，

2012年5月17日，谷歌正式推出知識(shí)圖譜(Knowledge Graph)項(xiàng)目，針對(duì)互聯(lián)網(wǎng)上的網(wǎng)頁(yè)信息世界，試圖通過(guò)真實(shí)世界中存在的各種實(shí)體和概念進(jìn)行知識(shí)描述和檢索，從而代替?zhèn)鹘y(tǒng)的字符串匹配檢索，創(chuàng)造全新的信息檢索模式[1]。國(guó)內(nèi)外的互聯(lián)網(wǎng)搜索引擎公司緊隨其后紛紛構(gòu)建了自己的知識(shí)圖譜，如微軟的Probase、搜狗的“知立方”、百度的“知心”等，知識(shí)圖譜已經(jīng)成為構(gòu)建下一代智能化搜索引擎的基礎(chǔ)。

盡管在學(xué)術(shù)界和工業(yè)界，有關(guān)知識(shí)圖譜的研究與應(yīng)用不斷升溫，并且出現(xiàn)一些知識(shí)圖譜產(chǎn)品，但在國(guó)防科研領(lǐng)域尚缺乏知識(shí)圖譜構(gòu)建的成熟解決方案。本文在研究知識(shí)圖譜的概念和現(xiàn)有構(gòu)建技術(shù)的基礎(chǔ)上，結(jié)合國(guó)防科技文獻(xiàn)特點(diǎn)，提出了從科研本體模式構(gòu)建知識(shí)圖譜的思路，并以權(quán)威科技文摘數(shù)據(jù)為對(duì)象開(kāi)展了知識(shí)圖譜構(gòu)建實(shí)踐。

1 知識(shí)圖譜概念及構(gòu)建技術(shù)框架

1.1 知識(shí)圖譜概念

知識(shí)圖譜(Knowledge Graph)是結(jié)構(gòu)化的語(yǔ)義知識(shí)庫(kù)，用于以符號(hào)形式描述物理世界的概念及其相關(guān)關(guān)系，其基本組成單位是“實(shí)體-關(guān)系-實(shí)體”三元組，以及實(shí)體及其相關(guān)“屬性-值對(duì)”，實(shí)體間通過(guò)關(guān)系相關(guān)聯(lián)結(jié)，構(gòu)成網(wǎng)狀的知識(shí)結(jié)構(gòu)[2]。

一般來(lái)說(shuō)，知識(shí)圖譜是由具有屬性的實(shí)體通過(guò)關(guān)系鏈接而成的網(wǎng)狀知識(shí)庫(kù)，可以看作是一張巨大的圖，圖的特征更明顯一些，譜的特征相對(duì)較弱。這張圖中的節(jié)點(diǎn)表示實(shí)體或概念，圖中的邊則構(gòu)成關(guān)系，是一種有效的知識(shí)表達(dá)形式。

知識(shí)圖譜和本體結(jié)構(gòu)非常類(lèi)似，但將其與本體概念進(jìn)行比較后可以發(fā)現(xiàn)，知識(shí)圖譜并不是本體的替代品，相反它是在本體的基礎(chǔ)上進(jìn)行了豐富和擴(kuò)充，這種擴(kuò)充主要體現(xiàn)在實(shí)體(Entity)層面。本體中突出和強(qiáng)調(diào)的是概念以及概念之間的關(guān)聯(lián)關(guān)系，描述的知識(shí)圖譜的數(shù)據(jù)模式(Schema)，即為知識(shí)圖譜構(gòu)建數(shù)據(jù)模式相當(dāng)于為其構(gòu)建本體；而知識(shí)圖譜則是在本體的基礎(chǔ)上，增加了更加豐富的關(guān)于實(shí)體的信息。

1.2 知識(shí)圖譜構(gòu)建方法

知識(shí)圖譜在邏輯上分為數(shù)據(jù)層和模式層，模式層是知識(shí)圖譜的核心，主要對(duì)圖譜中的知識(shí)節(jié)點(diǎn)進(jìn)行定義和規(guī)范，同時(shí)對(duì)知識(shí)節(jié)點(diǎn)之間的關(guān)系定義描述和約束；數(shù)據(jù)層則是在模式層約束下，對(duì)大數(shù)據(jù)資源進(jìn)行“實(shí)體-關(guān)系-實(shí)體”或者“實(shí)體-屬性-屬性值”描述，最終形成龐大的知識(shí)網(wǎng)絡(luò)。知識(shí)圖譜構(gòu)建主要是利用現(xiàn)有大數(shù)據(jù)資源和知識(shí)抽取等技術(shù)，獲取知識(shí)圖譜模式結(jié)構(gòu)并構(gòu)建關(guān)聯(lián)網(wǎng)絡(luò)，最終完成知識(shí)圖譜構(gòu)建。有學(xué)者[3]給出了知識(shí)圖譜的構(gòu)建和維護(hù)流程(圖1)。

圖1知識(shí)圖譜構(gòu)建與更新流程

國(guó)內(nèi)有學(xué)者[3]把知識(shí)圖譜構(gòu)建過(guò)程分為自頂向下和自底向上兩種模式。其中，自頂向下構(gòu)建是指借助已有權(quán)威知識(shí)，在專(zhuān)家干預(yù)之下獲取模式信息，按照模式信息對(duì)數(shù)據(jù)資源進(jìn)行加工，形成知識(shí)圖譜；自底向上構(gòu)建則是指借助一定技術(shù)手段，從數(shù)據(jù)資源中獲取實(shí)體/概念及關(guān)系，利用統(tǒng)計(jì)學(xué)原理選擇其中置信度較高的新模式，經(jīng)人工審核之后形成知識(shí)庫(kù)?？傊?，隨著大數(shù)據(jù)時(shí)代的到來(lái)，知識(shí)抽取和知識(shí)加工技術(shù)的不斷成熟，知識(shí)圖譜構(gòu)建基本是由專(zhuān)家、數(shù)據(jù)、技術(shù)結(jié)合而進(jìn)行的螺旋式進(jìn)化和迭代式更新的過(guò)程，已經(jīng)很難區(qū)分是從自頂向下還是自底向上。

1.3 知識(shí)圖譜構(gòu)建關(guān)鍵技術(shù)

大數(shù)據(jù)信息環(huán)境為知識(shí)圖譜構(gòu)建提供了豐富的資源基礎(chǔ)，大數(shù)據(jù)技術(shù)的迅速發(fā)展不斷推動(dòng)知識(shí)圖譜構(gòu)建工作向工程化和自動(dòng)化發(fā)展，其中信息抽取、知識(shí)融合、知識(shí)推理等是影響知識(shí)圖譜構(gòu)建的關(guān)鍵技術(shù)[3]。

信息抽取是自然語(yǔ)言處理研究中的一個(gè)重要領(lǐng)域，主要實(shí)現(xiàn)從半結(jié)構(gòu)化、無(wú)結(jié)構(gòu)化的自由文本或其他信息資源中抽取出結(jié)構(gòu)化的、無(wú)二義性信息。在知識(shí)圖譜構(gòu)建中主要完成從半結(jié)構(gòu)化和無(wú)結(jié)構(gòu)數(shù)據(jù)中抽取實(shí)體、關(guān)系以及實(shí)體屬性等結(jié)構(gòu)化信息，主要涉及命名實(shí)體識(shí)別、關(guān)系抽取、屬性抽取等技術(shù)。命名實(shí)體識(shí)別是指從文本中自動(dòng)識(shí)別并抽取出特定的實(shí)體信息[3]，如人物、地點(diǎn)、機(jī)構(gòu)、時(shí)間等；關(guān)系和屬性抽取則是根據(jù)已經(jīng)識(shí)別出的實(shí)體，按照一定句法和句式自動(dòng)識(shí)別出實(shí)體與實(shí)體之間的關(guān)系，以及實(shí)體自身附著的特性信息。

知識(shí)融合是將不同來(lái)源的事實(shí)知識(shí)準(zhǔn)確、有效地合并到知識(shí)倉(cāng)儲(chǔ)中，并保證知識(shí)描述的一致性。為此，知識(shí)融合過(guò)程要準(zhǔn)確識(shí)別待合并事實(shí)知識(shí)與已有知識(shí)重復(fù)和相矛盾的部分，并采取適當(dāng)?shù)拇胧┻M(jìn)行處理，保證知識(shí)的一致性、無(wú)冗余、無(wú)矛盾。在知識(shí)圖譜構(gòu)建過(guò)程中主要是對(duì)抽取出的實(shí)體、關(guān)系以及屬性信息進(jìn)行概念消歧、冗余剔出和知識(shí)準(zhǔn)確性檢查，主要涉及實(shí)體消歧、共指消解、知識(shí)合并等技術(shù)[3]。

知識(shí)推理是在知識(shí)表達(dá)的基礎(chǔ)上，進(jìn)行機(jī)器思維求解問(wèn)題，實(shí)現(xiàn)知識(shí)推理的智能操作過(guò)程，是目前的技術(shù)難點(diǎn)[3]。在知識(shí)圖譜構(gòu)建過(guò)程中，主要通過(guò)干預(yù)和機(jī)器學(xué)習(xí)實(shí)現(xiàn)知識(shí)圖譜的更新和自我進(jìn)化，是目前知識(shí)圖譜工程化和自動(dòng)化的難點(diǎn)，涉及到的技術(shù)包括自然語(yǔ)言學(xué)習(xí)、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等技術(shù)。

2 科研本體

本體是對(duì)概念進(jìn)行建模的規(guī)范，是描述客觀(guān)世界的抽象模型，旨在以形式化方式對(duì)概念及其之間的關(guān)系給出明確定義?？蒲斜倔w目前沒(méi)有統(tǒng)一的定義，通常是以科研信息活動(dòng)為描述對(duì)象，揭示和反映領(lǐng)域科研活動(dòng)主體及各科研對(duì)象之間的聯(lián)系，如科研人員、科研機(jī)構(gòu)、科研成果、科學(xué)會(huì)議、科研設(shè)備等各種對(duì)象屬性及其相互之間的本質(zhì)聯(lián)系，是支持科研人員從海量科技文獻(xiàn)中進(jìn)行知識(shí)發(fā)現(xiàn)的基礎(chǔ)。

2.1 書(shū)目本體

從科技文獻(xiàn)入手進(jìn)行科研本體構(gòu)建最早來(lái)源于書(shū)目本體。20世紀(jì)90年代初，斯坦福人工智能研究的著名學(xué)者Tom Gruber用LISP語(yǔ)言定義了書(shū)目數(shù)據(jù)的本體模型[4]。很多學(xué)者都嘗試?yán)谜Z(yǔ)義網(wǎng)技術(shù)實(shí)現(xiàn)書(shū)目信息的本體化[5-6]。國(guó)內(nèi)學(xué)者王軍采用了SKOS Core的所有類(lèi)和關(guān)系構(gòu)建了KVision書(shū)目本體，并提供了主要類(lèi)和關(guān)系如圖2(圖片素材來(lái)自于文獻(xiàn)[7])。

圖2 KVision本體

該本體中定義了文獻(xiàn)(Document)、概念(Concept)、作者(Author)、出版機(jī)構(gòu)(Press)等實(shí)體類(lèi)型。在關(guān)系的定義中，主要包括兩個(gè)方面，一是繼承主題詞表中概念間用代屬分參關(guān)系，二是利用文獻(xiàn)與概念、文獻(xiàn)與作者、文獻(xiàn)與出版社之間形成的固有關(guān)系進(jìn)行定義。本體實(shí)例則是通過(guò)海量的文獻(xiàn)元數(shù)據(jù)進(jìn)行填充。KVision最終用于概念瀏覽和簡(jiǎn)單語(yǔ)義檢索支持?？傊瑫?shū)目本體更關(guān)注于文獻(xiàn)這個(gè)核心，通過(guò)與文獻(xiàn)與文獻(xiàn)附屬的科研實(shí)體之間的關(guān)系進(jìn)行關(guān)聯(lián)擴(kuò)展，相對(duì)簡(jiǎn)單，因而對(duì)語(yǔ)義檢索的支持相對(duì)較弱。

2.2 VIVO科學(xué)家本體

VIVO是康奈爾大學(xué)圖書(shū)館于2004年啟動(dòng)的項(xiàng)目，后期利用RDF、OWL、Jena和SPARQL等技術(shù)進(jìn)行改造，最終形成了面向科學(xué)和學(xué)術(shù)交流的科學(xué)家語(yǔ)義網(wǎng)絡(luò)，即VIVO科學(xué)家本體，主要用來(lái)促進(jìn)科研人員的科研網(wǎng)絡(luò)化協(xié)作[8]。該本體結(jié)構(gòu)以歐美教育體系為原型，以促進(jìn)科研人員的科研網(wǎng)絡(luò)化和協(xié)作為目標(biāo)，描述內(nèi)容覆蓋康奈爾大學(xué)所有院系的教員、科研人員和學(xué)科信息，分為人員、機(jī)構(gòu)、學(xué)術(shù)活動(dòng)和科研。VIVO本體由核心本體(VIVO Core)和一些大眾本體(BIBO，F(xiàn)OAF，SKOS等)構(gòu)成，內(nèi)容重點(diǎn)關(guān)注科學(xué)家的學(xué)術(shù)、教育與服務(wù)等方面。如學(xué)術(shù)方面的教育背景、出版物、專(zhuān)業(yè)領(lǐng)域、資助，教育方面開(kāi)設(shè)的課程、報(bào)告會(huì)、培訓(xùn)等，服務(wù)方面的組織會(huì)議、參加編委會(huì)、學(xué)術(shù)社團(tuán)服務(wù)等。

VIVO集成了不同本體中大量的類(lèi)，圍繞學(xué)術(shù)這個(gè)中心進(jìn)行數(shù)據(jù)建模，主要實(shí)體類(lèi)型除了傳統(tǒng)的機(jī)構(gòu)(Organization)、概念(Concept)、學(xué)者(Person)、期刊(Journal)外，還包括與學(xué)者相關(guān)的教學(xué)(Teaching)、教育培訓(xùn)(Education and Training)、獲獎(jiǎng)(Award)、資助(Grant)等[9]。這些類(lèi)之間通過(guò)對(duì)象類(lèi)型屬性形成了復(fù)雜的學(xué)術(shù)知識(shí)網(wǎng)絡(luò)。

2.3 科研本體

隨著文獻(xiàn)數(shù)據(jù)量的大幅提升，特別是文獻(xiàn)計(jì)量方法和社會(huì)網(wǎng)絡(luò)分析方法的廣泛應(yīng)用，科學(xué)研究活動(dòng)中學(xué)者的關(guān)注點(diǎn)逐漸從獲取全文文獻(xiàn)轉(zhuǎn)變?yōu)槲墨I(xiàn)引證分析和科研主體實(shí)例分析。在這樣的背景下，各大出版商、服務(wù)商和信息服務(wù)科研機(jī)構(gòu)迅速推進(jìn)知識(shí)服務(wù)創(chuàng)新，圍繞科研信息活動(dòng)中涉及的對(duì)象與關(guān)系，按照自身服務(wù)需求構(gòu)建科研本體，在創(chuàng)新文獻(xiàn)檢索服務(wù)的基礎(chǔ)上開(kāi)展科研實(shí)體分析服務(wù)。

信息出版和服務(wù)主要圍繞所占有的海量文獻(xiàn)開(kāi)展服務(wù)，因此在科研本體建設(shè)方面仍然圍繞文獻(xiàn)這個(gè)核心實(shí)體，從文獻(xiàn)元數(shù)據(jù)中所描述的作者、作者單位、基金、文獻(xiàn)出處、主題概念、文獻(xiàn)分類(lèi)、引文、共被引文獻(xiàn)、共引文獻(xiàn)等方面進(jìn)行知識(shí)對(duì)象定義，利用文獻(xiàn)及其之間的關(guān)系將知識(shí)對(duì)象關(guān)聯(lián)形成知識(shí)網(wǎng)節(jié)，提高用戶(hù)在相關(guān)知識(shí)對(duì)象之間跳轉(zhuǎn)的友好性；通過(guò)檢索結(jié)果中對(duì)知識(shí)對(duì)象的統(tǒng)計(jì)分析幫助用戶(hù)快速獲取情報(bào)信息，從定量情報(bào)分析角度運(yùn)用文獻(xiàn)信息，并輔以可視化展示。

國(guó)外以EI、SCI等權(quán)威數(shù)據(jù)庫(kù)服務(wù)為代表，國(guó)內(nèi)則以清華同方、萬(wàn)方數(shù)據(jù)、維普三大數(shù)據(jù)服務(wù)商為龍頭。其中萬(wàn)方公司圍繞學(xué)科、主題、人物、機(jī)構(gòu)、基金五要素構(gòu)建檢索服務(wù)體系的脈絡(luò)，以科學(xué)為紐帶，組成各個(gè)要素之間的相互關(guān)聯(lián)關(guān)系，構(gòu)成知識(shí)關(guān)聯(lián)網(wǎng)絡(luò)，各知識(shí)庫(kù)詳細(xì)描述各要素信息，形成知識(shí)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)與所有放射狀箭頭所指的節(jié)點(diǎn)形成“以點(diǎn)帶面”的知識(shí)庫(kù)(圖3)[10]。

圖3 知識(shí)關(guān)聯(lián)“五要素”

信息服務(wù)科研機(jī)構(gòu)以支撐科研活動(dòng)為使命，在科研本體建設(shè)方面?zhèn)戎赜诮Y(jié)合自身科研活動(dòng)特征需求進(jìn)行科研本體設(shè)計(jì)。科技部組織的“面向外文科技文獻(xiàn)信息的知識(shí)組織體系”項(xiàng)目中，科技知識(shí)組織系統(tǒng)(Science& Techology Knowledge Organization System，STKOS)科研本體以國(guó)外重要科技機(jī)構(gòu)、核心科技人員、主要科技期刊、國(guó)際重要會(huì)議為主體構(gòu)建，涵蓋理工農(nóng)醫(yī)四大領(lǐng)域，包括科研人員本體、科研機(jī)構(gòu)本體、科研項(xiàng)目本體、科技會(huì)議本體、科研基金本體、科研成果本體等，揭示和反映了領(lǐng)域科研活動(dòng)主體及各科研對(duì)象之間的聯(lián)系。中國(guó)醫(yī)學(xué)科學(xué)院醫(yī)學(xué)信息研究所開(kāi)展了衛(wèi)生政策科研本體建設(shè)，圍繞衛(wèi)生政策研究過(guò)程設(shè)計(jì)了活動(dòng)、機(jī)構(gòu)、成果、人員、項(xiàng)目、研究主題、信息來(lái)源7個(gè)類(lèi)[11]。中國(guó)科學(xué)院國(guó)家科學(xué)圖書(shū)館利用protégé構(gòu)建了用于項(xiàng)目目標(biāo)的科研本體，主要概念包括科研活動(dòng)、科研產(chǎn)出、科研主體、科研設(shè)施和基本概念五大范疇。圖4是該本體部分關(guān)系描述示例[12]，圖中粗箭頭是類(lèi)層次關(guān)系，細(xì)箭頭是類(lèi)之間邏輯關(guān)系。

圖4 科研本體部分關(guān)系描述示例

3 基于科研本體的國(guó)防科技知識(shí)圖譜

傳統(tǒng)的國(guó)防科技知識(shí)組織體系以國(guó)防科技敘詞表、分類(lèi)表為基礎(chǔ)，通過(guò)不同來(lái)源詞表之間的概念映射形成較為完備的知識(shí)概念網(wǎng)絡(luò)，國(guó)防科技科研本體是對(duì)傳統(tǒng)國(guó)防科技知識(shí)組織體系的拓展和深化。

國(guó)防科技科研活動(dòng)具有明顯的領(lǐng)域特色，國(guó)防科技科研本體緊緊圍繞其領(lǐng)域特色，在國(guó)防科技主題概念網(wǎng)絡(luò)的基礎(chǔ)上，對(duì)各種信息資源進(jìn)行本地化處理與集成，形成近億條科技文獻(xiàn)元數(shù)據(jù)作為樣本進(jìn)行建設(shè)。在知識(shí)描述廣度上，從主題概念單維度拓展到與科研活動(dòng)息息相關(guān)的各種實(shí)體，包括科研機(jī)構(gòu)、科研人員、出版物、學(xué)術(shù)會(huì)議活動(dòng)、國(guó)防產(chǎn)品等多維度；在實(shí)施描述深度上，突破傳統(tǒng)“用代屬分參”敘詞關(guān)系，為每個(gè)實(shí)體定義屬性，并在實(shí)體自身維度內(nèi)和跨實(shí)體之間構(gòu)建多種關(guān)系，從而使整個(gè)知識(shí)組織體系從單維度簡(jiǎn)單關(guān)系構(gòu)成的知識(shí)網(wǎng)絡(luò)，全面轉(zhuǎn)變?yōu)槎嗑S立體的復(fù)雜關(guān)系網(wǎng)絡(luò)。而國(guó)防科技知識(shí)圖譜則依據(jù)國(guó)防科技科研本體中定義的包含實(shí)體概念、實(shí)體屬性和實(shí)體關(guān)系的數(shù)據(jù)模型，利用海量國(guó)防科技文獻(xiàn)元數(shù)據(jù)中所描述的信息，圍繞內(nèi)容相似、文獻(xiàn)引用、用戶(hù)瀏覽、社會(huì)網(wǎng)絡(luò)關(guān)系等文獻(xiàn)之間客觀(guān)存在的顯性關(guān)系，完成知識(shí)單元填充之后形成的包含了隱性知識(shí)的關(guān)聯(lián)網(wǎng)絡(luò)。其示意圖如圖5所示。

圖5基于科研本體的國(guó)防科技知識(shí)圖譜

4 國(guó)防科技文獻(xiàn)知識(shí)圖譜構(gòu)建與服務(wù)實(shí)踐

4.1 知識(shí)圖譜構(gòu)建

基于科研本體的國(guó)防科技知識(shí)圖譜是以國(guó)防科技科研活動(dòng)中的實(shí)體為節(jié)點(diǎn)，以實(shí)體關(guān)聯(lián)關(guān)系為邊，在時(shí)間流的驅(qū)動(dòng)下形成譜系。而國(guó)防科技海量文獻(xiàn)元數(shù)據(jù)中包含了大量的科研實(shí)體信息，分別對(duì)作者、機(jī)構(gòu)、期刊和會(huì)議活動(dòng)等實(shí)體基本信息進(jìn)行了描述。其中，作者是專(zhuān)業(yè)知識(shí)的研究或者傳播主體，發(fā)文量、引文量多的作者是重要的學(xué)科帶頭人、領(lǐng)域影響者；機(jī)構(gòu)是作者所在的團(tuán)體，影響力強(qiáng)的作者聚集機(jī)構(gòu)一般是領(lǐng)域?qū)W科的重要發(fā)現(xiàn)源；期刊和會(huì)議是科研成果的聚集點(diǎn)，是科研創(chuàng)新和變革的重要陣地。這些實(shí)體之間彼此關(guān)聯(lián)，環(huán)環(huán)相扣，可以通過(guò)元數(shù)據(jù)從任何一個(gè)實(shí)體關(guān)聯(lián)到其他實(shí)體。本文構(gòu)建的國(guó)防科技知識(shí)圖譜則以權(quán)威的國(guó)防科技文獻(xiàn)元數(shù)據(jù)為素材，采用面向?qū)ο蟮乃枷?，通過(guò)數(shù)據(jù)清洗、實(shí)體歸一、關(guān)聯(lián)抽取等方法，最終完成圖譜構(gòu)建。

4.1.1 實(shí)體模型定義

實(shí)體是以對(duì)象的形式存在的，每個(gè)實(shí)體都是一個(gè)對(duì)象。所抽象出的類(lèi)包括各種屬性，有些是主要屬性，有些是次要屬性。對(duì)實(shí)體信息的模型定義需要分析它在元數(shù)據(jù)中的描述特征。

機(jī)構(gòu)名稱(chēng)在不同來(lái)源的元數(shù)據(jù)中描述有所不同，可能是因?yàn)闅v史變遷導(dǎo)致名稱(chēng)多次變動(dòng)，也可能是長(zhǎng)期以來(lái)學(xué)術(shù)界約定俗稱(chēng)的說(shuō)法，或者是描述規(guī)則不同形成不同寫(xiě)法等。還有一種情況是描述相同，但不是一個(gè)機(jī)構(gòu)，如每個(gè)國(guó)家都有科學(xué)院，相同的大學(xué)可以在不同地區(qū)建立分校。為此，明確所屬地相同的機(jī)構(gòu)作為一個(gè)類(lèi)，該類(lèi)所屬的對(duì)象則是各種不同描述信息，以此為前提，定義如下的機(jī)構(gòu)模型。

Organization = {Country*,City,Name*，F(xiàn)relation,Fsub }

機(jī)構(gòu)類(lèi)包括國(guó)家、城市、名稱(chēng)屬性和不同名稱(chēng)的關(guān)聯(lián)函數(shù)、父子函數(shù)，其中國(guó)家和名稱(chēng)是必要屬性。基于此模型，需要建立包括國(guó)家同義表、城市同義表，在此基礎(chǔ)上建立機(jī)構(gòu)名稱(chēng)規(guī)范系統(tǒng)，以及不同機(jī)構(gòu)描述的關(guān)系(曾用名、簡(jiǎn)稱(chēng)、別名、錯(cuò)拼等)對(duì)應(yīng)表和父機(jī)構(gòu)與子機(jī)構(gòu)的對(duì)應(yīng)關(guān)系表。

采用相同的思想，定義如下的作者、期刊、會(huì)議模型。

Author = {Organization*,Surname*,Firstname*，Email }

作者類(lèi)包括所屬機(jī)構(gòu)、姓、名、電子郵件地址，其中機(jī)構(gòu)、姓和名是必要屬性。

Journal = {ISSN*,Coden,Publisher*,Name*，F(xiàn)relation }

期刊類(lèi)包括ISSN、CODEN、出版機(jī)構(gòu)、期刊名稱(chēng)和不同名稱(chēng)的關(guān)聯(lián)函數(shù),其中ISSN、出版機(jī)構(gòu)、期刊名稱(chēng)是必要屬性。

Conference = {Confername*,Conferdate*,Conferlocation*,Sponsor，F(xiàn)relation }

會(huì)議類(lèi)包括會(huì)議名稱(chēng)、會(huì)議召開(kāi)時(shí)間、會(huì)議召開(kāi)地點(diǎn)、會(huì)議主辦者和不同名稱(chēng)的關(guān)聯(lián)函數(shù)，其中會(huì)議名稱(chēng)、會(huì)議召開(kāi)時(shí)間、會(huì)議召開(kāi)地點(diǎn)是必要屬性。

4.1.2 實(shí)體歸一化

長(zhǎng)期以來(lái)，信息服務(wù)機(jī)構(gòu)的海量文獻(xiàn)元數(shù)據(jù)是科研人員檢索文獻(xiàn)、全文獲取的重要來(lái)源。Web of Science、Dialog、EI等元數(shù)據(jù)庫(kù)是開(kāi)展科學(xué)研究的基礎(chǔ)素材。隨著大數(shù)據(jù)分析技術(shù)的發(fā)展，基于科研實(shí)體等要素的學(xué)術(shù)文獻(xiàn)產(chǎn)出分析成為重要需求。圍繞文獻(xiàn)檢索和獲取的元數(shù)據(jù)存在描述不規(guī)范統(tǒng)一、各家自成一體的現(xiàn)象，嚴(yán)重影響了數(shù)據(jù)分析結(jié)果，實(shí)體歸一成為提高分析準(zhǔn)確性的重要需求。

由于海量文獻(xiàn)元數(shù)據(jù)中包含實(shí)體眾多，很難對(duì)所有實(shí)體進(jìn)行歸一。因此，為了遵循科研活動(dòng)的基本規(guī)律，筆者只針對(duì)具有國(guó)防科技特色的、高價(jià)值數(shù)據(jù)庫(kù)，包括美國(guó)政府四大報(bào)告、AIAA、IEL等全文數(shù)據(jù)庫(kù)和EI INSPEC等文摘數(shù)據(jù)庫(kù)抽取其中學(xué)術(shù)產(chǎn)出較高、學(xué)術(shù)影響力大的科研實(shí)體進(jìn)行歸一處理。具體實(shí)現(xiàn)中，采用短文本匹配、高頻次優(yōu)先等方法進(jìn)行，具體步驟如下：選取元數(shù)據(jù)庫(kù)并進(jìn)行數(shù)據(jù)預(yù)處理，定義實(shí)體模型并抽取相關(guān)屬性，對(duì)實(shí)體屬性的可辨識(shí)性(可以表征實(shí)體區(qū)別于其他實(shí)體的辨識(shí)度)進(jìn)行權(quán)值分配，定義不同類(lèi)型實(shí)體的選取閾值(在元數(shù)據(jù)中出現(xiàn)頻次表征其學(xué)術(shù)重要度)，通過(guò)短文本匹配算法對(duì)實(shí)體屬性進(jìn)行權(quán)值計(jì)算獲得匹配的不同實(shí)體并給出唯一標(biāo)識(shí)，對(duì)于一個(gè)實(shí)體的屬性信息選取該唯一標(biāo)識(shí)下出現(xiàn)頻次最多的文本信息(如對(duì)期刊實(shí)體具有識(shí)別性?xún)r(jià)值的屬性值，ISSN、刊名完成短文本匹配后，出版社、CODEN等屬性值則選取出現(xiàn)頻率最高文本值)。

實(shí)體歸一是一個(gè)不斷迭代更新的過(guò)程，需要定期計(jì)算。在短文本匹配處理中，采取去停用詞、詞干抽取和忽略詞順等方法過(guò)濾噪聲信息，獲取到具有實(shí)際意義的關(guān)鍵詞集合。假設(shè)文本A形成的集合是S(A)，|S(A)|表示包含的關(guān)鍵詞數(shù)量，兩個(gè)文本形成的集合A和B之間的相似度可以計(jì)算為：D(A,B) = |S(A)∩S(B)|/|S(A)∪S(B)|。

為上述的相似度設(shè)置一定閾值，有一部分可以由計(jì)算機(jī)直接處理，完成短文本匹配；有一部分需要人工核查；有一部分則不可能相同，直接過(guò)濾。

4.1.3 關(guān)聯(lián)網(wǎng)絡(luò)構(gòu)建

所有科研實(shí)體信息通過(guò)處理后，形成了由唯一標(biāo)識(shí)符標(biāo)識(shí)的對(duì)象及其關(guān)系表，結(jié)合國(guó)防科技分類(lèi)主題一體化詞表，與國(guó)防科技文獻(xiàn)元數(shù)據(jù)庫(kù)進(jìn)行實(shí)體關(guān)聯(lián)和概念，所有實(shí)體采用唯一標(biāo)識(shí)符進(jìn)行連接，完成圖譜中各節(jié)點(diǎn)的邊建設(shè)。具體的數(shù)據(jù)表關(guān)系如圖6所示。

4.2 知識(shí)圖譜服務(wù)實(shí)踐

國(guó)防科技知識(shí)圖譜是以文獻(xiàn)元數(shù)據(jù)中客觀(guān)存在的科研實(shí)體關(guān)系為基礎(chǔ)的，知識(shí)圖譜構(gòu)建后存儲(chǔ)在后臺(tái)關(guān)系型數(shù)據(jù)庫(kù)中。構(gòu)建不是知識(shí)圖譜的目標(biāo)，開(kāi)展基于知識(shí)圖譜的服務(wù)和推進(jìn)基礎(chǔ)文獻(xiàn)獲取服務(wù)向科研實(shí)體分析型服務(wù)轉(zhuǎn)型，才是知識(shí)圖譜構(gòu)建的核心。筆者以構(gòu)建的知識(shí)圖譜為基礎(chǔ)，從科研實(shí)體和科技論文等方面提供知識(shí)導(dǎo)航和檢索服務(wù)，并借助可視化技術(shù)進(jìn)行圖譜關(guān)聯(lián)關(guān)系展示，實(shí)施了服務(wù)模式的實(shí)踐。

服務(wù)系統(tǒng)以已經(jīng)構(gòu)建完成的知識(shí)圖譜存儲(chǔ)數(shù)據(jù)庫(kù)為輸入，整個(gè)架構(gòu)分上、下兩層，如圖7所示。圖7中間的下面一層為引擎層，主要完成對(duì)提供數(shù)據(jù)的存儲(chǔ)處理、索引構(gòu)建和可視化引擎，其中數(shù)據(jù)庫(kù)待用CASS，索引采用Solr完成；上面一層是服務(wù)層，主要面向知識(shí)服務(wù)用戶(hù)需求提供多維度的導(dǎo)航、檢索、關(guān)聯(lián)展示和數(shù)據(jù)分析，主要實(shí)現(xiàn)以元數(shù)據(jù)、科研作者、科研機(jī)構(gòu)、期刊、會(huì)議、概念為用戶(hù)查閱入口，在提供基本文獻(xiàn)檢索和獲取的同時(shí)，重點(diǎn)推出實(shí)體的導(dǎo)航、瀏覽、檢索和學(xué)術(shù)成果統(tǒng)計(jì)分析等，主要利用引擎層提供的功能進(jìn)行分析結(jié)果數(shù)據(jù)輸出和可視化展示。

圖6關(guān)聯(lián)網(wǎng)絡(luò)數(shù)據(jù)表關(guān)系

圖7 國(guó)防知識(shí)圖譜服務(wù)系統(tǒng)架構(gòu)

知識(shí)圖譜由不同類(lèi)型的節(jié)點(diǎn)構(gòu)成，服務(wù)系統(tǒng)面向各種節(jié)點(diǎn)類(lèi)型設(shè)計(jì)了特色化的用戶(hù)服務(wù)界面。對(duì)于科研機(jī)構(gòu)部分，主要提供了按照機(jī)構(gòu)名稱(chēng)首字母、機(jī)構(gòu)類(lèi)型、機(jī)構(gòu)所屬區(qū)域等進(jìn)行信息導(dǎo)航與發(fā)文統(tǒng)計(jì)，并利用地圖的形式提供發(fā)文數(shù)據(jù)的直觀(guān)瀏覽；對(duì)于主題概念，則主要以其范疇分類(lèi)、概念關(guān)系為主要導(dǎo)航點(diǎn)，為用戶(hù)提供囊括中英文、融合多領(lǐng)域詞表的知識(shí)體系；對(duì)于論文，作為所有科研實(shí)體關(guān)聯(lián)的基礎(chǔ)，在提供基礎(chǔ)的專(zhuān)業(yè)分類(lèi)導(dǎo)航外，則主要以檢索結(jié)果中的實(shí)體、概念及其之間的關(guān)系挖掘?yàn)橹饕故緝?nèi)容，為用戶(hù)提供所檢索論文內(nèi)容的同時(shí)，還提供對(duì)結(jié)果數(shù)據(jù)量化的分析情況。圖8是檢索“航空發(fā)動(dòng)機(jī)”之后對(duì)結(jié)果進(jìn)行分析后的知識(shí)圖譜可視化展示和文獻(xiàn)列表。

圖8國(guó)防知識(shí)圖譜服務(wù)系統(tǒng)界面截圖

5 結(jié)語(yǔ)

大數(shù)據(jù)分析技術(shù)的迅猛發(fā)展促進(jìn)了海量文獻(xiàn)的量化分析，而知識(shí)圖譜構(gòu)建又是開(kāi)展量化分析的重要基礎(chǔ)。筆者從國(guó)防科研活動(dòng)出發(fā)試圖構(gòu)建國(guó)防科技知識(shí)圖譜，探索基于知識(shí)圖譜服務(wù)的新模式。在整個(gè)研究和試驗(yàn)過(guò)程中，也發(fā)現(xiàn)了一些問(wèn)題，主要有兩類(lèi)。一是信息服務(wù)機(jī)構(gòu)業(yè)務(wù)轉(zhuǎn)型問(wèn)題。傳統(tǒng)的組織加工不再是核心工作，其重點(diǎn)應(yīng)該轉(zhuǎn)向研究各領(lǐng)域間知識(shí)圖譜構(gòu)建所依賴(lài)的本體模型。二是智能化處理技術(shù)需求強(qiáng)烈。由于數(shù)據(jù)量的指數(shù)級(jí)增長(zhǎng)，未來(lái)大部分文獻(xiàn)處理工作需要計(jì)算機(jī)完成，因此實(shí)體識(shí)別、知識(shí)抽取、知識(shí)標(biāo)注等技術(shù)還需要深入研究。