面向地理課程自動(dòng)解題的本體知識(shí)庫構(gòu)建

沈盛宇，楊思春，王一賓

自動(dòng)解題技術(shù)是當(dāng)前自然語言處理領(lǐng)域的一個(gè)研究熱點(diǎn)，主要集中在數(shù)學(xué)領(lǐng)域，如Shi[1]等通過構(gòu)造語義分析器自動(dòng)求解代數(shù)文字題，Hosseini等[2]通過從訓(xùn)練語料中學(xué)習(xí)動(dòng)詞的類別自動(dòng)求解算術(shù)文字題，Kushman等[3]通過訓(xùn)練一個(gè)概率模型自動(dòng)求解代數(shù)文字題，Roy等[4]通過使用表達(dá)式樹自動(dòng)求解一般的數(shù)字文字題，Zhou[5]等利用二次規(guī)劃來自動(dòng)解答代數(shù)文字題。而對(duì)于其他課程的自動(dòng)解題研究則偏少。漆桂林[6]以本體作為知識(shí)庫，構(gòu)建了一個(gè)高考地理智能問答系統(tǒng)。本文針對(duì)地理課程自動(dòng)解題，對(duì)本體知識(shí)庫的自動(dòng)構(gòu)建進(jìn)行研究。

傳統(tǒng)的本體構(gòu)建方法有TOVE法、骨架法、IDEF5法、METHONTOLOGY法、SEN-SUS法、KACTUS工程法、七步法等[7]。在國(guó)內(nèi)外研究中，嘗試在本體構(gòu)建過程中盡量減少人工參與成分的研究主要有以下幾類：第一類，在概念實(shí)體抽取階段主要通過手工方法實(shí)現(xiàn)，但在概念實(shí)體關(guān)系構(gòu)建階段，部分通過自動(dòng)方法實(shí)現(xiàn)，例如馬捷[8]借助《教育主題詞表》的主要概念實(shí)體關(guān)系，利用本體編輯開發(fā)軟件protege3.2.1構(gòu)建出面向網(wǎng)絡(luò)應(yīng)用的教育領(lǐng)域本體。第二類，在概念實(shí)體抽取階段主要通過手工方法實(shí)現(xiàn)，但在概念實(shí)體關(guān)系構(gòu)建階段完全通過自動(dòng)方法實(shí)現(xiàn)，例如邱均平[9]利用情報(bào)學(xué)資源本體類目及等級(jí)體系，定義類的屬性、添加實(shí)體及定義實(shí)例屬性，通過統(tǒng)計(jì)分析、共現(xiàn)分析和語義相似度計(jì)算等方法,構(gòu)建實(shí)體概念間的關(guān)系。第三類，在概念實(shí)體抽取階段和概念實(shí)體關(guān)系構(gòu)建階段均完全通過自動(dòng)方法實(shí)現(xiàn)，如王超[10]通過對(duì)文獻(xiàn)資源的分詞和清洗，自動(dòng)提取領(lǐng)域概念實(shí)體，并用關(guān)聯(lián)分析和改進(jìn)的層次聚類發(fā)現(xiàn)領(lǐng)域概念實(shí)體間關(guān)系，構(gòu)建農(nóng)業(yè)領(lǐng)域本體。

本文針對(duì)地理課程自動(dòng)解題，研究地理課程試題本體知識(shí)庫的構(gòu)建。

1 地理試題本體知識(shí)庫的構(gòu)建

參照傳統(tǒng)本體構(gòu)建方法，本文在構(gòu)建地理試題本體知識(shí)庫時(shí)分為以下幾個(gè)步驟：概念實(shí)體提取、概念實(shí)體關(guān)系構(gòu)建、OWL文檔規(guī)則化、protege編輯完善等，總的實(shí)現(xiàn)流程如圖1所示。

圖1 地理領(lǐng)域本體構(gòu)建流程

1.1 概念實(shí)體抽取

利用計(jì)算機(jī)自動(dòng)解題時(shí)，關(guān)鍵的一步便是對(duì)整個(gè)試題文本進(jìn)行理解。本文對(duì)地理試題文本進(jìn)行分詞和結(jié)合TFIDF算法提取概念實(shí)體，用于后續(xù)的概念實(shí)體關(guān)系構(gòu)建。下面以一道地理試題為例，說明地理試題本體的具體構(gòu)建過程：

例 下列節(jié)日中，北京市的白晝時(shí)間最短的是（）

A.元旦 B.教師節(jié) C.國(guó)慶節(jié) D.國(guó)際兒童節(jié)

分析 北京位于北半球，北半球白晝時(shí)間最短的一天是冬至日（12月22日前后）。4個(gè)節(jié)日中，距離冬至日最短的那天就是北京市白晝最短的一天。元旦（1月1日）、教師節(jié)（9月10日）、國(guó)慶節(jié)（10月1日）、國(guó)際兒童節(jié)（6月1日），這4個(gè)節(jié)日中，元旦距離冬至日時(shí)間最短，故白晝時(shí)間最短，因此選“A.元旦”。

首先利用中科院所開發(fā)的ICTCLAS分詞軟件對(duì)試題進(jìn)行分詞，目前在系統(tǒng)里加入一個(gè)包含400個(gè)地理概念詞匯的用戶詞典以提高分詞效果，并構(gòu)建停用詞表，在系統(tǒng)進(jìn)行TF-IDF前對(duì)分詞結(jié)果進(jìn)行預(yù)處理，去除試題分詞結(jié)果中的通用字，以提高TF-IDF的準(zhǔn)確性。

TF-IDF算法中的詞頻（TF）指的是某個(gè)詞在文件中的出現(xiàn)次數(shù)與文件中所有詞的出現(xiàn)次數(shù)之和的商：

TF-IDF算法中的逆向文件頻率(IDF)是指總文件數(shù)目與包含該詞語之文件數(shù)目的商的對(duì)數(shù)：

TF-IDF的值就是TF與IDF的乘積：

結(jié)合上述分詞及通用字預(yù)處理的結(jié)果，將收集的3 000多道地理試題作為試題庫，從中隨機(jī)抽取50，100，200道試題作為樣本，分別計(jì)算每道試題中關(guān)鍵詞所對(duì)應(yīng)的TF-IDF值，將樣本試題中每個(gè)關(guān)鍵詞分別放入所構(gòu)建的基本術(shù)語層次關(guān)系表中進(jìn)行檢索，分別保留50，100，200道試題中TF-IDF的最大值與最小值，如表1所示。

為提高TF-IDF閾值設(shè)置的準(zhǔn)確性，將閾值范圍設(shè)為0.111 965 16～0.207 313 95。利用分詞及相關(guān)預(yù)處理和TF-IDF算法，可以得到上面例題的分析結(jié)果，如表2所示。

利用上述閾值所設(shè)置的范圍，可以提取出例題文本的所有概念實(shí)體。

表1 不同試題數(shù)目下TF-IDF的最大值與最小值情況

表2 例題文本的分詞和TF-IDF值

1.2 概念實(shí)體關(guān)系構(gòu)建

首先給出基本術(shù)語層次關(guān)系表的構(gòu)建。對(duì)于上面的例題，其對(duì)應(yīng)的基本術(shù)語層次關(guān)系如表3所示。

表3 基本術(shù)語層次關(guān)系表

本文中所用的基本術(shù)語層次關(guān)系表是通過手工方法構(gòu)建的，主要考慮：一方面，由于本文試題規(guī)模有限，統(tǒng)計(jì)學(xué)、聚類等方法難以到達(dá)明顯的效果；另一方面，所構(gòu)建的本體目標(biāo)是用于自動(dòng)解題，從解題準(zhǔn)確率出發(fā)，通過手工構(gòu)建基本術(shù)語層次關(guān)系表輔助實(shí)現(xiàn)概念關(guān)系的自動(dòng)抽取。

在構(gòu)造基本術(shù)語層次關(guān)系表時(shí)，根據(jù)所收集的3 000道地理課程試題的22個(gè)不同類型分類，針對(duì)不同類型的試題，分別構(gòu)造對(duì)應(yīng)的基本術(shù)語關(guān)系表。利用開源的搜狗地理詞庫，構(gòu)建基本術(shù)語關(guān)系表。目前基本術(shù)語關(guān)系表中包涵1 700多個(gè)術(shù)語詞，試題分布及基本術(shù)語層次表的具體情況如表4所示。

表4 試題分布及基本術(shù)語層次表的具體情況表

在基本術(shù)語層次關(guān)系表的基礎(chǔ)上，通過設(shè)計(jì)相應(yīng)的概念實(shí)體關(guān)系自動(dòng)構(gòu)建算法，進(jìn)一步實(shí)現(xiàn)地理試題文本中的相關(guān)概念實(shí)體關(guān)系的構(gòu)建。算法1給出了概念實(shí)體關(guān)系的具體構(gòu)建過程。

算法1概念實(shí)體關(guān)系構(gòu)建算法

輸入：TF-IDF提取出的概念實(shí)體與解題所需的隱含概念實(shí)體。

輸出：構(gòu)建好的概念實(shí)體關(guān)系文件result與待處理概念實(shí)體文件pending。

Step1：根據(jù)試題類型，選擇對(duì)應(yīng)的基本術(shù)語層次關(guān)系表，進(jìn)入Step2；

Step2：依次選擇提取出的概念實(shí)體與解題所需的隱含概念實(shí)體，掃描整個(gè)數(shù)據(jù)庫，若概念實(shí)體存在于數(shù)據(jù)庫中，則進(jìn)入Step3，否則進(jìn)入Step4；

Step3：查詢?cè)摳拍顚?shí)體所處節(jié)點(diǎn)的父親節(jié)點(diǎn)，將該節(jié)點(diǎn)與父親節(jié)點(diǎn)構(gòu)建成三元組關(guān)系，并將關(guān)系寫入result文件中；

Step4：將該概念實(shí)體直接寫入pending文件。

對(duì)于例題文本，以“元旦”進(jìn)行掃描時(shí)，其父親節(jié)點(diǎn)為“節(jié)日”，則將“元旦subClassOf節(jié)日”語句寫入result.txt文件。

1.3 概念實(shí)體關(guān)系規(guī)則化

在抽取試題文本中的概念實(shí)體關(guān)系后，可以利用Jena所提供的Java API，將得到的概念實(shí)體關(guān)系（result.txt文件）轉(zhuǎn)換成為OWL本體文件（geo.owl），該OWL文檔就是可被編輯的本體原型，這個(gè)過程稱為概念實(shí)體關(guān)系的規(guī)則化。算法2給出了概念實(shí)體關(guān)系的具體規(guī)則化過程。

算法2 概念實(shí)體關(guān)系的規(guī)則化

輸入：三元組關(guān)系文檔result.txt

輸出：OWL本體

Step1：OntModel m=ModelFactory.createOntologyModel();

Step2：String ontoURI="http：//www.semanticweb.org/geo";

Step3：while(result.txt的一行不為空){

String firstString=ontoURI+strings[0];

OntClass class1=m.createClass(firstString);

//第一個(gè)概念實(shí)體轉(zhuǎn)換成一個(gè)類

String secondString=ontoURI+strings[1];

OntClass c2=m.createClass(secondString);

//第二個(gè)概念實(shí)體轉(zhuǎn)換成一個(gè)類

class2.addSubClass(class1);//構(gòu)建兩個(gè)概念實(shí)體關(guān)系

}

Step4：m.write(write,"RDF/XML-ABBREV");//輸出成為OWL本體文檔

對(duì)于例題文本，利用該算法所得的geo.owl文檔中對(duì)應(yīng)概念實(shí)體關(guān)系“元旦subClassOf節(jié)日”的描述為：

＜o(jì)wl：Class rdf：about="http：//www.geo.com41/ontology-#元旦"＞

＜rdfs：subClassOf＞

＜o(jì)wl：Class rdf：about="www.geo.com41#ontology-節(jié)日"/＞

＜/rdfs：subClassOf＞

＜/owl：Class＞

算法思想：讀取關(guān)系文檔的每一行，將其中的概念實(shí)體轉(zhuǎn)換成本體的一個(gè)類，將關(guān)系轉(zhuǎn)換成本體中的關(guān)系屬性后，構(gòu)建出兩個(gè)概念實(shí)體的關(guān)系，直至讀完整個(gè)文檔。

例題文本的OWL本體文件（geo.owl）在protege中的展示如圖2所示。

1.4 protégé編輯

利用protégé對(duì)自動(dòng)構(gòu)建的試題本體進(jìn)行編輯，進(jìn)一步補(bǔ)充試題文本中所蘊(yùn)含的其他概念實(shí)體關(guān)系。利用protégé編輯后的例題本體如圖3所示。

圖2 自動(dòng)構(gòu)建的例題本體

圖3 編輯后的例題本體

例如，在利用protégé對(duì)原來自動(dòng)構(gòu)建的例題本體進(jìn)行編輯時(shí)，添加了“節(jié)日元旦接近于節(jié)氣冬至”，由于試題文本中無法直接描述這一關(guān)系，所以需要人工進(jìn)行添加，以方便后期進(jìn)行實(shí)際的推理解題工作。

本文原先從例題文本中提取出17個(gè)概念實(shí)體，并將其中6個(gè)概念實(shí)體構(gòu)建出5條關(guān)系，加入隱含概念實(shí)體后，一共構(gòu)建出包含16個(gè)概念實(shí)體、15條關(guān)系的本體。

1.5 基于本體的自動(dòng)解題

利用Jena所提供的推理子系統(tǒng)，通過書寫相關(guān)規(guī)則文檔，結(jié)合所構(gòu)建的本體文件進(jìn)行自動(dòng)解題。

根據(jù)對(duì)試題的理解，可以構(gòu)建如下規(guī)則：

[rule：(?a http：//www.semanticweb.org/geo.ow l#位于?b)

(?bhttp：//www.semanticweb.org/geo.owl# 白晝時(shí)間最短的是?c)

(?c http：//www.semanticweb.org/geo.owl# 接近?d)-＞

(?a http：//www.semanticweb.org/geo.owl# 白晝時(shí)間最短的節(jié)日是?d)]

該條規(guī)則所表達(dá)的含義：若存在一個(gè)城市a，其位于半球b，而半球c白晝時(shí)間最短的一天是c，節(jié)氣c接近于節(jié)日d，則可以稱為城市a白晝世界最短的節(jié)日就是d。

然后書寫如下搜索語句，完成搜索，得到結(jié)果：

SELECT?節(jié)日

WHERE{daylong：?城市 daylong：白晝時(shí)間最短的節(jié)日是?節(jié)日}

利用上述搜索語句，結(jié)合規(guī)則文檔，便能夠通過本體得到問題的答案。

2 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)數(shù)據(jù)主要來自億庫地理試題網(wǎng)（http：//www.eku.cc/sj/dili/）、菁 優(yōu) 網(wǎng)（http：//www.jyeoo.com/）以及中學(xué)地理課程教材，收集3 000多道地理選擇題，該題型涵蓋了地理試題中的22個(gè)不同的類，主要分布情況如表4所示。

為驗(yàn)證所提出的本體構(gòu)建方法對(duì)各類試題的知識(shí)庫構(gòu)建是否有明顯的效果，利用以下公式進(jìn)行驗(yàn)證：

表5給出了本文所提出的本體構(gòu)建方法在所收集試題集的各類試題上的相應(yīng)分析結(jié)果。

表5 本文的本體構(gòu)建方法在各類試題上的應(yīng)用效果

實(shí)驗(yàn)結(jié)果表明：1）以第2節(jié)中所例舉的試題為例，當(dāng)解答試題需要較強(qiáng)的關(guān)系推理，運(yùn)用本體作為知識(shí)庫時(shí)，解題效率較高；2）高考考試中包含大量圖片及表格，目前只能通過手工描述圖片信息，結(jié)合試題進(jìn)行本體構(gòu)建，由于圖片信息的局限性，構(gòu)建出的本體并不能幫助解題；3）當(dāng)解答試題要進(jìn)行評(píng)價(jià)判斷如“下列選項(xiàng)中說法正確的是”或者“地年平均氣溫的年際波動(dòng)不一致說明”時(shí)，由于試題中多為關(guān)系性不強(qiáng)或者為評(píng)價(jià)性短語，無法正確構(gòu)建出相應(yīng)合適本體，解題較為困難；4）當(dāng)試題中包含數(shù)值計(jì)算時(shí)，例如對(duì)于試題“世界上最高的珠穆朗瑪峰海拔8 848米，最低處死海的海拔-400米，兩地的相對(duì)高度是多少”，單純利用Jena推理也無法保證題目的自動(dòng)解答。

3 結(jié)束語

針對(duì)在傳統(tǒng)的構(gòu)建本體方法中人工參與成分較多，本文提出半自動(dòng)的本體構(gòu)建方法。首先利用開源的ICTClAS分詞工具對(duì)輸入試題文本進(jìn)行分詞，針對(duì)分詞結(jié)果運(yùn)用TF-IDF算法通過閾值設(shè)置提取試題文本中的概念詞，利用構(gòu)建的基本術(shù)語關(guān)系表構(gòu)建概念詞間的實(shí)體關(guān)系，并結(jié)合Jena的相關(guān)算法將所得到實(shí)體關(guān)系規(guī)則化得到解題所需本體，最后利用protégé對(duì)自動(dòng)構(gòu)建出的本體進(jìn)一步編輯，得到解題所需本體。本方法在很大程度上減少了構(gòu)建本體知識(shí)庫的人工成本。在后續(xù)研究中，我們將在如下幾個(gè)方面進(jìn)一步開展研究：逐步擴(kuò)大和篩選文本量，從而進(jìn)一步優(yōu)化TF-IDF算法的結(jié)果，并通過反復(fù)實(shí)驗(yàn)篩選出更優(yōu)閾值，提高概念實(shí)體提取的準(zhǔn)確率；隨著所收集試題規(guī)模的擴(kuò)大，我們準(zhǔn)備考慮使用機(jī)器學(xué)習(xí)的方法，實(shí)現(xiàn)基本術(shù)語層次關(guān)系表的自動(dòng)構(gòu)建；由于地理題中包含大量含有圖片信息的問題，考慮利用圖像識(shí)別等技術(shù)進(jìn)一步幫助系統(tǒng)理解圖片信息，減少人工讀圖開銷。

參考文獻(xiàn)：

[1]SHI S,WANG Y,LIN C Y,et al.Automatically solving number word problems by semantic parsing and reasoning[C].In Proceedings of the 2015 Conference on Empirical Methods in Natural Language Processing,2015：1132-1142.

[2]Hosseini M J,Hajishirzi H,Etzioni O，et al.Learning to solve arithmetic word problems with verb categorization[C].In Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing,2014：523-533.

[3]KUSHMAN N,ARTZI Y,ZETTLEMOYER L，et al.Learning to automatically solve algebra word problems[C].In Proceedings of the 52ndAnnual Meeting of the Association for Comput-ational Linguistics,2014：271-281.

[4]ROY S，ROTH D.Solving general arithmetic word problems[C].In Proceedings of the 2015 Conference on Empirical Methods in Natural Language Processing,2015：1743-1752.

[5]ZHOU L,DAI S,CHEN L.Learn to solve algebra word problems using quadratic programming[C].In Proceedings of the 2015 Conference on Empirical Methods in Natural Language Processing(EMNLP2015),2015：817-822.

[6]漆桂林.面向地理智能問答的知識(shí)表示和推理的初步探索[C].上海：第三屆中國(guó)圖譜學(xué)術(shù)研討會(huì),2015.

[7]徐劍波.基于本體的電子政務(wù)資源管理系統(tǒng)研究[D].上海：東華大學(xué),2006.

[8]馬捷,劉小樂,黃嵐,等.教育領(lǐng)域本體構(gòu)建研究[J].情報(bào)理論與實(shí)踐,2012(07)：104-108.

[9]邱均平,樓雯.基于CSSCI的情報(bào)學(xué)資源本體構(gòu)建[J].情報(bào)資料工作,2013(03)：57-63.

[10]王超,李書琴,肖紅.基于文獻(xiàn)的農(nóng)業(yè)領(lǐng)域本體自動(dòng)構(gòu)建方法研究[J].計(jì)算機(jī)應(yīng)用與軟件,2014,31(8)：71-74.