，，，，

文獻(xiàn)的海量增長使知識發(fā)現(xiàn)和有效利用愈發(fā)困難，基于文獻(xiàn)進(jìn)行知識發(fā)現(xiàn)，是未來文獻(xiàn)服務(wù)的重要方向。傳統(tǒng)的文獻(xiàn)檢索平臺能夠幫助用戶快速查找與定位目標(biāo)文獻(xiàn)，但檢索到的候選文獻(xiàn)數(shù)量依然龐大。要從大量的候選文獻(xiàn)集中獲得有效的知識，仍然需要經(jīng)過人工的閱讀分析，費(fèi)時(shí)費(fèi)力甚至難以實(shí)現(xiàn)。文獻(xiàn)蘊(yùn)含的知識并不是孤立存在的，它們之間存在千絲萬縷的聯(lián)系，既包括人們可利用數(shù)據(jù)庫檢索到的顯性聯(lián)系，如文獻(xiàn)直接報(bào)道的生物分子關(guān)系[1]、互相引用的文獻(xiàn)之間主題內(nèi)容上的相關(guān)性[2]，也包括常規(guī)的數(shù)據(jù)庫檢索不出的隱性聯(lián)系，如很多文獻(xiàn)雖互不引用但卻存在對相同問題的闡述。這種文獻(xiàn)中的隱性關(guān)聯(lián)的挖掘比信息本身的增長更有意義。

基于文獻(xiàn)的知識發(fā)現(xiàn)研究是通過潛在的關(guān)聯(lián)挖掘來推斷出新的科學(xué)假設(shè)[3]。本文主要探討關(guān)聯(lián)知識的圖結(jié)構(gòu)組織對文獻(xiàn)知識發(fā)現(xiàn)的作用，并建立文獻(xiàn)信息網(wǎng)絡(luò)的知識發(fā)現(xiàn)系統(tǒng)應(yīng)用模型。

1 基于復(fù)雜網(wǎng)絡(luò)的文獻(xiàn)知識發(fā)現(xiàn)

基于文獻(xiàn)的知識發(fā)現(xiàn)理論(Literature-based Discovery，LBD)是由Swanson教授最早提出的。其基本原理是如果有兩類文獻(xiàn)集As和Cs，其中As主要討論了概念A(yù)和概念集B之間的關(guān)系，而Cs則討論了概念C和概念集B之間的關(guān)系，但是沒有任何文獻(xiàn)直接討論概念A(yù)和概念C的關(guān)系，那么A與C之間通過共同的橋梁B，隱含地存在某種關(guān)系，這是一個(gè)新的科學(xué)發(fā)現(xiàn)[4]。在Swanson關(guān)于雷諾氏病和食用魚油的假設(shè)中，A代表食用魚油，B代表血液和循環(huán)系統(tǒng)的一系列變化，即血液粘稠的降低、血小板聚集的降低及血管收縮的減少，C代表雷諾氏病，未知的外部循環(huán)混亂。由已知文獻(xiàn)可得出兩個(gè)結(jié)論：一是食用魚油可以引起特定的血管變化，即A引起B(yǎng)(A，B)；二是同樣的血管變化可改善雷諾氏病，即B引起C(B，C)，由ABC模式得出假設(shè)：A引起C，即雷諾氏病與魚油之間有一定聯(lián)系，食用魚油可能對雷諾氏病有治療作用[5]。

大量文獻(xiàn)集聚會使研究內(nèi)容的相關(guān)性呈現(xiàn)出一個(gè)關(guān)聯(lián)知識網(wǎng)絡(luò)，如果將文獻(xiàn)集轉(zhuǎn)化為基于網(wǎng)絡(luò)模型存儲管理的結(jié)構(gòu)化知識庫，可以進(jìn)一步通過知識網(wǎng)絡(luò)進(jìn)行關(guān)聯(lián)挖掘，提高知識發(fā)現(xiàn)的效率。如通過對文獻(xiàn)中關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)的研究，可以幫助我們總結(jié)出當(dāng)前的研究熱點(diǎn)、分析科研結(jié)構(gòu)、發(fā)現(xiàn)研究內(nèi)容的相關(guān)性等[6-7]。還有一些工作開始從系統(tǒng)層面上考察信息間的整合分析，通過多領(lǐng)域多數(shù)據(jù)源交叉融合，發(fā)現(xiàn)間接的隱含聯(lián)系[8]。此外，文獻(xiàn)[9]報(bào)道了利用文獻(xiàn)衍生的生物醫(yī)學(xué)實(shí)體關(guān)聯(lián)網(wǎng)絡(luò)進(jìn)行科學(xué)研究結(jié)構(gòu)與相關(guān)性的挖掘分析，研究主題和研究內(nèi)容之間關(guān)聯(lián)的緊密程度非常高。在同一個(gè)大的研究領(lǐng)域中，從一個(gè)研究對象可以很快轉(zhuǎn)移到另外一個(gè)研究對象，兩者結(jié)合很容易形成新的研究內(nèi)容，從而促使不同領(lǐng)域研究對象之間可以相互借鑒，使科研人員獲得好的科研思路，這也從網(wǎng)絡(luò)的角度驗(yàn)證了基于文獻(xiàn)的知識發(fā)現(xiàn)的思想。

早期基于文獻(xiàn)的知識發(fā)現(xiàn)方法涉及大量的人工對文本的統(tǒng)計(jì)分析操作，文本分析的數(shù)據(jù)集多控制在文獻(xiàn)的標(biāo)題。隨著文本挖掘技術(shù)的快速發(fā)展，基于文本挖掘方法的文獻(xiàn)知識發(fā)現(xiàn)研究在科學(xué)發(fā)現(xiàn)中得到了越來越廣泛的應(yīng)用。然而，基于文獻(xiàn)的知識發(fā)現(xiàn)過程實(shí)際上是一個(gè)啟發(fā)式的過程，獲得的潛在關(guān)聯(lián)知識需要進(jìn)一步確證的假設(shè)，不同種類、不同相關(guān)程度的關(guān)聯(lián)都可能是激發(fā)新假設(shè)的有用知識，于是對文獻(xiàn)蘊(yùn)含的各種關(guān)聯(lián)知識的便捷導(dǎo)航訪問便顯得至關(guān)重要。因此，基于復(fù)雜網(wǎng)絡(luò)模型整合大量文獻(xiàn)數(shù)據(jù)，將文獻(xiàn)集轉(zhuǎn)化為基于網(wǎng)絡(luò)模型存儲管理的結(jié)構(gòu)化知識庫，對獲取新的知識具有重要意義。這不僅是一種可行的方法，而且具有更強(qiáng)的操作性。

2 文獻(xiàn)的信息網(wǎng)絡(luò)建模

2.1 文本處理

非結(jié)構(gòu)化的文獻(xiàn)必須利用自然語言處理技術(shù)對其進(jìn)行文本處理，將非結(jié)構(gòu)化的文本轉(zhuǎn)化為結(jié)構(gòu)化的數(shù)據(jù)集，以便后續(xù)進(jìn)行深入的數(shù)據(jù)挖掘。結(jié)構(gòu)化處理的核心是提取文獻(xiàn)中能用于關(guān)聯(lián)發(fā)現(xiàn)的知識單元，在自然語言文本中最有用的莫過于有意義的名詞或名詞短語。一般來說，生物醫(yī)學(xué)文獻(xiàn)中最有價(jià)值的是各種描述生物醫(yī)學(xué)領(lǐng)域的專業(yè)術(shù)語，即生物概念或?qū)嶓w。因此，在生物醫(yī)學(xué)文獻(xiàn)挖掘領(lǐng)域，絕大多數(shù)文獻(xiàn)挖掘工作的一個(gè)必不可少的步驟就是從文獻(xiàn)中識別出感興趣的命名概念或?qū)嶓w，即從文獻(xiàn)中獲得生物醫(yī)學(xué)工作者所感興趣的專業(yè)實(shí)例和術(shù)語，包括基因、蛋白質(zhì)、細(xì)胞、化合物和藥物等。文本處理的基本過程主要包括分詞、詞性標(biāo)注、短語識別、停用詞去除、詞干提取和命名實(shí)體識別等(圖1)。

圖1 文本處理的基本步驟

分詞：將句子還原為單詞序列。其目的是識別文本數(shù)據(jù)中的句子和單詞邊界，為詞性標(biāo)注和實(shí)體識別提供統(tǒng)一的輸入數(shù)據(jù)。

詞性標(biāo)注：將文本分成單詞之后，需要再對單詞的特征進(jìn)行分析，確定每個(gè)單詞的詞性。詞性用來描述一個(gè)詞在上下文中的作用，例如描述概念的名詞、下文中引用名詞的代詞等。詞性標(biāo)注就是為給定句子中的每個(gè)詞賦予正確的詞性標(biāo)記。

短語識別：識別出句子中多個(gè)單詞組成的有意義的短語單元。短語識別可以借助于自然語言處理中的句法分析技術(shù)，也可以借助于概率統(tǒng)計(jì)的方法。如兩個(gè)單詞經(jīng)常共同出現(xiàn)，兩者很可能是一個(gè)短語。

停用詞去除：停用詞是指在文檔中出現(xiàn)次數(shù)很多而本身沒有實(shí)際意義的詞, 例如英文中的大部分介詞、冠詞等。通常需要針對特定領(lǐng)域文獻(xiàn)集的特點(diǎn)，制定一部分相應(yīng)的規(guī)則，人工建立一個(gè)停用詞表對候選詞進(jìn)行過濾。

詞干提?。菏侨コ~綴得到詞根的過程，包括詞干化與詞形還原兩種方法。前者是通過一定的規(guī)則提取詞干，后者是通過完全的形態(tài)分析并借助詞典得到詞的精確詞形。

命名實(shí)體識別：命名實(shí)體是一種標(biāo)識了某個(gè)概念或?qū)嶓w的短語，如專有名詞、人名、地名等。命名實(shí)體識別主要是提取短語并識別后得到名稱短語。

直接利用自然語言處理的方法，從文獻(xiàn)中提取以名詞短語為基礎(chǔ)的概念實(shí)體，不針對特定的生物醫(yī)學(xué)實(shí)體，不但能提取到文獻(xiàn)關(guān)鍵詞，而且可以盡可能地收集到文獻(xiàn)中出現(xiàn)的實(shí)體，以滿足通用性和覆蓋率的要求。

2.2 信息網(wǎng)絡(luò)構(gòu)建

通常一個(gè)簡單的無向無權(quán)網(wǎng)絡(luò)，可記為G=(V，E)，其中集合 V 稱為節(jié)點(diǎn)集，V={v1,v2,…,vn}，集合E稱為邊集，E={e1,e2,…,em}，任意一條邊對應(yīng)一個(gè)節(jié)點(diǎn)的二元組：ex=(vi，vj)，E是V ×V的一個(gè)子集。對于用節(jié)點(diǎn)和邊描述的圖，可以用節(jié)點(diǎn)的度、連通性與路徑等幾個(gè)定量指標(biāo)來描述圖的性質(zhì)。

節(jié)點(diǎn)的度：節(jié)點(diǎn)V在圖G的度是指圖G中與節(jié)點(diǎn)V連接的邊數(shù)，記為d(v)或k(v)。節(jié)點(diǎn)的度主要用于描述節(jié)點(diǎn)的連通性。

連通性：若G中每對不同節(jié)點(diǎn)u，v之間都至少存在一條通路，則稱G是連通的，即G為連通圖。

路徑：圖的路徑是指連接兩個(gè)節(jié)點(diǎn)的節(jié)點(diǎn)與邊交替出現(xiàn)的序列，且所有節(jié)點(diǎn)與邊都不相同。路徑長度是連接兩個(gè)節(jié)點(diǎn)之間的邊的數(shù)量，網(wǎng)絡(luò)距離可以通過路徑長度來描述，通常用最短路徑作為連接兩個(gè)節(jié)點(diǎn)的路徑。

信息網(wǎng)絡(luò)是將文獻(xiàn)集中的內(nèi)容相關(guān)性轉(zhuǎn)化為基于關(guān)聯(lián)信息存在的圖結(jié)構(gòu)數(shù)據(jù)模型，根據(jù)文獻(xiàn)中的語義單元即概念實(shí)體及其關(guān)聯(lián)信息，對文獻(xiàn)中所蘊(yùn)含的知識進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)化。信息網(wǎng)絡(luò)的構(gòu)建分概念實(shí)體及其關(guān)聯(lián)的抽取和實(shí)體、關(guān)聯(lián)及內(nèi)容鏈接的結(jié)構(gòu)化管理兩個(gè)步驟。在文獻(xiàn)信息網(wǎng)絡(luò)G=(V，G)中，節(jié)點(diǎn)集V是各種從生物醫(yī)學(xué)文獻(xiàn)中提取出的實(shí)體的集合，如基因、蛋白質(zhì)、化合物或疾病等；邊集E 是實(shí)體之間的關(guān)聯(lián)集合，且邊是無向加權(quán)的，邊的權(quán)值對應(yīng)于兩實(shí)體共現(xiàn)的次數(shù)。

2.2.1 關(guān)聯(lián)信息的提取

目前已有多種實(shí)體及其關(guān)系提取的方法。在生物醫(yī)學(xué)文獻(xiàn)挖掘研究中，常用共現(xiàn)的方法來提取實(shí)體的關(guān)聯(lián)，認(rèn)為當(dāng)兩個(gè)詞語共現(xiàn)于一定的語境中時(shí)，詞語之間可能存在一定的語義相關(guān)性[10]。通過關(guān)系抽取技術(shù)，從非結(jié)構(gòu)化的自然語言文本中抽取出格式統(tǒng)一的關(guān)系數(shù)據(jù)，能夠建立多個(gè)實(shí)體之間廣泛的信息關(guān)聯(lián)。以基于句子共現(xiàn)的實(shí)體關(guān)聯(lián)提取為例，其基本步驟如下：根據(jù)基于自然語言的方法識別出句子的實(shí)體NP及其位置。如果在同一個(gè)句子中得到的實(shí)體按其在句子中的順序依次為NP1、NP2、NP3，則得到關(guān)聯(lián)：(NP1，NP2)，(NP1，NP3)，(NP2，NP3)。

例如，文獻(xiàn)標(biāo)題(PMID：20856896)：β1-syntrophin modulation by miR-222 in mdx mice，提取得到實(shí)體及其位置的列表為[(β1-syntrophin modulation，1)、(miR-222, 4)，(mdx mouse，6)]，進(jìn)一步得到關(guān)聯(lián)：(β1-syntrophin modulation，miR-222)、(β1-syntrophin modulation，mdx mouse)、(miR-222，mdx mouse)。

2.2.2 實(shí)體、關(guān)聯(lián)及內(nèi)容鏈接的圖結(jié)構(gòu)管理

圖G中每個(gè)節(jié)點(diǎn)包含有屬性，數(shù)據(jù)記錄在節(jié)點(diǎn)都包括的屬性里面，由節(jié)點(diǎn)組成的關(guān)系可以擁有自己的屬性，關(guān)系相關(guān)的數(shù)據(jù)記錄在其包括的屬性里面。如圖2所示，針對建立起的關(guān)聯(lián)信息網(wǎng)絡(luò)，可以利用遍歷算法對圖進(jìn)行導(dǎo)航訪問，遍歷節(jié)點(diǎn)與關(guān)系，每一次遍歷操作通過具體的路徑識別算法實(shí)現(xiàn)，根據(jù)路徑有序地排列節(jié)點(diǎn)。同時(shí)，可以分別為節(jié)點(diǎn)、關(guān)系與屬性分別建立映射，分配獨(dú)立的索引標(biāo)識，并基于屬性快速查詢節(jié)點(diǎn)與關(guān)系，快速獲取節(jié)點(diǎn)與關(guān)系的屬性中記錄的數(shù)據(jù)，然后將文獻(xiàn)集轉(zhuǎn)化為句子集，每個(gè)關(guān)聯(lián)能夠鏈接到句子，句子又能夠鏈接到摘要或原文，便于回溯文獻(xiàn)并加以分析，進(jìn)一步確定關(guān)聯(lián)的語義信息。

圖2 信息網(wǎng)絡(luò)的存儲結(jié)構(gòu)

3 基于信息網(wǎng)絡(luò)的知識發(fā)現(xiàn)的應(yīng)用

3.1 特異性關(guān)聯(lián)的發(fā)現(xiàn)

特異性關(guān)聯(lián)的發(fā)現(xiàn)是指通過對語義相關(guān)性的計(jì)算去搜索與置優(yōu)特異性關(guān)聯(lián)，以便更好地獲得用戶感興趣并能激發(fā)科學(xué)假設(shè)的關(guān)聯(lián)。特異性關(guān)聯(lián)主要包括強(qiáng)關(guān)聯(lián)與弱關(guān)聯(lián)，強(qiáng)關(guān)聯(lián)是指頻繁共現(xiàn)的關(guān)聯(lián)，弱關(guān)聯(lián)是指共現(xiàn)次數(shù)很少的關(guān)聯(lián)。傳統(tǒng)文獻(xiàn)檢索強(qiáng)調(diào)獲得強(qiáng)相關(guān)的內(nèi)容，容易忽略那些可激發(fā)新科學(xué)假設(shè)的弱關(guān)聯(lián)，而從這些弱關(guān)聯(lián)中可能更容易獲得新知識。信息網(wǎng)絡(luò)中節(jié)點(diǎn)與節(jié)點(diǎn)之間的關(guān)聯(lián)都給定了相應(yīng)權(quán)重W，特異性關(guān)聯(lián)的核心任務(wù)是如何快速獲取給定節(jié)點(diǎn)的關(guān)聯(lián)。如圖3所示，給定X，可以方便地提取其關(guān)聯(lián)的節(jié)點(diǎn)Y；通過對候選關(guān)聯(lián)集按權(quán)重Wi(1≦i≦n)排序，可以根據(jù)不同需求去篩選強(qiáng)弱關(guān)聯(lián)。

圖3 特異性關(guān)聯(lián)的發(fā)現(xiàn)

3.2 間接關(guān)聯(lián)的推斷

基于文獻(xiàn)的知識發(fā)現(xiàn)的核心是通過ABC模型來挖掘概念間的間接關(guān)系，即當(dāng)不相關(guān)的實(shí)體A與C同時(shí)與實(shí)體B相關(guān)時(shí)，A與C也可能通過實(shí)體B形成間接關(guān)系，三者構(gòu)成一條A-B-C關(guān)系鏈。因此，必須明確A、B、C三個(gè)元素才可以獲得一條有用的關(guān)聯(lián)知識發(fā)現(xiàn)鏈。B的出現(xiàn)為科研人員提供有益的啟發(fā)和關(guān)鍵性的引導(dǎo)，顯著增強(qiáng)了目的性和方向性，幫助專業(yè)研究人員認(rèn)識和發(fā)現(xiàn)潛在有用的知識片斷間的關(guān)聯(lián)，進(jìn)一步證實(shí)科學(xué)假設(shè)的可行性。如圖4所示，給定任意節(jié)點(diǎn)B，以B為支點(diǎn)或起點(diǎn)，可以獲取間接關(guān)聯(lián)A-B-C與B-C-D，即AC之間與BD之間都可能形成新的科學(xué)假設(shè)。

圖4 間接關(guān)聯(lián)的推斷

3.3 通路知識的抽取

關(guān)聯(lián)網(wǎng)絡(luò)把文獻(xiàn)庫中的知識以網(wǎng)絡(luò)形式表示，既顯示出知識之間的聯(lián)系，也過濾了冗余知識而以最簡化的形式表示，這就方便研究人員發(fā)現(xiàn)未直接報(bào)道的對象間的隱含關(guān)系。建立關(guān)聯(lián)網(wǎng)絡(luò)中任意兩個(gè)節(jié)點(diǎn)間的關(guān)聯(lián)，能夠計(jì)算兩個(gè)節(jié)點(diǎn)之間的語義相關(guān)性，從而輔助科研人員篩選出有用的通路知識，即應(yīng)該按照怎樣的路徑建立它們之間的關(guān)聯(lián)。實(shí)際上是哪些語義關(guān)系可以發(fā)生關(guān)聯(lián)，即哪些語義關(guān)系可以進(jìn)行運(yùn)算(圖5)。

圖5 通路知識的抽取

通路知識的抽取是指在實(shí)體關(guān)聯(lián)網(wǎng)絡(luò)中指定概念實(shí)體A與C，提取連接它們的一系列關(guān)鍵詞構(gòu)成的最短路徑。最短路徑是衡量連貫性和凝聚力的重要指標(biāo), 兩個(gè)對象節(jié)點(diǎn)距離越短, 對象之間的聯(lián)系越密切, 存在語義關(guān)聯(lián)并可能形成科學(xué)假設(shè)的可能性越大。因此，我們將兩個(gè)概念實(shí)體A與C之間的通路知識發(fā)現(xiàn)的問題等價(jià)于在關(guān)聯(lián)網(wǎng)絡(luò)中的最短路徑搜索問題。如圖5所示，給定任意A和C，提取它們之間的最短路徑A-(B1…Bn)-C，計(jì)算每條路徑的語義相關(guān)性，對結(jié)果集進(jìn)行排序。顯然，當(dāng)A與C之間的距離為2時(shí)，即等價(jià)于間接關(guān)系的提取，獲得ABC模型。

4 總結(jié)與討論

關(guān)聯(lián)信息是文獻(xiàn)保存的重要科學(xué)知識，如一個(gè)基因相關(guān)的疾病有哪些，換句話說，就是如何找到已有文獻(xiàn)報(bào)道的與某個(gè)基因相關(guān)的疾病。本文探討了圖結(jié)構(gòu)對文獻(xiàn)知識組織的重要作用，建立了基于關(guān)聯(lián)信息網(wǎng)絡(luò)的知識發(fā)現(xiàn)的應(yīng)用模型。在網(wǎng)絡(luò)結(jié)構(gòu)的知識庫基礎(chǔ)上，可以更便捷地導(dǎo)航訪問文獻(xiàn)集中蘊(yùn)含的關(guān)聯(lián)知識，更快速地發(fā)現(xiàn)與篩選有效的特異性關(guān)聯(lián)。對于間接關(guān)聯(lián)的獲取，關(guān)系鏈中的中間節(jié)點(diǎn)具有極其重要的“橋”的作用，節(jié)點(diǎn)的度可直觀表示出節(jié)點(diǎn)在網(wǎng)絡(luò)中的權(quán)重，因?yàn)閮H僅從關(guān)鍵詞出現(xiàn)的頻率來判斷節(jié)點(diǎn)的重要性，往往是一些寬泛的概念，而一些頻率較小的節(jié)點(diǎn)或關(guān)聯(lián)，很可能表達(dá)出重要的意義。此外，網(wǎng)絡(luò)中任意一條通路在一定程度上都可能是一個(gè)語義水平上的關(guān)系鏈，能揭示某種有意義的聯(lián)系，進(jìn)而為用戶提供一種科學(xué)思路。

與傳統(tǒng)的基于文獻(xiàn)的知識發(fā)現(xiàn)方法相比，基于復(fù)雜網(wǎng)絡(luò)的方法不但能夠揭示非相關(guān)文獻(xiàn)中的隱含知識，更可以幫助發(fā)現(xiàn)任意文獻(xiàn)集中潛在的關(guān)聯(lián)性知識，對于文獻(xiàn)中任意實(shí)體間的語義相關(guān)性的評估都具有非常重要的意義。整合網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)特征與統(tǒng)計(jì)信息，研究出新的語義相關(guān)性的計(jì)算指標(biāo)，將未來文獻(xiàn)知識發(fā)現(xiàn)研究的新的重要內(nèi)容。