王 飛，易綿竹，譚 新，陳永升，向一帆

(1.信息工程大學(xué)洛陽校區(qū) 語言工程系 河南 洛陽 471003；2.91709部隊(duì) 吉林 琿春 133300)

0 引言

隨著互聯(lián)網(wǎng)的發(fā)展，一維關(guān)系已不足以描述真實(shí)數(shù)據(jù).本體將領(lǐng)域中的對(duì)象和事件通過語義建立起關(guān)聯(lián)關(guān)系，用以描述領(lǐng)域知識(shí)，體現(xiàn)了本體語義的優(yōu)勢[1].語義數(shù)據(jù)可表示為RDF格式，描述一個(gè)節(jié)點(diǎn)具有一組屬性，或?qū)傩钥醋鞴?jié)點(diǎn)間的關(guān)系[2].數(shù)據(jù)存儲(chǔ)形式影響了知識(shí)的應(yīng)用效率，過去采用關(guān)系型數(shù)據(jù)存儲(chǔ)本體知識(shí)，隨著數(shù)據(jù)量增加和多關(guān)系數(shù)據(jù)的存儲(chǔ)需求，產(chǎn)生了非關(guān)系型數(shù)據(jù)庫(NoSQL)[3].關(guān)系型數(shù)據(jù)庫將數(shù)據(jù)存儲(chǔ)成一維關(guān)系數(shù)據(jù)，每一維包含一個(gè)主鍵，而非關(guān)系型數(shù)據(jù)庫的每個(gè)節(jié)點(diǎn)和關(guān)系均可包含多個(gè)屬性，更適合存儲(chǔ)和處理復(fù)雜的多關(guān)系型數(shù)據(jù).

本文構(gòu)建的涉藏領(lǐng)域本體以國家安全為目標(biāo)，以事件為中心將對(duì)象建立語義關(guān)聯(lián)，形成多關(guān)系數(shù)據(jù).涉藏領(lǐng)域?qū)ο蟀嗣?、地理?shí)體名和組織機(jī)構(gòu)名.從語言學(xué)角度分析，事件通過動(dòng)詞表示，對(duì)象通過名詞表示，對(duì)象作為語義角色參與事件中，形成多屬性值對(duì)的語義描述框架.關(guān)系型數(shù)據(jù)庫在存儲(chǔ)和查詢含有多屬性值對(duì)的數(shù)據(jù)時(shí)存在如下問題：查詢效率低下；空間浪費(fèi)；可視化效果不好；不易發(fā)現(xiàn)所有關(guān)系.涉藏領(lǐng)域本體知識(shí)類型較多，且存在屬性差異，導(dǎo)致信息存儲(chǔ)空間不同，非關(guān)系型數(shù)據(jù)庫更適合存儲(chǔ)和表示復(fù)雜的數(shù)據(jù)結(jié)構(gòu)，并形成知識(shí)圖譜，便于處理和挖掘涉藏領(lǐng)域?qū)嶓w的關(guān)聯(lián)關(guān)系，幫助發(fā)現(xiàn)隱含知識(shí)，輔助決策.

本體作為一種形式化知識(shí)表示方式，概念之間需要特定的語言對(duì)其進(jìn)行約束和推理[4].本體知識(shí)通常采用OWL(web ontology language)或RDF本體描述語言，存儲(chǔ)在關(guān)系型數(shù)據(jù)庫中[5].RDF以“實(shí)體-屬性-值”三元組描述實(shí)體與實(shí)體之間的關(guān)系，對(duì)知識(shí)共享和知識(shí)交換提供支持[6].隨著互聯(lián)網(wǎng)技術(shù)和語義web的發(fā)展，基于web的本體描述語言占據(jù)了主要地位[7].目前西藏主題的本體主要面向通用領(lǐng)域，以處理藏文信息.Jiang[8]提出基于HowNet概念相似度和藏英詞典獲取藏語本體.Qiu[9]在藏語本體中基于構(gòu)式獲取藏語詞匯的概念.Xu[10]提出基于本體計(jì)算藏語概念相似度，用于推進(jìn)藏語信息處理.這類本體不具有國家安全領(lǐng)域關(guān)注的對(duì)象，并且在知識(shí)表示研究的推動(dòng)下，構(gòu)建方法也需要進(jìn)一步更新.本體編輯工具Protégé[11]因其開源、方便、模塊清晰等優(yōu)點(diǎn)，在本體構(gòu)建領(lǐng)域受到廣泛應(yīng)用[12].雖然Protégé提供了友好界面和一致性檢驗(yàn)，但它仍需要人工輸入和編輯大量的數(shù)據(jù)信息，很難構(gòu)建大規(guī)模的本體工程[13]，存在很多限制.Protégé產(chǎn)生的文件格式為RDF或OWL，表現(xiàn)力還有欠缺[14].NoSQL數(shù)據(jù)庫可以表示多種關(guān)系和屬性，并支持知識(shí)動(dòng)態(tài)存儲(chǔ)和演化，適合大數(shù)據(jù)實(shí)時(shí)處理[15].Neo4j是一種高性能的可視化效果較好的NoSQL 數(shù)據(jù)庫.

為了將涉藏領(lǐng)域本體中不同類型的知識(shí)關(guān)聯(lián)，符合本體語義分布特性，本文提出采用Protégé構(gòu)建領(lǐng)域本體、Neo4j圖數(shù)據(jù)庫進(jìn)行知識(shí)存儲(chǔ)的方法，能更加直觀表現(xiàn)事件與對(duì)象的所有關(guān)系，同時(shí)可以提高存儲(chǔ)效率，減小存儲(chǔ)空間，為用戶提供更好的可視化查詢效果.在涉及國家安全的涉藏領(lǐng)域中可以描繪出各個(gè)實(shí)體的語義關(guān)系網(wǎng)絡(luò)，便于發(fā)現(xiàn)和預(yù)測知識(shí).

1 基于Neo4j的涉藏領(lǐng)域本體存儲(chǔ)模型

基于本體語義構(gòu)建的涉藏領(lǐng)域本體是事件驅(qū)動(dòng)的，分析文本中動(dòng)詞和專名，就能得到領(lǐng)域中主要概念.事件概念中，語義角色構(gòu)成其屬性，屬性值具有語義選擇限制；對(duì)象概念屬性為數(shù)據(jù)屬性，描述對(duì)象基本特征；動(dòng)詞的屬性是其在句子中的用法，也就是動(dòng)詞的句法結(jié)構(gòu)；專名和實(shí)例的屬性按照概念定義的語義框架，根據(jù)文本內(nèi)容進(jìn)行實(shí)例化.涉藏領(lǐng)域本體中不同類型知識(shí)通過關(guān)系相互映射，概念之間具有“is-a”關(guān)系，概念和實(shí)例之間具有“instance-of”關(guān)系，概念與詞匯之間通過語種標(biāo)簽指示，共同形成涉藏領(lǐng)域本體知識(shí)庫.

1.1 基于本體語義的涉藏領(lǐng)域本體表示

本體語義理論將表示文本意義的概念和詞匯分開，詞匯和短語的意義通過詞匯所映射的本體概念表達(dá).基于本體定義的語義框架對(duì)文本進(jìn)行分析，生成文本意義表征(text meaning representation,TMR)[16].TMR基于輸入文本的語義依存關(guān)系構(gòu)建，以動(dòng)詞為中心，文本中的句法模式作為屬性被記錄在詞匯框架中，文本中的語義角色被填充在TMR中，表達(dá)文本含義.本體定義的語義框架區(qū)分粒度較細(xì)，包含中心、屬性、側(cè)面和值，表示為(head(slot(facet(filler)+)+)+)，以相關(guān)領(lǐng)域中的句子(1)“Indian PM Narendra Modi has visited Mr.Obama at the White House.”為例，產(chǎn)生的TMR為

(1) VISIT-1

VISIT是動(dòng)詞visit所映射的概念，它表示從屬于社會(huì)事件的訪問事件，root屬性指出文本中表示訪問意義的詞匯是動(dòng)詞visit，句子(1)所表示的訪問事件被記為索引VISIT-1.概念VISIT的語義框架表示為

(2) VISIT

本體概念VISIT中的第1列表示語義屬性，第2列是屬性的不同側(cè)面，sem表示基本語義限制，relaxable-to表示語義限制的放寬，第3列是屬性值的限定條件，在概念和詞匯中由概念或變量填充，在事件和對(duì)象實(shí)例中由文本的具體值填充，否則為空.en-lex表示動(dòng)詞visit是概念VISIT的英語表示，描述為

(3) visit

詞匯visit記錄了它的基本句法模式，map-concept表示詞匯visit映射到概念VISIT，由VISIT的語義描述框架表示其含義.句中的Obama是專有名詞，它作為對(duì)象實(shí)例表示為

(4) Barack Obama

按照本體語義所定義的框架，領(lǐng)域內(nèi)的事件和對(duì)象都通過關(guān)系和屬性相互聯(lián)系起來，建立了語義關(guān)聯(lián)數(shù)據(jù)，如圖1所示.

圖1 本體語義關(guān)聯(lián)數(shù)據(jù)Fig.1 Ontology semantic linked data

1.2 涉藏領(lǐng)域本體知識(shí)的構(gòu)建與RDF表示

本體構(gòu)建工具使開發(fā)者可以只關(guān)注本體的結(jié)構(gòu)組織，而不必關(guān)心細(xì)節(jié)，提高了本體構(gòu)建的效率.本體編輯器Protégé的基本操作都使用圖形用戶接口，操作時(shí)編輯器會(huì)檢測內(nèi)部邏輯一致性.Protégé編輯的本體存儲(chǔ)為RDF/XML數(shù)據(jù)格式.XML是可擴(kuò)展的，允許用戶自定義模式或標(biāo)簽，RDF基于XML語法，但是與規(guī)范XML模式不同，RDF模式對(duì)數(shù)據(jù)的描述更豐富[17].RDF用三元組來描述語義關(guān)系，提供了一個(gè)設(shè)計(jì)好的知識(shí)表示環(huán)境.每個(gè)RDF三元組包括兩個(gè)實(shí)體和一個(gè)關(guān)系，這類似于句子的主語、謂語和賓語.RDF初始化了本體描述，進(jìn)行語義聲明，開發(fā)了復(fù)雜的形式表述，使得文本和數(shù)據(jù)信息能夠適應(yīng)知識(shí)表示環(huán)境，而這些對(duì)使用者來說都是透明的，使用者只需要將知識(shí)保存為相應(yīng)的數(shù)據(jù)格式.

本體語義的知識(shí)框架可以看作是復(fù)合型三元組，每個(gè)三元組可以看作一維的屬性值對(duì)，每個(gè)概念至少具有一個(gè)屬性，適合采用RDF來描述，容易被計(jì)算機(jī)處理.基于本體語義理論構(gòu)建的涉藏領(lǐng)域本體中每個(gè)知識(shí)條目都可以表示成多維RDF數(shù)據(jù)，這好比將一個(gè)復(fù)雜的高維結(jié)構(gòu)在形式上降維處理，使得后期的存儲(chǔ)應(yīng)用將會(huì)更加高效.因此對(duì)于涉藏領(lǐng)域語義數(shù)據(jù)的存儲(chǔ)就是對(duì)多維RDF數(shù)據(jù)的存儲(chǔ).例如對(duì)(1)事件實(shí)例的RDF表示為

圖2 RDF數(shù)據(jù)結(jié)構(gòu)Fig.2 RDF data structure

專有名詞(4)的RDF可以簡化表示為

用Protégé構(gòu)建初始本體并保存成RDF格式數(shù)據(jù)可以減少一定的工作量，它能夠建立起本體概念的知識(shí)表示，以及概念與詞匯和實(shí)例的映射關(guān)系，詞匯的屬性需要單獨(dú)記錄為XML格式文件.多維RDF數(shù)據(jù)本身構(gòu)成了語義網(wǎng)絡(luò)，可以在格式轉(zhuǎn)換后用圖數(shù)據(jù)庫存儲(chǔ)和表示.

1.3 基于Neo4j的涉藏領(lǐng)域本體存儲(chǔ)模型設(shè)計(jì)

Neo4j圖數(shù)據(jù)庫模型的基本組成是節(jié)點(diǎn)(nodes)、關(guān)系(relationships)和屬性(properties)，它們都是獨(dú)立存儲(chǔ)的.節(jié)點(diǎn)和關(guān)系都可以創(chuàng)建任意多的屬性，通過key-value對(duì)表示，類似于一個(gè)hashMap數(shù)據(jù)結(jié)構(gòu).Neo4j能夠有效解決多維RDF數(shù)據(jù)中屬性個(gè)數(shù)多少不一帶來的內(nèi)存浪費(fèi)問題，通過深度遍歷接口在多數(shù)據(jù)連接查詢時(shí)保持較快的查詢速度，與存儲(chǔ)的數(shù)據(jù)量無關(guān)，在大規(guī)模數(shù)據(jù)集中體現(xiàn)出了良好的性能.

由于Neo4j存儲(chǔ)的知識(shí)表示方式與本體語義的知識(shí)表示框架有一定的區(qū)別，并非簡單地將基于Protégé構(gòu)建的涉藏領(lǐng)域本體轉(zhuǎn)儲(chǔ)進(jìn)Neo4j中，為了達(dá)到較好的可視化存儲(chǔ)和查詢效果，需要重新設(shè)計(jì)兩種知識(shí)表示方法的轉(zhuǎn)換.按照圖1的示例，本文設(shè)計(jì)基于涉藏領(lǐng)域本體的RDF數(shù)據(jù)與Neo4j模型中的元素對(duì)應(yīng)關(guān)系如下：

1) 節(jié)點(diǎn).(a) Neo4j模型中的節(jié)點(diǎn)表示為領(lǐng)域本體中不同類型的知識(shí)，如概念、TMR和專名的名稱，也就是將涉藏領(lǐng)域事件和對(duì)象的概念名和實(shí)例名作為實(shí)體節(jié)點(diǎn).由于動(dòng)詞詞匯僅包含抽象的句法屬性，在Neo4j中存儲(chǔ)時(shí)會(huì)產(chǎn)生大量相同的存儲(chǔ)結(jié)構(gòu)，造成空間冗余，因此將動(dòng)詞詞匯作為事件實(shí)例的一個(gè)詞根屬性表示，不再將其具體的屬性存儲(chǔ)在Neo4j中.(b) 除事件類型的節(jié)點(diǎn)外，其他節(jié)點(diǎn)按照本體語義定義的語義框架創(chuàng)建多個(gè)屬性-值對(duì).

2) 關(guān)系.(a) 模型中的關(guān)系連接領(lǐng)域本體中不同類型的知識(shí)節(jié)點(diǎn)，如概念之間的“is-a”關(guān)系，概念與TMR或?qū)Ｃg的“instance-of”關(guān)系，詞匯與概念之間的“map-concept”映射關(guān)系，TMR與詞匯之間的“root”關(guān)系，即通常所說的對(duì)象屬性.(b) 涉藏領(lǐng)域本體的語義框架在存儲(chǔ)到Neo4j模型中時(shí)，一個(gè)重要的變化就是需要將事件屬性(agent、theme、location和time)轉(zhuǎn)換為Neo4j模型中的關(guān)系.做這個(gè)轉(zhuǎn)換的原因有兩點(diǎn):事件關(guān)聯(lián)了很多對(duì)象，如果某一個(gè)對(duì)象作為屬性值出現(xiàn)，就不再具有實(shí)體節(jié)點(diǎn)的特點(diǎn)，Neo4j模型中關(guān)系和屬性是有區(qū)別的，不便于展示一個(gè)對(duì)象同時(shí)關(guān)聯(lián)到多事件的情況；在Neo4j模型中，一個(gè)事件或者對(duì)象作為實(shí)體節(jié)點(diǎn)是可以共享關(guān)系的，但是不能共享屬性.如果將對(duì)象作為事件屬性進(jìn)行查詢，則只能遍歷所有的數(shù)據(jù)，分別查到包含該屬性的所有事件，而將事件屬性作為關(guān)系則可以多關(guān)系共享同一個(gè)對(duì)象節(jié)點(diǎn)，查詢效率高，且符合查詢需要，是多關(guān)系數(shù)據(jù)價(jià)值的體現(xiàn).

3) 屬性.經(jīng)過如上的調(diào)整，則屬性就僅作為對(duì)象概念和實(shí)例性質(zhì)的基本描述，即所謂的數(shù)據(jù)屬性，例如PERSON對(duì)象概念的屬性主要包括ALIAS、SOCIAL-ROLE、GENDER和 NATIONALITY等.

4) 索引.涉藏領(lǐng)域本體數(shù)據(jù)本身是分布式的，存儲(chǔ)在Neo4j模型中也是分布式的，一個(gè)概念節(jié)點(diǎn)可能對(duì)應(yīng)著多個(gè)詞匯節(jié)點(diǎn)或者實(shí)例節(jié)點(diǎn)，也就存在著多個(gè)關(guān)系.Neo4j模型對(duì)節(jié)點(diǎn)、關(guān)系和屬性都是分別存儲(chǔ)的，因此以概念為中心，將概念所映射的同類型知識(shí)單獨(dú)索引，例如概念“INFORM”所映射的英語動(dòng)詞“say”、“tell”和“urge”可分別索引為“INFORM-1”、“INFORM-2”和“INFORM-3”.增加索引的好處在于封裝，使得對(duì)數(shù)據(jù)庫操作變得簡化.

2 實(shí)驗(yàn)

2.1 實(shí)驗(yàn)數(shù)據(jù)規(guī)模及存儲(chǔ)效果

為了驗(yàn)證存儲(chǔ)效果，本文從公開網(wǎng)站按照領(lǐng)域?qū)＜医o出的相關(guān)主題詞，基于網(wǎng)頁標(biāo)簽信息采集西藏相關(guān)英語新聞，數(shù)據(jù)采集的時(shí)間跨度從2010年1月至2017年4月，獲得了30 410個(gè)句子，經(jīng)處理后得到領(lǐng)域相關(guān)的概念和實(shí)例，篩選了一些具有典型意義的知識(shí)，共建立了771個(gè)節(jié)點(diǎn)、3 833條屬性、1 033個(gè)關(guān)系.

使用Neo4j提供的接口將Protégé保存的本體數(shù)據(jù)和擴(kuò)展的XML屬性描述數(shù)據(jù)導(dǎo)入數(shù)據(jù)庫，分別使用Node、Relationship和Property數(shù)據(jù)類型建立節(jié)點(diǎn)、關(guān)系和屬性.在數(shù)據(jù)庫中，每一個(gè)節(jié)點(diǎn)會(huì)根據(jù)它的類型定義不同的特征，節(jié)點(diǎn)關(guān)系通過邊表示，對(duì)象屬性則單獨(dú)展示.如事件meet-with1在Neo4j中可視化為以事件為中心的輪子圖，事件中所有參與對(duì)象都以語義角色作為關(guān)系與meet-with1關(guān)聯(lián)，如圖3所示.

分別查看每個(gè)節(jié)點(diǎn)，又會(huì)顯示其數(shù)據(jù)屬性.整個(gè)庫就是大量的事件和對(duì)象關(guān)聯(lián)形成的知識(shí)圖譜，通過全部連接可以發(fā)現(xiàn)隱含知識(shí)，局部可以發(fā)現(xiàn)細(xì)節(jié).以對(duì)象為中心可以查看關(guān)聯(lián)的事件，如the White House作為兩個(gè)meet-with事件中的location而將兩個(gè)事件關(guān)聯(lián)起來，由此可以發(fā)現(xiàn)兩個(gè)事件的隱含關(guān)系，繼續(xù)查看事件可挖掘更多相關(guān)屬性，如圖4所示.

圖3 涉藏領(lǐng)域事件存儲(chǔ)效果Fig.3 Event storage effect in Tibet domain

圖4 關(guān)聯(lián)同一地點(diǎn)的事件Fig.4 The events linked with the same location

表1 涉藏領(lǐng)域數(shù)據(jù)存儲(chǔ)結(jié)果Tab.1 Data storage result of Tibet domain

2.2 存儲(chǔ)空間及查詢響應(yīng)時(shí)間結(jié)果

實(shí)驗(yàn)對(duì)RDF三元組以O(shè)WL文件式存儲(chǔ)和在Neo4j中存儲(chǔ)所占的存儲(chǔ)空間以及查詢響應(yīng)時(shí)間進(jìn)行了對(duì)比.在Protégé構(gòu)建過程中，按階段分別測試了3組規(guī)模不同的RDF文件和Neo4j模型數(shù)據(jù)，結(jié)果如表1所示.

在相同數(shù)據(jù)量的情況下，Neo4j存儲(chǔ)空間更小，通過多次查詢同一類型知識(shí)系統(tǒng)反饋的響應(yīng)時(shí)間計(jì)算出查詢的平均響應(yīng)時(shí)間.由于響應(yīng)時(shí)間受到計(jì)算機(jī)系統(tǒng)性能的影響很大，表1作為一個(gè)參考值，數(shù)據(jù)量較小時(shí)對(duì)比效果不明顯，但相同條件下Neo4j的響應(yīng)時(shí)間更短.

3 結(jié)論

本文分析了基于本體語義理論構(gòu)建的涉藏領(lǐng)域本體的語義框架，發(fā)現(xiàn)其數(shù)據(jù)結(jié)構(gòu)不適合用傳統(tǒng)的關(guān)系型數(shù)據(jù)庫進(jìn)行存儲(chǔ)，提出了非關(guān)系型數(shù)據(jù)存儲(chǔ)的方法.將涉藏領(lǐng)域的語義框架轉(zhuǎn)換成RDF數(shù)據(jù)格式，按照語義邏輯將不同類型的知識(shí)與圖數(shù)據(jù)庫Neo4j中的基本存儲(chǔ)元素一一對(duì)應(yīng).該方法的查詢效果較好，能夠按照查詢者的意圖只顯示相關(guān)實(shí)例及關(guān)系，同時(shí)得出以下結(jié)論：1) 無論知識(shí)表示方式如何，對(duì)于Neo4j來說，都將分解成節(jié)點(diǎn)和邊的關(guān)系進(jìn)行存儲(chǔ)；2) Neo4j的可視化效果較好，能夠顯示出不同類型知識(shí)節(jié)點(diǎn)之間的所有關(guān)系和屬性；3) Neo4j消除了很多冗余信息，存儲(chǔ)效率高，存儲(chǔ)空間較小，查詢響應(yīng)速度較快.基于Neo4j圖數(shù)據(jù)庫存儲(chǔ)涉藏領(lǐng)域本體的方法借助了目前較為流行的NoSQL存儲(chǔ)技術(shù)，為本體語義的知識(shí)存儲(chǔ)和表示提供了更適合的解決方案，有利于涉藏領(lǐng)域的知識(shí)發(fā)現(xiàn)和查詢.