蘇玉寧， 姜　藝， 陳賀勝， 朱俊武

(1.揚州大學農(nóng)學院，江蘇揚州 225000； 2.揚州大學信息工程學院，江蘇揚州 225009； 3.揚州大學物理科學與技術(shù)學院，江蘇揚州 225002)

本體(ontology)的概念起源于哲學領(lǐng)域[1]，20世紀90年代以來，本體的概念被逐步引入人工智能、圖書情報和知識工程等領(lǐng)域。由于本體通過對詞語的嚴格定義和詞之間的關(guān)系來確定詞匯的精確含義，因此用本體建立的詞匯模型可以讓機器理解Web頁面的語義，可以解決語義層次上Web信息共享和交換，因此在語義Web中，本體具有非常重要的地位。在農(nóng)業(yè)信息檢索領(lǐng)域中，由于本體可用以解決知識概念表示和知識組織體系方面的問題，因此本體概念引起了農(nóng)學界專家的高度關(guān)注。在農(nóng)業(yè)科學領(lǐng)域，發(fā)達國家已經(jīng)建成一些很成熟的領(lǐng)域本體并使其得到了實際應用。為加快這方面的工作，我國在“十一五”計劃中，將開展以網(wǎng)絡農(nóng)業(yè)信息資源組織為主的農(nóng)業(yè)本體構(gòu)建技術(shù)研究列入其中。因此，農(nóng)業(yè)本體研究是響應國家號召，大力發(fā)展和提高我國農(nóng)業(yè)技術(shù)和服務水平的重要措施。

1　農(nóng)業(yè)科學領(lǐng)域關(guān)鍵詞語的獲得

1.1　關(guān)鍵詞語的來源

要建立一個農(nóng)業(yè)科學領(lǐng)域本體庫(或知識庫)，這樣做的目的是為實現(xiàn)農(nóng)業(yè)信息知識Web頁面自由檢索。領(lǐng)域本體庫必須描述關(guān)鍵概念以及概念與概念之間的關(guān)系。因此，建立領(lǐng)域本體庫的首要工作是列舉出農(nóng)業(yè)科學領(lǐng)域中的所有關(guān)鍵概念。農(nóng)業(yè)科學領(lǐng)域知識十分龐大，為保證建立的本體庫在檢索時的查全率與查準率比較理想，領(lǐng)域本體創(chuàng)建就要盡量包括本領(lǐng)域中盡可能多地概念，盡可能多的把本領(lǐng)域中一些重要概念都包括進去，只有這樣才能建立起一個實際可用的農(nóng)業(yè)科學領(lǐng)域本體庫。因此，本體概念的選擇至關(guān)重要。為了使本研究選擇的概念具有代表性、說服力，本研究采用的關(guān)鍵詞語均來自網(wǎng)絡中文科技期刊全文數(shù)據(jù)庫，這是由于科技期刊中的論文大多數(shù)為本領(lǐng)域?qū)＜业难芯砍晒?，他們對本領(lǐng)域的概念比較熟悉和了解，也是本領(lǐng)域?qū)I(yè)術(shù)語的解釋者和本領(lǐng)域未來發(fā)展局勢的判定者。關(guān)鍵詞語是在中文科技期刊全文數(shù)據(jù)庫中檢索從1989年至2015年收錄在農(nóng)學學科，題名或關(guān)鍵字中包含油菜的論文題目。數(shù)據(jù)庫顯示共有符合條件的19 721條記錄結(jié)果，本研究摘錄論文題目中包含油菜的共11 242條記錄，作為建立農(nóng)業(yè)科學領(lǐng)域本體庫的分詞對象。論文題目檢索部分結(jié)果如表1所示。

選擇油菜作為檢索條件是因為根據(jù)骨架法構(gòu)建本體的流程[2-3]，首先要確定本體應用的目的和范圍。因為創(chuàng)建本體的大小和研究領(lǐng)域的大小呈正相關(guān)關(guān)系，以期建立的農(nóng)業(yè)科學領(lǐng)域本體模型的目標大小是1萬～2萬個論文題目作為研究范圍，油菜作為關(guān)鍵檢索詞剛好滿足要求。

表1　論文題目檢索結(jié)果(部分)

1.2　關(guān)鍵詞語的處理

建立本體庫的目的是實現(xiàn)網(wǎng)上信息資源自由共享和檢索，而要實現(xiàn)這樣的目的，首先要讓機器理解人類的自然語言，只有機器理解了人類的自然語言和文字，才能使人與機器的交流成為可能。在人類的自然語言中，詞是最小的能夠獨立活動的有意義的語言成分[4]，所以對于中文來講，將詞確定下來是理解人類自然語言的第1步。在英文的行文中，單詞之間是以空格作為自然分界符的，而中文只有句和段可以通過明顯的分界符來劃界，能夠獨立表達意義的詞沒有一個形式上的分界符。在計算機檢索中常常說到中文比英文要復雜得多、困難得多，究其根本原因就是中文要通過分詞這道難關(guān)，只有攻破了這道難關(guān)，才有望趕上并超過英文在信息領(lǐng)域的發(fā)展水平，所以中文分詞意義重大。

中國科學院計算技術(shù)研究所研制的的漢語詞法分析系統(tǒng)(institute of computing technology，Chinese lexical analysis system，簡稱ICTCLAS)[5]可以進行中文分詞、詞性標注、命名實體識別、新詞識別，同時支持用戶詞典、繁體中文，支持漢字內(nèi)碼擴展規(guī)范(Chinese internal code specification，簡稱GBK)、UTF-8(8-bit unicode transformation format)、UTF-7(7-bit unicode transformation format)、統(tǒng)一碼(unicode)等多種編碼格式，是目前應用范圍較廣且最受歡迎的漢語分詞系統(tǒng)。正是基于它的上述優(yōu)點，本研究采用ICTCLAS作為分詞工具，按以下3步確定農(nóng)業(yè)科學領(lǐng)域關(guān)鍵詞語。

首先，對在中文科技期刊全文數(shù)據(jù)庫中檢索到的與油菜有關(guān)的11 242條論文題目利用漢語詞法分析系統(tǒng)進行分詞操作。分詞的部分結(jié)果如圖1所示。

其次，為了便于處理，對分詞所得的所有詞語詞性作簡單化處理。即將所有一類詞性下面分的二類和三類詞性統(tǒng)一都按一類詞性處理，例如名詞分為1個一類，6個二類，5個三類，分類如下：

n 名詞

nr 人名

nr1 漢語姓氏

nr2 漢語名字

nrj 日語人名

nrf 音譯人名

ns 地名

nsf 音譯地名

nt 機構(gòu)團體名

nz 其他專名

nl 名詞性慣用語

ng 名詞性語素

以上名詞分詞詞性在本研究詞頻統(tǒng)計中均按一類名詞詞性進行統(tǒng)計，即n名詞。動詞有1個一類，9個二類，分類如下：

v 動詞

vd 副動詞

vn 名動詞

vshi 動詞“是”

vyou 動詞“有”

vf 趨向動詞

vx 形式動詞

vi 不及物動詞(內(nèi)動詞)

vl 動詞性慣用語

vg 動詞性語素

以上動詞分詞所得詞性在本研究詞頻統(tǒng)計中均按一類動詞詞性進行統(tǒng)計，即v動詞。其他詞性作同樣處理，不再一一說明。

傳統(tǒng)的分詞算法[6]分為三大類：基于統(tǒng)計的方法、基于詞典匹配的方法和基于語義理解的方法。本研究對分詞所得的關(guān)鍵詞語是基于統(tǒng)計的方法確定的，分詞所得詞語部分統(tǒng)計結(jié)果如表2所示。

最后，特殊詞語的處理。對所有分詞詞語中除了根據(jù)詞頻統(tǒng)計外，例如數(shù)字、度量單位、英文和一些不能獨立表示確定概念的單字詞語即使符合篩選條件(詞頻≥3)也作為非關(guān)鍵詞，不作概念分析和定義。對可以表達確定概念，而不在農(nóng)業(yè)科學分類中的詞語不作歸類。對詞頻≥3的 2 651 個詞語的詞性按照上述規(guī)則簡單化處理后除去一些無用詞語，共得到1 524個關(guān)鍵詞語，作為要定義和分析的詞語對象。

表2　分詞所得詞語詞頻部分統(tǒng)計結(jié)果

2　農(nóng)業(yè)科學領(lǐng)域分類體系選定和建立

2.1　農(nóng)業(yè)科學領(lǐng)域分類體系的選定

目前，本體創(chuàng)建還沒有一個統(tǒng)一的方法論作為指導，創(chuàng)建本體還處于一個無序狀態(tài)之中，而要建立一個相對完整的領(lǐng)域本體，不但要提取和捕獲這個領(lǐng)域中大量的概念，還要對這些概念進行語義沖突和二義性處理，這些既單調(diào)又乏味的工作必須有領(lǐng)域?qū)＜业膮⑴c才能較好的實現(xiàn)，而許多領(lǐng)域本體研究人員并非本領(lǐng)域?qū)＜?，這一直是領(lǐng)域本體研究中難于突破的一個問題，尋找一個被本領(lǐng)域大多數(shù)專家認可的分類體系成為當前的主要任務。由權(quán)威機構(gòu)審定通過的敘詞表首先進入人們的視線。

2.1.1敘詞表敘詞表就是將文獻、標引人員或用戶的自然語言轉(zhuǎn)換成規(guī)范化語言的一種術(shù)語控制工具，是概括各門或某一學科領(lǐng)域并由語義相關(guān)、簇性相關(guān)的術(shù)語組成的可以不斷補充的規(guī)范化詞表[7-8](GB 13190—1991《漢語敘詞表編制》)。敘詞表和本體的相似之處在于它們都是用來描述和組織特定學科知識的，都包含詞間關(guān)系、類間關(guān)系和概念之間關(guān)系等，所以，研究從傳統(tǒng)敘詞表向本體論轉(zhuǎn)化的方法，一直是各個學科領(lǐng)域的熱點問題。

國內(nèi)對敘詞表轉(zhuǎn)化的研究正處于熱點階段，目前已轉(zhuǎn)化為本體原型的主要有《國防科學技術(shù)敘詞表》和《中國農(nóng)業(yè)科學敘詞表》的一部分。中國農(nóng)業(yè)科學院科技文獻信息中心的常春博士基于《中國農(nóng)業(yè)科學敘詞表》的“作物大類”，構(gòu)建了一個有關(guān)食物安全的本體原型。

敘詞表是一種規(guī)范的科學語言，其術(shù)語組織結(jié)構(gòu)單一、語義關(guān)系明確。但敘詞表只是一個詞匯庫，不是知識庫，另外敘詞表結(jié)構(gòu)保守，不能經(jīng)常進行修訂，缺乏新興學科、邊緣學科的代表術(shù)語，難以及時反映學科的發(fā)展趨勢，面對快速發(fā)展變革的社會和快速更迭的信息技術(shù)，敘詞表有些力不從心。

2.1.2中圖法[9]除了敘詞表向本體庫轉(zhuǎn)化以外，將中圖法轉(zhuǎn)化為本體庫也是研究的一個方向。由于本體創(chuàng)建首先要對本領(lǐng)域主要概念進行分類、定義和細化，而編制分類法工作量巨大，且也不易被大多數(shù)人接受，所以在傳統(tǒng)分類法基礎(chǔ)上改造原有分類體系為大多數(shù)研究者所采取，目前，基于中圖法的分類體系主要有以下幾類。

(1)郭書普提出的分類方案將行業(yè)和信息屬性相結(jié)合，農(nóng)業(yè)信息行業(yè)在這個分類中被簡化為4個門類，分別為種植業(yè)、養(yǎng)殖業(yè)、林業(yè)及其他行業(yè)，下設(shè)10個大類，59個子類；農(nóng)業(yè)信息屬性被分為7個大類，分別是農(nóng)村社會經(jīng)濟信息、農(nóng)業(yè)科學技術(shù)信息、農(nóng)業(yè)生產(chǎn)資料信息、農(nóng)產(chǎn)品市場信息、農(nóng)業(yè)地理信息、農(nóng)業(yè)空間信息和農(nóng)業(yè)機構(gòu)與人才，下設(shè)140個類目，類目下可以細分類目[10]。

(2)駱浩文等的線分法主要面向種養(yǎng)業(yè)，將農(nóng)業(yè)科學信息分為5個等級，4個大類，10個中類，71個小類，966個細類和11個屬性類，分類采用中圖法及9位編碼法，共分5個層次，第1層次用英文字母表示，與大類的代碼相對應，其他4層采用01～99表示，各碼位代表相應的類別，并以此為基礎(chǔ)編制了省級DB/T 344—2006《種養(yǎng)業(yè)信息分類與代碼》的地方標準[11]。

(3)魏清鳳等依據(jù)中圖法改造農(nóng)業(yè)科學及相關(guān)學科類目編碼方法時提出適合網(wǎng)絡農(nóng)業(yè)信息分類編碼方法，這種編碼方法將農(nóng)業(yè)科學信息分為4級，信息編碼采用4個碼段，“S”為碼段中分類首號，這是延續(xù)中圖法的編碼規(guī)則，碼段2表示信息媒體類型，碼段3為8位分類號(由4級各2位類號組成)，碼段4為記錄序號[12]。

以上基于敘詞表和中圖法的農(nóng)業(yè)科學分類法為研究農(nóng)業(yè)科學分類編碼標準提供了理論基礎(chǔ)，也是對這種編碼的可行性進行的初次嘗試，但由于農(nóng)業(yè)科學自身季節(jié)性和地域性特點比較強，基于敘詞表和中圖法的分類法所分割的類別知識零散，使它對農(nóng)業(yè)問題的表現(xiàn)力不強，不能涵蓋所有農(nóng)業(yè)過程中所涉及的問題，同時，這2種方法雖然被業(yè)界人員所熟知，但對業(yè)外人員來說，還是專業(yè)性太強，對使用能力較低的農(nóng)業(yè)人員來說，這種分類法與農(nóng)業(yè)實際需求結(jié)合還有一段距離。為了改變分類法面臨的這種狀況，須要根據(jù)農(nóng)業(yè)信息服務系統(tǒng)的特點和所服務的人員對象特點，構(gòu)建相適應的分類體系。

2.2　農(nóng)業(yè)科學領(lǐng)域分類體系的建立

概念分類層次是將領(lǐng)域概念進行分類組織，對概念進行分類是為了便于用這些概念描述所要建立的本體領(lǐng)域中概念之間的類屬關(guān)系，并將領(lǐng)域中的具體概念模塊化。傳統(tǒng)建立分類概念的層次結(jié)構(gòu)[13]有3種方法：自底向上法、自頂向下法和綜合法。本研究中的農(nóng)業(yè)科學領(lǐng)域本體庫構(gòu)建采用綜合法，具體構(gòu)建過程：首先，采用中圖分類方法和概念分類——自頂向下法建立農(nóng)業(yè)科學領(lǐng)域分類體系第1層、第2層和第3層，借鑒《中國圖書館分類法》(第5版)建立的農(nóng)業(yè)科學領(lǐng)域分類體系基本框架有9個一級類，75個二級類，439個三級類，其中第1層如表3所示。

其次，在所建立的農(nóng)業(yè)科學領(lǐng)域體系第1層(即9個一級類)的基礎(chǔ)上，按照中圖法分類規(guī)則建立領(lǐng)域體系第2層。在農(nóng)業(yè)領(lǐng)域體系建立過程中，分類采用中圖法，即9位編碼法，共分3個層次，第1層用英文字母“S”加數(shù)字1～9表示，即S1，S2，S3，…，S9；第2層在前面大類的基礎(chǔ)上再按數(shù)字 1～9編碼，第2層編碼與第1層大類的代碼相對應，即S11，S12，S13，…，S19；第3層依次類推，即S111，S112，S113，…，S119，各碼位代表相應的類別。基于中圖法并利用Protégé軟件建立起的農(nóng)業(yè)科學領(lǐng)域前3層部分體系框架如圖2所示。

表3　中圖法建立的農(nóng)業(yè)科學9個一級類

3　利用Protégé[14-15]創(chuàng)建和生成農(nóng)業(yè)領(lǐng)域知識庫

3.1　農(nóng)業(yè)科學分類法轉(zhuǎn)化成農(nóng)業(yè)科學領(lǐng)域知識庫

采用自底向上法對本研究選定的1 524個關(guān)鍵詞語逐一分析，進行概念的定義，然后將這些細化的概念逐層組織在高一級的概念之下，形成一個等級層次結(jié)構(gòu)。然后，使用本體描述語言可擴展標識語言(extensible markup language，簡稱XML)來描述農(nóng)業(yè)詳表中的詞語及詞間關(guān)系，從而將農(nóng)業(yè)科學分類法向農(nóng)業(yè)領(lǐng)域本體庫轉(zhuǎn)化，由于Protégé軟件在構(gòu)建本體庫時，分類關(guān)鍵詞語中不能有特殊符號，因此，在農(nóng)業(yè)科學分類法轉(zhuǎn)化成農(nóng)業(yè)科學領(lǐng)域本體庫時遵循的原則是將符號“()”轉(zhuǎn)化為“或”，符號“、”轉(zhuǎn)化為“和”，英文字母翻譯為中文詞語，例如“3S”翻譯為“遙感”等。

為了保證所建立的農(nóng)業(yè)領(lǐng)域本體概念的明確性(explicit)，即本體所使用的概念及在這些概念之上的約束都有明確的定義，沒有二義性，對中圖法分類中概念重復的地方以首次定義概念為準，即如果同一概念在幾個大類中均有出現(xiàn)，以第一次出現(xiàn)為準，以后出現(xiàn)的這一概念均列入已出現(xiàn)的這一大類之中，不再另行定義概念。為了簡化對農(nóng)業(yè)領(lǐng)域本體的建立，對中圖法4層以上概念不再細化，統(tǒng)一列入最近上層一類，即第3層。如果有些分類詞語位于層次較低，深度達10層以上，則采用逐層回推的方式，最終將此概念或術(shù)語回推到第3層。建立的農(nóng)業(yè)本體領(lǐng)域庫如圖3所示。

3.2　農(nóng)業(yè)領(lǐng)域本體構(gòu)建的分析與改進

本研究建立的農(nóng)業(yè)科學領(lǐng)域本體庫是為實現(xiàn)農(nóng)業(yè)科學信息網(wǎng)絡檢索作的基礎(chǔ)性研究。在基于中圖法建立農(nóng)業(yè)科學領(lǐng)域本體庫的構(gòu)架過程中，還有許多工作要做，尤其是細化本體領(lǐng)域概念工作，由于時間和人力有限，對基于中圖法的農(nóng)業(yè)科學領(lǐng)域本體細化比較粗糙，而要建立真正實用可行的農(nóng)業(yè)科學領(lǐng)域本體庫需要農(nóng)學領(lǐng)域?qū)＜业膮⑴c，這樣才能夠從整體上對本領(lǐng)域有一個正確把握，也會使建立的領(lǐng)域本體庫范圍大小更加合乎整個學科未來的發(fā)展趨勢。本研究對分詞所得概念分析相對偏少，這是由于分詞的詞語相對于整個農(nóng)業(yè)科學領(lǐng)域來說分布比較分散，要正確劃分分詞所得詞語在本領(lǐng)域所處的位置，而又完全依靠人工來做，幾乎是不可能完成的事情。如果能實現(xiàn)計算機自動歸類或大多計算機歸類、人員輔助歸類，工作量才會下降。

4　結(jié)束語

本研究介紹的基于中圖法構(gòu)建農(nóng)業(yè)領(lǐng)域知識庫的方法是半自動構(gòu)建方法。借用已有的中圖分類方法可以獲得領(lǐng)域知識以及概念關(guān)系，使本體構(gòu)建有一個很好的起點。目前，很少有現(xiàn)存的不經(jīng)修改就能被復用的本體。本體的創(chuàng)建是個費時費力的過程[16]，目前還沒有一個完整的工程化、系統(tǒng)化的方法來支持創(chuàng)建本體，為了使創(chuàng)建的本體能夠?qū)崿F(xiàn)有效利用，大多領(lǐng)域本體在創(chuàng)建時都邀請本領(lǐng)域?qū)＜覅⑴c?，F(xiàn)存在的通用、大規(guī)模本體很少，大多本體只是針對具體應用領(lǐng)域創(chuàng)建。在領(lǐng)域本體的實際應用中，不同領(lǐng)域本體之間常常須要進行映射、擴充與合并處理，以及根據(jù)具體需要從一個比較大的領(lǐng)域本體中提取滿足要求的小領(lǐng)域本體。這些都對建立領(lǐng)域本體提出了比較高的要求。此外，知識的快速老化，要求對先前構(gòu)造的本體快速作出相應的增加和刪除，以保持本體與現(xiàn)實存在知識的一致性，這都是在本體研究中所面對的現(xiàn)實問題。

參考文獻：

[1]Guarino N. Formal ontology and information systems[C]// Proceedings of formal ontology in information systems. Italy：Trento，1998：3-15.

[2]劉宇松. 本體構(gòu)建方法和開發(fā)工具研究[J]. 現(xiàn)代情報，2009，29(9)：17-24.

[3]楊秋芬，陳躍新. Ontology方法學綜述[J]. 計算機應用研究，2002，19(4)：5-7.

[4]熊回香，夏立新. 漢語分詞技術(shù)綜述[J]. 圖書情報工作，2008，52(4)：81-84.

[5]孫鐵利，劉延吉. 中文分詞技術(shù)的研究現(xiàn)狀與困難[J]. 信息技術(shù)，2009(7)：187-189.

[6]來斯惟，徐立恒，陳玉博，等. 基于表示學習的中文分詞算法探索[J]. 中文信息學報，2013，27(5)：8-14.

[7]陸汝鈐，金芝，陳剛. 面向本體的需求分析[J]. 軟件學報，2000，11(8)：1009-1017.

[8]Bateman J A. Upper modeling：a general organization of knowledge for natural language processing[C]//Proceedings of the 5th International Workshop on Natural Language Generation，1990.

[9]國家圖書館編輯委員會. 中國圖書館分類法[M]. 5版. 北京：國家圖書館出版社，2010：447-524.

[10]郭書普. 網(wǎng)絡農(nóng)業(yè)信息分類和編碼的研究[J]. 農(nóng)業(yè)圖書情報學刊，2003(6)：139-141.

[11]駱浩文，曾志康，黃樑，等. 基于網(wǎng)絡的農(nóng)業(yè)科技信息分類編碼標準體系研究與應用[J]. 農(nóng)業(yè)圖書情報學刊，2007，19(3)：150-154.

[12]魏清鳳，賀立源，黃魏，等. 網(wǎng)絡農(nóng)業(yè)信息資源元數(shù)據(jù)研究及其著錄管理系統(tǒng)開發(fā)[J]. 現(xiàn)代情報，2009，29(2)：52-56.

[13]戰(zhàn)學剛，林鴻飛，姚天順. 中文文獻的層次分類方法[J]. 中文信息學報，1999，13(6)：20-25.

[14]van Harmelen F，McGuinness D L. OWL web ontology language overview[J]. World Wide Web Consortium (W3C) Recommendation，2004.

[15]Stuckenschmidt H，van Harmelen F，F(xiàn)ensel D，et al. Catalogue integration-a case study in ontology-based Semantic translation[M]. 1st ed. Amsterdam：Vrije Universiteit Amsterdam，2000：29-55.

[16]鄭穎，金松林，張自陽，等. 基于領(lǐng)域本體的農(nóng)作物病蟲害問題分類研究[J]. 江蘇農(nóng)業(yè)科學，2016，44(9)：145-148.