于彤　賈李蓉　張竹綠　朱玲

摘要：從中醫(yī)藥文獻(xiàn)中提取語義關(guān)系的方法，能充實中醫(yī)藥知識庫系統(tǒng)，提升知識獲取效率，改進知識檢索效果。本研究通過搜集中醫(yī)藥文獻(xiàn)并從中找出在一起頻繁出現(xiàn)的詞對，基于中醫(yī)藥學(xué)語言系統(tǒng)判斷語義關(guān)系的性質(zhì)，再將所發(fā)現(xiàn)的語義關(guān)系交由領(lǐng)域?qū)＜疫M行檢驗。該方法向中醫(yī)藥領(lǐng)域?qū)＜姨峁┝藦奈谋局邪l(fā)現(xiàn)語義關(guān)系的新穎技術(shù)手段。

關(guān)鍵詞：語義關(guān)系；中醫(yī)藥學(xué)語言系統(tǒng)；知識庫

目前，中醫(yī)藥領(lǐng)域?qū)嵱玫闹R庫系統(tǒng)顯現(xiàn)出大型化的趨勢，往往包含百萬條語義關(guān)系。例如，中醫(yī)藥學(xué)語言系統(tǒng)（Traditional Chinese MedicineLanguage System，TCMLS）已收錄概念12萬余條，術(shù)語30萬余條，語義關(guān)系127萬多條。由人工編輯如此大量的語義關(guān)系，是一個耗時費力的大工程。若能實現(xiàn)從文獻(xiàn)中自動抽取語義關(guān)系，則可大幅提升知識獲取效率。因此，語義關(guān)系發(fā)現(xiàn)方法對領(lǐng)域知識庫的構(gòu)建具有很大意義。本文介紹了一項基于TCMLS從文本中發(fā)現(xiàn)語義關(guān)系的初步嘗試。該研究試圖將文本中蘊含的語義關(guān)系挖掘出來，與TCMLS現(xiàn)有的語義關(guān)系結(jié)合，得到更為全面、準(zhǔn)確的語義關(guān)系，并明確系統(tǒng)中語義關(guān)系的文獻(xiàn)來源，從而擴充TCMLS的數(shù)據(jù)規(guī)模，提升TCMLS中語義關(guān)系的準(zhǔn)確性和可靠性。

1、研究背景和相關(guān)工作

中醫(yī)藥學(xué)是經(jīng)過幾千年的發(fā)展而形成的，文獻(xiàn)記載是其重要的知識流傳的方式之一。近年來，中醫(yī)團體開展了大量的知識工程工作，采用各種文獻(xiàn)中的知識來構(gòu)建中醫(yī)藥領(lǐng)域知識庫，提供知識檢索服務(wù)。以TCMLS為例，因缺乏實用的中醫(yī)藥文本挖掘方法，在語義關(guān)系抽取方面，主要依賴于加工人員的個人知識和手工操作。這種方法與加工人員個人的知識、素養(yǎng)和責(zé)任心有很大關(guān)系，造成數(shù)據(jù)準(zhǔn)確性良莠不齊，難以對數(shù)據(jù)質(zhì)量進行有效管理。隨著系統(tǒng)規(guī)模的不斷擴大，人工編輯的復(fù)雜性也不斷增大，制約著TCMLS的進一步發(fā)展。鑒于此，擬對中醫(yī)藥文獻(xiàn)內(nèi)容進行語義關(guān)系提取，得到具體概念之間的語義關(guān)系，與TCMLS的語義關(guān)系進行比較，并對TCMLS進行進一步擴充。

從自由文本中挖掘語義關(guān)系是一個非常困難的問題，因為同一種關(guān)系在文本中會有多種表達(dá)方式。常見的語義關(guān)系發(fā)現(xiàn)方法，主要包括如下2大類。

1.1 基于語法分析的語義關(guān)系發(fā)現(xiàn)

此類方法的主要思路是：基于自然語言處理（NLP）技術(shù)，通過對文本進行語法分析，構(gòu)建出語法樹，再通過語法和詞性的分析得到其中的語義關(guān)系。這類方法的優(yōu)點是對語義關(guān)系定位比較準(zhǔn)確，并可以通過語法特征得到文本中的隱含信息。但其缺點在于：此類方法的效果嚴(yán)重依賴于語法分析的結(jié)果，對于一些特殊的領(lǐng)域，現(xiàn)有的語法分析方法往往無法取得令人滿意的結(jié)果。因此，基于語法分析的語義關(guān)系抽取算法其應(yīng)用范圍受到了很大的限制，特別是在一些有著獨特語法規(guī)則的領(lǐng)域中更是如此，本文中提到的中醫(yī)藥領(lǐng)域就是一個例子。

1.2 基于模式匹配的語義關(guān)系發(fā)現(xiàn)

這種方法是用某種模式對文本進行匹配，根據(jù)匹配的情況得到相應(yīng)的語義關(guān)系。根據(jù)匹配模式的不同來源，可以分為兩類：基于領(lǐng)域知識的模式匹配和基于學(xué)習(xí)的模式匹配?；陬I(lǐng)域知識的模式是由領(lǐng)域?qū)＜覍⑵漕I(lǐng)域知識總結(jié)、升華得到的通用知識模式，然后再使用這些模式作為模板，從文獻(xiàn)中找到相應(yīng)的關(guān)系。基于學(xué)習(xí)的模式匹配方法，是指使用機器學(xué)習(xí)方法，通過對文獻(xiàn)特征的分析得到有用的模式。這類方法的目標(biāo)一般限定為僅挖掘某些特定類別的實體的幾種特定關(guān)系，無法勝任中醫(yī)藥領(lǐng)域中語義關(guān)系種類很多的情況。

綜上所述，這兩類方法都不適合中醫(yī)藥領(lǐng)域的需求。本研究提出基于TCMLS的文本語義關(guān)系發(fā)現(xiàn)方法，該方法以TCMLS中的詞匯為基礎(chǔ)，發(fā)現(xiàn)語義關(guān)系中的主體和客體；以TCMLS中已有的語義關(guān)系為根據(jù)，推測從文本中挖出的語義關(guān)系的類型。本研究的基本策略，是基于TCMLS從文本中發(fā)現(xiàn)更多的關(guān)系，經(jīng)用戶驗證后加入TCMLS之中，從而豐富TCMLS的語義關(guān)系；再用豐富后的TCMLS進行新一輪的文本挖掘，進一步豐富TCMLS；以此類推，從而形成一套基于文本語義關(guān)系發(fā)現(xiàn)來驅(qū)動TCMLS加工的技術(shù)方案。下面具體介紹基于TCMLS的語義關(guān)系發(fā)現(xiàn)方法。

2、文本語義關(guān)系發(fā)現(xiàn)方法

如圖1所示，文本語義關(guān)系發(fā)現(xiàn)，是指從“……人參有‘補五臟、安精神、定魂魄、止驚悸、除邪氣、明目開心益智的功效……”的文本中，發(fā)現(xiàn)“人參補五臟”、“人參安精神”、“人參止驚悸”、“人參除邪氣”這樣的關(guān)系。該方法會統(tǒng)計每條關(guān)系出現(xiàn)的頻數(shù)：如果在文檔D1，D2……Dn中都出現(xiàn)了某條關(guān)系R，則R出現(xiàn)的頻數(shù)即為n。該方法的基本策略是：以TCMLS作為領(lǐng)域詞庫，從文獻(xiàn)庫中找出在同一文檔中出現(xiàn)的兩個領(lǐng)域術(shù)語（如“人參、邪氣”、“人參、五臟”等），構(gòu)成候選的文本語義關(guān)系，并統(tǒng)計每條關(guān)系的頻數(shù)，以供語言學(xué)家進行檢閱和處理。由機器判斷語義關(guān)系的謂詞（如“人參”與“邪氣”之間的謂詞為“除”）仍是一個技術(shù)難題。本方法會在這兩個詞附近找出一些候選性謂詞（如“補”、“除”等）推薦給用戶；并提供TCMLS中的相關(guān)用法，供用戶參考（例如，針對“人參”和“腎陽虛證”，系統(tǒng)會根據(jù)TCMLS中的用法向用戶推薦“治療”這一謂詞）。

為實現(xiàn)該策略，首先需要將中醫(yī)藥文本分解成一系列獨立的語義單元。中醫(yī)藥文獻(xiàn)資源包括書籍、期刊、會議論文集、病歷、報告等，語義單元劃分要針對不同類型的文獻(xiàn)進行具體分析。本研究主要考慮書籍、期刊和會議論文集。這些文獻(xiàn)都可被分為一系列“文章”（在書籍中對應(yīng)一章或一節(jié)，在期刊和會議論文集中對應(yīng)一篇論文），可對文章進一步細(xì)分，將文章分為小節(jié)，將小節(jié)分為段落，將段落分為句子。

理論上，在一篇文章中出現(xiàn)的任意兩個詞匯之間都可能存在或強或弱、或直接或間接的語義關(guān)系。因此也可將“文章”作為語義單元進行語義關(guān)系發(fā)現(xiàn)。但在語義關(guān)系識別階段，關(guān)鍵詞組過長會極大增加算法復(fù)雜性。為保證算法效率，關(guān)鍵詞組內(nèi)詞匯數(shù)量不宜過多，因此本研究未將整篇文章作為語義單元進行挖掘。與全文相比，“句子”是一個相對較小、且有完整語義的單元?！熬渥印蓖ǔＣ枋鲆粋€完整的意思，且其中的詞匯之間通常有某種聯(lián)系，因此“句子”為中文分詞及后續(xù)處理提供了天然的單元。但語義關(guān)系的主體和客體也有可能分散在不同的句子中，僅以句子作為語義單元會遺失掉很多的關(guān)系。鑒于此，本項目分別以句子和小節(jié)作為基本的語義單元，進行語義關(guān)系發(fā)現(xiàn)，下面介紹其核心思想和設(shè)計原則。

第一，在文中距離越近的“名詞、動詞、名詞”，越有可能表達(dá)一條語義關(guān)系。因此，本方法會記錄語義關(guān)系中的詞匯在文中的最短距離，作為反映語義關(guān)系真實性的一個參數(shù)。

第二，在各種文獻(xiàn)中多次出現(xiàn)的“主語謂語賓語”，更有可能代表一條語義關(guān)系。若一條關(guān)系頻繁出現(xiàn)于各種文獻(xiàn)中，則其很可能是領(lǐng)域?qū)＜艺J(rèn)可的。因此，本方法對從各種文獻(xiàn)中發(fā)現(xiàn)的關(guān)系進行匯總，統(tǒng)計每條關(guān)系在文中共現(xiàn)的頻數(shù)，將其作為一個參數(shù)提供給術(shù)語學(xué)家。

第三，文獻(xiàn)量越大、越全面，所得到的語義網(wǎng)絡(luò)就越具有統(tǒng)計價值。鑒于此，采用TCMLS對萬方文獻(xiàn)庫進行檢索，以期獲得盡可能全面的文獻(xiàn)。

第四，構(gòu)建在中醫(yī)藥領(lǐng)域中常用的動詞列表，以該表為基礎(chǔ)推測語義關(guān)系中的謂詞。將主語或賓語附近出現(xiàn)的動詞記錄下來，作為語義關(guān)系的候選謂詞，推薦給術(shù)語學(xué)家。

第五，鑒于文本語義關(guān)系發(fā)現(xiàn)方法尚不能保證結(jié)果的準(zhǔn)確性，開發(fā)了一個文本語義關(guān)系的檢閱系統(tǒng)，對文本語義關(guān)系進行檢查、分析和標(biāo)注等工作，使術(shù)語學(xué)家了解語義關(guān)系與相關(guān)文本的關(guān)聯(lián)。

3、文本語義關(guān)系發(fā)現(xiàn)和檢閱系統(tǒng)

在本研究中，采用Java語言開發(fā)了一套文本語義關(guān)系發(fā)現(xiàn)程序，以實現(xiàn)文本語義關(guān)系發(fā)現(xiàn)方法。以TCMLS作為關(guān)鍵詞，從萬方數(shù)據(jù)知識服務(wù)平臺檢出了217 667條文獻(xiàn)題錄信息（含摘要），再用文本語義關(guān)系發(fā)現(xiàn)程序從摘要中挖出了87826條關(guān)系，其中部分的關(guān)系如表1所示。所得出的關(guān)系被存入一個關(guān)系型數(shù)據(jù)庫（MySQL數(shù)據(jù)庫）中，通過文本語義關(guān)系檢閱系統(tǒng)展示出來，供語言學(xué)家進行檢閱。

如圖2所示，開發(fā)了一套文本語義關(guān)系的檢閱系統(tǒng)，支持用戶對文本語義關(guān)系進行檢閱、分析和標(biāo)注，查看文本語義關(guān)系的文獻(xiàn)依據(jù)和相關(guān)網(wǎng)頁，并將文本語義關(guān)系正式插入某個術(shù)語系統(tǒng)（如TCMLS）。在語義關(guān)系檢索界面中，系統(tǒng)會將機器發(fā)現(xiàn)的語義關(guān)系分頁列出。用戶可輸入關(guān)鍵詞（如“陽痿腎陽虛證”）搜索個人關(guān)心的語義關(guān)系。系統(tǒng)列出了每條關(guān)系的主體和客體（如“益腎丸腎陽虛證”），給出每個概念的類型、正名和定義。用戶可點擊查看某個概念，系統(tǒng)會轉(zhuǎn)到這一概念的信息頁面。當(dāng)用戶在上文提到的“語義關(guān)系檢索界面”中點擊查看某條關(guān)系，系統(tǒng)就會跳轉(zhuǎn)到這條語義關(guān)系的展示和處理界面。

在語義關(guān)系的展示和處理界面中，用戶可以查看這條關(guān)系的主體信息、候選謂詞、客體信息、參考性參數(shù)。其中，對于主體和客體，都給出了概念的類型、正名、定義以及概念信息頁面的鏈接。候選謂詞是基于TCMLS中的用法來生成的，例如，若主體為“人參”，客體為“腎陽虛證”，則系統(tǒng)會推薦“治療”作為候選謂詞。用戶可以點擊“文獻(xiàn)資源”，查看該語義關(guān)系所出自的文獻(xiàn)。對于每篇文獻(xiàn)，系統(tǒng)都給出了題名和摘要。用戶單擊選擇某篇文獻(xiàn)的題名時，系統(tǒng)會跳轉(zhuǎn)到該文獻(xiàn)的題錄信息頁面。用戶可以點擊“百度搜索”，查看該語義關(guān)系相關(guān)的百度搜索結(jié)果，也可以點擊“相關(guān)陳述”，查看該語義關(guān)系在TCMLS中的相關(guān)陳述，以供語言學(xué)家參考。用戶還可通過系統(tǒng)提供的表單，將這條語義關(guān)系加入語言系統(tǒng)中。系統(tǒng)會根據(jù)TCMLS中的相關(guān)用法，列出一些相關(guān)屬性以供用戶選擇。用戶也可以輸入新的屬性，例如，為添加“人參除邪氣”這條關(guān)系，用戶可輸入“除”這一新屬性。用戶也可以添加一些注釋信息。另外，當(dāng)關(guān)系被錄入TCMLS后，系統(tǒng)會記錄這條關(guān)系的文獻(xiàn)來源。

4、小結(jié)

數(shù)字化文獻(xiàn)是中醫(yī)藥知識密集型數(shù)據(jù)的基礎(chǔ)。中醫(yī)藥語義網(wǎng)若與文獻(xiàn)資源相脫節(jié)，則必成為無源之水、無本之木。從文獻(xiàn)中提取語義關(guān)系的方法，能有效豐富中醫(yī)藥語義網(wǎng)的內(nèi)容，建立中醫(yī)藥語義網(wǎng)和文獻(xiàn)資源的有機聯(lián)系，改進中醫(yī)藥文獻(xiàn)檢索的效果。本研究開展了中醫(yī)藥文獻(xiàn)語義關(guān)系發(fā)現(xiàn)方法的初步探索：基于TCMLS，搜集中醫(yī)藥文獻(xiàn)，對文獻(xiàn)進行分詞處理，從中找出在一起頻繁出現(xiàn)的詞對，判斷語義關(guān)系的性質(zhì)，交由領(lǐng)域?qū)＜疫M行檢驗。本研究所開發(fā)的文本語義關(guān)系發(fā)現(xiàn)和檢閱系統(tǒng)，向術(shù)語專家提供從文本中發(fā)現(xiàn)新穎語義關(guān)系的技術(shù)能力。

這項工作尚存在一些局限性。例如，我們尚缺乏判斷文本語義關(guān)系準(zhǔn)確類型的有效手段，也尚未實現(xiàn)發(fā)現(xiàn)新詞的方法。另外，有些中醫(yī)藥領(lǐng)域的詞匯尚未收入TCMLS之中，這影響了語義關(guān)系發(fā)現(xiàn)的效果。在進一步研究中，擬對從文本中獲得的語義關(guān)系與TCMLS現(xiàn)有的語義關(guān)系進行比較，補充完善TCMLS現(xiàn)有的語義關(guān)系網(wǎng)絡(luò)。擬對從文本中獲得的語義關(guān)系按概念的語義類型進行歸納，得到語義類型間的語義關(guān)系，融合成一個基于文獻(xiàn)的頂層語義網(wǎng)絡(luò)。對TCMLS的頂層語義網(wǎng)絡(luò)和從文獻(xiàn)中實際抽取的語義網(wǎng)絡(luò)進行比較，對TCMLS現(xiàn)有的項層語義網(wǎng)絡(luò)進行補充和修正，從而指導(dǎo)中醫(yī)藥學(xué)語言系統(tǒng)實際發(fā)展和應(yīng)用。