籍文本本身，反映史籍本身，表現史籍本身，而不考證和判斷正誤。

（2）現狀研究。課題組根據用戶需求對國內外相關研究進行了網絡調研，對已有的研究成果進行了考察、比較，并進行了可行性分析，確立了研究目標，即以《二十四史》為中華基本史籍分析系統的基礎，研究基于該分析系統的史籍分析，找出史籍中人物、時間、地點和事件等實體本身的特性以及他們之間的關系。

（3）建立“基于語義系統的中華史籍分析研究”理論框架。理論框架，是保證系統研發沿著正確路徑進展的指導思想。該課題匯聚了信息系統、軟件工程、信息檢索、知識組織尤其是本體論方面的諸多理論，并對這些理論方法進行了創造性嘗試，如本體逆向工程、本體半自動構建、查詢優化等。

（4）制定研究技術路線。技術路線是保證項目研究按階段進行的指南，按照技術路線循序漸進發現問題并解決問題，不斷優化，保證項目的順利進行。理論框架與技術路線互為補充，理論框架可解決技術路線各個階段的難題，技術路線的各個階段對遇到的新問題提出了解決的新方法，從而進一步豐富了理論框架。

（5）設計研究邏輯結構。邏輯結構是部署整個系統主要部件的邏輯關系圖，是避免系統部件重復開發的必要措施。邏輯結構分全文檢索、系統導航、實例分析、語義檢索、系統推理和圖形處理七大類以及大類下的十六個功能子類。

（6）開發以“中華基本史籍分析系統”為基礎的“基于語義系統的中華史籍分析研究”平臺。［1］該平臺是本研究課題的一個研究實體，從人物、時間、地點和事件等多方面探索史籍知識點本身以及之間的聯系，尋求史籍多維度、全方位、立體型的臉譜展示，為研究者提供研究史籍的新方法、新思路、新途徑，為推動行業技術進步提供新思維。

1.2.2成果規模

以中華書局出版的《二十四史》［2］為研究主線，參考了《中國歷史地名大辭典》《二十四史紀傳人名索引》《二十五史人名大辭典》《中國古今地名對照表》《中國史歷日與中西歷日對照表》《中國歷史紀年表》《中國歷史地圖集》等史書。處理漢字107,835,000個，參考圖組20個，地圖304幅。對《二十四史》（約3200卷，4700萬漢字）中的人物、時間、地點實體進行了全面標注。本體庫構建本體類122個、對象屬性32個、數據屬性28個，推理屬性15個和實例179,503個。其中，事件本體實例225個，人物本體實例54,036個，時間本體實例5490個，地點本體實例115,985個。行政區域實例3767個。時空分析人物308個，地圖地點標注12,736個。

1.2.3功能描述

以“中華基本史籍分析系統”為依托的“基于語義系統的中華史籍分析研究”，系統分為前臺和后臺兩部分。后臺基本功能包括：①系統維護；②資源建設和維護；③本體庫建設和維護等，開發了資源錄入工具包、地圖標注軟件、底本轉換與索引工具包、關系模式轉換語義模式工具包等。前臺的基本功能包括：①全文閱讀；②史籍檢索；③知識檢索；④時空分析。

1.2.4技術特征

由于中華史籍具有時空依賴性、主觀性、模糊性和爭議性等特性，決定了研究實現技術處理上的特殊性，數據處理量大，難度大；為了反映中華文化長河中的星星點點，功能要求齊全；由于史籍用戶群的特殊性，決定了用戶操作上的特別性，即將現代知識表達和傳統信息檢索［3-7］無縫連接的檢索新機制，展現多維度的立體史籍臉譜。

2　語義系統的理論框架

“基于語義系統的中華史籍分析研究”理論框架是指導課題研究的理論依據，是保證系統研發沿著正確路徑進展的指導思想，是課題研究的重要組成部分。理論框架如圖1所示。

2.1理論基礎

2.1.1知識組織與檢索

知識組織［8］是在信息組織的基礎上,依靠專門的技術,按照知識的本質屬性組織知識、建立知識系統的方法和手段。知識組織的核心是對知識及知識間的關聯進行揭示和組織。知識組織的顯著特征表現為整體性和關聯性。所謂整體性,是指知識組織系統內部的不可分割性和有機關聯性。關聯性是整體性的延續,即體現知識概念的關聯性,以保持學科知識體系的完整性和系統性；體現不同知識系統間的關聯,以保持人類知識體系的整體性；注意知識系統與信息環境的關聯,以促進社會大環境中知識的共享和交換。

圖1　“基于語義系統的中華史籍分析研究”理論框架

知識檢索，［9-10］就是綜合應用信息管理科學、人

工智能、認知科學及語言學等多學科的先進理論與技術，基于知識和知識組織，融合知識處理的多種方法與技術，充分表達和優化用戶需求，高效存取所有媒體類型的知識源(文本、圖像、視頻、聲音等)，并能準確精選用戶需要的結果。

史籍知識是一種特殊領域的知識。我國歷史經歷了許多朝代，每一個朝代都有史籍總結前一朝的史實。《二十四史》最為典型，它是清代乾隆時期所確定的二十四部正史，“基于語義系統的中華史籍分析研究”所用的《二十四史》底本是中華書局出版的。其知識的組織十分復雜，知識資源所涉及的學科和領域極其廣泛，幾乎包括社會的政治、經濟、法律制度、文化發展、自然地理等各個方面。時間跨度大，《二十四史》記載內容的時間起于傳說中的黃帝（前2550），止于明朝崇禎十七年（1644），超過4000年的時間間隔。知識處理數量大，《二十四史》文本3213卷，約4000萬字，古漢語對事件、人物等描述簡潔，普遍使用單音節詞，編撰時間長達1800多年，經歷了各朝各代不同撰寫人的辛勤勞動，其記載風格各異，各史特點不同，變化多樣，這些都為知識組織帶來極大的難度。

2.1.2本體理論

本體［11-13］是一個源于哲學的概念，在計算機界應用后，本體最終目標就是精確地表示顯性或隱性信息，使它們可被軟件系統重用和共享。具體來說，一個本體是對概念化的精確描述，它刻畫了概念之間的內在聯系。從形式上，一個本體可以用語義網格來表示。在語義網格中，每個結點表示一個概念而結點之間的聯系表示概念之間的關系。

作為一種有效表示概念層次結構和語義關系的理論和方法，本體已經被廣泛應用于計算機科學和信息管理領域，本體良好的概念層次和對邏輯推理的支持，基于本體的知識組織和檢索是基于知識的、語義的匹配過程，［14,15］在查全率和查準率上有更好的保證。近年來，本體理論及技術的發展和逐步成熟為知識組織和知識檢索技術的發展帶來了新動力。

本體理論是實現史籍知識組織與檢索的重要理論基礎，利用領域本體對領域知識進行組織，建立史籍中的人物、時間、地點和事件的概念，通過概念及概念與概念之間的關系和推理機制構建語義網絡，創建多維史籍語義分析體系。

2.1.3史籍分析

本課題研究的史籍分析是基于語義的史籍知識分析。從史籍的知識發現、知識收集、知識轉化到知識組織，就是對史籍知識分析的過程。（1）史籍知識發現。從大量復雜的史籍文本數據中提取人物、時間、地點和事件等信息，對史籍信息的預處理、提取、評價的結果構建史籍知識庫。知識發現的目的是屏蔽原始數據的繁瑣細節，從原始數據中提取有意義的、精煉的、能夠對史籍產生直接影響的知識產品，在知識服務中提供決策支持。（2）知識收集。其任務就是對史籍數據進行分類、聚類，對史籍數據的衰減進行統計建模，對其數字值進行預測衰退和預報，建立史籍中人物、時間、地點和事件之間的關聯和確定其相關性，判斷史籍數據集的順序，描述和辨別史籍數據組的特征規則，發現屬性值的趨勢。（3）知識轉化。就是對史籍中的數據對象的規則抽取和知識抽取，從而形成史籍領域的規則庫和本體庫，構建史籍知識庫供用戶使用。

2.1.4邊界問題

中華史籍知識豐富、關聯復雜，基于語義的史籍知識網絡是一個錯綜復雜的網絡知識群，在用戶面前如何展現一個清晰的人物關系，必須對錯綜復雜的網絡知識群進行梳理，有序的反應就需要對龐大的檢索結果定出邊界，本研究的依托系統——“中華基本史籍分析系統”展現在用戶面前的邊界為20個關系，其他關系被隱藏，根據用戶需要再展開。

2.2環境架構

系統實現采用了Struts2框架來實現MVC模式，前端使用Jsp/JavaScript/Ajax以及Applet等技術實現語義檢索結果的異步加載與可視化，模型層采用了Alle-

groGraph Triple Store存儲語義數據即《二十四史》知識庫以及使用Lucene來索引史籍RDFa文檔，同時提供了SPARQL Endpoint供控制層調用，完成語義檢索功能。史籍知識的推理部分使用了Jena規則推理、Pellet邏輯推理以及SPIN查詢推理等。同時，系統使用了MySQL數據庫來管理用戶信息，提供基本的增刪改查功能以及權限設置。使用JSON以及嵌入式數據庫H2來緩存系統查詢的中間結果或最終結果，實現系統結果高效反饋的性能。

3　“中華基本史籍分析系統”的系統架構

3.1系統需求分析

傳統的史籍檢索系統對于史籍資源的閱讀和全文檢索功能支持較好，這類系統的主要使用對象是對歷史知識感興趣的大眾用戶和史籍文獻校勘對比研究的史學學者。這類系統的信息資源主要來自原始的史籍電子文本，查找到的結果需要花費大量時間和精力閱讀或校對。對于當前快速信息生成與消費的環境，這類史籍檢索系統已經越來越不能滿足想快速了解歷史知識的用戶需求，對于專家型用戶，也無法提供其他史學研究的已有成果。因此，在萬維網環境下，為用戶提供一個便捷快速的、圖形化的知識獲取與分析平臺改善用戶的體驗，是當前史籍分析系統設計的必然趨勢。

史籍分析系統的設計需要圍繞用戶的需求開展，用戶對歷史領域相關系統的需要包括：①史籍語料中人物等實體對象的全息分析；②史籍語料的碎片化與語料重排；③將時間和空間維度引入史籍文獻，即實現史籍文獻的時空分析。

人物等實體對象的全息分析是指對于史籍文本中的實體對象主要是人物，進行全方位的、立體式的分析，展現人物所處特定情境下與其他各種對象之間的復雜關系，如《三國志》中曹操的全息分析包括：人物的生平、字號、血緣關系等信息，以及在某一歷史時刻和空間內，與其他人物、事件等對象之間的關系；史籍語料的碎片化與重排的需求是針對現有史籍檢索系統的，傳統的信息檢索系統一般采用布爾模型或向量空間模型，將相關的檢索結果片段排序后羅列出來，評價指標主要是查全率和查準率。史籍語料的碎片化是對文本內容結構的進一步細化，相對于文本片段來講，它對文本片段進行了分類，如關于人物的簡介、事件經過等類別，同時，對文本段落進行了語義標注，能夠識別文本中的實體信息，并在此基礎上根據用戶的檢索需求，對這些碎片化的語料進行重新組合，一個語料組合對應一個完整的知識面，即所謂的語料重排，相對于傳統的信息檢索，其檢索結果具有更高的查全率和查準率，它符合歷史研究人員對史籍檢索結果全面準確的需求；史籍文本的時空分析主要針對史籍人物及其生平事跡以及時間跨度和地理信息兩個維度對人物行蹤進行可視化動態的展示，全面揭示人物在該時空環境下的活動狀態。

3.2系統功能分析

該系統面向用戶的前臺具有四大功能。

（1）全文閱讀。通過導航目錄用戶可以進入任意一部史書閱讀內容，標引文字具有詳細說明，內容具有“橫排”、“豎排”、“下一卷”等功能。

（2）史籍檢索（語料重排）。①人物檢索。查找《二十四史》中的紀傳人物名稱，包括人物的姓名、字、號、別稱、官名等，得到人物的相關信息。②地點檢索。查找古代地名，可得到含有該地點的相關段落，并得到該地名的現今名稱。③時間檢索。分為兩種檢索方式，一種是以古代時間查找，一種以公元紀年方式查找。④自由詞檢索。按史書輸入任一字串，以字符匹配的方式查找文本。

回溯列表區域保存了用戶檢索過的內容，可以點擊這些鏈接進行快速回溯。

（3）知識檢索。①實例檢索。查找紀傳人物、公元時間、地點、歷史事件，得到人物、公元時間、地點、歷史事件的關系網絡圖，根據需要可以進一步展開，形成一個復雜關系網絡群。②關系檢索。在上下輸入框中分別查找不同的實例，得到兩個結果集，在不同的結果集中各選一個進行組配，得到兩個實例之間的關系圖。③屬性檢索。分為人物、時間、地點、事件四種檢索方式，在各種檢索方式中查找所需的內容，得到相關的屬性圖。④圖形的操作。以上得到的各種關系圖可以用鼠標進行拖動，通過操作下方的滾動條對圖像進行放大、縮小。節點可以單擊、雙擊、右鍵操作，鼠標可移至邊上顯示邊的信息。界面左下部分是回溯檢索，里面記錄了用戶已經檢索過的實例或關系，屬性可以通過點擊其中的選項，進行快速的回溯檢索。點擊清空按鈕將清空界面中所有的結果。另外，用戶單擊節點時會彈出該節點的說明，如果單擊的是事件節點，可在彈出說明中選中的部分文字，右鍵進行檢索操作，將在史籍原文中找到該事件對應的段落。

（4）時空分析。在人物名稱表單中輸入查找人物，如“張飛”，將在三國地圖中顯示張飛的生平軌

跡，地圖可以放大縮小。點擊“顯示所有地標”，將會顯示所有地標，點擊地標，會彈出該人物在此地的活動情況。在地名框中，輸入一個地名查詢可在地圖上定位該地點。

3.3系統的邏輯結構

系統邏輯結構描述了整個系統主要要件的邏輯關系，該關系為層次結構。其邏輯結構分史籍閱讀、時空分析、系統導航、知識檢索、史籍檢索、系統推理和圖形處理七大類，大類下的十六個功能由子類組成（如圖2所示）。

圖2　“基于語義系統的中華史籍分析研究”系統邏輯結構

3.4實現的技術路線

技術路線是指導項目研究正常進行的指南和保證。技術路線的不斷優化、研究團隊的協同合作是研究成功的重要保證（見圖3）。

圖3　“基于語義系統的中華史籍分析研究”系統技術路線

從圖3可見，詳細設計完成以后如何使系統開發者與用戶通過互動對開發感到滿意，是應用系統開發成功的關鍵。這個過程需要兩者從開始就要有良好的互動。正如圖中的描述，開發者將系統完善以后及時地交付用戶使用，用戶通過使用發現問題反饋開發者進一步完善，通過反復互動、不斷完善、不斷實踐，達到用戶滿意的應用水平。

4　語義系統的特色

（1）利用語義推理機制構建了多維史籍語義分析體系。利用語義SPARQL-DL Reasoner（OWL DL Reasoner）、Jena rule-based Reasoner（規則推理）、PION Reasoner（不一致性本體的推理）、SPIN查詢推理等推理機制，對史籍語料進行組織，對史籍底本實體進行語義標注與抽取、底本格式轉換與索引、關系模式到語義模式轉換、地點沿革分析等，實現了標注底本全文閱讀、史籍語義檢索、知識的可視化檢索、時空分析等功能，產生了相應的輔助性配套工具，形成了一套完整的、科學的、可操作的史籍語義分析框架，構建了人物、時間、地點和事件等多維史籍語義分析體系。

（2）應用知識點與傳統檢索技術相結合的無縫連接，創建了全新的檢索機制，展現了全新的史籍臉譜。應用語義網絡的表達方式表示知識內、知識與知識之間的關聯以及關聯度，構成復雜知識網絡，通過知識節點上的知識與其所在的史書連接，形成史籍人物、時間、地點和事件之間的關聯，構造多維度的（時間、地點和事件）、立體型（時空）的中華史籍臉譜。突出了以知識為導向的網絡知識群，創建了知識點與文本之間無縫連接的、全新的檢索機制，為用戶查找知識開創了一個全新、形象和生動的環境，展現了全新的史籍臉譜。

（3）設計完整的史籍語義分析流程，創建了史籍語義分析平臺。研究以《二十四史》為主線，設計以《中華基本史籍分析系統》理論框架為指導的技術路線。理論聯系實際制定了較為科學的史籍語義分析動態流程，為建立領域語義分析體系提供了新思路。《中華基本史籍分析系統》研究實踐創建的史籍語義分析平臺，進一步證明了新思路的科學性、可行性和可操作性。

［參考文獻］

［1］GB/T 8567-1988計算機軟件產品開發文件編制指南［S］.1988.

［2］吳家駒.局本《二十四史》述略［J］.圖書館理論與實踐，2007（5）：128－129.

［3］張開旭，等.基于條件隨機場的古文自動斷句與標點方法［J］.清華大學學報（自然科學版），2009（10）：163－166.

［4］黃水清，吳欣.漢語古籍全文檢索的試驗與探討［J］.中文信息，1996（1）：30－33.

［5］肖立軍，徐悅.全文檢索25史（電子版）與歷史教學［J］.歷史教學（高校版），2009（3）：81.

［6］滿鵬.全文檢索的原理與實現探討［J］.現代情報，2009（7）：138－140.

［7］楊一平.中文全文檢索算法研究［J］.計算機系統應用，1997（9）：30－31.

［8］馬文峰，杜小勇.知識檢索研究［J］.情報理論與實踐，2006（2）：157－160，219.

［9］程慧平，陳永超.國內知識檢索研究進展［J］.圖書情報工作，2011（10）：126－129.

［10］劉玉仙.基于Ontology的知識表示、知識組織與檢索機制探討［D］.上海：上海大學，2004.

［11］柳巧玲，尚艷艷.基于領域本體的語義知識檢索研究［J］.圖書情報工作，2011（6）：61－65.

［12］趙冬，等.知識本體的檢索機制研究［J］.微電子學與計算機，2011（10）：129－132，136.

［13］董慧，等.基于數字圖書館的本體應用環境研究［J］.中國圖書館學報，2009（9）：47－53.

［14］Marc Ehrig，et al.The Karlsruhe View on Ontologies ［EB/OL］.［2013－04－24］.http://www.aifb.uni-karlsruhe.de/WBS/.

［15］OWL 2 Web Ontology Language Primer（Second Edition）［EB/OL］.［2013－06－23］.http://www.w3. org/TR/owl2-primer/.

［收稿日期］2014－12－12 ［責任編輯］菊秋芳

［作者簡介］董慧（1941－），男，教授，研究方向：本體與數字圖書館、信息系統工程；徐雷（1986－），博士生，研究方向：語義檢索、本體推理；王菲（1976－），女，博士，研究方向：語義檢索；俞思偉（1962－），男，博士，副主任技師，研究方向：語義檢索。

［基金項目］本文系中華書局有限公司合作項目“中華基本史籍分析系統”（項目編號：104-239080）和中央高校基本科研業務費專項資金資助項目“基于描述邏輯的本體推理機制及其技術研究”（項目編號：2012104010202）的研究成果之一。

［文章編號］1005－8214（2015）04－0001－05

［文獻標志碼］A

［中圖分類號］G250.74