基于本體和語義標引的地質(zhì)資料服務(wù)與管理研究

閆東+王誠

摘要：在信息化時代，高效地組織管理大量地質(zhì)領(lǐng)域數(shù)據(jù)成為實現(xiàn)良好的地質(zhì)資料服務(wù)與管理的關(guān)鍵所在。為解決我國地質(zhì)資料標準化程度低及應(yīng)用難度大等問題，本文提出了一種基于本體和語義標引的地質(zhì)資料服務(wù)與管理方法。首先建立地質(zhì)領(lǐng)域信息資源元數(shù)據(jù)模型和關(guān)聯(lián)關(guān)系模型；并根據(jù)關(guān)聯(lián)模型自動化構(gòu)建計算機可讀的地質(zhì)本體；采用基于地質(zhì)本體的語義概念映射的方法將高維的詞語向量轉(zhuǎn)換到低維語義空間，加之詞頻、詞位置和詞跨度等權(quán)重因子的綜合作用，對地質(zhì)資料文本進行精準快速有效的分類，實現(xiàn)文本的語義標引；最后根據(jù)地質(zhì)本體和語義標引開展地質(zhì)資料檢索試驗，試驗結(jié)果表明，查全率和查準率分別從75.7%和81.2%提高到80.7%和84.8%，檢索效果得到了明顯提升。因此，本文為地質(zhì)資料的服務(wù)與管理模型設(shè)計與實現(xiàn)奠定了良好的基礎(chǔ)。

關(guān)鍵詞：計算機應(yīng)用技術(shù)；知識服務(wù)；本體；語義標引理的趨勢。利用本體方法可以建立地質(zhì)領(lǐng)域的知識脈絡(luò)，可以更好地繼承共享已有的知識；利用自動化標引可以有效組織地質(zhì)專業(yè)資源，可以更有效地管理資源。因此，根據(jù)本體和文本自動標引技術(shù)可以實現(xiàn)良好的地質(zhì)資料服務(wù)與管理，在此基礎(chǔ)上可進一步優(yōu)化地質(zhì)資料檢索服務(wù)。本文提出的地質(zhì)資料服務(wù)與管理框架主要包含四部分。

元數(shù)據(jù)關(guān)聯(lián)模型：元數(shù)據(jù)是描述數(shù)據(jù)的數(shù)據(jù)，根據(jù)文檔的元數(shù)據(jù)標簽，可建立資源之間的關(guān)聯(lián)關(guān)系模型。元數(shù)據(jù)的關(guān)聯(lián)關(guān)系可以是指同一文檔兩主體之間的“關(guān)聯(lián)關(guān)系”，也可以代表不同文檔的“關(guān)聯(lián)關(guān)系”，元數(shù)據(jù)關(guān)聯(lián)模型的設(shè)計是實現(xiàn)本體構(gòu)建以及文本關(guān)聯(lián)關(guān)系的重要保障。

基于元數(shù)據(jù)關(guān)聯(lián)模型的本體構(gòu)建：在本體中有等級、等同、相關(guān)等關(guān)系。而元數(shù)據(jù)模型的關(guān)聯(lián)關(guān)系恰好可以在文檔之間也建立起相應(yīng)的關(guān)聯(lián)關(guān)系。而對于在同一元數(shù)據(jù)項有相同值的文檔，可以直接建立關(guān)聯(lián)關(guān)系，因此，基于元數(shù)據(jù)模型可以實現(xiàn)準確而快速的本體自動化構(gòu)建。

基于本體映射的語義標引：利用面向自動標引應(yīng)用的地質(zhì)本體對詞向量進行降維，盡量達到詞與詞之間語義的正交性，降低特征詞之間的冗余度，實現(xiàn)地質(zhì)資料分本的正確分類，為地質(zhì)資料服務(wù)與管理奠定基礎(chǔ)。

基于本體和語義標引的服務(wù)與管理：地質(zhì)資料服務(wù)的主要是依賴于語義網(wǎng)技術(shù)實現(xiàn)的各種服務(wù)，如檢索、關(guān)聯(lián)、推薦等；地質(zhì)資料管理的則是實現(xiàn)知識的搜集、存儲和組織。通過本體與語義標引技術(shù)可有效提高地質(zhì)資料的服務(wù)效果和管理效率。

2 地質(zhì)資料服務(wù)與管理設(shè)計與實現(xiàn)

2.1 元數(shù)據(jù)關(guān)聯(lián)模型

針對地質(zhì)資料中的文檔資源建立元數(shù)據(jù)模型，通過元數(shù)據(jù)描述文本信息，并根據(jù)文檔的元數(shù)據(jù)標簽，建立資源之間的關(guān)聯(lián)關(guān)系模型。見表1。

2.2 基于元數(shù)據(jù)模型構(gòu)建本體

自動構(gòu)建本體是基于自然語言分析和基于統(tǒng)計的機器學習方法抽取文檔中的概念和關(guān)系，自動本體。自動構(gòu)建本體的方法是當前的研究熱點和難點。確定資源本體庫的結(jié)構(gòu)、概念、概念間關(guān)系、實例關(guān)系。在這里概念實際上是指館藏目錄資源和用戶信息的元數(shù)據(jù)，而關(guān)系就是通過計量學方法得到的各個字段間關(guān)系。但由于在元數(shù)據(jù)庫中的所有概念和概念關(guān)系都是已經(jīng)確定好的，無需專家再進行人工干預，完全可以計算機自動操作。

本文使用OWL（Web Ontology Language）進行本體的白動化描述，OWL是從RDF（ResourceDescription Framework）上發(fā)展起來的本體描述語言，是一種標準的描述本體的類、概念及概念間關(guān)系的描述語言，也是目前應(yīng)用最多的本體語義化描述方式‘5]。

在本體描述中，存在一定量的同義詞或等價詞，即等同關(guān)系。用“”標簽來描述這種關(guān)系。所以在對OWL文件進行解析推理時，就可以首先鎖定關(guān)鍵詞“”，然后再根據(jù)具體的進行具體等同關(guān)系的解析及推理；等級關(guān)系指的是概念之間的上下位關(guān)系，并且是廣義的上下位關(guān)系，可以包含多層次的層級關(guān)系。在OWL中，用標簽“”來表示等級關(guān)系。同時值得說明的是，在本體中等級關(guān)系具有傳遞性，如果A是B的父類，B又是C的父子類，則A也是C的父類；相關(guān)關(guān)系是一種比較籠統(tǒng)的說法，相關(guān)關(guān)系可以細化為很多種，可以是屬性相關(guān)、物理相關(guān)、空間相關(guān)等。可以使用標簽“” 或者“”進行相關(guān)關(guān)系描述。

最終，使用OWL將元數(shù)據(jù)關(guān)聯(lián)模型中的數(shù)據(jù)轉(zhuǎn)化為本體，含有概念4651個，概念間的關(guān)系25527條，其中等同關(guān)系4943條，等級關(guān)系13786條和相關(guān)關(guān)系6798條。

2.3基于本體映射的語義標引

影響地質(zhì)資料檢索服務(wù)效果的主要原因有兩個：第一，檢索詞單一，僅僅依靠關(guān)鍵詞的匹配大大降低了檢索效果；第二，地質(zhì)資料分類不準確，單一的使用題目中的主題詞作為分類標準，無法實現(xiàn)真正的本文分類。2.2節(jié)所述的本體能夠很好的解決檢索詞單一問題。接下來本文提出一種基于本體映射的文本語義標引技術(shù)，能夠很好的解決地質(zhì)資料分類不準確問題。

（1）文本預處理

本文使用的是中科院的開源分詞系統(tǒng)實現(xiàn)的文本預處理，去除停用詞、時間、副詞等無用詞匯，預處理過程中盡量保留能夠顯示文本特征的詞匯。

（2）基于詞權(quán)重的文本特征選擇

通常的文本特征選擇使用的是公式TF*IDF，TF是詞語在文檔中出現(xiàn)的頻率，IDF是出現(xiàn)該詞的文檔的倒頻率。本研究使用TW方法代替TF計算文本特征權(quán)重，詞Vi-文檔Dj權(quán)重Wi，j的計算公式為：

其中，N_i是與詞V_i相關(guān)的文檔的個數(shù)；/D/是全部文檔數(shù)。

TW對詞頻、詞位置和詞跨進行綜合評估，比單純的詞頻TF更能反映詞對文本主題的重要性。TW的計算公式為：

TW=TF×LOC×SPAN

TF為詞頻因子，詞i在文檔d中的TFi，d，計算公式為：

Fre是詞i在文檔d中出現(xiàn)的頻數(shù)，MAXj（Frejd）是文檔d中jL}{現(xiàn)頻數(shù)最高的詞的頻數(shù)。

LOC為位置因子，出現(xiàn)在標題、摘要的詞一般更能反映文本的主題，將不同位置出現(xiàn)的詞賦予不同的權(quán)重值。出現(xiàn)在標題、摘要、正文三處不同區(qū)域的詞語，其位置值分別設(shè)為60、30和10。

SPAN為詞跨因子，詞跨度是指詞在文中首次出現(xiàn)和末次出現(xiàn)之間的距離，一般詞跨度越大（即在開篇和結(jié)論都使用該詞）對文本的主題就越重要。

其中，las為詞V_i在文中最后一次出現(xiàn)的序號，fir為詞V_i在文中首次出現(xiàn)的序號，sum為經(jīng)分詞計算后的文本分詞總數(shù)。

（3）基于本體映射的語義標引

利用面向自動標引應(yīng)用的地質(zhì)本體對詞向量進行降維，盡量達到詞與詞之間語義的正交性。這里的降維主要使用本體的層級關(guān)系和等同關(guān)系。例如：“頁巖氣、致密氣層氣、Shale gas”都可以用“頁巖氣”代替，這屬于同等詞的映射降維；“伴生氣、低硫氣、火山氣”都可以用“天然氣”代替，這屬于等級詞的映射降維；語義映射增大了與類別的語義關(guān)聯(lián)強的詞匯的權(quán)重；將同義詞、近義詞、相關(guān)詞用一個詞語表示，同時累積權(quán)重；將分散的底層概念映射到較高層概念，權(quán)重累加到高層概念詞匯，高層概念能概括文本主題。

2.4 基于本體和文本標引的地質(zhì)資料服務(wù)與管理

2.4.1 本體的解析與推理

為了完成基于本體的地質(zhì)資料服務(wù)與管理，必須實現(xiàn)基于本體的推理解析工作。OWL是一種很好的描述本體語言，但本身并不具備任何推理和計算能力，因此，為實現(xiàn)基于本體的語義檢索，必須對OWL文件進行相應(yīng)的推理解析，導出本體中存在的知識，滿足對檢索條件的擴展和推送。本文采用的方法是將OWL解析為XML文件，由于OWL是在XML基礎(chǔ)上發(fā)展而來，因此轉(zhuǎn)換起來相對方便，且方便保留原始特性。

圖1所展示的是將OWL文件解析為XML文件之后，將其發(fā)布為Web Service。發(fā)布后，可以通過訪問服務(wù)地址發(fā)出查詢請求，在輸入?yún)?shù)，完成查詢偏好設(shè)置。參數(shù)的主要作用是提供多種查詢條件，即不同參數(shù)值表示返回等同詞、上位詞、下位詞、相關(guān)詞等內(nèi)容，能夠保障用戶按照自己的偏好進行檢索。

2.4.2 基于本體和語義標引的檢索原型

如圖2所示，當用戶輸入檢索詞后，推理引擎根據(jù)本體對檢索詞進行擴展，檢索詞擴展的方式非常靈活，可以選擇等同詞與原來的檢索詞組合成新的查詢條件，或者將原檢索詞的等級詞或者相關(guān)詞一并解析出來組合新的查詢條件，并且與已經(jīng)被語義標引過的地質(zhì)資料庫進行匹配，匹配成功后完成一次完整的語義檢索。與此同時，推理引擎還將與檢索詞有關(guān)的詞動態(tài)地生成一組超鏈接，這種超鏈接能夠為用戶提供更多感興趣的檢索推薦。同時，為了提高系統(tǒng)的靈活性，用戶還可以在Web Service接口服務(wù)中根據(jù)自己的檢索習慣來輸入相應(yīng)參數(shù)，如是否返回檢索詞的英文詞、等級詞和相關(guān)詞等，從而方便用戶更快速地獲取檢索結(jié)果。

通過對于同義詞（等同關(guān)系）的返回，能夠提高檢索的命中率，即實現(xiàn)了檢索詞的有效擴展，相比于模糊匹配，又能夠有效控制擴展詞的數(shù)量，達到最高效的檢索模式。

對于智能導航的生成（等級關(guān)系和相關(guān)關(guān)系），能夠有針對性的給出用戶分類推送列表，可以使用戶快速的獲取檢索資源的相關(guān)知識。

對于Web Service參數(shù)設(shè)置，可以滿足用戶根據(jù)自己的檢索習慣和檢索需要進行個性化的設(shè)置，以更適合的方式進行檢索。

3 實驗分析

本次基于本體和語義標引的檢索試驗采用查準率（P）、查全率（R）和F值作為評測標準。使用1000檔地質(zhì)資料進行測試。評測標準計算公式如下。

由表2可以看出，在使用本體和語義標引后，查全率和查準率得到了明顯提升。同時值得提出的是，檢索結(jié)果受檢索系統(tǒng)的檢索方式影響，本文主要是借助現(xiàn)有的檢索系統(tǒng)實現(xiàn)的檢索試驗，因此在檢索結(jié)果上會收到諸多限制。

4 總結(jié)

基于元數(shù)據(jù)關(guān)聯(lián)模型的本體構(gòu)建既能夠使人從繁重的本體手工構(gòu)建中解脫出來，又能夠提高本體構(gòu)建質(zhì)量和效率；而基于本體映射的文本自動標引方法，利用本體概念的層級關(guān)系映射，有效降低了文本的特征數(shù)量，快速準確地為文本標注了語義標簽。由試驗結(jié)果可知，結(jié)合本體和語義標引后的檢索系統(tǒng)所能夠提供的服務(wù)與管理明顯優(yōu)于傳統(tǒng)系統(tǒng)。因此，本文為地質(zhì)資料的服務(wù)與管理模型奠定了良好的基礎(chǔ)。endprint