從文本自動(dòng)構(gòu)建OWL本體的研究

1、從文本自動(dòng)構(gòu)建OWL本體的研究摘要：隨著語(yǔ)義檢索的發(fā)展，近年來(lái)涌現(xiàn)了許多基于本體的研究和應(yīng)用，但本體本身仍離不開領(lǐng)域?qū)＜沂止せ虬胱詣?dòng)化的構(gòu)建，成為了本體研究領(lǐng)域的一個(gè)瓶頸。因此，本文著眼于本體的自動(dòng)化構(gòu)建，提出了一種用FCA（形式概念分析）從文本中提取并自動(dòng)生成符合W3C標(biāo)準(zhǔn)的OWL通用本體庫(kù)的方法。解決了目前本體構(gòu)建自動(dòng)化程度低，領(lǐng)域依賴性強(qiáng)的問(wèn)題，使得本體的發(fā)展和應(yīng)用不再是空中樓閣。關(guān)鍵詞：本體；形式概念分析；本體描述語(yǔ)言一、背景介紹近年來(lái)，“萬(wàn)維網(wǎng)之父”Berners-Lee提出的語(yǔ)義網(wǎng)【1】的理念得到越來(lái)越廣泛的認(rèn)同和重視。在語(yǔ)義網(wǎng)層次結(jié)構(gòu)中本體（Ontology）處在核心層位置?！氨?/p>

2、體是概念模型的明確的規(guī)范說(shuō)明”，通過(guò)本體描述的概念間語(yǔ)義關(guān)系，可以進(jìn)行語(yǔ)義上的邏輯推理從而實(shí)現(xiàn)語(yǔ)義檢索。當(dāng)前的本體基本上是基于專家或詞典手工構(gòu)建的，自動(dòng)化程度很低，繁瑣而耗時(shí)，難以隨著人類認(rèn)知結(jié)構(gòu)的發(fā)展對(duì)本體庫(kù)進(jìn)行自動(dòng)更新。因而，本體的自動(dòng)化構(gòu)建是個(gè)迫在眉睫的難題。要實(shí)現(xiàn)本體的構(gòu)建，關(guān)鍵在于找出概念及概念間的關(guān)系。哲學(xué)中，概念被理解為由外延和內(nèi)涵兩個(gè)部分所組成的思想單元。其中概念的外延被理解為屬于這個(gè)概念的所有對(duì)象的集合，而內(nèi)涵被認(rèn)為是所有這些對(duì)象所共有的屬性集。德國(guó)Wille R教授提出的形式概念分析(Formal Concept Analysis) 方法就是通過(guò)找出對(duì)象間的共有屬性來(lái)確定對(duì)

3、象之間的關(guān)系【2】。目前國(guó)際上利用FCA方法進(jìn)行本體學(xué)習(xí)的研究還處在探索階段，通過(guò)FCA方法得到的是一種稱為概念格的數(shù)據(jù)結(jié)構(gòu)，它的層次結(jié)構(gòu)揭示了概念之間的泛化與例化關(guān)系，但與本體仍有一定差距。本文在前人的基礎(chǔ)上通過(guò)研究,實(shí)踐了一種借助FCA方法從文本中自動(dòng)提取概念及其語(yǔ)義關(guān)系并最終生成國(guó)際通用的OWL本體的方法，從而顯著提高本體構(gòu)建的自動(dòng)化程度。以上介紹了本文研究的內(nèi)容、背景和現(xiàn)狀；接下來(lái)，第二節(jié)將介紹形式背景以及形式概念分析方法；第三節(jié)分析從形式概念分析方法得到的概念格的結(jié)構(gòu)特點(diǎn)及OWL語(yǔ)言的語(yǔ)義要素，給出它們之間的轉(zhuǎn)化算法；第四節(jié)將得到的OWL本體導(dǎo)入Protg進(jìn)行推理驗(yàn)證和修正，得到語(yǔ)義

4、豐富的通用本體。最后，第五節(jié)總結(jié)本文所做工作，提出下一步改進(jìn)方向。二、從形式背景到概念格2.1 形式背景介紹研究形式概念分析(FCA)，通常要從形式背景（如：圖1左邊）這一基本概念開始【3】。定義1 形式背景(context)： 一個(gè)形式背景K是由(O,A,R)三元組構(gòu)成，O是對(duì)象集，A是屬性集，R 是O和A之間的二元關(guān)系，表示為K=(O,A,R)且ROA。對(duì)于oO，aA，若對(duì)象o具有屬性a，則說(shuō)o與a是有關(guān)的，記為o R a ，或(o , a)R。定義2 形式概念(concept)： 序偶（E,I）是形式背景K=(O,A,R)的一個(gè)形式概念C（簡(jiǎn)稱，概念），當(dāng)且僅當(dāng)EO，IA，E=I且I=E

5、時(shí)。E為概念的外延（Extent），而I稱為概念的內(nèi)涵(Intent)。定義3 格(lattice)： 設(shè)( L， )是一個(gè)偏序集，如果 L 中任意兩個(gè)元素都有最小上界和最大下界，則稱( L， )為格。定義4 概念格(concept lattice)：對(duì)于所有概念所屬的形式文本K而言，存在因概念層次包含關(guān)系（子概念超概念）而形成的偏序：即E1,E2均O，I1,I2均A時(shí)，(E1, I1)(E2, I2) E1E2（且I2I1），則稱此偏序集為K的概念格G，此時(shí)稱(E1, I1)是(E2, I2)的子概念，(E2, I2)是(E1, I1)的超概念。根據(jù)偏序關(guān)系可生成概念格的Hasse圖。如果有

6、概念C2 C1,并且不存在另一個(gè)概念C3使得C2C3C1，則從C1到C2就存在一條邊，即C1是C2的直接超概念，C2是C1的直接子概念。如下圖1右邊所示，我們可以看出，滿足直接子概念超概念關(guān)系的所有概念節(jié)點(diǎn)的集合是一個(gè)完全格，每個(gè)概念節(jié)點(diǎn)對(duì)(E, I)都是完全對(duì)，即關(guān)系R滿足以下性質(zhì)【4】：1) I = f(E) 當(dāng) f(E) = a A o E, o R a;2) E = f (I) 當(dāng) f (I) = o O a I, o R a.此性質(zhì)保證了對(duì)于同一個(gè)形式背景K而言，構(gòu)造的概念格G不受數(shù)據(jù)或?qū)傩耘帕写涡虻挠绊?，是唯一的，從而保證了算法設(shè)計(jì)的可行性。圖1. FCA示例左：形式背景K=(Ob

7、ject=1,.,4, Attribute=a1,a2, R);右：由左邊形式背景K所得到的概念格的Hasse圖通過(guò)自然語(yǔ)言處理（NLP）工具，如“Stanford Parser”軟件，可將文本提取成形如（o, a）的對(duì)象屬性對(duì)（pairs）或（o, a, R）的三元組（tuple）。例如，“Most frogs can move easily on land by jumping or climbing.”通過(guò)Stanford Parser進(jìn)行句型結(jié)構(gòu)分析和詞性標(biāo)注后可得到以下信息：amod(frogs-2, Most-1)- amod : adjectival modifier(定語(yǔ))ns

8、ubj(move-4, frogs-2)- nsubj : nominal subject(主語(yǔ))aux(move-4, can-3)- aux : auxiliary(助詞)advmod(move-4, easily-5)- advmod : adverbial modifier(狀語(yǔ))prep_on(move-4, land-7)- prep : prepositional modifier(介詞)prepc_by(move-4, jumping-9)- prep : prepositional modifier(介詞)conj_or(jumping-9, climbing-11)- co

9、nj : conjunct(連詞)抽取句子的主干，即表示主謂關(guān)系的nsubj(move-4, frogs-2)和aux(move-4, can-3)，可得到（frog, can move）這樣的對(duì)象屬性對(duì)。通過(guò)處理大量文本數(shù)據(jù)便可得到相應(yīng)的形式背景，圖2是張從生物類文本得到的形式背景。圖2Live In Water形式背景2.2 概念格建格算法從形式背景生成概念格有許多建格算法【4】，本文采用Ganter的批處理建格算法【5】進(jìn)行形式概念分析，得到如下圖3的概念格：圖3Live In Water概念格自頂向下地考察這個(gè)概念格，為方便描述，稱相鄰兩個(gè)節(jié)點(diǎn)中，位于上方的是父節(jié)點(diǎn)（直接超概念），位于

10、下方的叫子節(jié)點(diǎn)（直接子概念）。圖3為便于展示簡(jiǎn)化了概念格，只顯示每個(gè)節(jié)點(diǎn)相對(duì)其父節(jié)點(diǎn)新增的屬性和相對(duì)其子節(jié)點(diǎn)新增的對(duì)象。因此，不難看出最頂端的節(jié)點(diǎn)擁有所有對(duì)象但擁有的屬性最少或?yàn)榭眨畹锥斯?jié)點(diǎn)擁有所有屬性但對(duì)象最少或?yàn)榭?。這不難理解，因?yàn)楦拍罡裰械拿總€(gè)節(jié)點(diǎn)的含義是，該節(jié)點(diǎn)中所有對(duì)象所共有的屬性，所以把越多對(duì)象放在一起，能找到的共同點(diǎn)（即共有屬性）就越少。正好說(shuō)明概念格結(jié)構(gòu)與本體想要描述的客觀現(xiàn)實(shí)是一致的。我們按節(jié)點(diǎn)生成的次序?qū)⒚總€(gè)概念格節(jié)點(diǎn)標(biāo)上序號(hào)，并作為其id存儲(chǔ)到整個(gè)格數(shù)組中。其中每個(gè)格節(jié)點(diǎn)存儲(chǔ)的信息應(yīng)包括：該節(jié)點(diǎn)的對(duì)象集E和屬性集I，該節(jié)點(diǎn)新增的對(duì)象和屬性，該節(jié)點(diǎn)的父節(jié)點(diǎn)id以及子節(jié)點(diǎn)i

11、d。得到這樣的概念格后，還需理解格的語(yǔ)義信息，從中提取本體要素，并輸出生成OWL描述的本體。三、從概念格到OWL本體3.1 OWL介紹OWL（本體論Web 語(yǔ)言，Ontology Web Language）是W3C推薦的本體描述語(yǔ)言的標(biāo)準(zhǔn)。 其基本元素有類、屬性和實(shí)例【6】：(1)Class(類):類定義了一組共享某些屬性的個(gè)體所組成的集合。使用rdfs:subClassOf(子類)可以將不同的類組織成為特定的層次結(jié)構(gòu)。(2)rdfs:Property(屬性)：屬性可以用于說(shuō)明個(gè)體之間或個(gè)體到數(shù)值間的關(guān)系。與類相似，屬性可以有子屬性。屬性的rdfs:domain(域)限定了可以應(yīng)用該屬性的個(gè)體

12、的類。屬性的rdfs:range(范圍)在另一個(gè)方向上限定個(gè)體的取值。(3)Individual(個(gè)體)：個(gè)體是類的實(shí)例?？梢杂脤傩詫⒁粋€(gè)個(gè)體與另一個(gè)個(gè)體關(guān)聯(lián)起來(lái)。3.2 概念格與OWL的轉(zhuǎn)化橫向和縱向地分析概念格結(jié)構(gòu)的邏輯含義，不難看出：概念格中超概念是子概念的泛化，相應(yīng)的子概念是超概念的例化，因此，格節(jié)點(diǎn)之間的層次關(guān)系就對(duì)應(yīng)于OWL中父類和子類的關(guān)系；其次，概念格節(jié)點(diǎn)的內(nèi)涵體現(xiàn)了該節(jié)點(diǎn)中對(duì)象所共有的屬性，即該節(jié)點(diǎn)所代表類所具有的屬性；此外，概念格節(jié)點(diǎn)的外延是該節(jié)點(diǎn)所包含的對(duì)象，相當(dāng)于類的實(shí)例。經(jīng)過(guò)以上分析和理解，得到如下FCA概念格元素的描述邏輯【7】及其與OWL中語(yǔ)義要素的對(duì)應(yīng)和轉(zhuǎn)化關(guān)系

13、：FCA元素描述邏輯OWL描述本體概念C及其直接超概念supCCsupC概念C的內(nèi)涵I=a1,a2,amC$ a1.$ am概念C的外延E=o1,o2,onC(oj)由于子類將繼承父類的所有屬性，為避免冗余，每個(gè)節(jié)點(diǎn)類只需將其相對(duì)父節(jié)點(diǎn)新增的屬性作為其屬性即可，同時(shí)還可以確定這些新增屬性的域便是該節(jié)點(diǎn)所對(duì)應(yīng)的類。同理，雖然一個(gè)實(shí)例可以屬于多個(gè)不同的類，但若所屬的類之間存在包含關(guān)系則只作為最例化的那個(gè)類的實(shí)例出現(xiàn)，因此，每個(gè)節(jié)點(diǎn)類只將其相對(duì)子節(jié)點(diǎn)新增的對(duì)象作為其所代表類的實(shí)例即可。綜上所述，得到概念格至OWL本體的生成轉(zhuǎn)化算法：for (i=0;i/輸出類及其子類fprintf(outputFi

14、le, n, i);sup = getFirstSet (supC); /獲取第一個(gè)直接超概念while(sup != -1) /判斷是否還存在直接超概念fprintf(outputFile, n, sup);sup = getNextSet(supC, sup); /獲取下一個(gè)直接超概念fprintf(outputFile, n);/輸出該類的屬性if(atr = getFirstSet(newAtrs)!=-1) /判斷該節(jié)點(diǎn)是否有新增屬性fprintf (outputFile, n);while (atr != -1) /若存在新增屬性，則將新增屬性作為該類的屬性輸出fprintf(ou

15、tputFile, n, atr);fprintf(outputFile, n, i);fprintf(outputFile, n);atr = getNextSet(newAtrs, atr); /獲取下一個(gè)新增屬性/輸出該類的實(shí)例if(obj = getFirstSet(newObjs)!=-1) /判斷該節(jié)點(diǎn)是否有新增對(duì)象fprintf (outputFile, n);while (obj != -1) /若存在新增對(duì)象，則將新增對(duì)象作為該類的實(shí)例輸出fprintf (outputFile, n, obj);fprintf (outputFile, n, obj);fprintf (ou

16、tputFile, n, i);fprintf (outputFile, n);obj = getNextSet(newObjs, obj); /獲取下一個(gè)新增對(duì)象四、實(shí)驗(yàn)結(jié)果評(píng)價(jià)和修正4.1 實(shí)驗(yàn)結(jié)果展示經(jīng)過(guò)FCA處理和OWL轉(zhuǎn)化，得到Live In Water的本體片段如下：.為可視化查看生成的本體，我們將Live In Water本體的OWL文檔導(dǎo)入由斯坦福大學(xué)的Stanford Medical Informatics開發(fā)的一個(gè)開放源碼的本體編輯器Protg軟件中，以便作進(jìn)一步評(píng)價(jià)和修正。通過(guò)點(diǎn)擊Protg中的Properties標(biāo)簽可以查看類所具有的屬性。此外，用OWL Viz插件還可

17、圖形化展示該本體結(jié)構(gòu)，但如圖4所示，只顯示類名，屬性和實(shí)例不可見?？梢钥闯龃藭r(shí)的本體與之前的概念格結(jié)構(gòu)如出一則。說(shuō)明本體的轉(zhuǎn)化與概念格的語(yǔ)義是一致的，但由于類名只是簡(jiǎn)單地用節(jié)點(diǎn)的序號(hào)表示無(wú)實(shí)際意義，所以該本體仍待改進(jìn)。圖4 用OWL Viz查看Live In Water本體結(jié)構(gòu)4.2 本體修正通過(guò)查看類的屬性和實(shí)例，根據(jù)類所在的層次，自頂向下，借助領(lǐng)域?qū)＜一蛑R(shí)庫(kù)的幫助，不難對(duì)類名進(jìn)行標(biāo)注。如：節(jié)點(diǎn)_6，它是TerrestrialPlant（陸生植物）的子類，相對(duì)其父類新增的屬性是Dicotyledon（雙子葉的），因此推測(cè)該類描述的是陸生雙子葉植物，再根據(jù)其實(shí)例Bean（大豆），將其類名精確

18、到Legumes（豆科）。由于Protg對(duì)中文圖形化的支持不理想，且考慮到數(shù)據(jù)本身為英文，故對(duì)類名的標(biāo)注仍用英文。然后，去除一些無(wú)意義的節(jié)點(diǎn)，例如：對(duì)象集為空的節(jié)點(diǎn)_18。得到如下圖5語(yǔ)義信息豐富明確的Live In Water本體。該本體描述了生物有機(jī)體（Organism）的粗簡(jiǎn)分類，從生長(zhǎng)環(huán)境的角度分為水生（AquaticOrganism）和陸生（TerrestrialOrganism），從是否能動(dòng)角度分為植物（Plant）和動(dòng)物（Animal）如此交錯(cuò)劃分直至豆科（Legumes）、禾本科（Gramineae）、哺乳動(dòng)物（Mammal）、兩棲動(dòng)物（Amphibian）等具體的科目為止。使

19、用該方法生成本體，解決了手工構(gòu)建本體時(shí)對(duì)同一個(gè)類進(jìn)行不同角度的劃分的層次問(wèn)題，以及一個(gè)類隸屬于多個(gè)父類時(shí)的交叉包含問(wèn)題。該本體構(gòu)建方法的時(shí)間復(fù)雜度主要依賴于建格算法的時(shí)間復(fù)雜度，目前最快的建格算法可以達(dá)到隨屬性個(gè)數(shù)線性增長(zhǎng)的速度。由于本體一旦構(gòu)建完成就極少修改，對(duì)時(shí)間復(fù)雜度要求并不高，故不多加分析。圖5 修正后的Live In Water本體4.3 本體語(yǔ)法檢查 最后，經(jīng)racer推理機(jī)的一致性檢查，該本體不存在語(yǔ)義沖突。至此，我們得到了語(yǔ)義完整正確的Live In Water本體，完成了從形式背景數(shù)據(jù)到OWL本體的轉(zhuǎn)化。配合之前提到的自然語(yǔ)言處理工具Parser對(duì)普通文本進(jìn)行語(yǔ)法分析和提取形

20、成形式背景，輔以少許的類名標(biāo)注，便可實(shí)現(xiàn)從文本到OWL本體的自動(dòng)構(gòu)建。五、總結(jié)與展望本文提出了一種本體自動(dòng)化構(gòu)建的方法。通過(guò)自然語(yǔ)言處理工具從文本中得到形式背景，經(jīng)FCA方法從形式背景得到概念格，又通過(guò)一定的邏輯規(guī)則將概念格轉(zhuǎn)化輸出為OWL本體，最后在Protg工具中對(duì)生成的本體進(jìn)行類名標(biāo)注，得到語(yǔ)義豐富滿足邏輯推理的本體，為進(jìn)一步進(jìn)行各種諸如語(yǔ)義檢索、知識(shí)管理、數(shù)據(jù)挖掘等的智能處理奠定了基石。該方法相比其他本體構(gòu)建方法的優(yōu)點(diǎn)在于，首先，它能處理非結(jié)構(gòu)化文檔，數(shù)據(jù)來(lái)源豐富；其次，它能自動(dòng)生成OWL本體，雖然類名的描述不夠精確；最后，它解決了同一層次上不同角度的分類問(wèn)題及類之間交叉隸屬的復(fù)雜問(wèn)題

21、，這是本體構(gòu)建工程師最常面臨和最易產(chǎn)生分歧的地方。不過(guò)，該方法在類名的獲取方面仍需改進(jìn)，類名的手工標(biāo)注降低了該本體構(gòu)建方法的自動(dòng)化程度，下一步的研究將通過(guò)專業(yè)詞典或領(lǐng)域知識(shí)庫(kù)的自動(dòng)匹配來(lái)完成類名自動(dòng)標(biāo)識(shí)別和標(biāo)注。進(jìn)一步提高該本體構(gòu)建方法的自動(dòng)化程度，從而真正意義上實(shí)現(xiàn)本體的自動(dòng)構(gòu)建。綜上所述，本體的自動(dòng)構(gòu)建是語(yǔ)義檢索等基于本體的研究和應(yīng)用的基石，具有廣闊的研究空間和重要的研究意義。參考文獻(xiàn)：【1】 宋煒，張銘.語(yǔ)義網(wǎng)簡(jiǎn)明教程.高等教育出版社【2】 Karl Erich Wolff. A First Course in Formal Concept Analysis. Faulbaum, F. (ed.) SoftStat93 Advances in Statistical Software 4, 429-438.【3】 宮玲.概念格