劉敏健

（廣州市財(cái)經(jīng)職業(yè)學(xué)校圖書館，廣東 廣州 510030）

基于本體的海量學(xué)術(shù)文獻(xiàn)資源智能檢索系統(tǒng)研究

劉敏健

（廣州市財(cái)經(jīng)職業(yè)學(xué)校圖書館，廣東 廣州 510030）

分析了本體技術(shù)應(yīng)用到海量學(xué)術(shù)文獻(xiàn)資源智能檢索系統(tǒng)的必要性，闡述了本體的關(guān)鍵技術(shù)，重點(diǎn)研究了此系統(tǒng)的總體結(jié)構(gòu)設(shè)計(jì)、系統(tǒng)功能、本體構(gòu)建和檢索過程，最后詳細(xì)探討了此系統(tǒng)設(shè)計(jì)需解決的關(guān)鍵問題：本體的管理與服務(wù)、信息資源的獲取和文檔的預(yù)處理等。

本體海量學(xué)術(shù)文獻(xiàn)資源智能檢索系統(tǒng)設(shè)計(jì)

自2001年有了Tim Bern-ers－Lee這個說法后[1]，本體就普遍存在于網(wǎng)絡(luò)領(lǐng)域，向人們傳遞分享知識，為文獻(xiàn)檢索走向世界打下了基礎(chǔ)，加快了文獻(xiàn)檢索的發(fā)展進(jìn)程。本體（on?tology）并不是實(shí)際存在的東西，它可以說明某種東西存在的意義。本體在計(jì)算機(jī)行業(yè)推廣之后，就成為網(wǎng)絡(luò)市場上各行各業(yè)關(guān)注的對象，是計(jì)算機(jī)和與之相關(guān)行業(yè)人們重要的研究部分。

本體是一種抽象化的說明，能把某個領(lǐng)域抽象的東西之間進(jìn)行建立關(guān)系，可以把抽象的東西顯得有層次感。將本體和信息檢索相結(jié)合，能解決很多人們對概念理解不了的東西。總而言之，信息檢索通過本體可以把事物抽象化、找到建模，所以，本體是智能檢索研究中必不可少的組成部分。

如今網(wǎng)絡(luò)技術(shù)日益發(fā)達(dá)，人們對網(wǎng)絡(luò)信息的需求量也越來越多，把人們需要的這些網(wǎng)絡(luò)信息資源進(jìn)行有效歸類及整理，還要正確理解人們想要的究竟是什么資源，本研究的重點(diǎn)是怎么從大量的信息中找到自己想要的信息。

1　本體技術(shù)應(yīng)用到文獻(xiàn)資源智能檢索系統(tǒng)的必要性

1.1現(xiàn)有檢索技術(shù)不能滿足信息發(fā)展所需

現(xiàn)在，大部分的檢索技術(shù)都是通過關(guān)鍵詞進(jìn)行查找。指的是人們寫上關(guān)鍵詞以后，系統(tǒng)就會根據(jù)你寫的詞語在文獻(xiàn)中進(jìn)行查找。如果你寫的這個詞語有好幾個意思，檢準(zhǔn)率就會受到一定的影響。因此，通過關(guān)鍵詞語來查找信息數(shù)據(jù)，對一詞多義的詞語理解能力還沒有那么高，最后查到的結(jié)果會不全而且不準(zhǔn)，達(dá)不到人們的要求。通過主題分類進(jìn)行檢索，指人們通過建立好的主題進(jìn)行查找，但這種方法對信息更新不太方便。以前的信息檢索，因?yàn)榇蟛糠侄际鞘褂靡粚σ坏姆椒?，就會有很多檢錯或者漏檢的情況發(fā)生，因?yàn)橄到y(tǒng)沒有辦法真正理解詞語的多重意思，只能通過人們寫的關(guān)鍵詞進(jìn)行一對一的檢查。而且現(xiàn)在人們對信息質(zhì)量的要求越來越高，要快而準(zhǔn)地找到所需信息是必然要求，所以要快速找到能夠正確理解語義概念的檢索技術(shù)來解決這個問題。

1.2本體檢索技術(shù)優(yōu)勢所在

通過研究發(fā)現(xiàn)，人們感覺到了運(yùn)用語義檢索的好處，使用語義讓檢索更加全面正確，越來越能滿足人們的要求[2]。本體通過語義在智能檢索系統(tǒng)中形成抽象的概念，通過本體為技術(shù)核心來建立一個模型，把那些有用的信息資源進(jìn)行標(biāo)注，讓系統(tǒng)對那些領(lǐng)域內(nèi)原來不熟悉的東西進(jìn)行抽象的認(rèn)識，這樣讓系統(tǒng)的理解想象能力大為增強(qiáng)，準(zhǔn)確性也大大提高，能夠快而準(zhǔn)地查找到人們想要的信息，而且還可以讓系統(tǒng)內(nèi)的全部用戶對此有更深刻全面的認(rèn)識。所以，本體是語義網(wǎng)必不可少的組成部分，語義上信息之間的分享和交換都需要通過它來完成。本體已經(jīng)成為智能信息檢索的一種方式，是組成智能檢索系統(tǒng)的主要組成部分。本體還有非常好的層次感和對一些邏輯的推理功能，所以在智能信息檢索中被人們大力推廣。

2　海量學(xué)術(shù)文獻(xiàn)資源智能檢索中使用的關(guān)鍵技術(shù)

2.1數(shù)據(jù)存儲技術(shù)

我們都知道有條理的信息庫會非常方便人們查找信息，并且檢索效率也非常高。HTML為Web提供了非常多的信息，HTML語言在很大程度上加快了WWW的進(jìn)程[3]，然而因?yàn)镠TML沒有層次結(jié)構(gòu)，只是考慮每個元素有沒有顯示出來，并不關(guān)心顯示的是什么意思，也就是所謂的語義，因此HTML語言無法推廣到實(shí)際運(yùn)用中。目前新出的標(biāo)記語言XML有著非常多的好處并且很實(shí)用，得到了用戶的一致好評，XML會慢慢代替HTML成為WWW上的主要語言。

XML（eXtensible Markup Language，可擴(kuò)展標(biāo)記語言）是通過W3C在1998年2月頒布的一種定義，和HTML類似，是組成SGML的一小部分[4]。因?yàn)閄ML可以把數(shù)據(jù)信息表達(dá)出來而HTML不能，因此很多重要的部門組織機(jī)構(gòu)以及網(wǎng)絡(luò)營銷等都在使用它。XML可以讓整體以及個人創(chuàng)建屬于自己的標(biāo)記信息，而且能夠非?？斓剡\(yùn)用。現(xiàn)在人們通過XML來評判信息和數(shù)據(jù)之間的準(zhǔn)確性，大部分應(yīng)用程序都開始向XML進(jìn)行轉(zhuǎn)換，例如從PDF到XML、WORD到XML等。所以智能信息檢索系統(tǒng)的數(shù)據(jù)運(yùn)用XML文檔進(jìn)行更加有利。

2.2語義推理

智能信息檢索與以前的方式相比，非常顯著的一點(diǎn)就是運(yùn)用了語義信息，讓檢索更為明白。領(lǐng)域的自身構(gòu)造特點(diǎn)以及文檔信息的整理存檔是系統(tǒng)語義推理必不可少的組成部分。智能信息檢索系統(tǒng)中的語義也可以把它叫做機(jī)器語義，它和我們平常說話所說的語言是不一樣的。平常說的語義是人們關(guān)于某些概念所聯(lián)想到的感受，有著多變的、不間斷的還有不太準(zhǔn)確這些特征，就像人們看見了“春天”這個詞語，人們腦海中就會浮現(xiàn)與春天相關(guān)的信息，是“一年之計(jì)在于春”，也可能是“春暖花開，寒冷的冬天要結(jié)束了”[5]。但計(jì)算機(jī)看到春天并沒有這些想法，對計(jì)算機(jī)來說就是個符號標(biāo)志。計(jì)算機(jī)系統(tǒng)只能看懂一些比較簡單的邏輯表達(dá)，所以，機(jī)器語義大部分是指每個符號和對象之間的聯(lián)系，這些符號就是自然語言中人們所免俗的那些對象。領(lǐng)域本體說的是此領(lǐng)域內(nèi)概念之間的邏輯關(guān)系，讓語義推理有規(guī)則可循，用XML這個方式存的信息就是需要用來推理的。簡明扼要地說，語義推理過程就是讓計(jì)算機(jī)認(rèn)識并且讀懂領(lǐng)域內(nèi)所表達(dá)的概念，再根據(jù)上面所說的方法來找到信息庫中人們需要的信息。

以前通過關(guān)鍵詞來檢查信息的方法一旦出現(xiàn)錯誤就會功虧一簣，然而智能信息檢索如果沒有檢索成功，通過本體來對這些信息進(jìn)行推算，還可以再繼續(xù)進(jìn)行檢索，會回到信息庫中與實(shí)際結(jié)果最近的地方。

2.3檢索結(jié)果排序

關(guān)于檢索結(jié)果的順序問題，是信息檢索出來最后才需要完成的，更是信息檢索系統(tǒng)非常重要的一步。現(xiàn)在的信息技術(shù)突飛猛進(jìn)，假如沒有非常實(shí)用的排序方法，就會容易地讓人們在信息中找不到自我。如果在CNKI上查找“本體”，就會出現(xiàn)1827條相關(guān)記錄。

信息檢索通過本體來完成，使用智能信息檢索，如果是某個要查找的詞語，把返回的信息進(jìn)行整理排序，讓最接近的信息放在最前面。智能信息檢索系統(tǒng)檢查出來的結(jié)果通過語義進(jìn)行擴(kuò)展，不但能檢查到人們寫的關(guān)鍵詞信息，還能檢查到與該詞語意思相近的以及附近的詞語[6]。不一樣的信息人們寫檢索詞的方式都不一樣，系統(tǒng)會通過信息之間的關(guān)系來進(jìn)行整理順序。

3　基于本體的海量學(xué)術(shù)文獻(xiàn)資源智能檢索系統(tǒng)設(shè)計(jì)

在領(lǐng)域本體基礎(chǔ)上構(gòu)建的學(xué)術(shù)文獻(xiàn)資源智能檢索系統(tǒng)，不僅充分利用了領(lǐng)域本體的知識組織優(yōu)勢，而且還使用了相似度算法以及自然語言處理技術(shù)，實(shí)現(xiàn)了學(xué)術(shù)文獻(xiàn)資源的智能化檢索，不僅使檢索效率得到顯著提高，同時還提升了用戶滿意度。

3.1結(jié)構(gòu)設(shè)計(jì)

人們在現(xiàn)代化企業(yè)生產(chǎn)過程中，最基本的信息處理措施是建立一個Intranet，該網(wǎng)絡(luò)是由一組客戶機(jī)連接形成的，使用的協(xié)議是HTTP以及TCP/IP協(xié)議。為了確保該網(wǎng)絡(luò)的安全，會在網(wǎng)絡(luò)與外界之間設(shè)置多道防火墻[7]。筆者為了確保設(shè)計(jì)的學(xué)術(shù)文獻(xiàn)資源智能檢索系統(tǒng)能正常運(yùn)行在Intranet上，特別引入了本體的理論，系統(tǒng)具體的結(jié)構(gòu)如圖1所示。

圖1　智能檢索系統(tǒng)結(jié)構(gòu)

構(gòu)建的智能檢索系統(tǒng)采用的模型是“客戶-服務(wù)器”型，內(nèi)容包括輸出和輸入界面、啟發(fā)式表達(dá)式、查詢條件轉(zhuǎn)換器、本體以及本體解析代理。用戶在客戶端可以進(jìn)行查詢條件的輸入操作；用Java的小應(yīng)用程序可以完成輸入界面的編寫，基于Java的編程便于瀏覽器的調(diào)用；輸出界面能把系統(tǒng)的查詢結(jié)果返回給用戶，其實(shí)就是一張由服務(wù)器自動建立的二維表，該二維表的存放格式可以是HTML文件，也可以是文檔形式，用戶通過客戶端對存儲的文件進(jìn)行訪問就可以得到查詢結(jié)果。

在服務(wù)器的一端存放系統(tǒng)的核心部分，主要內(nèi)容包括啟發(fā)式表達(dá)式、本體解析代理、查詢條件轉(zhuǎn)換器以及本體論。其中啟發(fā)式表達(dá)式是在本體論基礎(chǔ)上的一組公式，用于啟發(fā)信息檢索過程，體現(xiàn)了與傳統(tǒng)查詢系統(tǒng)的區(qū)別。本體解析代理能對系統(tǒng)本體進(jìn)行自動擴(kuò)展[8]。查詢條件轉(zhuǎn)換器負(fù)責(zé)對用戶提交的查詢條件進(jìn)行接收，并充分結(jié)合啟發(fā)式表達(dá)式，形成本體論的操作指令之后，對本體論進(jìn)行查找，得出查詢結(jié)果后進(jìn)行二維表的構(gòu)建并反饋給客戶端。本體論的內(nèi)容包括本體論結(jié)構(gòu)和數(shù)據(jù)，其中本體論結(jié)構(gòu)是對各概念的數(shù)據(jù)結(jié)構(gòu)進(jìn)行描述，本體論數(shù)據(jù)包括領(lǐng)域、員工等相互聯(lián)系的信息和相關(guān)數(shù)據(jù)，以上本體論數(shù)據(jù)和結(jié)構(gòu)都在服務(wù)器的數(shù)據(jù)庫中存放。XOL文檔是對本體進(jìn)行描述的，修改保存該文檔之后，本體接續(xù)帶來會把該文檔進(jìn)行自動的解析和存儲，實(shí)現(xiàn)系統(tǒng)本體的修改和擴(kuò)充。

3.2系統(tǒng)功能

系統(tǒng)資源管理功能主要是對圖書館數(shù)據(jù)庫中的文獻(xiàn)資源進(jìn)行管理，首先要語義標(biāo)注這些科技文獻(xiàn)，通過索引庫的構(gòu)建，提供資源支持后續(xù)的智能檢索模塊。語義檢索的思路主要是把定義的領(lǐng)域本體對科技文獻(xiàn)的篇名、摘要、關(guān)鍵字等領(lǐng)域概念進(jìn)行標(biāo)注，并把相關(guān)度權(quán)值賦予到這些概念中，然后把這些領(lǐng)域概念、相關(guān)度權(quán)值提取出來并在索引庫中存儲。索引庫中包含的內(nèi)容為文獻(xiàn)資源的標(biāo)注信息和索引信息，為檢索匹配和查詢擴(kuò)展過程提供保障。

用戶在檢索系統(tǒng)中完成檢索詞輸入操作之后，對查詢語句系統(tǒng)可以自動開展句法和詞法分析，并充分結(jié)合相關(guān)的專業(yè)術(shù)語，把系統(tǒng)可理解的檢索詞生成出來，然后查找檢索詞對應(yīng)的本體，根據(jù)概念描述和相似度算法，擴(kuò)展處理用戶的檢索詞，把滿足閾值的重要關(guān)鍵詞提取出來，根據(jù)索引庫中的文獻(xiàn)索引信息系統(tǒng)可以自動地進(jìn)行匹配操作，獲取相應(yīng)的檢索文獻(xiàn)列表，然后通過智能排序算法進(jìn)行檢索結(jié)果集合的排序，并把最終結(jié)果呈現(xiàn)在用戶面前。

3.3本體構(gòu)建

在本體論基礎(chǔ)上構(gòu)建的智能檢索系統(tǒng)，與其他檢索系統(tǒng)最明顯的區(qū)別就是本體的應(yīng)用。系統(tǒng)開發(fā)過程中，最重要也是最基礎(chǔ)的工作是建立本體，構(gòu)建本體的方式可以分為3種，分別為從上到下、從特殊到一般、兩者融合的方式。其中從上到下是始于最一般化的類別，通過往下細(xì)分把特殊化的類別挑選出來；從特殊到一般是始于最特殊化的類別，按照類別的特性往上把一般化的類別歸納出來；兩者融合的方式是以上兩種方式的綜合。

在本體基礎(chǔ)上構(gòu)建的海量學(xué)術(shù)文獻(xiàn)資源智能檢索系統(tǒng)一共定義了兩個領(lǐng)域本體，分別為文獻(xiàn)本體以及計(jì)算機(jī)語義詞典本體。從文獻(xiàn)本體來說，主要是針對在線信息檢索開展在語義推理，對用戶輸入的檢索詞利用文獻(xiàn)本體梳理存在的隱含關(guān)系，圖2給出了文獻(xiàn)本體的相關(guān)片段。

圖2　文獻(xiàn)本體片段

計(jì)算機(jī)語義詞典本體主要是語義推理文獻(xiàn)資源的離線部分，把檢索到論文元數(shù)據(jù)提取出來，并描述其中隱含的信息，并在論文元數(shù)據(jù)庫中進(jìn)行存儲。在構(gòu)建領(lǐng)域語義詞典本體時，要采用實(shí)用的原則，并在運(yùn)行中實(shí)現(xiàn)系統(tǒng)的完善。圖3給出了計(jì)算機(jī)語義詞典本體的部分片段。

圖3　計(jì)算機(jī)語義文獻(xiàn)本體片段

3.4檢索過程

設(shè)計(jì)的智能檢索系統(tǒng)具體檢索過程如下：首先，語義標(biāo)注文獻(xiàn)資源，利用領(lǐng)域本體標(biāo)引該領(lǐng)域的文獻(xiàn)，通過索引庫的構(gòu)建，提供后續(xù)資源支持智能檢索模塊；其次，檢索詞輸入完成之后，系統(tǒng)對檢索關(guān)鍵詞進(jìn)行語義轉(zhuǎn)換；第三，根據(jù)轉(zhuǎn)換的檢索關(guān)鍵詞查找相應(yīng)的本體，根據(jù)本體間關(guān)系的描述以及相似度算法，擴(kuò)展用戶檢索詞并生成檢索詞集合；第四；把滿足閾值的關(guān)鍵檢索詞從檢索詞集合中挑選出來，根據(jù)索引庫中的文獻(xiàn)索引信息系統(tǒng)可以進(jìn)行自動匹配，可以在界面顯示檢索詞相關(guān)度較高的文獻(xiàn)資源列表，通過智能排序算法系統(tǒng)直接對檢索結(jié)果進(jìn)行排序，并把最終結(jié)果反饋給用戶；最后，針對獲得的檢索結(jié)果，用戶要開展評價(jià)，如果對檢索結(jié)果不滿意則重新輸入檢索詞開展新的檢索。

4　基于本體的海量學(xué)術(shù)文獻(xiàn)資源智能檢索系統(tǒng)設(shè)計(jì)關(guān)鍵問題

4.1本體的管理與服務(wù)

本體概念體系的構(gòu)建是智能檢索系統(tǒng)實(shí)現(xiàn)的基礎(chǔ)，所以首先要解決本體的構(gòu)建問題，通過形式化描述構(gòu)建好的本體，對概念相關(guān)度矩陣進(jìn)行構(gòu)建，并提供服務(wù)保障系統(tǒng)其他模塊的運(yùn)行。本體是智能檢索系統(tǒng)的技術(shù)支撐，能對用戶檢索意圖進(jìn)行理解，有效提升檢索效率。在整個檢索系統(tǒng)中，本模塊既是基礎(chǔ)又是強(qiáng)有力的支撐，要實(shí)現(xiàn)的功能如下：首先，按照構(gòu)建方法，在領(lǐng)域?qū)＜业膮f(xié)助下，使用構(gòu)建工具，把某領(lǐng)域的本體構(gòu)建出來，并按照一定的數(shù)據(jù)庫和文件方式存儲本體；其次，對構(gòu)建好的本體要能夠?qū)崿F(xiàn)更新操作，目前主要由手工操作完成更新，但要把這些功能接口保留在代碼中，便于日后自動更新操作的實(shí)現(xiàn)；再次，讀取存儲的本體并把其中的實(shí)例、關(guān)系等解析出來；最后，提供檢索、查詢預(yù)處理以及文檔預(yù)處理服務(wù)，把各模塊的接口預(yù)留出來，并最終實(shí)現(xiàn)模塊間的交互。

4.2信息資源的獲取

網(wǎng)頁資源是智能檢索系統(tǒng)的對象，所以要確保能有足夠的Web信息可供檢索，信息采集模塊可以完成這一任務(wù)?；ヂ?lián)網(wǎng)的特性為開放性、分布性以及動態(tài)性，但同時網(wǎng)頁上有多樣化的信息組織格式，不利于信息的獲取，所以要引入專門的采集信息工具，在本地的網(wǎng)頁資源文檔庫中收集各種存儲介質(zhì)信息，提供文檔預(yù)處理的素材。這個專門的信息采集工具實(shí)際上就是一個網(wǎng)絡(luò)應(yīng)用程序，通過編程完成網(wǎng)頁信息的下載，具體的設(shè)計(jì)要求如下：能發(fā)現(xiàn)新的鏈接并添加到待下載隊(duì)列中，程序要具有可配置性，存儲和管理下載的網(wǎng)頁數(shù)據(jù)，支持對網(wǎng)頁的分析和索引，能夠更新檢查下載的歷史網(wǎng)頁。

4.3文檔的預(yù)處理

在信息檢索中文檔預(yù)處理是很重要的一環(huán)，其結(jié)果好壞對信息檢索的結(jié)果產(chǎn)生直接的影響。在文檔預(yù)處理階段，語義檢索系統(tǒng)的檢索功能能否實(shí)現(xiàn)語義向量抽取是其中的關(guān)鍵。

中文文檔的語句是由連續(xù)漢字組成的，并沒有連續(xù)的詞語邊界標(biāo)志，如果檢索系統(tǒng)不具備中文分詞能力，給出的檢索結(jié)果會囊括一些無關(guān)的內(nèi)容，相應(yīng)地降低檢索準(zhǔn)確度。為了使系統(tǒng)性能得到提高，要求系統(tǒng)具備中文分詞功能。系統(tǒng)對抽取信息后的網(wǎng)頁對象執(zhí)行分詞處理，通過索引的設(shè)計(jì)可以使檢索速度得到加快，更快地定位網(wǎng)頁，使計(jì)算開銷得到有效的減少。索引項(xiàng)是索引的最小信息單位，除了文檔內(nèi)容之外索引項(xiàng)包含的信息還有建立時間、編碼格式等。

5　結(jié)語

面對海量學(xué)術(shù)文獻(xiàn)資源中存在的檢索和管理問題，筆者在本體理論的基礎(chǔ)上，與語義信息相結(jié)合，著重解決了機(jī)器理解語義信息的難題。在本體論基礎(chǔ)上實(shí)現(xiàn)的海量學(xué)術(shù)文獻(xiàn)資源智能檢索系統(tǒng)，在一定意義上能給其他類似系統(tǒng)提供借鑒。

[1]王峰，汪華方.數(shù)字圖書館信息檢索技術(shù)的智能化發(fā)展趨勢[J].現(xiàn)代情報(bào)，2008（11）：93-95，99.

[2]楊月華，杜軍平，平源.基于本體的智能信息檢索系統(tǒng)[J].軟件學(xué)報(bào)，2015（7）：46-49.

[3]陳欣，李曉菲.基于領(lǐng)域本體的專業(yè)文獻(xiàn)信息檢索研究[J].現(xiàn)代圖書情報(bào)技術(shù)，2009（7）：59-64.

[4]王昊，谷俊，蘇新寧.本體驅(qū)動的知識管理系統(tǒng)模型及其應(yīng)用研究[J].中國圖書館學(xué)報(bào)，2013（1）：36-38.

[5]李飛，趙世霞.基于本體的語義信息檢索技術(shù)的研究[J].信息與電腦，2010（6）：106-107.

[6]馬斌，等.基于本體的智能語義檢索模型設(shè)計(jì)與研究[J].情報(bào)科學(xué)，2015（2）：73-74.

[7]龐觀松，張黎莎，蔣盛益.跨語言智能學(xué)術(shù)搜索系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].山東大學(xué)學(xué)報(bào)：工學(xué)版，2011（10）：70-76.

[8]賀德方，曾建勛.基于語義的館藏資源深度聚合研究[J].中國圖書館學(xué)報(bào)，2012（7）：113-116.

劉敏健女，1976年生，助理館員。研究方向：數(shù)字圖書館、讀者服務(wù)。

TP391.1

（2016-03-14；責(zé)編：王天泥。）