李婉婉 張英俊 潘理虎,2

1(太原科技大學(xué)計算機科學(xué)與技術(shù)學(xué)院 山西 太原 030024) 2(中國科學(xué)院地理科學(xué)與資源研究所 北京 100101)

0 引 言

本體通過形式化表達將特定領(lǐng)域的知識組織起來，形成統(tǒng)一的認識。隨著各種領(lǐng)域本體的構(gòu)建以及廣泛應(yīng)用，本體的發(fā)展也面臨著一些阻礙。本體的構(gòu)建主要依賴于人為構(gòu)建，耗時且容易出錯，并且資源有限導(dǎo)致本體構(gòu)建過程中可能丟失一部分實體及關(guān)系[1]。此外，隨著信息的不斷變化，已經(jīng)構(gòu)建好的本體也需要適應(yīng)性地更新[2]。本體更新就意味著本體中缺乏某些概念，為了使本體得到最大程度的利用，本體應(yīng)該盡可能地包含該領(lǐng)域的全部實體和關(guān)系。目前，本體更新時添加新概念的方法大致可分為依靠專家人為添加或利用算法自動添加[3]。依靠專家人為添加的方法效率低且容易出錯，為了減少對領(lǐng)域?qū)＜业娜藶橐蕾嚕龠M本體應(yīng)用領(lǐng)域的信息化、自動化建設(shè)，本文給出一種基于語義相似度的本體概念更新方法。

語義相似度是判斷概念間關(guān)系的重要依據(jù)，可根據(jù)給定本體的分類體系來計算兩個概念間的語義距離或者利用大型語料庫統(tǒng)計共現(xiàn)率來度量概念間語義相似度[4]。WordNet是一個被廣泛使用的英文語義詞典，它將所有的術(shù)語和概念都以同義詞集合的形式表示。針對每一個同義詞集都有一個簡短的定義描述以及該同義詞集存在的語義關(guān)系記錄[5]。WordNet將同義詞集按照上下位、整體、部分、同義、反義、因果等關(guān)系組織起來，為每一個術(shù)語提供了一種層次結(jié)構(gòu)，因此適用于度量語義相似度[6]。

目前，國內(nèi)外許多學(xué)者依據(jù)WordNet提出了大量相似度算法，大致分為4類：基于路徑、基于信息內(nèi)容、基于特征以及混合算法[7-9]?；诼窂降幕舅枷胧强紤]兩個概念在分類樹中的位置，并用一個關(guān)于二者路徑距離的函數(shù)來定義相似度[10]。Rada等[11]把本體看作是有向圖，概念間主要是通過is-a關(guān)系相互聯(lián)系，概念間的距離越遠，相似度則越低。Hao等[12]提出從概念間的距離和深度兩個角度計算相似度，但無法區(qū)分最小公共父類處于同一層次的概念對之間的相似度結(jié)果，降低了算法的準確性?；谛畔⒘康姆椒ㄊ荝esnik[13]于1995年提出的，通過統(tǒng)計概念及其下義詞在語料庫中出現(xiàn)的頻率來表征概念的信息量，概念出現(xiàn)的次數(shù)越高，信息量則越少。對于兩個給定的概念，相似度主要取決于二者共享信息的程度，共享的信息越多越相似[14]。1998年，Lin[15]對Resnik的基于信息量的方法進行了改進，Lin認為概念間的相似度不僅取決于二者共享的信息量，還和概念本身所攜帶的信息量有關(guān)。Jiang等[16]將概念間的距離計算轉(zhuǎn)換為信息量的計算，提出了通過計算信息量表征的語義距離來映射語義相似度，用距離的倒數(shù)來表示語義相似度。文獻[17]提出一種綜合概念關(guān)系類型、強度、信息量、節(jié)點密度等多個因素的計算模型，相似度計算的準確性雖有一定提高，但計算復(fù)雜性過高。基于特征的方法假設(shè)用一組特征描述概念，概念的相似度基于兩個概念所共同具有的特征來度量[18]。特征集的定義至關(guān)重要，它包括本體中可以獲取到的信息，比如同義詞集，概念定義，概念間的關(guān)系等?；旌戏椒ňC合考慮了影響相似度計算的多種結(jié)構(gòu)化因素，例如路徑長度、深度、局部密度等[19]。Zhou等[20]綜合了前人在基于信息量的方法和基于路徑的方法基礎(chǔ)上的研究成果，提出了一種混合算法，改善了計算結(jié)果的準確性。文獻[21]根據(jù)概念各自所處的層次以及概念屬性綜合度量相似度，但忽略了對概念之間的層次結(jié)構(gòu)的考慮。目前，基于距離的相似度算法主要依據(jù)概念之間的距離或深度計算相似度，計算模型簡單但考慮因素過于單一。基于信息量的方法通過語料庫引入了概念的語義信息，但忽略了概念的層次信息，且不同的語料庫計算結(jié)果可能不同?；谔卣鞯姆椒紤]了概念共同擁有的特征，忽略了二者在本體樹中的層次結(jié)構(gòu)且特征的計算相對復(fù)雜。近年來，混合算法引起許多學(xué)者的重視，為了得到更為精確的結(jié)果，綜合考慮了多種影響因素，但在算法性能以及效率方面難以達到平衡。

以上這些語義相似度計算模型只著重考慮了概念間的層次結(jié)構(gòu)或者概念所擁用的信息量，未能將二者有效融合起來，從而導(dǎo)致一些有用信息的丟失，在一定程度上影響了算法結(jié)果的準確度。本文將借助于WordNet語義詞典給出一種改進的綜合多因素的相似度計算模型，并在分析研究改進相似度算法的基礎(chǔ)上，給出了一種本體概念更新方法。最后通過實驗驗證了方法的可行性和有效性。

1 改進的基于WordNet的相似度計算

傳統(tǒng)的基于路徑、深度的相似度算法計算過程比較直觀，復(fù)雜性低，但依賴于預(yù)先構(gòu)建好的概念間的結(jié)構(gòu)層次網(wǎng)絡(luò)圖，并且有關(guān)相似度計算的影響因素考慮較少，導(dǎo)致計算結(jié)果出現(xiàn)偏差?；谛畔⒘康南嗨贫人惴ㄔ诶碚撋舷鄬ν晟?，但忽略了概念的層次信息，同時依賴于語料庫中的統(tǒng)計信息，數(shù)據(jù)稀疏問題較嚴重。針對傳統(tǒng)的相似度算法所存在的一些缺陷，本文將依據(jù)WordNet的分類體系結(jié)構(gòu)以及一些統(tǒng)計信息，在基于路徑的算法基礎(chǔ)上，給出一種改進的相似度算法。

圖1是WordNet概念分類體系的一個片斷。

圖1 WordNet分類片斷

圖中每個節(jié)點代表一個同義詞集合即概念，WordNet根據(jù)概念的詞義信息將所有概念按照樹狀結(jié)構(gòu)組織起來，使得概念之間具有一定的語義聯(lián)系，利用概念之間的層次結(jié)構(gòu)關(guān)系可以度量相似度。概念之間的語義關(guān)系通過一個有向箭頭連接表示，箭尾對應(yīng)上位概念，箭頭對應(yīng)下位概念。下位概念繼承了上位概念的全部特征，但又具有自身特有的性質(zhì)，使其區(qū)分于其上位概念以及兄弟概念?；赪ordNet的相似度計算通過WordNet的分類結(jié)構(gòu)或概念統(tǒng)計信息映射得到一個數(shù)值，以此表示概念之間的語義相似度。利用圖1中的分類片斷，具體計算一些概念對實例的相似度，進一步比較分析傳統(tǒng)的基于路徑、基于深度、基于信息量以及混合相似度計算所存在的問題。例如對于概念對(yak’s milk, goats’ milk)和(yak’s milk, wine)，yak’s milk和goats’ milk都屬于milk，而wine屬于alcohol，實際應(yīng)用中就要求sim(yak’s milk, goats’ milk)>sim(yak’s milk, wine)。但是對于Rada、Leacock[22]等只考慮路徑因素的相似度算法得出的結(jié)果卻是相等的。同樣地，sim(milk, alcohol)和sim(yak’s milk, goats’ milk)，sim(hooch, wine)，由于最短路徑都為2，得到的相似度值也一樣。Wu等[23]嘗試考慮概念的深度解決這種缺陷。在分類體系中，下層結(jié)點比上層結(jié)點更具體、更詳細，因此處于較大深度的下層概念對相似度也越大。從圖1中可看出hooch、wine作為alcohol的子概念，所處位置更深，因此sim(hooch, wine)>sim(milk, alcohol)。盡管利用深度信息，算法的性能有所提高，但是對于許多處于同一層次的概念，仍會得出相同的相似度值，比如sim(yak’s milk, goats’ milk)，sim(hooch, wine)。為了解決同等路徑和深度所引起算法失效問題，Resnik、Lin、Jiang等引入了概念的信息量，每個概念都具有各自的信息量，比如milk的信息量為9.296，alcohol的信息量7.91。利用信息量計算相似度，算法思想是兩個概念擁有的相同信息越多越相似，有學(xué)者通過計算兩個概念的最小公共父節(jié)點所攜帶的信息量來反應(yīng)二者的相似度，所以sim(yak’s milk, goats’ milk)

通過以上對傳統(tǒng)的語義相似度算法的優(yōu)劣性分析，本文在基于路徑的相似度算法的基礎(chǔ)上，充分考慮WordNet本體結(jié)構(gòu)特征，利用信息量和深度彌補只考慮路徑信息所帶來的缺陷和局限，給出了一種結(jié)合路徑距離、深度以及信息量的混合算法。相似度算法的計算模型定義為：

Simstru(c1,c2)=

(1)

式中：α是調(diào)整因子，取值為(0,1)，α的值可通過多次實驗確定，LCS(c1,c2)即為c1,c2的最小公共父節(jié)點，IC(c)用來計算概念c擁有的信息量?；诒疚母倪M后的相似度算法的核心是利用概念間的最短路徑以及各自的深度信息表征二者之間的區(qū)別。同時又利用最小公共父節(jié)點的深度和信息量作為二者的共性表示，從而避免了不同概念對距離、深度相同時所導(dǎo)致的相似度值相等的問題。比如距離相同的概念對(milk, alcohol)，(yak’s milk, goats’ milk)，(hooch, wine)不會得到同樣的相似度值。當概念間的距離相等的時候，若二者共享的信息越多則越相似。本文改進后的算法通過將層次信息和信息量二者結(jié)合起來，保留了WordNet的結(jié)構(gòu)信息和層次信息，概念對越具體、距離越近、信息量越高的概念，相似度值越大，避免了基于路徑或基于信息量所帶來的缺陷，有利于提高計算結(jié)果的準確性。

2 基于改進相似度算法的本體更新方法

2.1 本體概念語義相似度計算

與Wordnet詞匯分類體系中的概念不同，本體中的概念一般都有屬性描述。屬性特征提供了一定的語義信息并對概念加以區(qū)分和聯(lián)系，兩個概念擁有的共同屬性越多，不同屬性越少，二者越接近；若二者擁有的屬性完全不同，則意味著兩個概念毫無聯(lián)系[24]。有效利用屬性的語義相似度，能夠改善本體概念相似度算法的性能。Jaccard相似度系數(shù)從統(tǒng)計的角度來衡量兩個樣本集的相似程度，計算模型為：

(2)

J(A,B)取值范圍為(0,1)，屬性相似度的理論依據(jù)是擁有的共同屬性越多概念越相似，本文將借鑒Jaccard系數(shù)計算屬性間的相似度，計算公式如下：

Simprop(c1,c2)=

(3)

式中：Propc1，Propc2分別表示兩個概念各自的屬性集，Propc1∩Propc2表示二者所共同擁有的屬性。

通過將屬性相似度和基于WordNet本體結(jié)構(gòu)的結(jié)構(gòu)相似度進行合并得出綜合相似度，綜合相似度計算模型為：

Sim(c1,c2)=γ×Simstru+(1-γ)Simprop

(4)

式中：γ作為權(quán)重因子可通過實驗進行調(diào)整。

2.2 本體概念更新方法

基于語義相似度的本體概念更新方法SSOCUM的基本思想是對于一個新概念，依據(jù)WordNet語義詞典計算其與本體中已有概念的結(jié)構(gòu)相似度。然后通過計算概念間屬性相似度對結(jié)構(gòu)相似度進行補充和修正。最后根據(jù)二者加權(quán)得到的相似度計算結(jié)果，對新概念進行分類。

SSOCUM算法：

輸入：新概念c，概念-屬性矩陣X

輸出：與新概念c最相似的本體概念c_best

Begin

1) 從X中任選一個概念，設(shè)為c’，計算c與c’的結(jié)構(gòu)相似度：

Simstru(c,c’)=

2) 從X中分別獲取概念c和c’所在行向量，記為Propc={p1,p2,…,pn}，Propc’={p’1,p’2,…,p’n}，計算c與c’的屬性相似度：

Simprop(c,c’)=

3) 計算概念c與c’的綜合相似度：Sim(c,c’)=γ×Simstru+(1-γ)Simprop。

4) 反復(fù)執(zhí)行1-3，直至X中所有概念循環(huán)完畢，得到c的綜合相似度集合：ComSim[]。

5) 比較ComSim[]中的元素大小，確定相似度最大值對應(yīng)的概念：c_best。

End

通過以上算法的執(zhí)行，找到與新概念最相似的本體概念，本體概念產(chǎn)生一個新節(jié)點，新概念將自動加入到到本體中。

3 實驗及結(jié)果分析

3.1 相似度算法實驗及結(jié)果分析

為了驗證改進的相似度算法計算結(jié)果的準確性，本文采用一些公共的標準數(shù)據(jù)集評估改進的相似度算法與傳統(tǒng)的相似度算法的性能。MC30[25]、RG65[26]、WS353[27]、WS353-Sim[28]、SimLex66[29]都是最常使用評估相似度算法的數(shù)據(jù)集，用三元列表來描述，每一對詞匯都對應(yīng)一個人工判斷的相似度值。本文將采用以上所有的數(shù)據(jù)集進行相似度算法性能的比較測試，使實驗結(jié)果更加全面、客觀。

針對本文所分析的經(jīng)典相似度算法以及改進后的算法，分別計算其計算結(jié)果與5個標準數(shù)據(jù)集對相似度的人工判斷值之間的皮爾森相關(guān)系數(shù)。皮爾森相關(guān)系數(shù)用來度量人工判斷和算法計算得到的相似度結(jié)果之間的線性相關(guān)程度，相關(guān)系數(shù)的絕對值越大，算法準確度越高[30]。結(jié)果如表1所示，相關(guān)系數(shù)越高，也就是值越接近于1，則相似度算法的計算結(jié)果越接近于人工判斷結(jié)果。

表1 標準數(shù)據(jù)集相關(guān)系數(shù)比較

從表1中可以看出，本文改進算法在MC30和RG65數(shù)據(jù)集上得到的皮爾森相關(guān)系數(shù)都達到了0.9以上，算法性能有所提高。然而在其余數(shù)據(jù)集的效果卻沒有很好，原因可能是其余數(shù)據(jù)集的概念對樣本數(shù)較多，影響了算法性能。但從整體上看，本文算法計算結(jié)果和人工判斷結(jié)果之間的相關(guān)程度仍高于其他算法。由此得出，在基于路徑的基礎(chǔ)上，又融合了深度和信息量因素，綜合考慮了概念的層次信息和統(tǒng)計信息，對于相似度計算結(jié)果的準確度有一定的改善。

3.2 SSOCUM算法實驗及結(jié)果分析

本文以人工構(gòu)建好的煤礦領(lǐng)域通風(fēng)系統(tǒng)本體為實驗對象，通過比較利用SSOCUM算法與人工添加新概念的結(jié)果是否相符。并借助Java WordNet Interface(JWI)開發(fā)包、Protégé4.3、Eclipse等工具來驗證SSOCUM的有效性。目前有關(guān)煤礦領(lǐng)域的本體構(gòu)建還不完備，本文研究的煤礦領(lǐng)域通風(fēng)系統(tǒng)本體對煤礦安全生產(chǎn)及風(fēng)險預(yù)警有重大意義。通過參考《通風(fēng)安全技術(shù)工人》以及煤礦安全管理標準相關(guān)書籍與文獻，從中獲取相關(guān)術(shù)語并設(shè)計了分類體系。利用Protégé4.3建模工具構(gòu)建了煤礦領(lǐng)域通風(fēng)系統(tǒng)本體模型(如圖2所示)，主要包括8個頂層核心類：事故(Accident)、措施(Measure)、風(fēng)險(Risk)、風(fēng)險因子(RiskFactor)、風(fēng)險等級(RiskLevel)、預(yù)警等級(WarningLevel)、工作地點(WorkingPlace)、狀態(tài)(Status)，每個核心類又被進一步細化為若干子類。

圖2 煤礦領(lǐng)域通風(fēng)系統(tǒng)本體(部分)

為了保證實驗結(jié)果的準確性，首先對通風(fēng)系統(tǒng)本體中的概念進行預(yù)篩選，剔除掉8個頂層類以及風(fēng)險等級類、預(yù)警等級類等，這些類的層次關(guān)系基本依賴人為確定。接下來針對收集到的其余123個概念以及104個屬性，建立相應(yīng)的概念-屬性矩陣如圖3所示。第一列列舉了本體中所有的概念，第一行涵蓋了本體中概念所具有的所有屬性，1表示概念擁有該列屬性，0表示概念不具有該列屬性。

圖3 概念-屬性矩陣(部分)

利用SSOCUM分別對本體中所有概念重新分類，部分實驗結(jié)果如表2所示。

表2 SSOCUM算法實驗結(jié)果

為了體現(xiàn)SSOCUM算法的分類效果，在實驗過程中，以表2中一組數(shù)據(jù)為例，CO2作為一個待添加的新概念c，屬性集定義為PropCO2={hasParameterValue[Double]，hasConcentrationValue[Double]}。通過相似度算法模型計算其與本體中所有概念的相似度值，發(fā)現(xiàn)其與概念CarbonMonoxide最相似，且相似度值為1，表明二者為同義概念，并且二者具有同樣地屬性集定義。因此將CO2作為CarbonMonoxide的等價類加入到本體中，與實際情況相符，表明利用本文方法可以實現(xiàn)本體新概念的添加并符合人的判斷，同時避免了冗余概念的加入。

4 結(jié) 語

本文首先對傳統(tǒng)的基于WordNet的相似度算法進行了改進，在計算過程中充分考慮WordNet本體結(jié)構(gòu)中的語義信息。利用基于路徑方法的優(yōu)勢，結(jié)合節(jié)點深度、信息量來計算相似度。此外，為了彌補改進的相似度算法沒有考慮概念屬性所攜帶的語義信息，引入屬性相似度對其進行語義補充。在此基礎(chǔ)上，給出了一種基于語義相似度的本體概念更新方法SSOCUM。實驗表明，本文改進的相似度算法的準確性較傳統(tǒng)算法有一定提高，能夠滿足一定的應(yīng)用需要。選用實際構(gòu)建的煤礦領(lǐng)域通風(fēng)系統(tǒng)本體驗證SSOCUM算法的有效性，結(jié)果表明，融合了屬性相似度的SSOCUM算法能夠達到預(yù)期的分類結(jié)果，有助于解決本體新概念添加的問題。

[1] Saia R,Boratto L,Carta S.Introducing a Weighted Ontology to Improve the Graph-based Semantic Similarity Measures[J].International Journal of Signal Processing Systems,2016,4(5):375-381.

[2] Liu K,Mitchell K J,Chapman W W,et al.Formative evaluation of ontology learning methods for entity discovery by using existing ontologies as reference standards[J].Methods of Information in Medicine,2013,52(4):308-316.

[3] 周運,劉棟.基于語義相似度的領(lǐng)域本體概念更新方法研究[J].計算機工程與設(shè)計,2011,32(8):2833-2835.

[4] 劉龍歷,薛勇,光潔,等.基于本體概念相似度的遙感信息服務(wù)匹配研究[J].計算機工程與應(yīng)用,2016,52(8):13-18.

[5] Zhu X.A novel WordNet-based approach for measuring semantic similarity[J].Journal of Information & Computational Science,2015,12(13):4919-4927.

[6] Jiang Y,Bai W,Zhang X,et al.Wikipedia-based information content and semantic similarity computation[J].Information Processing & Management,2017,53(1):248-265.

[7] 賀元香,史寶明,張永.基于本體的語義相似度算法研究[J].計算機應(yīng)用與軟件,2013,30(11):312-315.

[8] 張思琪,邢薇薇,蔡圓媛.一種基于WordNet的混合式語義相似度算法[J].計算機工程與科學(xué),2017,39(5):971-977.

[9] Gao J B,Zhang B W,Chen X H.A WordNet-based semantic similarity measurement combining edge-counting and information content theory[J].Engineering Applications of Artificial Intelligence,2015,39(3):80-88.

[10] 張滬寅,溫春艷,劉道波,等.改進的基于本體的語義相似度計算[J].計算機工程與設(shè)計,2015(8):2206-2210.

[11] Rada R,Mili H,Bicknell E,et al.Development and application of a metric on semantic nets[J].IEEE Transactions on Systems,Man and Cybernetics,1989,19(1):17-30.

[12] Hao D,Zuo W,Peng T,et al.An approach for calculating semantic similarity between words using WordNet[C]//Second International Conference on Digital Manufacturing and Automation.IEEE,2011:177-180.

[13] Resnik P.Semantic Similarity in a Taxonomy:An information-based measure and its application to problems of ambiguity in natural language[J].Journal of Artificial Intelligence Research,1999,11(1):95-130.

[14] Meng L,Gu J,Zhou Z.A new model of information content based on concept’s topology for measuring semantic similarity in WordNet[J].International Journal of Grid and Distributed Computing,2012,5(3):81-94.

[15] Lin D.An information-theoretic definition of similarity[C]//Fifteenth International Conference on Machine Learning,1998:296-304.

[16] Jiang J J,Conrath D W.Semantic similarity based on corpus statistics and lexical taxonomy[C]//Proceedings of International Conference Research on Computational Linguistics,1997:19-33.

[17] 呂歡歡,宋偉東,楊睿.基于領(lǐng)域本體的綜合加權(quán)語義相似度算法研究[J].計算機工程與設(shè)計,2013,34(12):4209-4213.

[18] Wei T T,Chang H Y.Measuring word semantic relatedness using WordNet-based approach[J].Journal of Computers,2015,10(4):252-259.

[19] 鄭志蘊,阮春陽,李倫,等.本體語義相似度自適應(yīng)綜合加權(quán)算法研究[J].計算機科學(xué),2016,43(10):242-247.

[20] Zhou Z,Wang Y,Gu J.New model of semantic similarity measuring in wordnet[C]//International Conference on Intelligent System and Knowledge Engineering.IEEE,2008:256-261.

[21] Abdul-Ghafour S,Ghodous P,Shariat B,et al.Semantic interoperability of knowledge in feature-based CAD models[J].Computer-Aided Design,2014,56(11):45-57.

[22] Leacock C,Chodorow M.Combining local context and WordNet similarity for word sense identification[J].An Electronic Lexical Database,1998:265-283.

[23] Wu Z,Palmer M.Verbs semantics and lexical selection[C]//Meeting on Association for Computational Linguistics.Association for Computational Linguistics,1994:133-138.

[24] 丁博,苗世迪.制造資源本體的概念語義相似度研究[J].計算機應(yīng)用研究,2016(1):28-31.

[25] Miller George A,Charles Walter G.Contextual correlates of semantic similarity[J].Language Cognition & Neuroscience,1991,6(1):1-28.

[26] Rubenstein H,Goodenough J B.Contextual correlates of synonymy[J].Communications of the Acm,1965,8(10):627-633.

[27] Finkelstein R L.Placing search in context:the concept revisited[J].Acm Transactions on Information Systems,2002,20(1):116-131.

[28] Agirre E,Alfonseca E,Hall K,et al.A study on similarity and relatedness using distributional and WordNet-based approaches[C]//Proceedings of human language technologies:the 2009 annual conference of the North American Chapter of the Association for Computational Linguistics.Association for Computational Linguistics,2009:19-27.

[29] Hill F,Reichart R,Korhonen A.SimLex-999:Evaluating semantic models with (genuine) similarity estimation[J].Computational Linguistics,2015,41(4):665-695.

[30] Adhikari A,Singh S,Dutta A,et al.A novel information theoretic approach for finding semantic similarity in WordNet[C]//TENCON 2015-2015 IEEE Region 10 Conference.IEEE,2016:1-6.