自然語言檢索中的概念控制

1、自然語言檢索中的概念控制        自然語言檢索是信息檢索中的一個類型。隨著互聯(lián)網(wǎng)的普及和發(fā)展，信息檢索的最終用戶日趨擴大，自然語言檢索成為重要的發(fā)展趨勢。    目前，自然語言檢索系統(tǒng)采用的是模式匹配技術(shù)。所謂模式指的是關(guān)鍵詞或索引詞匯。模式匹配技術(shù)處理速度快，簡單易行，但也有缺點。自然語言檢索系統(tǒng)對同義詞、近義詞、多義詞和其他一些與其相關(guān)的詞語沒有進行規(guī)范和統(tǒng)一，詞間缺乏有機的聯(lián)系。當(dāng)用戶提問的檢索概念具有多種表達(dá)形式時，采用單一的關(guān)鍵詞或自然語言索引詞匹配方式勢必會影響檢全率。自然語言

2、檢索系統(tǒng)的選詞沒有嚴(yán)格限制，詞量過多過雜，這樣會影響檢準(zhǔn)率，并且會過多地占用磁盤的存儲空間，影響查詢匹配的速度。要想解決這些問題，必須對自然語言查詢做進一步的處理，也就是進行概念控制。    1概念控制及其實現(xiàn)基礎(chǔ)    1.1概念控制的目的    概念并不是孤立存在的，一個概念總是與其他概念之間存在著各種各樣的關(guān)系，如上下位關(guān)系、同義關(guān)系、反義關(guān)系等。關(guān)鍵詞也會出現(xiàn)一詞多義、一義多詞以及同一事物多種表述的情形。根據(jù)概念之間的相互聯(lián)系，在詞的概念含義層次上建立聯(lián)系，為檢索用戶提供相關(guān)的結(jié)果分析是概念控制的

3、一個應(yīng)用前景。例如，“體育”這一概念根據(jù)上下立類的關(guān)系可以細(xì)分為足球、排球、奧運會、亞運會等，單純的字面匹配會漏檢甚至誤檢很多與之相關(guān)的信息。通過概念控制就可以將一個上位類的概念擴展為多個子概念。體育新聞的檢索就可以擴展為：體育新聞、球類（足球、籃球、排球）、田徑運動、體育賽事（奧運會、亞運會、世界杯）等概念，同時對那些具有下位概念的詞匯可以再次擴展，這樣就大大地提高了檢索效果?！坝嬎銠C”和“電腦”是同一事物的不同表述，機械匹配的話就只能檢索到有關(guān)“計算機”或“電腦”的信息，采用概念控制的相關(guān)方法可以將這些相同概念的詞匯統(tǒng)一到檢索匹配中，這樣就擴大了檢索面，提高了檢全率。在自然語言檢索系統(tǒng)中進

4、行慨念控制，就是把信息檢索從目前的基于關(guān)鍵詞層面提高到基于知識（概念）層面，能夠從概念意義層次上來認(rèn)識和處理檢索用戶的請求，從而提高檢全率和檢準(zhǔn)率。    1.2概念控制的主要方法    目前雖然沒有一個檢索系統(tǒng)可以完全實現(xiàn)理想狀態(tài)下的高層次的語義檢索，但有些自然語言檢索系統(tǒng)已經(jīng)采用概念控制查詢。主要的方法是利用知識體系建立概念間的關(guān)系進行查詢擴展，深度匹配，優(yōu)化檢索效果。    概念控制的內(nèi)容包括：提問句概念語義塊的抽取，從提問句中切分出概念詞或詞組等語義單位；基于知識體系對抽取出的語義單元進行概念擴展

5、；概念的組配，將選擇出的各檢索單位基于知識體系的組織信息轉(zhuǎn)換成體現(xiàn)概念關(guān)系的邏輯表達(dá)式。    概念抽取不等同于分詞處理，其中包括普通概念的識別和人名、地名、事件名等專有名詞的識別，并進行概念提取。對于普通的概念字串采用逆向最長匹配算法（或正向最長匹配算法），并綜合切割標(biāo)記等分詞手段切分就可以進行概念抽取。對于詞典中未收錄的概念詞，可以采取基于句模、句子結(jié)構(gòu)分析、詞和詞組構(gòu)成規(guī)則、句內(nèi)結(jié)構(gòu)性標(biāo)志字、標(biāo)點符號等來進行切分。除切割標(biāo)志外，已知的詞也可作切割標(biāo)記使用。    自然語言     

6、;   檢索系統(tǒng)的本質(zhì)是查詢滿足特定主題概念的文本，因此被檢索的內(nèi)容不是和提問句的字面匹配。對提問進行分析后抽取出的主要是概念或概念的組合，需要進行概念匹配，這就需要對檢索句中的詞進行概念擴展，即考慮提問句中詞的同近義詞、上下位詞和關(guān)聯(lián)詞?？梢酝ㄟ^知識體系保存同近義關(guān)系、上下位關(guān)系和其他關(guān)聯(lián)關(guān)系，當(dāng)處理用戶檢索需求時，通過查詢知識體系可對提問句中的詞按概念進行擴展。如“我國今天的體育新聞”，可以通過知識體系對“體育”進行擴展，查詢包括“籃球”、“賽車”、“奧運會”、“世界杯”等方面的內(nèi)容，“今天”一詞指檢索者進行檢索時的日期，因此需通過規(guī)則將“今天”映射為檢索時的

7、時間，將“我國”擴展為“我國”V“中國”V“中華人民共和國”（知識體系中可能只存在“中國”和“中華人民共和國”之間的同義關(guān)系，沒有“我國”這一詞條）。    概念組配，按其內(nèi)在邏輯關(guān)系，可分為限定組配和相交組配。限定組配將一個概念的內(nèi)涵增加到另一個概念的內(nèi)涵中，從而加深概念的內(nèi)涵，縮小或限定了概念的外延。相交組配將具有共同的屬概念、概念之間具有相交關(guān)系、外延部分重合的概念組合成一個新概念。在構(gòu)成查詢表達(dá)式時，基于知識體系的擴展詞和原詞間為“邏輯加”的關(guān)系。如“美麗”擴展為“美麗”V“漂亮”VV“標(biāo)志”。提問句中語義塊間的關(guān)系通常為邏輯乘的關(guān)系。語義塊間的概念組配通

8、常存在如下邏輯關(guān)系：(1)主謂結(jié)構(gòu)，描述的是一種陳述與被陳述的關(guān)系。(2)偏正結(jié)構(gòu)，描述的是一種修飾與被修飾的關(guān)系。(3)動賓結(jié)構(gòu)，描述的是一種作用和被作用的關(guān)系。(4)并列結(jié)構(gòu)，描述的是一種成分間的并列關(guān)系1。主謂結(jié)構(gòu)、偏正結(jié)構(gòu)和動賓結(jié)構(gòu)間為“邏輯乘”關(guān)系，并列結(jié)構(gòu)為“邏輯加”關(guān)系。但通過對檢索提問句進行分析后發(fā)現(xiàn)，部分并列結(jié)構(gòu)在用戶的檢索概念中為“邏輯乘”關(guān)系，于是采用通過句模分析和指示標(biāo)志來確定語義塊間的“邏輯乘”或“邏輯加”關(guān)系。提問句語義塊之間的“邏輯加”關(guān)系通常存在顯式指示標(biāo)志，如“或”等。分析傳統(tǒng)的主、謂、賓、定、狀、補六大成分與句型的關(guān)系，可以輔助獲取語義塊的邏輯關(guān)系。檢索提問

9、句的語義概念和提問句的結(jié)構(gòu)緊密相關(guān)。需要分析謂語的性質(zhì)、句子的結(jié)構(gòu)，如“把”字、“被”字句等。    概念控制的3項關(guān)鍵技術(shù)中，概念擴展和概念組配都離不開知識體系的支持，知識體系的好壞直接關(guān)系到檢索效果的優(yōu)劣。    1.3概念控制系統(tǒng)    國內(nèi)外已有一些檢索系統(tǒng)在不同程度上實現(xiàn)了概念控制，代表系統(tǒng)有首信搜索引擎、孫悟空、UMLS等。下面以UMLS為例進行介紹。    UMLS(        

10、Unified Medical Language System，美國統(tǒng)一醫(yī)學(xué)語言系統(tǒng)），是美國國立醫(yī)學(xué)圖書館(NLM)于1986年開始研制的一項長期開發(fā)研究計劃，旨在克服計算機生物醫(yī)學(xué)信息檢索中的兩個顯著障礙（相同的概念具有不同的表達(dá)方式；有用的信息分散在不同的數(shù)據(jù)庫系統(tǒng)中），使用戶很容易地跨越了在病案系統(tǒng)、文獻(xiàn)摘要數(shù)據(jù)庫、全文數(shù)據(jù)庫以及專家系統(tǒng)之間的屏障。UMILS包括4個部分：專家詞典、超級敘詞表、語義網(wǎng)絡(luò)、情報源圖譜。專家詞典是一個包含眾多生物醫(yī)學(xué)詞匯的英語詞典，可以確定英語詞匯的范圍以及識別生物醫(yī)學(xué)術(shù)語和文本詞的詞形變異，也為超級敘詞表提供了確定范圍的醫(yī)學(xué)術(shù)語和詞匯。超級敘詞表是生物醫(yī)學(xué)概念、術(shù)語、詞匯及其涵義等級范疇的廣泛集成。語義網(wǎng)絡(luò)是為建立概念、術(shù)語間錯綜復(fù)雜的關(guān)系而沒計的，它為超級敘詞表中所有慨念提供了語義類型、語義關(guān)系和語義結(jié)構(gòu)。情報源圖譜是一個關(guān)于生物醫(yī)學(xué)機讀情報資源的數(shù)據(jù)庫，其目的是利用超級敘詞表和語義網(wǎng)絡(luò)實現(xiàn)以下功能：確定情報源與特定提問的相關(guān)性，以便選取最合適的情報源；為用戶提供特定情報源的范圍、功能和檢索條件等人工可讀的信息；自動鏈接相關(guān)情報源；在一個或多個情報源中自動檢索并自動組織檢索的結(jié)果。    圖1矩形框中所示的部分即為概念控制部分。  &