基于混合本體的文獻分類研究
——以計算機學(xué)科為例

陳麗娜（1．商丘師范學(xué)院計算機與信息技術(shù)學(xué)院；2．中國農(nóng)業(yè)科學(xué)院作物科學(xué)研究所）

?

基于混合本體的文獻分類研究
——以計算機學(xué)科為例

陳麗娜1,2（1．商丘師范學(xué)院計算機與信息技術(shù)學(xué)院；2．中國農(nóng)業(yè)科學(xué)院作物科學(xué)研究所）

摘要：傳統(tǒng)的文獻分類方法已經(jīng)無法很好地適應(yīng)文獻組織和用戶的需求。本文以計算機學(xué)科為例，對傳統(tǒng)文獻分類和Folksonomy進行對比研究，分析兩者的優(yōu)缺點，提出傳統(tǒng)分類和基于Folksonomy的混合本體構(gòu)建方法，研究了基于Folksonomy的標(biāo)簽抽取和語義映射方法。并以豆瓣讀書為參考，嘗試構(gòu)建計算機文獻本體，驗證了該分類方法可有效地組織文獻資源、滿足用戶需求，對規(guī)范文獻分類具有實際意義。

關(guān)鍵詞：本體；文獻分類；Folksonomy；標(biāo)簽；計算機

傳統(tǒng)的文獻分類是用科學(xué)、嚴(yán)謹(jǐn)?shù)姆椒ò盐墨I組織成層次狀的體系結(jié)構(gòu)，但隨著文獻數(shù)量的不斷增長，新知識層出不窮，原來的分類體系逐漸暴露出弊端。而且，在現(xiàn)代信息化手段下，人們在通過網(wǎng)絡(luò)終端查詢文獻時，總是根據(jù)自己的習(xí)慣輸入待查關(guān)鍵字，這些關(guān)鍵字和傳統(tǒng)的文獻分類有很大不同。因此，迫切需要合適的文獻分類方法來組織文獻，滿足用戶需求。

近年來，有對傳統(tǒng)分類法的改進研究，［1］傳統(tǒng)文獻分類法與網(wǎng)絡(luò)信息分類法的比較研究，［2,3］文獻分類與本體結(jié)合的研究，［4,5］對計算機文獻分類的研究，［6,7］這些研究對文獻合理分類提供了參考，但沒能很好地將文獻組織和用戶需求結(jié)合起來。在Web 2.0環(huán)境下，用戶可以自由地標(biāo)注文獻，分眾分類——Folksonomy的方法聚集了大眾智慧，為傳統(tǒng)文獻分類提供了補充。近幾年，也有基于Folksonomy的文獻分類研究，［8,9］但這些研究或者是綜述，或者是理論性的分析，很少有具體的實踐。本研究提出結(jié)合傳統(tǒng)文獻分類和Folksonomy構(gòu)建本體的方法來進行文獻分類，并以計算機學(xué)科為例，構(gòu)建計算機文獻本體。期望能提供合適的文獻分類和組織方法，提高文獻的組織管理水平，更好地滿足用戶需求。

1　傳統(tǒng)文獻分類

文獻分類法是圖書情報部門進行文獻分類、組織藏書的工具，它使用符號來代表各級類目，規(guī)定其先后順序。當(dāng)前常用的文獻分類法是《中國圖書館分類法》，簡稱《中國法》，總共分5個基本部類，下分22個大類。《中國法》以學(xué)科類別為基礎(chǔ)，使用字母與數(shù)字混合編碼，用字母代表大類，大類下用阿拉伯?dāng)?shù)字來細分具體的學(xué)科。

1.1計算機學(xué)科文獻分類

根據(jù)《中圖法》（第五版），計算機類文獻可分為11大類：TP3-0計算機理論與方法、TP30一般性問題、TP31計算機軟件、TP32一般計算器和計算機、TP33電子數(shù)字計算機、TP34電子模擬計算機、TP35混合電子計算機、TP36微型計算機、TP37多媒體技術(shù)與多媒體計算機、TP38其他計算機、TP39計算機的應(yīng)用。每一類下又分小類，比如TP31計算機軟件又分為TP311程序設(shè)計、軟件工程、TP312程序語言、算法語言等，而TP311程序設(shè)計、軟件工程又可分為TP311.1程序設(shè)計和TP311.5軟件工程，TP311.1程序設(shè)計再細分為TP311.12數(shù)據(jù)結(jié)構(gòu)、TP311.11程序設(shè)計方法、TP311.13數(shù)據(jù)庫理論與系統(tǒng)，數(shù)據(jù)庫理論與系統(tǒng)還可再進一步細分。計算機類文獻總共分為227個子類。傳統(tǒng)計算機文獻是嚴(yán)格按照一定的體系結(jié)構(gòu)來劃分的，比如TP33-TP38是按照計算機類型劃分的，而TP31和TP39是根據(jù)文獻性質(zhì)劃分的。

1.2計算機學(xué)科文獻分類的優(yōu)點和不足

傳統(tǒng)的計算機文獻分類體系，按照從總到分，從一般到具體的原則編制。嚴(yán)謹(jǐn)科學(xué)，涵蓋了計算機的所有領(lǐng)域，覆蓋面廣；各類目排列規(guī)范，類目之間呈明顯的層次結(jié)構(gòu)；概念表述清晰，檢索效率較高。但傳統(tǒng)文獻分類法也存在很多不足。

（1）分類設(shè)置不均衡。有些分類過于復(fù)雜，導(dǎo)致實施成本太高。TP31和TP39兩類占了總類數(shù)目的一半以上，其他9類所占類數(shù)還不到一半，分類不均衡。TP31和TP39中的有些分得太細，實施起來不方便。

（2）有些概念無文獻保障。如TP321非電子計算機、TP322分析計算機（穿孔卡片計算機）等，由于時代的發(fā)展，所設(shè)類目已過時，很少有新文獻來支持。

（3）反映新事物的概念沒有出現(xiàn)。如TP316操作系統(tǒng)類別下，沒有Android操作系統(tǒng)、iphone操作系統(tǒng)等比較新而用戶又常用到的概念。

（4）分類的層次關(guān)系與實際情況不符。使用分類法得到的是層次結(jié)構(gòu)，而實際上概念之間不單純是層次關(guān)系，會有交叉。比如在軟件開發(fā)過程中，會涉及程序設(shè)計方法、數(shù)據(jù)庫和編程語言，而程序設(shè)計是借助于某種編程語言來實現(xiàn)的，這樣TP311.52軟件開發(fā)、TP311.11程序設(shè)計方法、TP311.13數(shù)據(jù)庫理論與系統(tǒng)和TP312程序語言、算法語言就不再是單純的層次關(guān)系。

綜上可知，傳統(tǒng)的計算機文獻分類方法不能很好地滿足文獻組織的需要，與用戶的實際需求也有差別，因此希望尋求新的方法，使分類更加合理。

2　 Folksonomy

Folksonomy是在Web 2.0環(huán)境下，隨著語義Web的不斷成熟而迅速興起的以用戶分類為基礎(chǔ)的新型網(wǎng)絡(luò)信息組織方式。它由網(wǎng)絡(luò)用戶自發(fā)定義一組標(biāo)簽對某類信息進行描述，并根據(jù)標(biāo)簽被使用的頻次，選用高頻標(biāo)簽作為該類信息類名的一種為網(wǎng)絡(luò)信息分類方法。［10］隨著社會性軟件的發(fā)展，F(xiàn)olksonomy被應(yīng)用到越來越多的網(wǎng)絡(luò)系統(tǒng)中，用戶自發(fā)地對感興趣的信息標(biāo)注，并與其他用戶分享，每個用戶都可以貢獻自己的智慧構(gòu)建知識庫。［11,12］

2.1基于Folksonomy的計算機文獻分類

網(wǎng)上關(guān)于計算機資源的分類有很多種，豆瓣讀書最能體現(xiàn)分眾分類的特色。豆瓣網(wǎng)是Web 2.0網(wǎng)站中較具特色的一個網(wǎng)站，豆瓣讀書是其一個子欄目，網(wǎng)站中關(guān)于書的描述和評論都由用戶提供，用戶給任何一本書添加自己喜歡的標(biāo)簽，并與他人分享。

在豆瓣讀書中，計算機類圖書被以“科技”命名，分為科普、互聯(lián)網(wǎng)、編程、科學(xué)、交互設(shè)計、算法、程序、神經(jīng)網(wǎng)絡(luò)和web等十幾個大類。其中，互聯(lián)網(wǎng)又被用戶冠以運營、產(chǎn)品、網(wǎng)站、IT、創(chuàng)業(yè)、手機等標(biāo)簽。如豆瓣評分9.2的計算機類書籍《編程珠璣》，由1500多人參與評分，用戶給出340多個標(biāo)簽，比如：計算機、算法、程序設(shè)計、編程、編程藝術(shù)、programming、藝術(shù)、算法與數(shù)據(jù)結(jié)構(gòu)、計算機科學(xué)等。展開每一個標(biāo)簽，還可以找到與此標(biāo)簽相關(guān)的其他圖書。并且每本書都有用戶對該書的評價，供他人參考。

2.2 Folksonomy的優(yōu)點和不足

基于Folksonomy的分類非常靈活，它由用戶自發(fā)定義，根據(jù)個人使用習(xí)慣對資源進行標(biāo)注和分類，易于被大眾接受；由于標(biāo)簽可以動態(tài)修改，能夠動態(tài)地更新網(wǎng)絡(luò)信息；通過參考其他用戶的標(biāo)簽，有助于發(fā)現(xiàn)以前未知的資源；有利于集中群體智慧，可以多角度多方位地標(biāo)識信息。［13］但基于Folksonomy的分類也存在不足。

（1）缺乏層次性。Folksonomy是一種平級的分類方式，很難使用它來揭示復(fù)雜的關(guān)系。如程序、IT、算法和互聯(lián)網(wǎng)，很難說清它們的上下級關(guān)系。

（2）表達概念模糊。由于用戶對標(biāo)簽含義的理解各異，在同一標(biāo)簽下，有可能會出現(xiàn)與主題完全無關(guān)的內(nèi)容。如《編程珠璣》中，有用戶標(biāo)注“藝術(shù)”、“2008”，表達的概念非常模糊，產(chǎn)生了一些垃圾信息，影響了標(biāo)簽含義的表達。

（3）缺乏同義詞控制。由于用戶用詞習(xí)慣的不同，會出現(xiàn)大量的同義詞表達同一個概念。如用戶可能會使用“編程”、“program”、“programming”或“程序設(shè)計”等來表示編程這個概念。

（4）低檢索效率。由于Folksonomy使用的是非受控詞，大量相似的標(biāo)簽使用導(dǎo)致用戶無法檢索到所有結(jié)果。比如，當(dāng)檢索“互聯(lián)網(wǎng)”時，“web”、“internet”等一些標(biāo)引的內(nèi)容則檢測不到。

由此可見，F(xiàn)olksonomy必須與傳統(tǒng)分類結(jié)合方能更好地發(fā)揮作用。

3　傳統(tǒng)分類和Folksonomy結(jié)合的本體構(gòu)建方法

3.1構(gòu)建思想

傳統(tǒng)分類法在體系組織、概念描述上有優(yōu)勢，而Folksonomy則靈活、適應(yīng)性強，有利于表達用戶需求。另外，希望新的分類方法不僅僅能表達概念的關(guān)系，還能夠更好地表達概念的語義，因此提出構(gòu)建本體來實現(xiàn)兩者的融合。

第一步，參考傳統(tǒng)分類法對計算機文獻的初級分類：保持一級分類不變，保證學(xué)科的完整性和系統(tǒng)性。對子分類進行刪減優(yōu)化，對層次較多的類目減少其層次，對較少文獻支持的類目進行合并，增加能體現(xiàn)用戶需求和新知識的類目。第二步，基于Folksonomy對初級分類進行優(yōu)化：進行標(biāo)簽抽取、清洗、合并、過濾，清洗掉垃圾標(biāo)簽，合并同義詞，過濾低頻標(biāo)簽，得到反映用戶需求的新概念集合，并通過語義映射確定概念的層次關(guān)系，對概念集合分類構(gòu)建本體，形成新的計算機文獻分類方法。

圖1　本體構(gòu)建示意圖

3.2標(biāo)簽抽取及語義映射

在傳統(tǒng)分類法和Folksonomy構(gòu)建本體的過程中，新概念及語義關(guān)系的確定是關(guān)鍵。網(wǎng)絡(luò)標(biāo)簽抽取可編寫代碼自動抽取，也可手工抽取。另外，標(biāo)簽間缺乏層次性，上下級關(guān)系很難確定，這和傳統(tǒng)分類法是沖突的。因此，還需要進行標(biāo)簽語義映射，確定標(biāo)簽間的關(guān)系及標(biāo)簽的語義。

圖2　標(biāo)簽抽取及語義映射過程示意圖

（1）抽取網(wǎng)絡(luò)資源中的標(biāo)簽進行預(yù)處理。標(biāo)簽清洗去除垃圾標(biāo)簽、相似標(biāo)簽合并去除冗余、過濾掉低頻標(biāo)簽等，形成標(biāo)簽集M。還可以借助Google矯正拼寫錯誤。

（2）將標(biāo)簽集M與初始概念集N（傳統(tǒng)分類的概念集）進行比對，對于N中已經(jīng)存在的概念，不做處理，其余的歸于新標(biāo)簽集M’。將M’與在線詞典進行比對，將標(biāo)簽分為可映射的標(biāo)簽集A和不可映射的標(biāo)簽集B。

（3）將標(biāo)簽集A與在線詞典進行映射并進行語義關(guān)聯(lián)，再通過網(wǎng)絡(luò)語義資源如Wikipedia確定與這些概念相關(guān)的頁面集。根據(jù)頁面集中出現(xiàn)最頻繁的術(shù)語確定與標(biāo)簽最相似的Wikipedia頁面，通過該頁面找到與標(biāo)簽對應(yīng)的概念，使用Wiki的詞條進一步豐富標(biāo)簽的語義。經(jīng)過處理后，形成帶語義的標(biāo)簽集A’，加入到初始概念集N中。

（4）分析標(biāo)簽集合B中的概念是否和A有關(guān)系，通過聚類、關(guān)聯(lián)分析之后，將和A有關(guān)聯(lián)的概念加入到A’中，豐富標(biāo)簽的語義。

（5）對標(biāo)簽集B中和A沒有關(guān)聯(lián)的標(biāo)簽，從中篩選出高頻標(biāo)簽，這些標(biāo)簽是原有分類體系中沒有而用戶使用頻率高的，也將其加入到概念集中，形成新的概念集N’。

將標(biāo)簽分類，對應(yīng)于本體的概念，并將標(biāo)簽的語義關(guān)系轉(zhuǎn)化為本體中概念的關(guān)系，標(biāo)簽概念和本體概念的對應(yīng)關(guān)系如表所示。

表　標(biāo)簽概念和本體概念的對應(yīng)關(guān)系

4　計算機文獻本體構(gòu)建

4.1初級分類

根據(jù)上述分析，計算機本體初級分類仍然保持傳統(tǒng)文獻一級分類的結(jié)構(gòu)，共11大類。對于子分類，TP31計算機軟件和TP39計算機應(yīng)用重新優(yōu)化分類，對其他子分類的處理的思路就是減少類的層次，尤其是減少無文獻保障（即新出版文獻數(shù)目較少）的分類。比如TP32-TP35，得到初級分類的結(jié)構(gòu)圖，如圖3所示。

圖3　初級分類結(jié)構(gòu)圖

4.2基于Folksonomy的優(yōu)化

計算機本體涉及的內(nèi)容比較多，為了清晰起見，以計算機軟件類本體構(gòu)建為例進行說明。在豆瓣讀書上對“編程”、“算法”和“程序”分類抽取部分標(biāo)簽（見圖4）。

圖4　豆瓣讀書部分標(biāo)簽

從圖4可以看出，這些標(biāo)簽中有大量相同或類似的現(xiàn)象。如“計算機”、“計算機科學(xué)”、“計算機原理”；有些是相同意義不同表達形式，如“編程”和“programming”、“算法”和“Algorithms”等；有些是垃圾標(biāo)簽，和文獻內(nèi)容關(guān)聯(lián)不大，如“入門”、“藝術(shù)”等。

首先，對標(biāo)簽進行預(yù)處理：清洗、合并、過濾、規(guī)范等，得到部分高頻標(biāo)簽集合{計算機，編程，算法，程序設(shè)計，數(shù)據(jù)結(jié)構(gòu)，數(shù)據(jù)分析，數(shù)據(jù)庫……}。然后結(jié)合傳統(tǒng)分類方法，將計算機軟件領(lǐng)域分為操作系統(tǒng)、軟件工程、應(yīng)用軟件、數(shù)據(jù)庫和程序設(shè)計5大類。操作系統(tǒng)包括主流操作系統(tǒng)windows，unix，兼顧DOS，并新增加移動操作系統(tǒng)，包括Android、iOS、BlackBerry和Symbian等；軟件工程包括軟件設(shè)計、軟件測試和軟件工具等；應(yīng)用軟件包括文字處理軟件、表處理軟件、圖像處理軟件等；數(shù)據(jù)庫包括Oracle、SQL Server、DB2、Sybase等主流數(shù)據(jù)庫；程序設(shè)計包括數(shù)據(jù)結(jié)構(gòu)、編程語言、算法和編譯程序，編程語言又包括C語言、JAVA語言、匯編語言和其他語言。

4.3本體模型

根據(jù)上述得到的概念集及語義關(guān)系，采用本體建構(gòu)工具Protégé4.3構(gòu)建了一個計算機軟件類本體模型（見圖5）。

圖5　計算機軟件類本體模型

從模型可以看出，本體可以表達更豐富的語義。如《C程序設(shè)計語言》既可以歸為C語言，又可歸為算法；《數(shù)據(jù)結(jié)構(gòu)與算法分析》可以同時歸于C語言、算法和數(shù)據(jù)結(jié)構(gòu)。從豆瓣讀書上分別查看這兩本書的標(biāo)簽，《C程序設(shè)計語言》的高頻標(biāo)簽是{C編程c語言計算機程序設(shè)計經(jīng)典programming編程語言}，《數(shù)據(jù)結(jié)構(gòu)與算法分析》的高頻標(biāo)簽是{數(shù)據(jù)結(jié)構(gòu)算法計算機C編程數(shù)據(jù)結(jié)構(gòu)與算法分析算法、數(shù)據(jù)結(jié)構(gòu)C語言}。很顯然，該本體的文獻分類和用戶的高頻標(biāo)簽是一致的，而高頻標(biāo)簽代表了大多數(shù)用戶對資源的理解，這也說明了該分類方法是符合大多數(shù)用戶認(rèn)知的。

5　總結(jié)

本研究提出了基于傳統(tǒng)分類和Folksonomy結(jié)合的本體構(gòu)建方法進行的文獻分類，并構(gòu)建了計算機文獻本體模型，研究了Folksonomy對傳統(tǒng)分類的補充作用。該方法既保證了傳統(tǒng)分類的科學(xué)性，又體現(xiàn)了用戶需求。由于Folksonomy的自由性、開放性，用戶對標(biāo)簽的標(biāo)注更是五花八門，所以要想更好地發(fā)揮網(wǎng)絡(luò)標(biāo)注的作用，標(biāo)簽的自動抽取和充分的語義映射是一個具有挑戰(zhàn)性的問題。

［參考文獻］

［1］周霞,周俊.傳統(tǒng)文獻分類法的改進研究［J］.高校圖書館工作, 2013, 33（3）: 74－76.

［2］邱陸英.傳統(tǒng)文獻分類法與網(wǎng)絡(luò)信息分類系統(tǒng)的比較分析［J］.圖書館學(xué)刊，2008（6）：130－132.

［3］龍衛(wèi)東,等．文獻分類法，信息分類法和分眾分類法探究［J］.情報探索，2010（4）: 6－8.

［4］歐陽寧,胡飛燕．基于本體的《中圖法》類目可視化查詢系統(tǒng)的設(shè)計［J］.圖書情報工作, 2009, 53（5）: 43，46－86.

［5］吳瓊,袁曦臨.基于Folksonomy的網(wǎng)絡(luò)文學(xué)書目資源本體構(gòu)建［J］.圖書館雜志, 2013（7）：4.

［6］戴建陸.計算機技術(shù)圖書分類若干問題的探討［J］.圖書館建設(shè), 2007（3）：69－71.

［7］李鋒．計算機軟件類圖書分類標(biāo)引存在的問題及對策研究［J］.圖書館論壇，2009（1）：108－110.

［8］官鳳婷．基于文獻計量的國內(nèi)Folksonomy研究現(xiàn)狀分析［J］.圖書館論壇，2012，32（4）：94－100.

［9］金岳晴,壽曼麗.中外大眾分類法研究的比較分析［J］.新世紀(jì)圖書館, 2012（9）：21－24.

［10］薛涵,等.基于Folksonomy的本體構(gòu)建綜述［J］.電子學(xué)報，2014，42（4）：791－797.

［11］Spiteri L F．The structure and form of folksonomy tags: The road to the public library catalog［J］．Information technologyandlibraries，2013，26（3）：13－25.

［12］Cantador I，et al．Categorising social tags to improve folksonomy-basedrecommendations［J］．Web Semantics：Science，Services and Agents on the World Wide Web，2011，9（1）：1－15.

［13］陳潔，司莉．社會分類法（Folksonomy）特點及其應(yīng)用研究［J］．圖書與情報，2008，152（3）: 27－30.

Literature Classification Study Based on Combined Ontology——Illustrated by the Case of Computer Science

Chen Li-na

Abstract：Traditional literature classification can't satisfy the requirements of literature organization and user demand. The article, taking computer science discipline as an example, makes a comparative study on traditional literature classification and Folksonomy to analyzes their advantages and disadvantages respectively, and proposes an ontology construction method combining traditional literature classification and Folksonomy to classify literature. The article studies tag extraction and semantic mapping approach based on Folksonomy, and tries to build computer literature ontology by taking "Douban" reading as a reference, so as to verify the classification. The experiment shows the method can organize literature resources effectively, and can meet users demand with practical significance for literature classification.

Keywords：Ontology；Literature Classification；Folksonomy；Tag；Computer

［收稿日期］2015－09－20［責(zé)任編輯］劉丹

［作者簡介］陳麗娜（1977－），女，博士，副教授，研究方向：信息系統(tǒng)管理、科學(xué)計算可視化等。

［基金項目］本文系國家科技基礎(chǔ)條件平臺項目（項目編號：2005DKA21001），河南省科技廳基礎(chǔ)與前沿項目（項目編號：142300410395）的研究成果。

中圖分類號：G254.11

文獻標(biāo)志碼：A

文章編號：1005－8214（2016）03－0052－05