本體對齊技術概述及其在中醫領域的應用探討＊

郝偉學，于 劍，周雪忠

（北京交通大學計算機與信息技術學院/交通數據分析與挖掘北京市重點實驗室 北京 100044）

本體對齊技術概述及其在中醫領域的應用探討＊

郝偉學，于 劍，周雪忠＊＊

（北京交通大學計算機與信息技術學院/交通數據分析與挖掘北京市重點實驗室 北京 100044）

本體對齊技術是實現不同來源本體概念和關系整合的知識工程方法，鑒于相同范圍的本體（如疾病本體）往往由多個不同領域或機構的研究人員各自獨立研發，其術語表述和概念關系都存在較大差異。因此，如何通過對齊處理以實現多源本體的整合成為重要的方法學問題。本文就本體對齊的概念、技術、方法及其相應的工具進行了詳細闡述。重點闡述了基于語言學特征的和基于結構特征的本體對齊技術。結合國際上兩個實際疾病本體：Disease Ontology和Orphanet，采用本體對齊技術進行了實驗及分析，并詳述對齊技術的應用問題。針對中醫領域本體庫研發中也存在的多源性問題，進一步探討本體對齊應用的必要性和應用前景。

本體對齊 本體預處理 相似性計算 疾病本體 中醫本體對齊應用

大數據時代的到來，人們對于智能搜索的相關研究不斷深入，語義網正是這其中的一個重要分支，而本體正是語義網的核心。為此出現了很多語義豐富、實用的本體庫，如WordNet、DBpedia[1]。眾所周知，醫學和大數據緊密相連，在本體領域也有一定建樹，如生物醫學本體[2]、Gene Ontology[3]、MeSH、OMIM、HPO等的出現。在醫學領域，中醫藥在中國古老的大地上已經應用了數千年，這幾千年來的臨床實踐證實了中醫藥無論是在治病、防病方面，還是在養生領域，都確實有效、可行。歷代老中醫也將畢生積累沉淀的經驗及實際數據構成了自己的本體，國家知識基礎設施（National Knowledge Infrastructure，NKI）課題將中醫本體分為診斷方法、術語、證、治則治法、脈象、病機等30多個類別，中醫領域的本體多是從這些本體的子領域進行探索研究的。但是，隨著本體數量的不斷增加，相應的問題接踵而至。由于本體構建并沒有嚴格的要求和規范，必然會導致相同知識被諸多本體利用，而概念不規范或多重性概念，使本體更加復雜，導致本體異構現象。而本體對齊技術是解決該問題的有效方法之一。

1 本體對齊

1.1 本體的概念及內涵

本體（Ontology）是一個源于哲學領域的概念，相當于存在論。最早給出本體定義的是Neches等，他們將本體定義為：給出構成相關領域詞匯的基本術語和關系，以及利用這些術語和關系構成，規定這些詞匯外延規則的定義。本體中包含的基本單元應該分為5類：①函數（Functions）：特殊的關系；②公理（Axioms）：一種斷言；③類（Classes）：類似于面向對象中的類的概念，是一個對象的集合；④實例（Instances）：某個類的實現，也就是類的一個對象；⑤關系（Relations）：概念之間的相互作用。其中，本體間最基本的關系分為4類：整體與部分的關系（Part-of）、父子關系（Kind-of）、概念與實體間的關系（Instance-of）、概念與屬性間的關系（Attributeof）。本體的大致元素構成如圖1所示。

一般來說，構建本體的語言有RDF和OWL。用這兩種語言構建的本體中都會定義本體最基本的5類元素，這5類元素也就是各種實體以及實體間的關系，而類別（Class）、屬性（Property）、實例（Instance）是最基本的元素，它們也就是本體中的實體。

1.2 本體對齊概念

簡單的來說，本體對齊就是發現不同本體的實體語義關系，判斷來自不同本體的兩個實體是否指向現實世界中的同一種對象，從而實現本體之間的匹配映射。其實質就是相似度的匹配，輸入待匹配的本體，經過相似度計算以及參數的設置，最終得到本體對齊的結果。需要進行對齊的實體可以分為3種類型：概念、屬性、關系詞。實體對齊結果類型也分為一對一、一對多、多對一3種，大部分情況都是一對一的匹配。本體匹配的結果可以用四元組來表示：（id，e1，e2，s），其中id表示這一映射的標號，e1和e2分別來自不同本體中的實體，s表示該實體對的相似度。

1.3 體對基本齊過程

本體對齊的過程大致可以分為5個步驟：①本體的選擇；②本體預處理；③解析本體，并進行特征提取；④相似性的計算；⑤相似實體對的輸出。該過程簡單流程如圖2所示。

圖1 本體基本組成元素圖

圖2 本體對齊基本流程圖

1.3.1 本體的選擇

本體的選擇首先是根據需求和目的，尋找相關領域的本體。如果不能判斷本體的好壞，可以根據相應的方法（專家調查法）對本體進行評估。其次，既然是實體匹配，那么這兩個本體必定有相似的元素，這需要簡單的人工審查來確定。當然也可以自己搭建本體，自己構建的本體的數據量可以控制，結構也可以把控，這樣處理的時候可以更加簡單。

1.3.2 本體預處理

因為本體是異構的，所以需要本體預處理，本體預處理就是為了本體對齊的順利進行以及提高對齊的效率以及準確率。實際上本體預處理就是對將要進行對齊的兩個本體進行格式的調整，將本體統一成相同的格式，然后對本體中的詞匯進行標準化處理，例如：將不同本體中描述實體的不同標簽表述成同一種形式，更方便處理；將不同本體中實體IRI調成相同的格式，以方便操作，還可以使得對齊結果更加清晰明了等。本體預處理可以是自己手工進行的，也可以利用如今比較通用的本體編輯器進行。

1.3.3 解析本體并進行特征提取

本體解析可以使用Jena[7]，這個開源包可以實現全方位的對大多數本體的解析，可以得到本體中的類別、對象屬性、數據值屬性以及所有的三元組等，這樣就可以提取出本體中的所有實體。其次就是對實體特征的提取，如概念實體的實例、屬性、關系，也就是對進行實體對相似度計量時所需的信息的提取，所以在提取實體的特征信息需要考慮到在相似度計算過程中所需要的方法。如：利用基于文本的方法，就可以提取出本體中實體的label關鍵字部分信息，這樣就可以進行基于編輯距離的相似度計算；再如：利用基于結構的方法，就本體存在著很多的上下位關系，就可以把本體當成樹狀結構來處理，這樣解析本體的可以得到，如層次、父子節點個數、鄰居節點個數等特征信息，用這些信息來構建向量，也就可以進行相似度比較了。

1.3.4 相似性的計算

語義相似度的計算是本體對齊的關鍵。既然，本體對齊是實體對的對齊，那么兩個本體中肯定會有些實體是不相似的，為了省去一些不必要的計算，本體對齊之前可以利用算法找到待匹配的實體對，這樣就沒有必要用源本體中的實體去和待匹配本體中的全體實體進行一一比較了，目前比較前沿的尋找待匹配實體對的技術是分區索引技術[12]。本體對齊的相似度計算方法有很多，分別是基于文本信息的和基于結構。基于文本的相似度計算可以計算實體的名稱的相似度，實例的相似度以及屬性的相似度，基于文本的相似度計算有時可以利用到一些外部資源，比如：WordNet，已有學者提出了基于WordNet的英文實體對相似度計算的方法[11]。基于結構的相似度計算可以把本體視作模型結構來采取實體的結構信息，比如RDF圖模型，這樣就可以計算實體的鄰居節點以及鄰居節點個數的相似度。一般來說，本體對齊進行相似度計算時，基于文本和基于結構的方法都要用到，并且國內很早就有學者提出了綜合的語義相似度計算方法[13]，目前國內外很多本體對齊系統也都是采取的綜合語義相似度比較來進行實體對齊，這樣的效果會有很大的提高。

1.3.5 相似實體對的輸出

在得到了匹配實體對的綜合相似度后，需要做的是設定一個閾值T，來將相似度與該閾值比較，通常情況下實體對的語義相似度大于T，則相似；小于T，則不相似。通常情況下閾值會設置為0.5，但是特別情況下，專家會根據實際需求以及對本體的解析，自定義該閾值。

1.4 相似性計算方法

相似性計算的方法大體可以分為2類：基于語言學特征的方法，基于結構特征的方法。基于語言學特征的相似度計算方法，最常用的有：編輯距離方法，基于WordNet的方法，基于環境信息的特征向量的方法。基于結構特征的相似度計算方法，最常用的有：Jaccard相關系數法，基于RDF樹狀結構的方法。

1.4.1 編輯距離

編輯距離（Edit Distance），又稱Levenshtein距離，是指兩個字串之間，由一個轉成另一個所需的最少編輯操作次數。許可的編輯操作包括將一個字符替換成另一個字符，插入一個字符，刪除一個字符。一般來說，編輯距離越小，兩個串的相似度越大。

1.4.2 基于Wordnet的相似性計算

基于WordNet的詞語相似度計算是從WordNet詞典中提取同義詞并采取向量空間方法計算英語詞語的相似度，構建的詞語信息向量包括3個方面：①WordNet的同義詞詞集（Synset）；②類屬信息（Class）；③意義解釋（Sense Explanation）。

1.4.3 Jacaard相關系數法

Jacaard相關系數法是很常用的計算相似度的方法，思想也很簡單，就是兩個集合的交集與并集的比值，比值越大，說明相同點越多，也就越為相似。用在本體中的話，可以就實體的鄰居而言，實體的鄰居就是在本體與其有關系詞進行關聯的其他實體，這樣就可以通過比較不同實體的相同鄰居數與兩實體的總鄰居數來確定它們的相似度。

1.4.4 基于RDF樹狀結構法

本體是一種結構化的知識存儲，基于本體內的上下位關系，可以把本體理解為樹狀結構，每個實體都有自己的層次，還有父子節點，兄弟節點。這樣就可以統計出實體的層次，父子節點數，兄弟節點數，以及實體的所有鄰居節點中包含的概念、實例、屬性的個數等結構特征，利用這些特征信息可以通過構建向量的方法進行比對。

1.5 對齊系統

對齊系統（Ontology Alignment Evaluation Initiative，OAEI）是一個評價并比較本體對齊系統的比賽。在OAEI中取得不錯對齊效果的系統，有Falcon-AO[8]、Rimom[9]、Logmap[10]等。

1.5.1 Rimom

Rimom是清華大學的李涓子和唐杰研發的本體對齊系統。Rimom最大的特點就是采用了多策略對齊方法，所謂的多策略就是基于語言特征與基于結構特征相似性方法的綜合使用。Rimom在采用方法前，會對用于對齊的本體進行人工的比較，計算兩個本體在語言特征相似和結構特征相似上的權重，根據此權重對不同的方法再次賦予不同的權重，這樣也使得Rimom在2006年的OAEI上取得了不錯的對齊效果。目前該系統已經很完善，但還是在持續的更新中，最新的版本可以的Rimom的官網上下載到。

1.5.2 Logmap

Logmap的全稱是Logic-based Methods for Ontology Mapping，顧名思義，該系統是采取各種基于邏輯的方法，擁有自己的內在推理機制以及診斷能力。這個系統最初是為了方便生物學、醫藥學上信息的交互而建立的，可以對大型本體進行對齊，這是很多本體對齊系統不能實現的，并且可以分析和改善對齊的結果。

2 Orphanet和Disease Ontology對齊

2.1 本體介紹

2.1.1 Orphanet

Orphanet[5]是比較重要的疾病本體，它可以提供一個較容易理解、高質量的，關于稀有疾病和罕用藥的大型語義網。Ophanet可以下載到7種語言的數據。Orphanet中的基因與Orphanet中的疾病做有交叉映射，并且Orphanet中的術語與HGNC、OMIM、MeSH、GAtlas、UniProtKB、Ensembl、IUPHAR-DB、Reactome 中的術語有交叉映射（ID對應）關系。其中，基因與疾病的關系是根據基因在一種疾病的發病機制中的作用而被限定的。

2.1.2 Disease Ontology

DiseaseOntology（DO）[4]是由西北大學的研究人員，遺產醫藥學中心以及馬里蘭大學醫學院基因科學研究所的人員共同努力下所建成的一個西醫疾病本體。該本體對其包含的醫學術語都有詳細描述，本體內包括疾病術語、表型特征術語以及相關醫藥學詞匯的疾病概念。并且，DO所集匯的疾病或者醫藥術語都與MeSH、ICD、thesaurus、SNOMED、OMIM的術語做了廣泛的交叉映射（ID映射），作為一個屬性存儲在本體術語信息之中。

2.2 實現過程

2.2.1 數據獲得

這兩個本體均可在網上下載得到，在Orphanet中下載得到ordo_orphanet.owl，在DO中下載得到doid.owl。

2.2.2 數據預處理

（1）標簽處理

標簽處理，首先是分別找到兩個本體中用來描述本體實體的標簽，將其中表示意義相同但是表示形式不同的標簽統一為同一種標簽；其次，找出本體對齊的方法所不能轉化的標簽，將它們進一步處理，處理為意義不變并且方法可以識別的標簽；最后是對一些冗余標簽的處理，比如：Orphanet本體描述實體的關系標簽可以表示Orphanet中實體與Reactome庫中的實體的對應關系，但是在DOID中并不存在這種關系標簽，那么就可以去除這種標簽，這樣適當的減少數據信息，也可以提高對齊準確率。

（2）IRI處理

盡量將兩個本體的IRI統一成最基本的形式，類如doid實體IRI如：http：//purl.obolibrary.org/ obo/DOID_#####的格式，ordo_orphanet中實體IRI如：http：//www.orpha.net/ORDO/Orphanet_#####的格式。不僅方便處理，而且最終的顯示結果也更加清晰明了。

2.3 數據分析結果

（1）語言特征信息對比

DOID中的部分數據的信息如表1，Orphanet中的部分數據的信息如表2。根據表格1、表2中給出的部分實體的文本信息比照，可以判斷出給出的數據中可以找出三對實體映射：①Orphanet_35和DOID_14701，Orphanet_35與DODI_14701具有相同的MeSH映射ID，OMIM映射ID以及Label字段；②Orphanet_976和DOID_0060350，Orphanet_976與DOID_0060350具有相同的OMIM映射ID以及Label；③Orphanet_309005和DOID_3146，雖然Orphanet_309005和DOID_3146沒有相同的OMIM或者MeSH映射ID，但是它們的Label關鍵字段信息基本相同。

（2）結構特征信息對比：

DOID中的部分數據的結構圖如圖3，Orphanet中的部分數據的結構圖如圖4。就結構信息來說，以上的三對實體映射：①Orphanet_35和DOID_14701均是圖中葉子節點，但是它們位于的層次并不相同；②Orphanet_976和DOID_0060350也均是圖中的葉子節點，但是他們位于的層次并不相同；③Orphanet_309005和DOID_3146則不然，Orphanet_309005仍是葉子節點，DOID_3146具有子節點，實際上它們在本體中的父節點個數也是不一樣的。

（3）結果分析

實際上，Orphanet和DO中概念大多是疾病概念，本體中存在的關系大都是以SubClassOf關聯的父子類上下位關系。而Orphanet本體中的父子類上下位關系大致也就三層，定義了幾大類，再細分為幾小類，然后就是具體的疾病或者臨床特征了。而DOID中的上下位關系比較豐富，所以它的本體結構層次也就會更多。總的來說，Orphanet與DOID的結構上相似性并不大，該對齊主要是依靠的本體中實體的文本信息。實際的對齊結果如表3。

表1 DOID本體中部分概念實體的信息

表2 Orphanet本體中部分概念實體的信息

3 探討

本體僅僅是實現了Orphanet 和DO兩個西醫疾病本體中的簡單對齊，找出了疾病概念匹配對，沒有對疾病的具體分類做探討研究。實際上，DO，Orphanet這些本體都和其他的一些本體（MeSH，OMIM）做有交叉映射，也就是這些本體中的概念存在與其他本體的概念的映射ID，這為本體交互提供了很大的方便，這也說明本體對齊問題的解決在部分西醫本體中有所體現。本體對齊問題的普遍化，越來越多的本體對齊工具的出現，不少學者嘗試利用本體對齊工具與更合適的算法來進行醫學本體的對齊，比如：藥物領域本體RxNorm與NDF-RT的映射[14]，這也顯示了醫學人員對本體對齊的看重。

表3 Orphanet和DOID的對齊結果

圖3 DOID部分概念結構圖

目前本體對齊已經在西醫相關研究中有一定的成效，但是對中醫來說，因中醫藥理論知識體系的復雜性使得中醫在知識傳承、知識共享、知識交流方面存在較大的障礙，這也是長期以來制約中醫發展的“瓶頸”之一，本體對齊問題尤為關鍵。目前，國內擁有了一些中醫知識系統，比如：自2001年起，中國中醫科學院聯合全國其他30多家中醫研究單位，開始建立“中醫藥學一體化語言系統”，一個中醫藥術語本體系統，目前，該系統共編錄了16個一級項目，12 800多個類[15]，已是最大的傳統的中醫醫藥本體，該系統的建立是一項創新性的工作，對實現中醫藥知識的標準化起到了很重要的作用。此外，還有老中醫根據多年的經驗構建的中醫藥本體，例如：老年性癡呆中醫藥本體、失眠中醫藥本體等，我們可以采用以上講述的本體對齊方法來進行中醫藥上的術語對齊，這樣也對中醫藥知識再發現有很大的促進作用。本體對齊還可以應用在中醫疾病本體上，比如：曹宇峰等[6]構建了中醫舌診本體與中醫肝病本體，還有張梅奎等[16]構建的中醫腦疾病本體，這些本體都可以用來與大型的疾病本體進行對齊，也有利于中醫疾病的再發現。此外，目前還有很多的中醫證、診斷方法本體，也可以進行本體對齊，以便知識更好的交流以及融合。

綜上所述，由于中醫本體的復雜性，本體對齊問題在中醫領域還沒有得到很好的解決，大部分相關中醫本體之間沒有映射，中醫本體對齊問題需進一步完善。近年來，中醫重要性的日益顯著，為了更好地促進中醫的知識交流，本體對齊問題會受到越來越多的中醫人員的重視，該問題也會得到更好的解決。

圖4 Orphanet部分概念結構圖

參考文獻

1 Auer S, Bizer C, Kobilarov G,et al. DBpedia: A Nucleus for a Web of Open Data.SemanticWeb, 2007, 4825：11-15.

2 吳正荊,黃薇,牟冬梅,等. 生物醫學領域本體開發項目比較研究.中華醫學圖書情報雜志,2010,19( 5)：16-19．

3 Consortium G O. The Gene Ontology (GO) database and informatics resource.Nucleic Acids Research, 2004, 32(suppl_1)：D258-D261.

4 Schriml L M, Arze C, Nadendla S,et al.Disease Ontology:a backbone for disease semantic integration.NucleicAcidsResearch, 2012, 40(Database issue)：940-946.

5 Aymé S. Orphanet, an information site on rare diseases.Soins Chirurgie,2003,672：46-47.

6 曹宇峰,曹存根,CAOYu-feng,等. 基于本體的中醫舌診知識的獲取. 計算機應用研究, 2006, 23(3)：31-34.

7 Labs H, Labs H. Jena Semantic Web Framework for Java.WorldWide WebConferenceSeries, 2003.

8 Hu W, Qu Y. Falcon-AO: A practical ontology matching system.Web Semantics Science Services & Agents on the World Wide Web, 2008, 6(3)：237-239.

9 Li J, Tang J, Li Y,et al. RiMOM: A Dynamic Multistrategy Ontology Alignment Framework.IEEE Transactions on Knowledge & Data Engineering, 2009, 21(8)：1218-1232.

10 Jiménezruiz E, Grau B C. LogMap: Logic-Based and Scalable Ontology Matching. International Conference on the Semantic Web.Springer-Verlag, 2011：273-288.

11 翟延冬,王康平,張東娜,等. 一種基于WordNet的短文本語義相似性算法. 電子學報, 2012, 40(3)：617-620.

12 莊嚴,李國良,馮建華. 知識庫實體對齊技術綜述. 計算機研究與發展, 2016, 53(1)：165-192.

13 張忠平,田淑霞,劉洪強. 一種綜合的本體相似度計算方法. 計算機科學, 2008, 35(12)：142-145.

14 王麗偉,王偉,高玉堂,等. 領域本體映射的語義互聯方法研究——以藥物本體為例. 圖書情報工作, 2013, 57(17)：21-25.

15 李兵,裘儉,張華敏. 中醫藥領域本體研究概述. 中國中醫藥信息雜志, 2010, 17(3)：100-101.

16 李毅,張梅奎,杜侃,等. 中醫腦病學本體的探討及其構建. 世界科學技術—中醫藥現代化, 2007, 9(6)：96-101.

The Overview of Ontology Alignment techniques and Their Applications to Traditinoal Chinese Medicine (TCM)

Hao Weixue,Yu Jian, Zhou Xuezhong
(College of Computer Science and Information Technology, Beijing Key Lab of Traffic Data Analysis and Mining, Beijing Jiaotong University, Beijing 100044, China)

Ontology alignment technology is a knowledge engineering method to realize the concept and relationship integration of different ontologies. In view of the same scope of ontology， such as disease ontology，developed by researchers from a number of different areas or institutions of independent research and development， there is a big difference between the term expression and the concept of the relationship. Thus，how to achieve the integration of multi-source ontology through alignment processing has been recognized as a significant methodological problem. In this paper， the concept， technology， method and corresponding tool of ontology alignment were expounded at full length. The technique of ontology alignment based on linguistic features and structural features was emphasized. Combined with the two international disease ontology： Disease Ontology and Orphanet， the experiment and analysis of the technique of ontology alignment were carried out and detailed the application of alignment technology. Furthermore， for the existing multi-source problems on TCM ontology database， the necessity and application of ontology alignment were discussed.

Ontology alignment， ontology preprocessing， similarity calculation， disease ontology， traditional Chinese medicine ontology alignment application

10.11842/wst.2017.01.009

R229

A

（責任編輯：馬雅靜，責任譯審：朱黎婷）

2016-12-29

修回日期：2017-01-05

＊ 國家自然科學基金委青年基金項目（61105055）：表型與基因型功能關聯的數據整合和網絡分析方法研究，負責人：周雪忠。

＊＊ 通訊作者：周雪忠，本刊編委，教授，主要研究方向：復雜網絡、數據倉庫、數據挖掘。