沈　熠，趙　琳

(1.上海大學(xué) 計(jì)算機(jī)中心，上海 200444；2.上海大學(xué) 計(jì)算機(jī)工程與科學(xué)學(xué)院，上海 200444)

?

一種基于影視素材本體的查詢擴(kuò)展方法研究

沈熠1，趙琳2

(1.上海大學(xué) 計(jì)算機(jī)中心，上海 200444；2.上海大學(xué) 計(jì)算機(jī)工程與科學(xué)學(xué)院，上海 200444)

在語(yǔ)義搜索引擎系統(tǒng)中，為了使檢索內(nèi)容在不限制用戶輸入的情況下，檢索結(jié)果更接近用戶的需求，提出一種基于影視素材本體的查詢擴(kuò)展方法。對(duì)用戶的檢索文本中的

依據(jù)本體模型進(jìn)行推理并按照相似度語(yǔ)義擴(kuò)展，旨在得到更符合用戶檢索需求的擴(kuò)展

集，在此基礎(chǔ)上進(jìn)行影視素材的檢索，從而提高搜索引擎的召回率。

語(yǔ)義搜索；本體；查詢擴(kuò)展；影視素材

引用格式：沈熠，趙琳. 一種基于影視素材本體的查詢擴(kuò)展方法研究[J].微型機(jī)與應(yīng)用，2016,35(15)：75-77，81.

0　引言

基于的搜索引擎的查詢擴(kuò)展通常以檢索文本中的[1]，從而在一定程度上彌補(bǔ)了用戶檢索信息過(guò)短的不足，同時(shí)提高了搜索引擎的召回率。

為中心進(jìn)行擴(kuò)展，與這些

相關(guān)的語(yǔ)義概念很少被包含在擴(kuò)展集中，在這種情況下，當(dāng)用戶輸入的檢索內(nèi)容較少時(shí)，系統(tǒng)按照擴(kuò)展集進(jìn)行檢索得到的結(jié)果的準(zhǔn)確率與召回率較低，從而無(wú)法滿足用戶需求，因此基于

的搜索引擎并不能消除用戶需求與檢索結(jié)果的不一致性問(wèn)題?；诒倔w的

查詢擴(kuò)展彌補(bǔ)了這一不足，該技術(shù)結(jié)合本體、搜索引擎、計(jì)算機(jī)語(yǔ)言學(xué)等多種技術(shù)，將用戶輸入的檢索文本中的

，以及本體模型中與這些

相關(guān)的詞語(yǔ)一起，組成新的、更長(zhǎng)的、更能準(zhǔn)確表達(dá)用戶檢索需求的擴(kuò)展

集，按照該集合，實(shí)現(xiàn)在盡可能充分理解用戶的檢索意圖的基礎(chǔ)上進(jìn)行信息資源的檢索

1　相關(guān)研究

本體(Ontology)源于哲學(xué)，又稱為本體論、實(shí)體論或者存在論。GRUBER T R[2]對(duì)本體的定義“本體是共享概念模型的明確形式化規(guī)范說(shuō)明”得到了最廣泛的認(rèn)可。自2000年人工智能領(lǐng)域引入本體概念以來(lái)，本體就引起各個(gè)學(xué)科的極大興趣。

目前存在多種本體描述語(yǔ)言，由于網(wǎng)絡(luò)本體語(yǔ)言(Web Ontology Language, OWL)格式在所有本體語(yǔ)言中具有最強(qiáng)的描述能力，能夠明確表示詞匯表中術(shù)語(yǔ)的含義以及術(shù)語(yǔ)間的關(guān)系，使之在Web內(nèi)容的可理解性方面要優(yōu)于其他幾種本體語(yǔ)言，故本文選擇OWL作為本文的本體描述語(yǔ)言。

1.2本體推理

本體中除了直接定義的知識(shí)外，還隱含了大量的其他知識(shí)，需要使用推理工具進(jìn)行的推理與查詢，從而獲取蘊(yùn)含的知識(shí)。本文選用Jena[3]作為影視領(lǐng)域本體的推理機(jī)，Jena是由惠普公司開(kāi)發(fā)的Java開(kāi)源工具包，它的推理API能夠憑借其強(qiáng)大的推理功能，操作由OWL描述的本體，目前已經(jīng)被廣泛地運(yùn)用于語(yǔ)義網(wǎng)應(yīng)用。

本文中，Jena推理需要實(shí)現(xiàn)的內(nèi)容有：(1)實(shí)現(xiàn)本體持久化到數(shù)據(jù)庫(kù)的操作；(2)推理類間關(guān)系，解析影視素材本體模型并生成描述上下位關(guān)系概念的三元組集合，用于后續(xù)對(duì)本體模型中概念相似度的計(jì)算。

1.3查詢擴(kuò)展

為了提高檢索的命中率，在不限制用戶輸入檢索文本內(nèi)容的情況下，需要通過(guò)查詢擴(kuò)展技術(shù)[4]，根據(jù)用戶輸入的檢索信息中的關(guān)鍵詞進(jìn)行語(yǔ)義擴(kuò)展?；诒倔w的查詢擴(kuò)展技術(shù)的引入在信息檢索過(guò)程中取得了一定效果。該技術(shù)依據(jù)領(lǐng)域本體推理得到的知識(shí)，通過(guò)對(duì)本體概念的相似度計(jì)算，將與檢索關(guān)鍵詞相關(guān)的本體中的概念作為查詢擴(kuò)展的一部分。這種由量化得出的查詢擴(kuò)展集不僅減少了搜索偏差，而且限制了檢索關(guān)鍵詞擴(kuò)展的范圍，從而在召回率方面有較大提高。為了完成這一目標(biāo)，需要在建立領(lǐng)域本體模型的基礎(chǔ)上進(jìn)行語(yǔ)義擴(kuò)展。

2　基于影視素材本體的查詢擴(kuò)展

2.1影視素材本體建模

也許因?yàn)橛辛巳f(wàn)姐作比較，一年里我們換了幾個(gè)保姆都沒(méi)找到稱心的。那天和當(dāng)初那家中介所的阿姨閑聊，我隨口說(shuō)起了萬(wàn)姐，希望她能回來(lái)。中介所的阿姨很驚訝地說(shuō)：“你們不知道嗎？萬(wàn)姐半年前就去世了?！?/p>

基于影視素材本體的查詢擴(kuò)展采用語(yǔ)義技術(shù)，對(duì)本體中的概念進(jìn)行推理與擴(kuò)展，而推理與擴(kuò)展的依據(jù)為影視素材本體模型。

本文選用Protégé以圖形化的建模方法構(gòu)建影視本體模型?？梢渣c(diǎn)擊Protégé中對(duì)應(yīng)的項(xiàng)以增加或者編輯類、子類、屬性、實(shí)例等。建模完成后保存為OWL格式文件，Protégé將本體自動(dòng)轉(zhuǎn)化為OWL格式的語(yǔ)言。影視素材本體建模后的部分效果如圖1所示。

圖1　影視素材本體建模

2.2查詢推理規(guī)則

Jena自帶的通用規(guī)則[5]不會(huì)限制具體領(lǐng)域，主要是根據(jù)本體中的實(shí)例、公理、規(guī)則等檢查概念的可滿足性以及類間層次關(guān)系、傳遞、不相交等約束，從而實(shí)現(xiàn)查詢隱含信息并擴(kuò)充隱含知識(shí)。當(dāng)Jena自帶的規(guī)則無(wú)法滿足系統(tǒng)的推理要求時(shí)，可以自定義規(guī)則以滿足系統(tǒng)個(gè)性化需求。本文借助SPARQL[6]查詢語(yǔ)言，建立自定義查詢規(guī)則，從而獲取更加準(zhǔn)確的查詢結(jié)果。

SPARQL是W3C推出的，其根據(jù)定義匹配三元組模板對(duì)RDF進(jìn)行查詢，可以將RDF中滿足一定要求的三元組以集合或者RDF圖的方式作為查詢結(jié)果返回。SPARQL提供4種不同形式的查詢[7]：SELECT、ASK、CONSTRUCT、DESCRIBE，其中SELECT是最常用的查詢類型，本文也采用該形式的查詢。SPARQL的查詢語(yǔ)法是一個(gè)四元組(GP、DS、SM、R)，其中DS、R可根據(jù)查詢要求省略，查詢語(yǔ)句格式如表1所示。

表1　SPARQL查詢語(yǔ)句格式

2.3相似度值與查詢擴(kuò)展閾值的確定

相似度與查詢擴(kuò)展閾值的詳細(xì)計(jì)算過(guò)程本文不重點(diǎn)討論，只給出簡(jiǎn)要的處理方法。

影響概念的語(yǔ)義相似度因素有多種，常見(jiàn)的有：字面相似度、語(yǔ)義重合度、距離相似度、層次差與層次深度、屬性匹配度等。需要結(jié)合本體模型結(jié)構(gòu)與性質(zhì)，將有關(guān)的因素考慮到相似度的計(jì)算方法中，結(jié)合多種影響因素得到概念相似度的計(jì)算公式。

獲取本體中概念的相似度后，在進(jìn)行查詢擴(kuò)展的過(guò)程中，需要確定閾值，用于過(guò)濾相似度不滿足閾值的概念，而將滿足閾值的概念加入查詢擴(kuò)展集。確定閾值的通常做法為：根據(jù)本體中小規(guī)模測(cè)試概念的相似度值以及暫定閾值進(jìn)行人工評(píng)估，判斷相似度滿足閾值的概念間是否滿足系統(tǒng)需求，經(jīng)過(guò)不斷試驗(yàn)對(duì)閾值進(jìn)行調(diào)整，最終確定閾值。

3　語(yǔ)義擴(kuò)展

3.1查詢擴(kuò)展流程

圖2語(yǔ)義相似度擴(kuò)展流程

本節(jié)結(jié)合本體模型與推理規(guī)則，在參考文獻(xiàn)[1]、[8]的基礎(chǔ)上，總結(jié)出對(duì)影視素材檢索文本中的進(jìn)行語(yǔ)義相似度擴(kuò)展的流程,如圖2所示。其中sim1(A,B) 、sim2(A,B)表示根據(jù)a、b則是用于過(guò)濾不滿足相似度概念的閾值，本文經(jīng)過(guò)試驗(yàn)與對(duì)參數(shù)的不斷調(diào)整，最終將a設(shè)置為0.51，b設(shè)置為0.63。

是否為影視素材本體中的概念，綜合影響概念相似度的多種因素而確定的不同情況下相似度的計(jì)算公式；而

語(yǔ)義相似度擴(kuò)展流程為：首先將檢索文本經(jīng)過(guò)預(yù)處理后得到的A,B)計(jì)算出的相似度大于閾值a的概念，將這些概念加入到擴(kuò)展A,B)計(jì)算出的相似度大于閾值b的概念加入到擴(kuò)展的

集。

集；若當(dāng)前

是影視素材本體中的概念，則查找本體中是否存在與當(dāng)前

等價(jià)的

，若存在，就將等價(jià)詞加入到擴(kuò)展

集中，若不存在，則將本體中根據(jù)公式sim2(

集中的

加入到擴(kuò)展

集，接著依次對(duì)

集中的每個(gè)

判斷是否是影視素材本體中的概念。若當(dāng)前

不是本體中的概念，則需要先找出本體中根據(jù)公式sim1(

3.2查詢擴(kuò)展實(shí)現(xiàn)

在查詢擴(kuò)展實(shí)現(xiàn)部分，本文選用MySQL數(shù)據(jù)庫(kù)存儲(chǔ)數(shù)據(jù)。以下是查詢擴(kuò)展的實(shí)現(xiàn)計(jì)算過(guò)程中用到的數(shù)據(jù)表：

searchText：用于存儲(chǔ)經(jīng)預(yù)處理后得到的檢索；

classCon：存儲(chǔ)由Jena解析本體文件后得到的概念的信息，包括(結(jié)點(diǎn)ID，結(jié)點(diǎn)名，結(jié)點(diǎn)層次，父結(jié)點(diǎn)ID)；

classInOnt：存儲(chǔ)本體中滿足閾值b的結(jié)點(diǎn)對(duì)及其相似度信息，包括(結(jié)點(diǎn)AID，結(jié)點(diǎn)BID，相似度)；

classDouble：存儲(chǔ)屬于預(yù)處理得到的但不屬于本體中結(jié)點(diǎn)的，以及與該b的本體中的結(jié)點(diǎn)信息，以及二者的相似度信息。包括(

，結(jié)點(diǎn)ID，結(jié)點(diǎn)名，相似度)；

的相似度達(dá)到閾值

expandKeywords:存儲(chǔ)擴(kuò)展的，包括(結(jié)點(diǎn)ID，結(jié)點(diǎn)名，相似度)。

下面給出基于影視素材本體查詢擴(kuò)展的實(shí)現(xiàn)：

(1)獲取領(lǐng)域本體文件；

(2)用Jena解析本體文件，生成描述概念的上下位關(guān)系三元組集合，并以文件的形式存于內(nèi)存中；

(3)對(duì)步驟(2)文件中的三元組從根結(jié)點(diǎn)出發(fā)，依次遍歷每個(gè)結(jié)點(diǎn)，并將結(jié)點(diǎn)信息存至表classCon；

(4)從表classCon中讀取結(jié)點(diǎn)并組成所有結(jié)點(diǎn)對(duì)，按照(結(jié)點(diǎn)1，結(jié)點(diǎn)2，相似度)的方式寫(xiě)入表classInOnt，其中相似度值置為0；

(5)依次取出表classInOnt中的未處理過(guò)的記錄，根據(jù)取出的記錄及本體模型計(jì)算影響兩個(gè)概念相似度的不同因素值；

(6)根據(jù)步驟(5)中計(jì)算出的決定語(yǔ)義相似度因素的值，按照公式sim2(A,B)計(jì)算出概念對(duì)的相似度，修改表classInOnt中對(duì)應(yīng)的相似度值；

(7)檢查表classInOnt中是否有未處理過(guò)的記錄，如果有轉(zhuǎn)至步驟(5)；否則轉(zhuǎn)至步驟(8)；

(8)刪除表classInOnt中相似度小于閾值b的結(jié)點(diǎn)對(duì)，完成本體中結(jié)點(diǎn)對(duì)的相似度值的更新；

(9)根據(jù)步驟(4)～(8)，可以完成表classDouble中與結(jié)點(diǎn)對(duì)的更新，不同的是需要按照公式sim1(A,B)計(jì)算概念相似度，保留的a；

與結(jié)點(diǎn)對(duì)的相似度需滿足閾值

(10)從表searchText中依次取出一個(gè)未處理的，判斷是否是本體中的概念，如果是，設(shè)置其相似度為1，將該

與相似度值加入擴(kuò)展

集expandKeywords中，判斷在本體中是否存在與當(dāng)前

等價(jià)的概念，若存在，將等價(jià)詞加入到expandKeywords中，等價(jià)詞對(duì)應(yīng)的相似度值置為1，轉(zhuǎn)至步驟(11)，否則轉(zhuǎn)至步驟(12)；

(11)從表classInOnt中查找與當(dāng)前組成的結(jié)點(diǎn)對(duì)的

，將這些

及結(jié)點(diǎn)對(duì)的相似度加入到expandKeywords；

(12)從表classDouble中查找與當(dāng)前組成的結(jié)點(diǎn)對(duì)的結(jié)點(diǎn)，將這些結(jié)點(diǎn)及相似度加入到expandKeywords；

(13)檢查searchText中是否存在未處理的，若有，轉(zhuǎn)至步驟(10)，否則轉(zhuǎn)至步驟(14)；

(14)輸出存儲(chǔ)擴(kuò)展的表expandKeywords，算法結(jié)束。

通過(guò)上述算法，求得了擴(kuò)展集。

3.3查詢擴(kuò)展實(shí)驗(yàn)

為驗(yàn)證相似度查詢擴(kuò)展算法的有效性，用影視素材本體模型對(duì)該算法進(jìn)行驗(yàn)證。選用一段檢索文本“兩個(gè)孩子在路上騎自行車”，該文本經(jīng)預(yù)處理后，得到檢索

集中的

“兩個(gè)”、“孩子”、“路”、“騎”、“自行車”，對(duì)這些

按照3.2節(jié)的擴(kuò)展實(shí)現(xiàn)算法進(jìn)行查詢擴(kuò)展，得到擴(kuò)展的

及對(duì)應(yīng)的相似度，如表2所示。

表2擴(kuò)展結(jié)果是否為本體中概念擴(kuò)展公式經(jīng)擴(kuò)展得到的

及相似度值兩個(gè)否sim1(A,B)無(wú)孩子否sim1(A,B)男孩(0.51)女孩(0.51)路否sim1(A,B)公路(1)路障(0.59)路燈(0.59)騎否sim1(A,B)無(wú)自行車是sim2(A,B)自行車(1)公交車(0.63)轎車(0.67)火車(0.67)

從表2中可以看出，檢索文本“兩個(gè)孩子在路上騎自行車”經(jīng)過(guò)預(yù)處理以及語(yǔ)義相似度擴(kuò)展，得到擴(kuò)展的集，對(duì)該集合按相似度值從大到小進(jìn)行排序，如表3所示。

表3擴(kuò)展結(jié)果按相似度排序自行車公路轎車火車公交車路燈路障女孩男孩相似度110.670.670.630.590.590.510.51

由表2、表3可得，按照本文研究的對(duì)檢索基于影視素材本體模型進(jìn)行相似度查詢擴(kuò)展，得到擴(kuò)展集中的概念可以較完整地反映用戶的檢索意圖，從而驗(yàn)證了本文提出的

查詢擴(kuò)展方法的有效性。

4　結(jié)束語(yǔ)

本文基于影視領(lǐng)域本體模型，對(duì)素材檢索過(guò)程中的查詢擴(kuò)展進(jìn)行研究，提出

按照相似度擴(kuò)展的一種實(shí)現(xiàn)方案，即對(duì)檢索文本中的

及影視素材本體模型中的概念進(jìn)行推理并得到相似度滿足閾值的查詢擴(kuò)展集。實(shí)驗(yàn)結(jié)果表明，擴(kuò)展

集更能充分包含用戶的檢索需求。本文的下一步工作是對(duì)檢索結(jié)果按照擴(kuò)展

集中

的相似度關(guān)系的排序方式進(jìn)行深入研究。

[1] 甘健侯，姜躍.本體方法及其應(yīng)用[M].北京:科學(xué)出版社，2011.

[2] GRUBER T R.Toward principles for the design of ontologies used for knowledge sharing [J].International Journal of Human-Computer Studies, 1995, 43(5-6): 907-928.

[3] Getting started with Apache Jena [EB/OL].(2015-××-××)[2016-01-30] . https://jena.apache.org/getting_startedl.

[4] 李帥.基于語(yǔ)義相似度的查詢擴(kuò)展優(yōu)化[D].杭州:杭州電子科技大學(xué),2011.

[5] 李兵.基于領(lǐng)域本體的專利語(yǔ)義檢索研究[D].北京:北京理工大學(xué),2015.

[6] W3C.SPARQL Query Language for RDF [EB/OL].(2013-03-21)[2016-01-20].https://www. w3.org/TR/2013/REC-sparql11-query-20130321/.

[7] 岳曉露.語(yǔ)義Web中RDF數(shù)據(jù)的關(guān)聯(lián)規(guī)則挖掘方法研究[D].大連:大連海事大學(xué),2015.

[8] 呂婧.基于語(yǔ)義網(wǎng)的語(yǔ)義搜索的研究與應(yīng)用[D].北京:北京工業(yè)大學(xué),2013.

Research on keyword query expansion using film material ontology

Shen Yi1, Zhao Lin2

(1.Computer Center, Shanghai University, Shanghai 200444,China;2.School of Computer Engineering and Science, Shanghai University, Shanghai 200444,China)

In sematic search engine stystem,in order to make the retrieval results closer to the needs of users without restricting research text, it proposes an approach of query expansion based on film materials ontology. For user’s search keywords, ontology model is employed to reasoning as well as do sematic expansion based on similarity, thus getting expansion keywords set that more suitable for user’s retrieval requirements, then the research on film materials on the basis of this set is carried out and the recall of search engine is improved.

sematic search; ontology; search expanding; film and television materials

TP391

A

10.19358/j.issn.1674- 7720.2016.15.022

2016-04-05)

沈熠(1989-)，男，碩士，初級(jí)助理實(shí)驗(yàn)師，主要研究方向：語(yǔ)義處理、軟件工程。

趙琳(1989-)，女，碩士，主要研究方向：語(yǔ)義處理、軟件工程。