樊 皓，黃映輝

（大連海事大學(xué) 信息科學(xué)技術(shù)學(xué)院，遼寧 大連116026）

0 引 言

G.Salton作為信息檢索領(lǐng)域的先驅(qū)，最早提出基于關(guān)鍵字的向量空間檢索方法，自此信息檢索被默認(rèn)為是信息語法檢索，一般多采用改進匹配算法的方式提高 “串匹配”的效率。語義Web概念的提出為信息語義檢索提供了解決方案和技術(shù)支持，從而推動信息檢索從基于關(guān)鍵字的語法檢索邁向基于標(biāo)注的語義檢索［1］。主要的改進為：引入哲學(xué)術(shù)語 “本體”，期望通過對概念及概念之間關(guān)系的定義，實現(xiàn)知識層次的檢索，突破傳統(tǒng)基于關(guān)鍵字檢索時語言表達形式的局限實現(xiàn)語義檢索。然而，本體在被引入信息科學(xué)領(lǐng)域時就已被界定為 “概念模型的明確規(guī)范說明”［2］，被默認(rèn)為是精確本體。該模型的精確性假設(shè)與人類認(rèn)知客觀世界過程的不精確性特征并不相符，表現(xiàn)為不精確的信息檢索請求 （用戶對所要檢索的領(lǐng)域知識的不精確認(rèn)知）與精確的信息表達 （精確本體對概念及概念之間關(guān)系的明確性定義）之間存在著矛盾。

S.Ishizu［3］將粗糙集理論引入本體，提出了粗糙本體的概念，使其具有了對不精確信息的表達能力。本文引入粗糙本體支持的信息語義檢索，以求在概念匹配的基礎(chǔ)上，解決概念表達的不精確影響檢索結(jié)果的問題。通過分析信息語義檢索的過程和特點并結(jié)合粗糙本體的定義，確定了粗糙本體的表示形式，建立了粗糙本體支持的信息語義檢索模型，探討了作為該模型最主要環(huán)節(jié)的語義相似度計算的核心算法，提出了該模型的實現(xiàn)方法并進行了實例驗證。

1 信息語義檢索

信息語義檢索是一種基于概念及其相互關(guān)系的檢索匹配機制［4］，要求從語義理解的角度分析信息對象與檢索請求。信息語義檢索的一種重要應(yīng)用是對語義Web上的文檔進行的檢索。語義Web文檔是用語義Web語言描述的可供用戶訪問的文檔［5］，對此類信息進行語義檢索的關(guān)鍵是找出不同概念之間的相似映射關(guān)系，實現(xiàn)基于本體的檢索［6］。

信息語義檢索相對于信息語法檢索的優(yōu)勢主要體現(xiàn)在：

（1）信息組織方面。信息語義檢索大多采用基于語義Web信息組織的有序化結(jié)構(gòu)［7］，信息之間的關(guān)系通過術(shù)語來表達，信息資源得到有效整合，易于信息的存取。

（2）信息理解方面。信息語義檢索的概念級別匹配機制使機器充分 “理解”檢索請求，能夠完成在不同語義環(huán)境下詞語含義與精確概念的匹配。

（3）概念推理方面。通常本體是用某種基于描述邏輯的語言表示的，例如RDF（S）、SHOE、OWL等，一些常用的本體工具如Protégé、Jena等可以據(jù)此進行自動推理，滿足信息智能檢索的需要。

單純依靠精確本體并不能在有限表達中窮盡詞語的語義，即精確本體的知識是不完備的，因此引入粗糙本體的支持。粗糙本體是精確本體在粗糙集理論上的擴充［8］，能夠基于已有的精確概念衍生出粗糙概念，同時又具有本體的結(jié)構(gòu)可伸縮性的特點，因此可以用來解決粗糙概念的表示問題。粗糙本體與精確本體相比其主要優(yōu)勢在于：

（1）概念分類。粗糙本體引入粗糙集的不可分辨關(guān)系，可以在信息不完備的基礎(chǔ)上揭示出領(lǐng)域知識的粒狀結(jié)構(gòu)，可作為定義其他概念的基礎(chǔ)。

（2）概念的含糊性和邊界的表示。自然語言使用的概念幾乎都是含糊的，例如 “美麗的照片”，照片不能簡單地分為 “美麗”或 “不美麗”，因此往往有很多對象會處于粗糙概念的邊界上，粗糙本體可將含糊的邊界表示出來。

（3）不確定性問題。某概念是否符合檢索請求是屬于不確定性問題的研究范疇，粗糙本體可定義所需概念的近似邊界，將粗糙概念邊界域明確化，把結(jié)果的不確定性問題變成邊界的確定性問題，將粗糙性與不確定性聯(lián)系起來。

2 粗糙本體

2.1 粗糙本體

粗糙本體可用三元組O＝＜C，P，R＞表示，其中C為粗糙概念集，P為屬性集，R為粗糙概念之間關(guān)系集。為刻畫概念的粗糙性，引入了粗糙集理論中的上近似、下近似來進行概念邊界的粗糙性表示，由此彌補了精確本體對不精確信息描述的缺失。粗糙概念c是一個三元組，其形式為c＝ （U，L，Y），含義為，對于給定的內(nèi)涵Y，“可能”被Y中所有屬性涵蓋的對象組成的集合U為此內(nèi)涵對應(yīng)概念的上近似外延，“肯定”被Y中所有屬性涵蓋的對象所組成的集合L為此內(nèi)涵對應(yīng)概念的下近似外延。

粗糙概念c的近似精度定義為aR（c）＝card （R＊（c））／card （R＊（c）），用來表示概念的不精確程度，以反映人們了解概念c的完全程度。其中，c≠，card （X）表示X的基數(shù)。R＊（c）為概念c關(guān)于Y的下近似，R＊（c）為概念c關(guān)于Y的上近似。當(dāng)近似精度為1時，說明此概念的上近似和下近似基數(shù)相同，可將其視為精確概念，由此可知精確本體是粗糙本體的子集。由于繼承了粗糙集的不精確信息表示和決策支持的特性，使粗糙本體具有了對不精確概念的形式表示和語義挖掘的能力，所以，它不僅能完成精確概念對現(xiàn)實世界中的精確信息的表示，同時也可以從中挖掘出隱含的不精確信息。

粗糙關(guān)系R是粗糙元組的有窮集合，它是叉集P （D1）×P （D2）×…×P （Dm）的一個子集。其中，Di是屬性域，P（Di）表示Di的冪集。

目前的研究已經(jīng)實現(xiàn)了粗糙本體的構(gòu)建，實施路徑主要分為兩種：一是基于粗糙集理論，二是基于現(xiàn)有的本體構(gòu)建方法?，F(xiàn)多采用屬于第二種路徑的形式概念分析法［9］，這種方法的實現(xiàn)主要依靠粗糙集近似［10］或?qū)傩约瘍缂?1］，前者需要用到粗糙集理論中下近似、上近似和不可分辨的原理，能夠較好地實現(xiàn)粗糙概念的邊界描述，后者重點關(guān)注面向計算機的程序?qū)崿F(xiàn)，能夠方便地完成粗糙概念的抽取。

2.2 粗糙本體的表示

要將粗糙本體引入信息語義檢索，首先需要解決其形式化表示的問題。粗糙本體是精確本體在粗糙集上的擴充，由于粗糙本體的特殊性，利用OWL［12］代碼化粗糙本體時需在對象屬性中加入粗糙性描述語句，即上近似外延和下近似外延，與此同時，為便于區(qū)分精確本體與粗糙本體、表示粗糙概念的不精確程度，還需引入近似精度的概念（其定義見2.1節(jié)）。粗糙本體的OWL表示為：定義PreciseClass為精確類、RoughClass為粗糙類；定義accuracy為該對象的近似精度；定義subClassOf為粗糙概念之間的繼承關(guān)系表示基于內(nèi)涵的包含關(guān)系；定義low＿extent為粗糙概念的下近似外延、up＿extent為粗糙概念的上近似外延，定義域為粗糙類，值域為精確類。表示模型如圖1所示。

圖1 粗糙本體的OWL表示

現(xiàn)舉例說明：對海事領(lǐng)域粗糙本體進行OWL描述。對粗糙概念 “載駁船”而言，其下近似外延為 ｛貨船，母船｝、上近似外延為 ｛貨船，母船，駁船｝，OWL描述片段如圖2所示。

圖2 粗糙本體的OWL文檔 （片段）

粗糙概念到精確概念的聯(lián)系由上近似外延、下近似外延表示。在利用粗糙集理論對精確本體信息構(gòu)成的形式背景抽取規(guī)則后，獲得的置信度為1的規(guī)則為精確規(guī)則，對應(yīng)著該粗糙概念節(jié)點的下近似外延；其余置信度大于閾值且小于1的規(guī)則，對應(yīng)著該粗糙概念節(jié)點的上近似外延，由此完成精確本體到粗糙本體的聯(lián)系。當(dāng)精確概念的結(jié)構(gòu)越來越復(fù)雜，精確概念之間關(guān)系越來越多，粗糙概念就可以很好地成為實際距離較遠(yuǎn)的兩個精確概念的 “捷徑”。由此，在信息語義檢索中對概念集擴展的過程有了根本的變化，引入粗糙本體的信息語義檢索充分挖掘出了精確概念之間關(guān)系的隱含信息，而并不只是關(guān)注精確本體概念的單一結(jié)構(gòu)特性 （如層次結(jié)構(gòu)、二元關(guān)系等）。

3 粗糙本體支持的信息語義檢索

3.1 理論模型

粗糙本體支持的信息語義檢索模型如圖3所示。用戶通過人機交互接口提交檢索請求，經(jīng)過語法分析、格式轉(zhuǎn)換得到檢索語句的規(guī)范化邏輯表示，提取出關(guān)鍵字的集合，得到初始概念集。通過粗糙本體支持的語義相似度計算，找到滿足閾值的相關(guān)精確概念和粗糙概念以對初始概念集進行語義擴展，得到擴展概念集。已擴展的概念集與索引庫中已經(jīng)標(biāo)注的文檔進行匹配，對結(jié)果排序后將結(jié)果文檔集返回給用戶。

圖3 粗糙本體支持的信息語義檢索模型

圖3所示模型共有4個關(guān)鍵性操作：

（1）關(guān)鍵字提取。關(guān)鍵字提取是對用戶所提交檢索請求的處理模塊，主要完成對檢索語句的處理使其轉(zhuǎn)化成能夠完成機器推理的形式化語法格式，如OWL－QL等。提取過程需要進行語法分析、句法分析、格式轉(zhuǎn)換等操作，最后獲得滿足檢索請求的初始概念集。

（2）語義標(biāo)注。語義標(biāo)注過程是將需要檢索的文檔中涉及的實例與抽象的本體中的概念相關(guān)聯(lián)的過程。從本體構(gòu)建的角度看，語義標(biāo)注是將文本信息轉(zhuǎn)化為本體數(shù)據(jù)并存儲到索引庫的過程?；诖植诒倔w的語義標(biāo)注需要同時以精確本體和粗糙本體的實例為切入點，將文檔形式化為一系列本體實例的向量，并對其進行索引。

（3）語義相似度計算。語義相似度計算是用來完成對概念集擴展的過程，是區(qū)別于精確本體支持的信息語義檢索的關(guān)鍵，它主要是通過初始概念集借助本體推理得到相關(guān)概念，通過對擴展概念的語義相似度計算，選擇概念之間語義相似度大于閾值的作為擴展概念加入概念的擴展集合，使檢索結(jié)果更符合用戶需求。

（4）結(jié)果獲取與排序。獲取包含擴展所得的概念集中的本體實例的文檔，并根據(jù)文檔中所有實例相對于概念集的相似度向量和權(quán)重對結(jié)果文檔集排序。

3.2 語義相似度計算

基于本體的信息語義檢索是利用本體中的精確概念來表達用戶的檢索請求，而對檢索請求的分析則要求盡可能準(zhǔn)確地判斷其與本體中概念的相似程度，這就需要分析概念之間的語義相似度。語義相似度的計算決定概念匹配的精確度，是區(qū)別于語法檢索的基礎(chǔ)和關(guān)鍵。目前對精確本體支持的語義相似度的研究通常分為3類［13］?；诟拍蠲Q，即根據(jù)英語詞法構(gòu)造，認(rèn)為兩個相近的詞在詞義上是相似的，代表算法有編輯距離法、基于詞典處理法。這種算法簡單快捷，但是沒有考慮使用環(huán)境對概念的語義信息的影響因素?；诟拍顚嵗?，即基于統(tǒng)計概率計算概念之間共有實例的聯(lián)合分布，代表算法有GLUE法、Jaccard法。這種算法對特定系統(tǒng)適應(yīng)度高，只是過分依賴訓(xùn)練集的質(zhì)量。基于概念結(jié)構(gòu)，即抽取概念的屬性與規(guī)則關(guān)系圖，分配權(quán)重，計算語義距離，代表算法有Rada法、Sycara法。這種算法面向概念的聯(lián)通性，應(yīng)用廣泛，但是未涉及與現(xiàn)實世界粗糙概念的隱含聯(lián)系。由于概念節(jié)點層次關(guān)系中有大量的語義信息，基于概念結(jié)構(gòu)的語義相似度算法被廣為關(guān)注并設(shè)法改進。

然而，三類算法都無法適用于引入粗糙概念后的語義相似度計算，已有的語義相似度計算歸根結(jié)底還是基于精確概念和精確實例的。例如，海事領(lǐng)域精確本體的日趨完善為海事領(lǐng)域信息檢索提供有效支持，三類算法都可以完成海事領(lǐng)域精確的概念 （如貨船、港口、航線等）的語義相似度計算，然而用戶對檢索關(guān)鍵詞的描述和分類往往并不能從海事領(lǐng)域的專業(yè)術(shù)語出發(fā)，從而會產(chǎn)生許多海事領(lǐng)域的粗糙概念，比如 “擁擠港口”、“熱門航線”、“事故海域”等，它們的外延的不精確性致使海事領(lǐng)域精確本體無法對其進行顯式地描述，更無法通過精確概念到粗糙概念的內(nèi)在聯(lián)系實現(xiàn)包含概念之間隱含關(guān)系的相似度計算。以第2.2節(jié)給出的粗糙本體的表示為基礎(chǔ)，探討粗糙本體支持的語義相似度計算方法，根據(jù)概念節(jié)點的類型應(yīng)分為三種情況處理：粗糙—精確、粗糙—粗糙、精確—精確，通過調(diào)節(jié)因子確定3種情況下語義相似度的比重。具體計算方法如下：

（1）粗糙—精確：粗糙概念X與精確概念x之間的語義相似度simrp計算主要考慮的是精確概念隸屬于粗糙概念的確定程度

（2）粗糙—粗糙：兩個粗糙概念X1、X2的語義相似度simrr需要同時考慮到它們的下近似和上近似的相似程度。對于給定粗糙概念X1（U1，L1，Y1）和X2（U2，L2，Y2），定義下近似相似度siml（X1，X2）和上近似相似度simu（X1，X2），相似度是兩者之和，β為調(diào)節(jié)因子

（3）精確—精確：精確概念x1、x2之間的語義相似度需要考慮到粗糙本體進行擴展后兩個概念的距離，因此在語義距離的基礎(chǔ)上，考慮到邊的方向問題，給出表1所示的距離權(quán)重。其中Φ代表空操作，G為泛化操作，包括子節(jié)點向父節(jié)點的邊和由精確規(guī)則連接的精確概念向粗糙概念的邊；S為細(xì)化操作包括父節(jié)點指向子節(jié)點的邊和有下近似外延連接的粗糙概念到精確概念的邊；P為正聯(lián)系，用來表示同位關(guān)系的邊；Gr和Sr分別表示由不精確規(guī)則和上近似外延聯(lián)系的精確概念之間的邊；“—”代表無意義操作。比如對于路徑G→S→P→Gr→Sr，其語義距離為2＋3.5＋4＋5＝14.5。

表1 擴展后的語義距離權(quán)重表

引入最低共同祖先后，給出語義距離計算方法和語義相似度計算方法

語義距離distx1x2中為概念之間各邊的加權(quán)距離之和，Nxi代表節(jié)點i到最低共同祖先的距離，Nh代表最低共同祖先到根節(jié)點的距離，θ和γ是調(diào)節(jié)因子。

3.3 實現(xiàn)方法

根據(jù)對現(xiàn)有工具的比較，給出圖3所示模型在技術(shù)上的實現(xiàn)方法。

首先，參照相關(guān)領(lǐng)域的術(shù)語標(biāo)準(zhǔn)完成精確概念、精確概念屬性和精確概念之間關(guān)系的提取，粗糙概念可以由精確概念實例離散化后所生成的形式背景通過粗糙形式概念抽取的方式直接獲得；其次，利用本體編輯工具Protégé進行粗糙本體的創(chuàng)建和維護，完成OWL粗糙本體在關(guān)系數(shù)據(jù)庫中的結(jié)構(gòu)化存儲［14］；再次，利用Jena API完成概念之間關(guān)系的推理，獲得相關(guān)概念和屬性，計算語義相似度；然后，使用標(biāo)注工具對檢索資源文檔完成半自動標(biāo)注，利用Lucene開源工具包中IndexWriter建立索引庫，以實現(xiàn)擴展概念集與標(biāo)注文檔的匹配和排序；最后，通過Java和Eclipse搭建軟件開發(fā)平臺和人機交互界面，完成模型在技術(shù)上的具體實現(xiàn)。

3.4 驗證實例

基于 《交通漢語主題詞表》與 《中國分類主題詞表》中 “水路運輸”類目下的概念及概念關(guān)系，構(gòu)建海事領(lǐng)域精確本體并進行擴充，同時通過粗糙形式概念抽取方法獲得粗糙概念，添加適當(dāng)?shù)念惡蛯傩?。選擇中國國際海運網(wǎng)（http：／／www.shippingchina.com／）的信息為數(shù)據(jù)源，由于數(shù)據(jù)量巨大，只抽取其中10129條網(wǎng)頁新聞信息 （截至到2011年12月）中的2000條與 “港口”有關(guān)的網(wǎng)頁作為驗證數(shù)據(jù)，將網(wǎng)頁信息轉(zhuǎn)化為文本文檔，采用半自動機器輔助標(biāo)注方式，并將實例和文檔的關(guān)系存入索引庫，完成被檢信息的語義標(biāo)注和索引。

將粗糙本體支持的信息語義檢索與未進行粗糙擴展前的精確本體支持的信息語義檢索和基于關(guān)鍵字的信息語法檢索進行效果比較?？紤]到比較條件的一致性原則，用戶輸入采用相同關(guān)鍵詞，結(jié)果發(fā)現(xiàn)在用戶可接受的檢索時間范圍內(nèi)，粗糙本體支持的信息語義檢索的查全率和查準(zhǔn)率都有很大程度上的提高。例如檢索 “擁擠港口”，語法檢索、精確本體支持的語義檢索、粗糙本體支持的語義檢索所獲得的前5條結(jié)果見表2。

表2 驗證實例：“擁擠港口”的檢索結(jié)果

可以明顯看出，語法檢索時由于被檢信息中沒有 “擁擠”只能部分匹配到帶有 “港口”的信息，而精確本體支持的信息語義檢索可以將 “擁擠”與 “港口”拆分， “擁擠”同義于 “擁堵”，并由 “港口”聯(lián)系到 “散貨港口”、“航運”和 “船舶”等，完成概念級別的匹配；而只有引入粗糙本體后，才能在精確本體概念匹配的基礎(chǔ)上將用戶檢索請求中所真正關(guān)注的 “擁擠港口”（如上海港、美東線港口、廣西防城港）的信息檢索出來。

4 結(jié)束語

信息語義檢索是信息智能化檢索領(lǐng)域一個重要應(yīng)用方向，在知識不完備的條件下實現(xiàn)信息的語義檢索是研究立足點。將粗糙本體應(yīng)用于信息語義檢索，提出了粗糙本體支持的信息語義檢索模型，探討了具體的技術(shù)實現(xiàn)方案。下一步工作將從兩個方面展開：由于粗糙本體的標(biāo)注主要采取的是半自動方法，還需完成從文檔中識別出粗糙本體中類的實例，實現(xiàn)準(zhǔn)確的全自動標(biāo)注；由于粗糙本體支持的語義擴展有可能造成檢索結(jié)果的急速膨脹，語義相似度閾值及其他參數(shù)的選取規(guī)則需要從領(lǐng)域?qū)＜耀@得并在試用中進行調(diào)整。

［1］Cathal G，Yulan H，Gabriella K，et al.Recent developments in information retrieval［C］.Milton Keynes：Proceedings of 32nd European Conference on IR Research，2010：1－9.

［2］Fensel D，F(xiàn)acca F M，Simperl E，et al.semantic web services［M］.Berlin：Springer，2011：87－102.

［3］Ishizu S，Gehrmann A，Nagai Y.Rough ontology：Extension of ontologies by rough sets ［J］.Human Interface，2007，45（57）：56－62.

［4］Egozi O，Markovitch S，Gabrilovich E.Concept－based information retrieval using explicit semantic analysis ［J］.ACM Transactions on Information Systems，2011，29 （2）：1－34.

［5］DAI Weimin.Semantic web information organization technology and method ［M］.Shanghai：Academia Press，2008：38－41 （in Chinese）.［戴維民.語義網(wǎng)信息組織技術(shù)與方法 ［M］.上海：學(xué)林出版社，2008：38－41.］

［6］Vallet D，F(xiàn)ernández M，Castells P.An ontology based information retrieval model［C］.Heraklion：Proceedings of the Second European Semantic Web Conference，2005：455－470.

［7］WANG Zhihua，ZHAO Wei.Research on semantic web retrieval model based on ontology and key technologies ［J］.Computer Engineering and Design，2011，32 （1）：145－148 （in Chinese）.［王志華，趙偉.基于本體的語義網(wǎng)檢索模型及關(guān)鍵技術(shù)研究 ［J］.計算機工程與設(shè)計，2011，32 （1）：145－148.］

［8］ WANG Dongyan.A method for building semantic web rough ontology ［D］.Dalian：Dalian Maritime University，2011 （in Chinese）.［王棟艷.語義網(wǎng)粗糙本體的構(gòu)建方法 ［D］.大連：大連海事大學(xué)，2011.］

［9］ZHANG Yunzhong，XU Baoxiang.Research on the optimization of domain ontology construction method based on FCA ［J］.Library and Information Service，2009，54 （8）：112－115 （in Chinese）.［張云中，徐寶祥.基于形式概念分析的領(lǐng)域本體構(gòu)建方法優(yōu)化研究［J］.圖書情報工作，2009，54 （8）：112－115.］

［10］YANG Xiaoping，LU Xianqing.Comparing rough approximation of formal concept ［J］.Journal of Guangxi Normal University，2008，26 （3）：96－99 （in Chinese）. ［楊曉平，盧獻慶.形式概念粗糙近似比較研究 ［J］.廣西師范大學(xué)學(xué)報，2008，26 （3）：96－99.］

［11］HUANG Dongmei，ZHU Hui.The application of rough formal concept analysis in ocean ontology construction ［J］.Computer Science，2008，35 （4）：6－8 （in Chinese）.［黃冬梅，朱慧.粗糙形式概念分析在海洋本體構(gòu)建中的應(yīng)用 ［J］.計算機科學(xué)，2008，35 （4）：6－8.］

［12］HUANG Yinghui，LI Guanyu.Imprecise semantic web ontology：Meaning，model and representation ［J］.Computer Engineering and Design，2011，32 （3）：1103－1107 （in Chinese）.［黃映輝，李冠宇.不精確性語義網(wǎng)本體：語義、模型與表示 ［J］.計算機工程與設(shè)計，2011，32 （3）：1103－1107.］

［13］SONG Ling.Research on semantic similarity computation and application［D］.Jinan：Shandong University，2010 （in Chinese）.［宋玲.語義相似度計算及其應(yīng)用研究 ［D］.濟南：山東大學(xué)，2010.］

［14］CHANG Wanjun，REN Guangwei.Study on storage technique of OWL ontology ［J］.Computer Engineering and Design，2011，32 （8）：2893－2896 （in Chinese）. ［常萬軍，任廣偉.OWL本體存儲技術(shù)研究 ［J］.計算機工程與設(shè)計，2011，32（8）：2893－2896.］