基于本體和語義距離的DBpedia領域知識抽取方法

張志申 王會勇 張曉明 艾青 孟明明

摘 要： 關聯開放數據（LOD）中蘊藏著大量不同領域的知識，但是目前抽取其中特定領域知識的方法大多需要人工參與。為了能自動地抽取領域知識，提出根據領域本體抽取DBpedia中特定領域知識的方法。使用領域本體、Wikipedia和主題提取算法獲得用于抽取領域知識的種子關鍵詞集。在直接鏈接子圖語義距離算法中，添加能夠代表邊指向性權值的參數，用于領域知識的抽取，并基于本體和字符串相似度比較的篩選策略對抽取的知識進行篩選。通過實驗表明，該方法不僅能夠獲得較好的抽取效果，而且不需要人為地挑選關鍵詞和參與篩選過程，極大地節省了時間和精力。

關鍵詞： DBpedia； 領域本體； 直接鏈接子圖語義距離算法； 知識抽取； 抽取策略； 篩選

中圖分類號： TN911.1?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2018）13?0128?05

Abstract： The linked open data （LOD） contains huge amounts of different domain knowledge， and most of the approaches to extract the specific domain knowledge require manual intervention. A method of extracting domain specific knowledge from DBpedia based on domain ontology is proposed to extract the domain knowledge automatically. The domain ontology， Wikipedia and topic extraction algorithm are used to obtain the seed keyword set for domain knowledge extraction. The parameter representing the side?directivity weight is added into the direct linked subgraph semantic distance algorithm to extract the domain knowledge. The screening scheme based on ontology and character string similarity comparison is used to screen the extracted knowledge. The experiment results show that the proposed method can obtain perfect extraction performance， and needn′t select keywords or perform manual participation in the screening process artificially， which can greatly save people′s time and effort.

Keywords： DBpedia； domain ontology； direct linked subgraph semantic distance algorithm； knowledge extraction； extraction scheme； screening

0 引 言

隨著科技的發展，關聯開放數據（LOD）中的數據呈爆炸式增長，如DBpedia[1]，Yago[2]等。這為語義網領域提供了大量可用數據，并且推動了本體技術的快速發展。但是正因為LOD中數據的不斷增加，這在為使用者提供強大數據來源的同時，也使得從中抽取特定領域數據變得困難。目前，針對從LOD中抽取領域數據的方式[3?4]大多相似，基本采用人工指定關鍵詞或者人為篩選關鍵詞作為抽取LOD知識的入口，并設計抽取策略或算法對LOD中的特定領域知識進行抽取。但是這些抽取領域知識的方式容易受到關鍵詞的影響，人為指定的關鍵詞直接決定了該抽取策略的最后結果。并且使用者不僅需要對該領域知識有一定的了解，而且還需要進行多次實驗來確定關鍵詞集，從而耗費大量的時間和精力。同時，隨著本體技術的高速發展，各個領域的本體也迅速出現，如金屬材料領域的STSM[5]，睡眠醫學領域的SDO[6]等。由于領域本體中基本都包含著相應領域的大部分知識，所以本文根據領域本體提取用于抽取領域知識的種子關鍵詞集。

本文提出根據領域本體提取DBpedia中特定領域知識的方法。該方法首先采用LDA算法[7?8]，同時結合領域本體和Wikipedia[9]獲得領域本體的種子關鍵詞集；然后對直接鏈接子圖語義距離算法[3，10]（DLSSD）添加邊指向性的權值參數，使用種子關鍵詞集和該算法抽取DBpedia中的領域知識，并使用SMOA[11]和最大公共子串算法[12]（LCS）結合當前領域本體進行篩選；最后得到特定領域知識。本文以STSM抽取DBpedia中金屬材料領域知識為例。通過實驗表明，該方法不僅能獲得相對有效的種子關鍵詞集和DBpedia中特定的領域知識，而且不需要領域專家的介入，極大地減少了人為工作量。

1 根據領域本體獲得種子關鍵詞集

在領域本體中，schema層基本囊括了該領域的知識，但是領域本體中也存在著不屬于該領域的數據，只是與領域本體中部分數據存在關聯，如STSM中的author等。

為了能夠根據領域本體獲得可以代表該領域的種子關鍵詞集，本文利用LDA算法提取領域本體schema層，獲得候選關鍵詞集，并結合Wikipedia和LDA進行擴展。然后利用余弦相似度算法結合本體的schema層進行相似度計算，設定閾值進行篩選。重復擴展和篩選的過程直到結果中的關鍵詞集不變為止，即獲得能夠代表該本體領域性的種子關鍵詞集。例如，使用STSM獲得的種子關鍵詞集為{ iron， carbon， steel， metals， metal， alloys，alloy}。以下展示了通過候選關鍵詞獲得種子關鍵詞集的算法描述。

算法：getSK （List listck， Model model）

輸入：listck //候選關鍵詞集

model //領域本體

輸出：listck //獲得的種子關鍵詞集

Step：

1 listldaf = createArrayList（） //接收初次篩選的關鍵詞

2 listldas = createArrayList（） //接收最后篩選的關鍵詞

3 calssset←getClassset（model） //獲得領域本體的類名集

4 tostop = true files=null

//用于判停的標識tostop，初始值為true，同時定義文檔files

5 While tostop

6 FOR each ck∈listck //遍歷listck中的每個關鍵詞

7 destext ← getWebDes（ck）

//獲得該關鍵詞在Wikipedia中的文本描述

8 similarity ← getWebDes（destext， calssset）

//獲得該文本與類名集的相似度

9 IF similarity >= 0.89

10 files ← write（destext）

11 //將文本描述寫入文檔listldaf.add（ck）

12 listk← getLDA（files） //使用LDA獲得該文檔的關鍵詞

13 FOR each k∈listk //遍歷listk中的每個關鍵詞

14 kdestext ← getWebDes（k）

//獲得該關鍵詞在Wikipedia中的文本描述

15 ksimilarity ← getWebDes（kdestext， calssset）

//獲得該文本與類名集的相似度

16 IF ksimilarity >= 0.89

17 listldas.add（k） //將關鍵詞存入listldas

18 IF listck == listldas //如果listck與listldas相等

19 tostop = false //給tostop賦值為false

20 ELSE listck ← listldas

//將listldas中的數據賦值給listck，作為下次循環使用的數據

21 listldaf.clear（） listldas.clear（）

//清空listldaf和listldas

22 RETURN listck

2 基于語義距離抽取DBpedia中的特定領域知識

DBpedia中的數據保存在多個數據集中，首先獲得SKOS_Category數據集中的特定領域概念，然后將獲得的概念通過字符串匹配的方式獲得其他數據集中的相關知識。本文對DLSSD算法添加能夠代表邊指向性的權值參數，形成IDLSSD算法，并使用該算法抽取SKOS_Category數據集中的特定領域概念。

2.1 IDLSSD算法

在SKOS_Category數據集中，各個數據之間存在聯系，并且是以圖的形式存在。為了能夠獲得SKOS_Category中與領域本體相關的概念，使用DLSSD算法獲得特定領域的概念。該算法計算兩個節點的直接鏈接子圖語義距離，當該直接鏈接子圖語義距離值越接近0時，說明這兩個節點越相關。該算法再根據人為篩選的關鍵詞和使用Wikipedia中金屬材料分類作為背景數據集獲取DBpedia金屬材料知識，已取得了較好的應用[3]。為了更加充分地體現節點之間的語義關系，以便更加準確地獲得相關領域節點，本文向該算法中添加能夠代表邊指向性的權值參數，添加參數后的DLSSD算法（IDLSSD）如下：

在有向圖中，當節點[a]指向節點[b]時，說明節點[a]為節點[b]的子節點。即如果節點[b]為已知金屬材料領域的知識，那么節點[a]必然也為金屬材料知識；但是如果節點[a]為已知金屬材料知識，節點[b]有可能不為金屬材料知識。當節點[a]指向節點[b]的同時，節點[b]也存在一條指向節點[a]的線，這基本可以說明，節點[a]和節點[b]為相同或相似概念，即它們的領域性基本相同。例如，在DBpedia中，“Alloys broader Metals”表示“Alloys”指向“Metals”，“Metals”為金屬材料領域知識，顯然“Alloys”也為金屬材料知識。然而對于“Metals broader Crystalline_solids”，“Metals”為金屬材料領域知識，但是“Crystalline_solids”表示的是結晶固體，不為金屬材料領域知識。所以在計算[a]節點與[b]節點的IDLSSD值時，本文也將表示[a]節點與[b]節點的指向方向性的權值[D]考慮在內，當[a]節點指向[b]節點時，[D]值設為1；當節點[b]指向節點[a]時，[D]值設為2；當[a]節點與[b]節點相互指向時，[D]值設為4。

圖1展示了DBpedia中“Alloys”周圍的部分節點。計算“Alloys”與周圍節點的IDLSSD值，通過種子關鍵詞集中的“Alloys”獲得其直接鏈接子圖的概念{Chemical_mixtures，Copper_alloys，Metals，Steel_alloys， Ferrous_alloys}。以計算IDLSSD（Alloys， Ferrous_alloys）為例，其中“Alloys”指向“Ferrous_alloys”的邊數為0，即[E（a，b）]為0。“Ferrous_alloys”指向“Alloys”的邊數為1，即[E（b，a）]為1。其中，“Alloys”的直接鏈接子圖和“Ferrous_alloys”的直接鏈接子圖中都有相同的元素“Steel_alloys”，所以[N（a，b）]為1。并且已知節點“Alloys”被“Ferrous_alloys”指向，所以[D]值為2。即IDLSSD（Alloys， Ferrous_alloys）的值為0.20。

2.2 利用IDLSSD算法抽取DBpedia中的特定領域知識

根據SMOA算法獲得種子關鍵詞集在SKOS_Category中的對應概念，將獲得的對應概念作為抽取SKOS_Category數據集的入口，使用IDLSSD算法抽取其相關的概念。為了保障抽取到的概念與當前領域本體相關，設定閾值[T1]和[T2]分段進行篩選。當IDLSSD值小于[T1]時，視為與當前領域本體相關的概念；當IDLSSD值在[T1]～[T2]范圍內時，使用SMOA和最大公共子串算法（LCS）結合領域本體schema層做進一步篩選。將滿足篩選條件的概念再次作為SKOS_Category數據集的入口進行抽取并篩選，一直重復該過程，直到獲得滿足篩選條件的概念集不再增多為止。最后根據獲得概念集利用字符串匹配的方式獲得DBpedia其他數據集中的相關知識。

使用SMOA和LCS算法結合當前領域本體進行篩選。將領域本體schema層中的概念作為背景數據集，對已獲得SKOS_Category中的概念集分別與背景數據集中的概念使用SMOA進行相似度計算，當最大值大于等于閾值TH1時，視該概念屬于金屬材料領域；當最大值小于閾值TH1并大于等于閾值TH2時，使用LCS算法判斷該概念是否包含背景數據集中的概念，如果包含，那么該概念屬于金屬材料領域。其他情況都視為該概念不屬于金屬材料領域。

結合SMOA和LCS的篩選策略如下：

算法： getSMOAandLCS （List listBD， String con， int TH1， int TH2）

輸入： listDB //背景數據集

con //需要進行判定的概念名稱

TH1 //設定的SMOA的閾值其中偏大的

TH2 //設定的SMOA的閾值其中偏小的

輸出： sc //con是否與背景數據集相同領域的標識

Step：

1 sc = false //用于返回的標識sc，初始值為false

2 simimax ← getSMOAMax（con， listBD）

//獲得最大相似度值

3 IF simimax >= TH1

//判斷最大相似度值是否大于TH1

4 sc = true //將sc的值設置為true

5 ELSE IF simimax < TH1 && simimax >= TH2

//判斷最大相似度值是否小于閾值TH1并且大于等于TH2

6 lcs ← judgeLCS（con， listBD）

//判斷con是否存在包含背景數據集中的概念

7 IF lcs == true //判斷lcs是否為true

8 sc = true //將sc的值設置為true

9 RETURN sc

3 實驗評估

3.1 評估IDLSSD算法的閾值[T1]和[T2]

本文將[T1]值設定為0.15，[T2]值設定為0.34。當IDLSSD值小于等于0.15時， IDLSSD算法公式中4個值的總和必須大于等于6。當IDLSSD值在[T1]和[T2]之間時，其公式中4個值的總和須在6和2之間。由于[E（a，b）]，[E（b，a）]表示節點之間的連線，[D]表示節點之間指向性的權值，所以[E（a，b）]，[E（b，a）]，[N（a，b）]和[D]的取值之間存在一定聯系。表1展示的是4個值總和為6和2時，各個參數的取值情況。

對于本文，將[T1]值設定為0.15，即將該4個值的總和最小設定為6，因為在SKOS_Category中，節點之間的連線關系都為“broader”，并且當節點a和節點b之間存在相互指向的連線關系（S6_3）時，說明節點a和節點b極為相似或密切關聯，所以本文視這兩個節點的領域性相同。并且在4個值總和為6時的其他情況（S6_1和S6_2）中，當節點a的直接鏈接子圖和節點b的直接鏈接子圖中相同元素個數大于等于3時，也可以認為這兩個節點為相同領域的節點。

對于其他情況，當節點[a]和節點[b]至少存在一條連線關系（S2_1）時，不能肯定地判斷節點[b]與節點[a]的領域性是否一致，所以需要對這種情況的節點進行進一步的判定篩選，即將[T2]值設定為0.34。

3.2 評估篩選策略中的閾值TH1和TH2

在對大于等于閾值[T1]并小于閾值[T2]中的節點進行篩選時，本文使用SMOA和LCS算法設計分段篩選策略。為了確定篩選過程中TH1和TH2的選擇，從SKOS_Category中選取100個與當前領域本體相關的節點，900個與當前領域本體不相關的節點，分別采用不同的閾值對TH1和TH2進行實驗，并使用準確率（P），召回率（R）和F值進行實驗評估，實驗結果分別如圖2和圖3所示。

對TH1值的選擇，在F值可以接受的范圍內主要考慮其準確率，因為這里主要是盡可能多并且準確地獲得與當前領域本體相關的節點。對于其余節點，通過LCS算法和TH2進行篩選，以保障F值最高。從圖2可以看出，隨著閾值TH1的增加，其準確率在不斷增長，并在0.76之后基本達到穩定的狀態。但是，隨著TH1的增加，其召回率一直持續下降，導致其F值也一直呈現下降的趨勢。TH1在0.78～0.8準確率出現略微的增長，在0.8時準確率達到最大值，在0.8之后準確率又開始有輕微下降的趨勢，并且在TH1為0.8時，其F值還保持在一個可以接受的范圍。所以在本文中，TH1值設定為0.8。同時在圖3中，當TH2值為0.7時，其F值達到最高，所以選取TH2值為0.7。

3.3 使用不同的金屬材料領域本體評估抽取方法

為了說明本文所提抽取方法的適用性，使用不同的金屬材料本體提取SKOS_Category數據集中的特定領域概念，如使用AMO本體[13]（Ashino創建的材料本體）。并且本文提出的抽取方法也適用于同時根據兩個相同領域的本體進行抽取DBpedia中的特定領域知識，如使用STSM和AMO本體。在表2中，展示了分別使用AMO，STSM和同時使用AMO和STSM對SKOS_Category中的概念進行抽取的結果。

從表2中可以看出，雖然AMO和STSM都為金屬材料領域的領域本體，但是由于本體之間的差異，導致抽取出的候選關鍵詞集不同，進而使得種子關鍵詞集也不同。并且作為篩選條件的背景數據集也存在明顯的差異，所以最后獲得特定領域概念的數量也不同。

并且從表2中可以看出，隨著背景數據集中概念的增加，抽取的SKOS_Category中的特定領域概念的數量也在增加。在使用AMO抽取SKOS_Category中的特定領域概念時，背景數據集中概念的數量為63個，共抽取SKOS_Category中的概念200個；使用STSM抽取SKOS_Category中的特定領域概念時，背景數據集中的概念為146個，抽取到SKOS_Category中的概念338個。因此可以發現，隨著背景數據集中概念數量的增加，抽取到的SKOS_Category中概念的數量也在明顯增加。當使用STSM和AMO同時抽取SKOS_Category中的特定領域概念時，背景數據集中的概念為209個，但是抽取到的概念只有366個，這是因為STSM和AMO同屬于金屬材料本體。同時，在AMO本體中，“Steel”歸為“Alloy”下的子類，并且基本都是與“Alloy”相關的概念名稱，關于“Steel”概念的信息很少，這就導致使用AMO本體抽取的領域概念較少。通過上述分析，說明該抽取方法在根據該領域其他本體進行抽取時，也能獲得相對滿意的效果。

3.4 使用睡眠醫學領域本體評估抽取方法

為了評估該抽取方法在其他領域的適用性，本文使用不同于金屬材料領域的睡眠醫學領域本體SDO[6]抽取SKOS_Category中的領域概念。因為使用的本體領域不同，所以適當地更改抽取方法中的相關閾值。在此次實驗中，將使用SMOA和LCS算法進行篩選過程中的TH1設置為0.88，TH2設置為0.82，其他閾值不變。其結果如圖4所示。

圖4展示了使用SDO本體抽取SKOS_Category中領域概念的結果，一共抽取出156個與該本體相關的概念，圖中A區域和B區域展示了其中部分抽取結果。在B區域中展示了與當前SDO本體相同領域的概念，在SDO本體中存在“Sleep function”“Sleep apnea disorder”等關于睡眠的一些概念，通過本文提出的抽取策略可以獲得SKOS_Category中相同領域的概念，如“Sleep”“Sleep_disorder”“Sleep_medicine”等。并且利用本文的抽取方法還能夠抽取出與當前領域本體SDO相關的領域概念，如A區域展示的“mind”及其相關的概念“Thought”“Brain”等。同時，通過調整TH1和TH2，能夠獲得不同數量與當前領域本體相關的概念。所以本文提出的抽取策略同樣適用于其他領域，并且能夠得到較好的結果。

4 結 論

本文提出根據領域本體抽取DBpedia中相應領域知識的方法。該方法利用領域本體，Wikipedia和LDA算法獲得種子關鍵詞集，并對種子關鍵詞集利用IDLSSD算法抽取DBpedia中的領域知識，同時結合當前領域本體的schema層，使用SMOA和LCS算法進行篩選。實驗結果表明，本文提出的抽取方法能夠相對有效地提取DBpedia中的特定領域知識，并且不需要人為參與。此外，該抽取策略在應用于不同領域本體進行抽取時，也能獲得較好的結果。所以本文提出的抽取方法可以在獲得相對有效的特定領域知識的同時，也能極大地減少人為工作量。然而，該抽取方法只是針對抽取DBpedia中特定領域知識，為了能夠比較有效地抽取其他LOD，下一步打算設計更具通用性的抽取方法。

參考文獻

[1] LEHMANN J， ISELE R， JAKOB M， et al. DBpedia： a large?scale， multilingual knowledge base extracted from Wikipedia [J]. Semantic Web， 2015， 6（2）： 167?195.

[2] BIEGA J， KUZEY E， SUCHANEK F M. Inside YAGO2s： a transparent information extraction architecture [C]// 2013 ACM International Conference on World Wide Web. New York， USA： ACM， 2013： 325?328.

[3] ZHANG X， LIU X， LI X， et al. MMKG： an approach to generate metallic materials knowledge graph based on DBpedia and Wikipedia [J]. Computer physics communications， 2016， 211： 98?112.

[4] ZHANG X， PAN D， ZHAO C， et al. MMOY： towards deriving a metallic materials ontology from Yago [J]. Advanced engineering informatics， 2016， 30（4）： 687?702.

[5] ZHANG X， L? P， WANG J. STSM： an infrastructure for unifying steel knowledge and discovering new knowledge [J]. International journal of database theory & application， 2014， 7（6）： 175?190.

[6] WHETZEL P L， NOY N F， SHAH N H， et al. Sleep domain ontology [DB/OL]. [2017?04?16]. http：//purl.bioontology.org/ontology/SDO.

[7] SANTOSH D T， BABU K S， PRASAD S D V， et al. Opinion mining of online product reviews from traditional LDA topic clusters using feature ontology tree and Sentiwordnet [J]. International journal of education and management， 2016， 6（6）： 34?44.

[8] RAMAGE D， HALL D， NALLAPATI R， et al. Labeled LDA： a supervised topic model for credit attribution in multi?labeled corpora [C]// Proceedings of the 2009 Conference on Empirical Methods in Natural Language Processing. Stroudsburg： Association for Computational Linguistics， 2009： 248?256.

[9] FREIRE T， LI J. Using Wikipedia to enhance student learning： a case study in economics [J]. Education and information technologies， 2016， 21（5）： 1169?1181.

[10] PASSANT A. dbrec： music recommendations using DBpedia [C]// 2010 ISWC. Shanghai： Springer Berlin Heidelberg， 2010： 209?224.

[11] STOILOS G， STAMOU G， KOLLIAS S. A string metric for ontology alignment [J]. Hermochimica acta， 2005， 3729（15）： 624?637.

[12] PROZOROV D， YASHINA A. The extended longest common substring algorithm for spoken document retrieval [C]// 2015 International Conference on Application of Information and Communication Technologies. [S.l.]： IEEE， 2015. 88?90.

[13] ASHINO T. Materials ontology： an infrastructure for exchanging materials information and knowledge [J]. Data science journal， 2010， 9（9）： 54?61.