李軍蓮，夏光輝，王序文，李曉瑛，冀玉靜，李贊梅

（中國醫(yī)學(xué)科學(xué)院醫(yī)學(xué)信息研究所，北京 100020）

基于英文超級(jí)科技詞表的文獻(xiàn)主題標(biāo)引系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)*

李軍蓮，夏光輝，王序文，李曉瑛，冀玉靜，李贊梅

（中國醫(yī)學(xué)科學(xué)院醫(yī)學(xué)信息研究所，北京 100020）

針對(duì)海量英文文獻(xiàn)信息自動(dòng)化處理問題，構(gòu)建了一個(gè)基于英文超級(jí)科技詞表的文獻(xiàn)主題概念自動(dòng)標(biāo)引系統(tǒng)，采用詞典與規(guī)則方法相結(jié)合的術(shù)語提取機(jī)制，實(shí)現(xiàn)了英文文獻(xiàn)術(shù)語提取、規(guī)范概念映射以及優(yōu)選概念標(biāo)引等功能，取得了較好的標(biāo)引效果。

術(shù)語提?。恍g(shù)語匹配；主題標(biāo)引

1 引言

日漸增長的科技文獻(xiàn)數(shù)據(jù)為廣大用戶提供了豐富的知識(shí)資源，同時(shí)也帶來了信息過載的壓力。為了有效挖掘海量文獻(xiàn)中存在的科技知識(shí)，促進(jìn)文獻(xiàn)信息內(nèi)容的知識(shí)組織、關(guān)聯(lián)及利用，進(jìn)而支持用戶日益膨脹的知識(shí)獲取需求，國家科技文獻(xiàn)信息中心組織實(shí)施了“面向外文科技文獻(xiàn)信息的知識(shí)組織體系建設(shè)和示范應(yīng)用”國家“十二五”科技支撐計(jì)劃項(xiàng)目[1]?？萍贾R(shí)組織體系（Science and Technology Knowledge Organization System，簡稱STKOS）覆蓋了理工農(nóng)醫(yī)領(lǐng)域大量專業(yè)術(shù)語、概念（超級(jí)詞表）以及基于概念所形成的本體網(wǎng)絡(luò)和科研本體知識(shí)庫。這一領(lǐng)域全面、內(nèi)容豐富的英文超級(jí)科技詞表，也為面向海量文獻(xiàn)的自動(dòng)化信息處理任務(wù)提供了有力支撐[2]。

概念（Concept）是人類在認(rèn)知過程中對(duì)特定事物的本質(zhì)屬性的抽象描述，其語言表達(dá)形式包括詞語和詞組。其中，領(lǐng)域概念是特定領(lǐng)域中具有特定語義的詞匯集合，是領(lǐng)域知識(shí)的一種重要表現(xiàn)形式[3]。在各個(gè)學(xué)科領(lǐng)域知識(shí)不斷推陳出新的背景下，利用計(jì)算機(jī)自動(dòng)或者半自動(dòng)地從文獻(xiàn)中發(fā)現(xiàn)并標(biāo)引領(lǐng)域概念的過程，是將非結(jié)構(gòu)化的文本信息快速轉(zhuǎn)變?yōu)橹R(shí)單元的關(guān)鍵環(huán)節(jié)[4-6]。目前，概念標(biāo)引的成果也已在信息檢索、文本分類、機(jī)器翻譯、本體構(gòu)建[7]等研究領(lǐng)域得到了廣泛的應(yīng)用[8-9]。

本文基于STKOS超級(jí)詞表，結(jié)合語言學(xué)規(guī)則以及文本統(tǒng)計(jì)信息，構(gòu)建了面向海量外文科技文獻(xiàn)的主題概念自動(dòng)標(biāo)引系統(tǒng)。這一工作既是STKOS超級(jí)詞表的一個(gè)直接應(yīng)用，也為進(jìn)一步的知識(shí)對(duì)象關(guān)系計(jì)算以及知識(shí)網(wǎng)絡(luò)構(gòu)建打下了良好基礎(chǔ)。

2 系統(tǒng)描述

2.1 系統(tǒng)結(jié)構(gòu)與功能設(shè)計(jì)

本文面向海量數(shù)據(jù)加工任務(wù)，設(shè)計(jì)并實(shí)現(xiàn)了基于STKOS超級(jí)詞表的交互式主題概念自動(dòng)標(biāo)引系統(tǒng)，系統(tǒng)的主要功能包括詞典（知識(shí)庫）管理、文獻(xiàn)預(yù)處理、候選術(shù)語提取、規(guī)范概念映射以及概念標(biāo)引等模塊。系統(tǒng)的基本結(jié)構(gòu)設(shè)計(jì)如圖1所示。

圖1 主題概念自動(dòng)標(biāo)引系統(tǒng)結(jié)構(gòu)

（1）詞典（知識(shí)庫）動(dòng)態(tài)管理

STKOS超級(jí)詞表主要由基礎(chǔ)詞庫、規(guī)范概念集合以及范疇體系構(gòu)成，它是概念標(biāo)引系統(tǒng)的重要知識(shí)基礎(chǔ)，為自動(dòng)標(biāo)引過程中術(shù)語的匹配、概念的映射以及概念遴選提供了語言學(xué)依據(jù)。

為了便于對(duì)知識(shí)庫進(jìn)行動(dòng)態(tài)維護(hù)、更新與擴(kuò)展，將系統(tǒng)所使用的基于STKOS超級(jí)詞表的切分詞典、標(biāo)引詞典、停用詞典、通用詞典等內(nèi)容映射到不同的類，通過增加類來實(shí)現(xiàn)詞典的自動(dòng)添加；通過增加或刪除每個(gè)類下的實(shí)例，實(shí)現(xiàn)對(duì)詞典下實(shí)例的修改操作。這一管理機(jī)制也有助于保證系統(tǒng)詞表內(nèi)容與持續(xù)更新版本的STKOS超級(jí)科技詞表保持一致。

（2）文獻(xiàn)預(yù)處理

科技文獻(xiàn)的標(biāo)題、作者關(guān)鍵詞及摘要等內(nèi)容是文獻(xiàn)術(shù)語高頻出現(xiàn)的區(qū)域，能夠直接反映文章的主題內(nèi)容，也是用戶重點(diǎn)關(guān)注的“興趣區(qū)域”。為了提高文獻(xiàn)分析效率，分別提取每篇文獻(xiàn)的標(biāo)題、作者關(guān)鍵詞以及摘要內(nèi)容作為概念標(biāo)引系統(tǒng)的分析對(duì)象。

從文本中提取概念之前，首先針對(duì)待分析的文本內(nèi)容進(jìn)行預(yù)處理。預(yù)處理過程主要包括：依據(jù)標(biāo)點(diǎn)符號(hào)對(duì)標(biāo)題和摘要進(jìn)行句子劃分；基于空格、標(biāo)點(diǎn)符號(hào)、換行符等啟發(fā)式規(guī)則將句子切分為獨(dú)立的詞語；對(duì)切分后的語言單元進(jìn)行詞性標(biāo)注和位置標(biāo)記，其中詞性標(biāo)注過程采用MetaMap的PhraseX工具實(shí)現(xiàn)，MetaMap已在美國國立醫(yī)學(xué)圖書館（NLM）的相關(guān)工程化實(shí)踐中取得了較好的應(yīng)用效果[10]；進(jìn)一步將詞性標(biāo)注結(jié)果轉(zhuǎn)換成語法詞性，以便基于語言學(xué)規(guī)則進(jìn)行短語提取。

（3）候選短語提取

這里所謂的“短語”，指名詞性短語，即語法功能上相當(dāng)于名詞的短語，是反映文本內(nèi)容的領(lǐng)域術(shù)語的主要來源。與通用術(shù)語不同，領(lǐng)域術(shù)語與某個(gè)特定領(lǐng)域具有較強(qiáng)的相關(guān)性，即在特定領(lǐng)域中出現(xiàn)頻率較高，而在不相關(guān)領(lǐng)域中出現(xiàn)頻率相對(duì)較低[11]。本文基于特定的語言學(xué)規(guī)則以及統(tǒng)計(jì)信息，從文本內(nèi)容中提取候選短語，并將候選短語集合作為概念標(biāo)引的基礎(chǔ)。

對(duì)于關(guān)鍵詞文本，依據(jù)指定分隔符直接提取關(guān)鍵詞字段內(nèi)容作為候選短語。對(duì)于標(biāo)題或摘要文本中經(jīng)過詞性標(biāo)注的內(nèi)容，采取詞典與規(guī)則相結(jié)合的提取策略，利用切分符號(hào)以及構(gòu)詞規(guī)則分別提取其中的簡單短語以及復(fù)合短語。去除短語集合中的停用詞，并執(zhí)行短語原型化，統(tǒng)計(jì)標(biāo)記每個(gè)短語的頻次、位置及長度，合并去重后計(jì)算術(shù)語權(quán)重，從而獲得候選術(shù)語集合。

（4）規(guī)范概念映射

首先將候選術(shù)語原型與超級(jí)詞表詞表中的規(guī)范術(shù)語原型進(jìn)行匹配，獲得規(guī)范術(shù)語，術(shù)語匹配方式包括基于字符串的精確匹配以及模糊匹配。其中同形異義的術(shù)語需要借助超級(jí)詞表的語義類型進(jìn)行區(qū)分。根據(jù)不同的映射方式計(jì)算候選術(shù)語與規(guī)范術(shù)語之間的匹配度，依匹配度排序，將匹配度最大的術(shù)語保存至規(guī)范術(shù)語列表。

其次根據(jù)STKOS詞表中已建立的術(shù)語與概念的對(duì)應(yīng)關(guān)系，進(jìn)一步將術(shù)語映射到規(guī)范概念。當(dāng)一個(gè)術(shù)語對(duì)應(yīng)多個(gè)概念時(shí)，按照文獻(xiàn)的學(xué)科屬性映射對(duì)應(yīng)概念。根據(jù)術(shù)語對(duì)應(yīng)的概念I(lǐng)D合并去重，并統(tǒng)計(jì)每個(gè)概念對(duì)應(yīng)的術(shù)語集合。綜合考慮概念詞在文獻(xiàn)中出現(xiàn)的頻次、位置等統(tǒng)計(jì)信息，結(jié)合術(shù)語權(quán)重以及規(guī)范術(shù)語的匹配度，計(jì)算對(duì)應(yīng)概念的權(quán)重，當(dāng)多個(gè)術(shù)語對(duì)應(yīng)同一個(gè)概念時(shí)，概念的權(quán)重為多個(gè)術(shù)語的權(quán)重累加，由此可以生成概念列表。

（5）主題概念標(biāo)引

基于STKOS超級(jí)詞表中的術(shù)語-概念對(duì)應(yīng)關(guān)系，可以直接獲取每個(gè)規(guī)范術(shù)語所繼承的概念。然而并非文獻(xiàn)中出現(xiàn)的所有概念詞都值得向用戶推薦，因此，將文獻(xiàn)中的術(shù)語映射為規(guī)范概念之后，需要進(jìn)一步從文獻(xiàn)概念列表中遴選與文獻(xiàn)主題相關(guān)性較高的優(yōu)選概念詞[12-13]。

首先對(duì)概念詞的相關(guān)性進(jìn)行評(píng)估，根據(jù)權(quán)重大小對(duì)概念詞進(jìn)行排序。通過設(shè)置權(quán)重閾值和標(biāo)引深度閾值篩選概念詞，同時(shí)利用通用詞表過濾掉領(lǐng)域相關(guān)性不高的概念詞，從而降低通用概念對(duì)標(biāo)引效果的影響，保留下來的概念詞則作為能夠表達(dá)每篇文獻(xiàn)主題的優(yōu)選概念，最終推薦給用戶。

（6）用戶界面

為更好地滿足用戶的知識(shí)獲取及研究需求，系統(tǒng)通過交互式用戶界面向用戶提供了標(biāo)引方式管理、標(biāo)引結(jié)果展示以及文獻(xiàn)瀏覽等服務(wù)。

2.2 系統(tǒng)流程

綜合上述功能設(shè)計(jì)，系統(tǒng)進(jìn)行概念標(biāo)引的具體流程如下：

Step1：從數(shù)據(jù)采集層中自動(dòng)導(dǎo)入并存儲(chǔ)外文文獻(xiàn)資源，文獻(xiàn)類型包括期刊、會(huì)議、標(biāo)準(zhǔn)、專利等內(nèi)容，并將不同來源的數(shù)據(jù)轉(zhuǎn)換為系統(tǒng)支持的標(biāo)準(zhǔn)格式。

Step2：自動(dòng)提取每篇文獻(xiàn)的題名、作者關(guān)鍵詞、摘要等字段內(nèi)容，并逐一進(jìn)行句子劃分、詞語切分、詞性標(biāo)注以及位置標(biāo)記等預(yù)處理操作。

Step3：基于STKOS超級(jí)詞表及構(gòu)詞規(guī)則，從待分析文本中自動(dòng)提取短語，過濾其中的停用詞，并對(duì)候選術(shù)語進(jìn)行原型化，加入候選術(shù)語集合。

Step4：按術(shù)語原型進(jìn)行合并去重，根據(jù)術(shù)語位置、頻次以及詞長計(jì)算權(quán)重。為每個(gè)術(shù)語詞條保存的信息包括源術(shù)語、術(shù)語原型、術(shù)語詞頻、術(shù)語長度、位置以及術(shù)語權(quán)重等。

Step5：將候選術(shù)語原型與STKOS規(guī)范術(shù)語原型進(jìn)行匹配，對(duì)匹配成功的術(shù)語匹配度進(jìn)行評(píng)估。

Step6：基于STKOS超級(jí)詞表中術(shù)語與概念的對(duì)應(yīng)關(guān)系實(shí)現(xiàn)術(shù)語到規(guī)范概念的映射，獲得文獻(xiàn)概念列表。

Step7：結(jié)合術(shù)語權(quán)重以及概念映射匹配度，計(jì)算概念權(quán)重。為每個(gè)概念保存的信息包括文獻(xiàn)ID、規(guī)范概念I(lǐng)D、規(guī)范概念名稱以及概念權(quán)重評(píng)分等。

Step8：根據(jù)權(quán)重對(duì)概念進(jìn)行排序，設(shè)置權(quán)重閾值及詞數(shù)閾值，篩選概念詞。

Step9：輸出概念標(biāo)引結(jié)果至用戶界面。

3 關(guān)鍵技術(shù)

文本中術(shù)語的識(shí)別提取以及概念映射遴選是本系統(tǒng)的重要環(huán)節(jié)。

經(jīng)過反復(fù)測(cè)試，課題最終制定先識(shí)別提取后映射過濾的實(shí)現(xiàn)思路，首先廣泛獲取文本內(nèi)容中潛在的短語；基于短語在文獻(xiàn)中的相關(guān)統(tǒng)計(jì)信息計(jì)算其權(quán)重；評(píng)估候選術(shù)語與規(guī)范術(shù)語的匹配度；結(jié)合術(shù)語權(quán)重及其規(guī)范匹配度計(jì)算概念的權(quán)重，并據(jù)此對(duì)概念進(jìn)行遴選。

在本系統(tǒng)實(shí)現(xiàn)過程中，重點(diǎn)在短語識(shí)別提取、術(shù)語匹配、概念權(quán)重計(jì)算三個(gè)環(huán)節(jié)開展研究和算法優(yōu)化，現(xiàn)簡要介紹如下。

3.1 短語識(shí)別提取

短語提取是對(duì)文本中的名詞性短語進(jìn)行自動(dòng)化的識(shí)別和提取。已有的研究方法主要包括基于規(guī)則的方法、基于統(tǒng)計(jì)的方法以及規(guī)則與統(tǒng)計(jì)相結(jié)合的方法[14]。

為了靈活高效地應(yīng)對(duì)增量式大規(guī)模文獻(xiàn)數(shù)據(jù)的標(biāo)引任務(wù)，本系統(tǒng)分別采用基于詞典和基于語言學(xué)規(guī)則的短語提取方法，對(duì)經(jīng)過預(yù)處理后的文本內(nèi)容（標(biāo)題、摘要、關(guān)鍵詞）進(jìn)行短語提取。

其中詞典匹配方法是基于STKOS超級(jí)詞表，依據(jù)正向最大匹配原則對(duì)每個(gè)句子中的短語進(jìn)行提取。該方法簡單直觀，對(duì)詞典中長度較長的短語匹配效果較好，而對(duì)單詞性術(shù)語或未登錄新術(shù)語的發(fā)現(xiàn)能力相對(duì)有限。

基于規(guī)則的匹配方法則利用短語的語言學(xué)特征（詞性標(biāo)注信息），分別對(duì)簡單短語以及復(fù)合短語進(jìn)行識(shí)別，識(shí)別規(guī)則如下：

（1）簡單短語提取規(guī)則：首先過濾停用詞，再按照切分符號(hào)直接提取切分符號(hào)之間的片段作為名詞短語。切分符號(hào)由兩種類型組成：一是非名詞短語組成成分的單詞，如“conj”（連詞）、“prep”（介詞）、“verb”（動(dòng)詞）等；二是能正確切分名詞短語的標(biāo)點(diǎn)符號(hào)，如“，”（逗號(hào)）、“.”（句號(hào)）、“?”（問號(hào)）等。

（2）基于構(gòu)詞規(guī)則的復(fù)合短語提取規(guī)則：首先統(tǒng)計(jì)STKOS規(guī)范術(shù)語的構(gòu)詞形式，從中遴選出常見的構(gòu)詞形式作為提取復(fù)合短語的構(gòu)詞規(guī)則（見表1）。按照表1中的四種復(fù)合短語構(gòu)詞規(guī)則，提取復(fù)合短語，不需過濾停用詞。其中noun代表名詞，prep代表介詞，adj代表形容詞，det代表定冠詞。

表1 復(fù)合短語構(gòu)詞規(guī)則

3.2 術(shù)語匹配

本系統(tǒng)采用如下原則進(jìn)行候選短語與STKOS詞表術(shù)語進(jìn)行匹配：所有匹配均基于原型進(jìn)行；當(dāng)組成術(shù)語的單詞數(shù)小于等于2時(shí)，執(zhí)行精確匹配；當(dāng)術(shù)語中所包含的單詞數(shù)大于2時(shí)，先執(zhí)行精確匹配，匹配不成功時(shí)，則執(zhí)行模糊匹配。

模糊匹配過程只在術(shù)語單詞數(shù)[-1，+1]的范圍內(nèi)進(jìn)行，即術(shù)語在增加一個(gè)單詞、減少一個(gè)單詞或者替換一個(gè)單詞的情況下進(jìn)行匹配。模糊匹配時(shí)，從匹配結(jié)果中選取評(píng)估值最高的短語為最終匹配結(jié)果，當(dāng)多個(gè)短語的評(píng)估值一樣時(shí)，選取多個(gè)結(jié)果。

計(jì)算規(guī)范術(shù)語匹配度的評(píng)估值參數(shù)包括向心度、覆蓋度和內(nèi)聚度：

（1）向心度（CEN）：考察待匹配詞串是否包含原短語的核心詞，若包含核心詞，取CEN=1，否則CEN=0。

（2）覆蓋度（COV）：考察短語與STKOS詞串在匹配過程中被覆蓋或包含的程度，見公式1。其中，MML代表超級(jí)敘詞表匹配字串長度，ML代表超級(jí)敘詞表字串長度；PML代表短語匹配字符串長度；PL代表短語字串長度。

（3）內(nèi)聚度（COH）：考察短語與STKOS詞串在匹配過程中的連續(xù)字串匹配的程度，見公式2。其中，MCL代表超級(jí)敘詞表匹配連續(xù)字串長度，PCL代表短語匹配連續(xù)字串長度。

（4）術(shù)語匹配度的評(píng)估函數(shù)見公式3，其中精確匹配的術(shù)語評(píng)估值為1。將每個(gè)候選術(shù)語對(duì)應(yīng)的規(guī)范術(shù)語詞條按匹配度評(píng)估值排序，取評(píng)估值最大的術(shù)語加入文獻(xiàn)規(guī)范術(shù)語集合。

3.3 概念權(quán)重計(jì)算

已有研究表明，術(shù)語在文獻(xiàn)中出現(xiàn)的頻次是評(píng)估其重要性的一個(gè)依據(jù)。此外，在文獻(xiàn)中不同位置出現(xiàn)的詞語對(duì)文章內(nèi)容的反映程度也不同，例如出現(xiàn)在科技文獻(xiàn)的標(biāo)題、摘要、關(guān)鍵詞等位置的短語成為術(shù)語的可能性較大；又如大部分醫(yī)學(xué)領(lǐng)域文獻(xiàn)中，出現(xiàn)在摘要首末句中的短語與出現(xiàn)在中間句子中的短語相比，前者與文獻(xiàn)主題相關(guān)的可能性更大。

有鑒于此，本文對(duì)傳統(tǒng)的TF.IDF算法（見公式4）加以改進(jìn)，設(shè)計(jì)了短語權(quán)重計(jì)算函數(shù)，見公式5，綜合考慮了短語的頻次、出現(xiàn)位置、詞長等因素，對(duì)于處于不同位置的特征詞分別賦予不同的權(quán)值，即關(guān)鍵詞權(quán)值＞標(biāo)題權(quán)值＞摘要首末句權(quán)值＞摘要中間句權(quán)值。

其中，fi,j分別表示特征詞Wi在文檔集合中的標(biāo)題（j=1）、關(guān)鍵詞（j=2）、摘要首句（j=3）、摘要中間句（j=4）、摘要末句（j=5）等位置出現(xiàn)的頻數(shù)，λi,j分別表示特征詞Wi出現(xiàn)在上述位n置時(shí)的權(quán)重系數(shù)，L為詞長取值，λl為詞長權(quán)重系數(shù)，i為特征詞Wi出現(xiàn)的文檔頻數(shù)；N為文檔集合中的文檔數(shù)量；m為全部特征詞數(shù)。

結(jié)合上述術(shù)語的權(quán)重以及規(guī)范術(shù)語匹配度，可以計(jì)算每個(gè)概念Ci的權(quán)重Ti，見公式7。

4 用戶界面設(shè)計(jì)

本文構(gòu)建的是一個(gè)交互式文獻(xiàn)概念自動(dòng)標(biāo)引系統(tǒng)，其用戶界面如圖2所示。用戶可以通過該界面選擇標(biāo)引方式（單篇或批量標(biāo)引）、設(shè)置相關(guān)參數(shù)、進(jìn)行標(biāo)引處理、瀏覽待標(biāo)文獻(xiàn)和標(biāo)引結(jié)果，并進(jìn)行詞典管理等。

圖2 文獻(xiàn)概念自動(dòng)標(biāo)引系統(tǒng)界面

批量標(biāo)注能夠支持常見的文獻(xiàn)數(shù)據(jù)格式，包括XML、Excel等文本格式以及Access、DBF、MySQL、SQL Server等數(shù)據(jù)庫格式，系統(tǒng)能夠自動(dòng)將不同格式的輸入數(shù)據(jù)轉(zhuǎn)變成系統(tǒng)支持的固定格式，并且針對(duì)不同的數(shù)據(jù)源可以選擇不同的標(biāo)引方案。詞典管理可以支持用戶針對(duì)特定任務(wù)選擇指定的詞典進(jìn)行短語提取和概念映射。參數(shù)配置可以為標(biāo)題、關(guān)鍵詞、摘要首末句、摘要中間句等設(shè)置不同的位置權(quán)重，還可以設(shè)置詞長閾值以及詞長權(quán)重。此外在概念遴選時(shí)，還支持通過詞數(shù)和權(quán)重閾值兩個(gè)參數(shù)的布爾邏輯組配進(jìn)行。

5 系統(tǒng)測(cè)試

5.1 實(shí)驗(yàn)設(shè)計(jì)

本文基于NSTL英文文獻(xiàn)資源，以醫(yī)學(xué)領(lǐng)域?yàn)槔?，?duì)概念自動(dòng)標(biāo)引系統(tǒng)的標(biāo)引效果進(jìn)行了初步評(píng)測(cè)。

首先以“aids”作為檢索詞在PubMed數(shù)據(jù)庫中進(jìn)行檢索，從檢索結(jié)果中隨機(jī)選取標(biāo)題、關(guān)鍵詞、摘要信息都完備的50篇發(fā)表于2014年的英文文獻(xiàn)作為實(shí)驗(yàn)數(shù)據(jù)，并請(qǐng)3位領(lǐng)域?qū)＜覍?duì)其進(jìn)行人工概念標(biāo)引，按照概念與文獻(xiàn)的相關(guān)程度，將概念詞劃分為密切相關(guān)和比較相關(guān)兩個(gè)等級(jí)。同時(shí)，通過主題概念自動(dòng)標(biāo)引系統(tǒng)處理相同的50篇文獻(xiàn)，將自動(dòng)標(biāo)引結(jié)果與專家人工標(biāo)引的結(jié)果進(jìn)行對(duì)比，按照密切相關(guān)、比較相關(guān)以及弱相關(guān)劃分自動(dòng)標(biāo)引結(jié)果。

評(píng)估方式：將系統(tǒng)標(biāo)引出的概念與專家標(biāo)引概念進(jìn)行對(duì)比，采用準(zhǔn)確率（Precision）、召回率（Recall）以及綜合評(píng)分F值作為概念標(biāo)引結(jié)果的主要評(píng)價(jià)指標(biāo)。

實(shí)驗(yàn)分別考察了基于不同短語提取方法的標(biāo)引方案，包括詞典提取標(biāo)引法（DictMatch，詞典法）、基規(guī)則提取標(biāo)引法（RuleMatch，規(guī)則法）以及詞典與規(guī)則相結(jié)合標(biāo)引法（Merge，綜合法），并對(duì)三種標(biāo)引效果進(jìn)行了對(duì)比和分析。

5.2 實(shí)驗(yàn)結(jié)果

首先，以某篇醫(yī)學(xué)文獻(xiàn)的概念標(biāo)引結(jié)果作為展示實(shí)例，具體標(biāo)引內(nèi)容見表2。表3則展示了應(yīng)用不同標(biāo)引方案從測(cè)試文獻(xiàn)中遴選相關(guān)主題概念的情況。

從上述表格中可以看出，基于詞典匹配方案所遴選的相關(guān)主題概念詞數(shù)量最多，但同時(shí)也誤標(biāo)引了很多弱相關(guān)或者不重要的概念，因此，詞典方法適合于注重查全率的標(biāo)引需求，如果能夠結(jié)合人工審查修正結(jié)果將會(huì)取得比較好的效果。

基于規(guī)則匹配的標(biāo)引方案主要是為了彌補(bǔ)領(lǐng)域詞典的不足，以發(fā)現(xiàn)詞典中的未登錄術(shù)語。在本文的測(cè)試中，通過規(guī)則的方法在短語提取階段也能夠自動(dòng)發(fā)現(xiàn)大量的候選短語，然而經(jīng)過與STKOS詞表進(jìn)行術(shù)語匹配及概念映射后，該方案在概念標(biāo)引環(huán)節(jié)最終遴選出來的相關(guān)概念詞數(shù)相對(duì)較少，但是其誤標(biāo)引的弱相關(guān)或者不重要的概念也比較少。因此，本文將詞典方法和規(guī)則方法結(jié)合起來，以規(guī)則方法修正詞典方法。最終實(shí)際結(jié)果表明，將詞典與規(guī)則相結(jié)合的標(biāo)引方案既保留了較為重要的相關(guān)概念，也能夠適度減少弱相關(guān)或不相關(guān)概念的數(shù)量。

表4 標(biāo)引方案綜合效果評(píng)價(jià)

表2 概念標(biāo)引實(shí)例

表3 測(cè)試文獻(xiàn)自動(dòng)標(biāo)引概念遴選統(tǒng)計(jì)結(jié)果

表4展示了對(duì)所有標(biāo)引方案的綜合結(jié)果對(duì)比，其中詞典與規(guī)則結(jié)合的標(biāo)引方案準(zhǔn)確率最高，達(dá)到65.3%，其綜合評(píng)分F值也比較顯著，說明該方法能夠取得較好的標(biāo)引效果，應(yīng)該作為自動(dòng)標(biāo)引后續(xù)優(yōu)化研究的主要方法。此外，如果標(biāo)引任務(wù)對(duì)數(shù)據(jù)處理的時(shí)間復(fù)雜度有著比較嚴(yán)格的要求，而且比較注重標(biāo)引結(jié)果的全面性，則可以采取單一的詞典方法。

6 結(jié)論與展望

本文以STKOS超級(jí)詞表作為知識(shí)源，構(gòu)建了一個(gè)交互式文獻(xiàn)概念自動(dòng)標(biāo)引系統(tǒng)，實(shí)現(xiàn)了面向多個(gè)領(lǐng)域的大規(guī)模英文文獻(xiàn)主題概念的自動(dòng)標(biāo)引。一方面，本系統(tǒng)是STKOS知識(shí)組織體系的直接應(yīng)用，另一方面，本系統(tǒng)的工程化實(shí)踐又為NSTL數(shù)據(jù)加工服務(wù)提供了有力支撐，為進(jìn)一步的深層知識(shí)關(guān)系計(jì)算奠定了基礎(chǔ)。

本文以醫(yī)學(xué)領(lǐng)域?yàn)槔?，檢驗(yàn)了英文文獻(xiàn)主題概念標(biāo)引的效果。在后續(xù)的研究及工程化實(shí)踐中，還將對(duì)該系統(tǒng)繼續(xù)進(jìn)行完善。例如，面向更多領(lǐng)域、更大規(guī)模文獻(xiàn)開展標(biāo)引實(shí)踐，在保證系統(tǒng)運(yùn)行效率的基礎(chǔ)上，對(duì)概念的遴選策略進(jìn)行優(yōu)化，進(jìn)一步降低不相關(guān)概念（噪聲）的影響，提高概念標(biāo)引結(jié)果的文獻(xiàn)相關(guān)性。此外，針對(duì)低頻概念以及STKOS超級(jí)詞表未登錄術(shù)語的獲取問題也將是提升概念標(biāo)引系統(tǒng)性能的一個(gè)重要因素，值得深入探索和研究。

[1]孫坦,劉崢.面向外文科技文獻(xiàn)信息的知識(shí)組織體系建設(shè)思路[J].圖書與情報(bào),2013(1):2-7.

[2]王波.面向STKOS的概念映射與關(guān)聯(lián)算法研究及其實(shí)現(xiàn)[D].杭州電子科技大學(xué),2012.

[3]姚賢明.領(lǐng)域概念自動(dòng)抽取研究[D].昆明理工大學(xué),2010.

[4]SHAMSFARD M, BARFOROUSH A. Learning ontologies from natural language texts [J]. International Journal Human-computer Studies, 2004, 60(1): 17-63.

[5]MOLDOVAN D, GIRJU R, RUS V. Domain-specific knowledge acquisition from text [C]// Proc. of the Sixth Conference on Applied Natural Language Processing, 2000: 268-275.

[6]MICHAEL B, MIRIAM E, DONALD E, et al. Concept annotation in the CRAFT corpus [J]. BMC Bioinformatics, 2012(13): 161.

[7]陳珂,姚天昉.構(gòu)造領(lǐng)域本體概念關(guān)系的自動(dòng)抽取[M].上海交通大學(xué)出版社,2008.

[8]余蕾,曹存根.基于Web語料的概念獲取系統(tǒng)的研究與實(shí)現(xiàn)[J].計(jì)算機(jī)科學(xué),2007,34(2):161-165.

[9]錢慶,洪娜,李勇,等.中文非相關(guān)知識(shí)發(fā)現(xiàn)系統(tǒng)CmedLBKD構(gòu)建[J].情報(bào)理論與實(shí)踐,2012,35(4):109-113.

[10]MetaMap. MetaMap - A Tool For Recognizing UMLS Concepts in Text [EB/OL]. [2014-11-20]. http://mmtx.nlm.nih.gov.

[11]李麗雙.領(lǐng)域本體學(xué)習(xí)中術(shù)語及關(guān)系抽取方法的研究[D].大連理工大學(xué),2012.

[12]鄧本洋.電子病歷中的概念抽取研究[D].哈爾濱工業(yè)大學(xué),2013.

[13]黃利強(qiáng).面向文本的領(lǐng)域概念篩選算法研究[D].重慶大學(xué),2013.

[14]祝清松,冷伏海.自動(dòng)術(shù)語識(shí)別存在的問題及發(fā)展趨勢(shì)綜述[J].圖書情報(bào)工作,2012,56(18):104-109.

Research and Design of a Subject Indexing System Based on STKOS Super-thesaurus

LI JunLian, XIA GuangHui, WANG XuWen, LI XiaoYing, JI YuJing, LI ZanMei
(Institute of Medical Information & Library, Chinese Academy of Medical Sciences, Beijing 100020, China)

This paper describes the STKOS super-thesaurus-based automatic subject indexing system for processing large-scale English literature. A dictionary-based method combined with linguistic rules was used for term matching. The system has implemented automatic term extraction, standard concept mapping, and concept indexing, and has achieved a good performance in English concept indexing tasks.

Term extraction; Term matching; Subject indexing

G254

10.3772/j.issn.1673—2286.2014.12.001

2014-12-04）

* 本研究得到十二五國家科技支撐計(jì)劃項(xiàng)目課題“信息資源自動(dòng)處理、智能檢索與STKOS應(yīng)用服務(wù)集成”（編號(hào)：2011BAH10B01）資助。

李軍蓮，女，1972年生，中國醫(yī)學(xué)科學(xué)院醫(yī)學(xué)信息研究所副研究館員，研究方向：信息組織與系統(tǒng)，E-mail：li.junlian@imicams.ac.cn。