《基于本体的web信息组织》由会员分享,可在线阅读,更多相关《基于本体的web信息组织(3页珍藏版)》请在金锄头文库上搜索。
1、计算机科学2 0 0 2 V o i 2 9 N 9 8 ( 增刊) 基于本体的W e b 信息组织 O n t o l o g y b a s e dW e bI n f o r m a t i o nO r g a n i z a t i o n 刘宝良李建中张兆功 ( 哈尔滨1 - 业大学计算机科学与技术学院哈尔滨1 5 0 0 0 1 ) A b s t r a c tT h ea p p e a r a n c eo fW e bh a sg r e a t l ya f f e c t e dp e o p l e Sl i f e s t y l e ,b u th o wt o
2、u t i l i z et h e i n f o r m a t i o no nt h eW e bi ss t i l lab i gp r o b l e m W ed e s c r i b eaO n t o l o g y b a s e dW e bi n f o r m a t i o no r g a n i z a t i o nm o d e l I nt h i sm o d e l ,W e bi s al o o s e l yc o u p l e dg r a p hw i t hi t sn o d e sp r e s e n t i n gc o n
3、c e p t s y s t e m T h ec o n c e p ts y s t e mi s at r e e l i k es t r u c t u r e ,t h en o d e so ft h ec o n c e p ts y s t e mr e p r e s e n t c o n c e p t sa n dt h ee d g e sr e p r e s e n tt h er e l a t i o n s h i p sb e t w e e nc o n c e p t s W et h e ng i v ean a i v ea p p r o a
4、 c ht oc a t e g o r yt h ee d g e sb e t w e e nW e bp a g e sf o rm a p p i n gi n f o r m a t i o nf r o mt h eW e bt ot h e c o n c e p ts y s t e m K e y w o r d sO n t o l o g y ,C o n c e p t ,C o n c e p ts y s t e m 1 引言 W e b 的出现极大地改变了个人或机构的生活 及运作方式,W e b 已经成为一个信息的载体和传播 的媒介。如何更好地利用W e b 上的
5、有效信息,是政 府、公司、机构乃至个人都十分关心的问题。本文试 图从本体的角度对W e b 建模,使得W e b 从一个杂 乱无章的信息载体转变为一个可被有效利用的信息 仓库。在我们的模型中,W e b 是一个巨大的信息源, 在逻辑上包含许多不同的概念体系,例如:艺术、科 学等。每个概念体系都是由许多相关联的概念组成。 各个概念体系之间具有这样与那样的联系与交叉。 例如:摄影是一种艺术,但是新的摄影器材的制造却 属于科技的范畴。制作网页的过程中,包含了作者附 加的很大的随意性,但是通常网页之间的组织安排 是经过精心策划的,尤其是一些机构的网站。这些经 过精心策划的网站结构本身,包含了好多可供利
6、用 的信息。这些信息不容易被形式化,但是它符合人们 对事物的认知过程,违反了它,人们就会觉得不可接 受,例如:一个有关宠物的网站,其中必然包含狗的 信息,如果一个网站,包含宠物种类很多,但是唯独 没有狗,或是将有关狗的分类网页放到有关猫的分 类目录下,或是将猎犬分类到猫的目录下,则用户就 会觉得不可接受,因为这违背了人们的认知习惯或 概念层次的约定。还可以通过概念之间的联系进行 推理,例如:根据猫以老鼠( 当然还有别的) 为食,人 们根据这种食物链关系推导出猫是老鼠的天敌这样 的结论;现在已知老虎以兔子为食,也可以推导出老 虎是兔子的天敌这样的结论。不难发现,我们可以简 单地将概念从推导规则中
7、去掉,得出“A 以B 为食 一A 是B 的天敌”这样的结论。如果简单的按如上 规则推导,容易得出“小明以饼干为食一小明是饼干 的天敌”这样的荒谬结论( 我们为什么会认为是荒谬 的? ) ,说明这种推理需要满足一定的约束条件。这里 的约束可能是“A 与B 都是动物”。如果我们在杂乱 无章的W e b 信息源上,建立或局部建立这样的概念 体系,则我们可以更有效地组织W e b 。如果用户提 交查询,“找出老鼠的天敌的有关信息”,我们可以利 用如上推理,返回有关“猫”的网页。 实现如上的智能化查询,需要认清人们认知事 物的本质。哲学上,本体论是研究人们认知事物是此 非彼、研究事物间联系及这种联系满足
8、的约束的理 论 1 。它很好地为上例建模。计算机科学援用本体论 的方法与观点来研究问题。并在原有哲学含义的基 础上进行引申 2 ,认为计算机科学中的本体是阐述 形式词汇( f o r m a lv o c a b u l a r y ) 代表的主观意义的逻 辑理论。要求按照预先规范好的意义对词汇、词汇之 间的联系及联系必须满足的约束进行解释。N e c h e s c 3 首先在人工智能领域引入本体的概念。文 4 给 出了本体层次的定义。文E 5 给出了本体在W e b 上 的定义,它从知识获取的角度定义了本体。文 6 ,7 在文 2 的基础上,对分类关系从本体的角度做了分 析。文 8 3 给
9、出了一个原型系统O n t o S e e k ,采用本体 的方法,基于内容对W e b 上的黄页进行查询。文1 - 9 3 * ) 本文研究得到了国家自然科学基金、国家9 7 3 计划( G 1 9 9 9 0 3 2 7 0 4 ) 、国家8 6 3 计期( 2 0 0 1 一从- 4 1 5 4 1 0 ) 、国家教委博士基金、黑龙江省科委项 且和黑龙江省自然科学基金项目资助 1 6 5 给出了一个基于本体的W e b 信息检索原型。这些文 献中,有的从方法学的角度研究并挖掘了本体的概 念在计算机科学中的内涵 2 7 ,有的9 3 从应用的角 度给出了本体在计算机科学中的应用。 基于本体
10、 1 卫 的概念体系有三个主要的组成部 分。概念、概念之间的联系及联系必须满足的本体约 束。这里我们说的概念是广义的,它包括任何可被感 知的实体,概念之间的联系是指实体之间的联系,本 体约束是指实体之间具有联系所必需满足的条件。 在本模型中,可以进行智能搜索,规则推导,数据挖 掘等。 本文的组织如下,第2 节介绍基于本体的W e b 模型。第3 节介绍了W e b 到本体模型的映射,包括文 本的映射及超链接的映射。最后总结全文。 2 W e b 的本体建模 文 11 利用本体论的方法为W e b 建模,它是一 种集中式的模型。它的本体建立在庞大的唯一的词 汇表之上。本文认为这种方法虽然在理论上
11、可行,但 在实际中却不可用。首先在庞大的词汇表上定义词 汇之间的关联及关联之间的约束,需要大量的工作 和复杂的计算。然而其中有相当多的关联是无用的。 有必要去掉这样的无用的计算。其次,W e b 上包含 了各种各样的信息,有的信息本身就是垃圾。如果能 够对W e b 上信息进行一次去粗存精,去伪存真的整 理。那么一定是非常有意义的工作,但这非常难。最 后从w e b 的构成来看,从单个网站来考察,绝大多 数网站的组织是精心安排的,分类之间是有层次并 且往往是比较精确的,并且大多数网站具有一个主 题( 娱乐综合、新闻等) 。由于地域、机构等的不同,网 络上出现许多具有相同主题的网站。这些具有相同
12、 主题的网站可以使用相同的概念体系建模。 下面介绍利用本体建模时使用的基本术语: 定义2 1 ( 概念,c o n c e p t ) 词汇表的子集,表达 一定含义。子集中的每个词汇都具有一个权值,该权 值表示词汇在表达语义时的作用大小。 定义2 2 ( 概念之间的联系,r e l a t i o nb e t w e e n c o n c e p t s ) 是一种作用,使得子集A 经过作用变为 子集B 。变化体现在子集中词汇的个数及词汇权值 的增加或减少。 定义2 5 ( 概念体系,o n c e p ts y s t e m )概念的 集合。概念之间表现出树状的层次关系。层次是指概 念
13、所表达语义上的包含、等同、从属等关系。 定义2 4 ( 概念体系的交)概念体系之间具有 相同的子集。该子集通过不同概念体系表达概念的 不同方面。 定义2 5 ( 交叉概念体系)如果两个或多个概 念体系,它们之间有交集并且交集非空,称它们为交 】6 6 叉概念体系。 定义2 。6 ( 概念体系之间的连接)概念体系之 间通过超链接表现出相通的关系,但连接本身不具 备含义。 这样网络的结构就变为不同概念体系之间的连 接。如果将每个概念体系抽象成一个点,则W e b 就 变为一张松耦合的图,图上的边代表概念体系之间 是可连通的。图上的边不携带任何语义信息。图中的 点表示一个概念体系,它是一个树状结构,
14、树的节点 代表概念,树的边携带语义信息,代表概念之间的联 系。 5 W e b 到本体模型的映射 5 1 概念的映射 本文只考虑W e b 上的文本格式的网页( 以下称 文本) 。W e b 又可以看作是其中包含的文本及文本 中包含的超链接组成的有向图。文本通过其所包含 词汇表达具体的含义。我们利用传统信息检索中使 用的向量空间表示法来表达文本。设d t = ( w i l w ,w t 。) 为一篇文本。n 是系统中包含的词汇总数。 w i j 为词汇t j 的权值。权值w i j 的计算可以采用任何合 理的方法,本文采用T F I D F 1 2 表示法,在这里文本 中的词汇是指经过了词汇
15、的预处理:停留词处理,分 词处理,抽取词干处理。 这样我们的问题变为给定一篇文本,给出它所 对应的概念的分类问题。关于文本的分类问题有好 多种实现方法。比如近邻分类、贝叶斯分类、决策树、 神经网络、支持向量机等方法。还可以在文本分类时 考虑超链接的作用,有更多的超链接指向它的网页, 说明它是一个比较权威的网页,在分类时可以给它 优先考虑。在建立文本到概念之间的映射时可以利 用现存的任何一种方法。 5 2 概念之间联系的映射 对于从W e b 到概念之间联系的映射,可以有两 种方法:利用概念在概念体系中所处的位置及由概 念体系确定的联系建立文本所表达的概念之间的联 系 1 。这种方法过分依赖预先
16、建立的概念体系。不能 从文本本身推导概念之间的联系。 从建立网站的角度考虑,网站的作者在安排网 页之间的层次关系及确定超链接连接的网页时,往 往是根据网页所表达的含义。例如,对于医疗查询, 可能包含对疾病的查询,就有一个对疾病的分芗,每 一个分类又包含若干子分类。这种分类基本上是标 准的。超链接在这里的作用就是表达这种分类关系。 本文根据这个特点。介绍一种超链接分类的方法。 文本的向量空间表示将文本看作是向量的集合 d i = ( w i l w i 2 ,w i k ) 。则文本d i 经过超链接l i i 指向 链接d j = ( w j l w ”,W i k ) 。可以认为文本d i 经过超 链接l i j 的作用变为d ,则超链接对于d t 的权值的变 化起到的作用为瓯一( x l ,x 2 ,x k ) ,x k 一- - - W ,k w i k 。 则将超链接的作用表示为酰。本文认为,超链接的