館藏資源本體模型的語義相似度算法研究*

邱均平 ，許 暢

（1.武漢大學(xué)中國科學(xué)評價(jià)研究中心，湖北 武漢 430072；2.武漢大學(xué)信息管理學(xué)院，湖北 武漢 430072）

1 前言

1.1 館藏資源本體概述

起源于哲學(xué)的本體論(ontology)，近年來受到了信息科學(xué)領(lǐng)域的廣泛關(guān)注，本體的重要性也已在許多方面表現(xiàn)出來，并得到了廣泛的認(rèn)同。現(xiàn)今本體被細(xì)分為知識(shí)表示本體、通用本體、領(lǐng)域本體、術(shù)語本體、任務(wù)本體等類型[1]。按照學(xué)科層次逐層構(gòu)建本體的方法被廣泛應(yīng)用。國內(nèi)已在醫(yī)學(xué)、農(nóng)學(xué)、地理學(xué)、工學(xué)、軍事、經(jīng)濟(jì)學(xué)、教育學(xué)等學(xué)科成功構(gòu)建了大型本體。但是這種層次明顯的本體劃分方法很難適用于人文社科類的本體構(gòu)建。特別是隨著圖書館館藏資源的數(shù)字化，對多領(lǐng)域、多語言異構(gòu)的信息進(jìn)行高效開發(fā)利用的需求日益增長，單純劃分學(xué)科層次的方法很難適用。在文獻(xiàn)[2]中，邱均平和余凡結(jié)合語義網(wǎng)相關(guān)技術(shù)和計(jì)量學(xué)相關(guān)分析方法，構(gòu)建了館藏資源語義化的理論模型，并在模型中首次使用了資源本體的概念，之所以沒有使用領(lǐng)域本體這個(gè)詞，是因?yàn)閮烧叽嬖诓町悾侯I(lǐng)域本體會(huì)把范圍限制在某一個(gè)領(lǐng)域，資源本體的數(shù)據(jù)沒有領(lǐng)域之分，包括所有學(xué)科館藏資源的元數(shù)據(jù)。文中借用本體的定義，把資源本體定義為館藏資源共享概念模型的明確的形式化規(guī)范說明。由此，誕生了一種新的基于概念間的關(guān)系本體方案——資源本體。資源本體是以語義的基本理論為基礎(chǔ)，引入信息計(jì)量領(lǐng)域的相關(guān)分析方法，對語義體系進(jìn)行擴(kuò)展，進(jìn)一步構(gòu)建而成的基于資源特征本身的本體，是館藏資源共享概念模型及關(guān)系明確的形式化規(guī)范說明[3]。資源本體除了具有本體本身的特點(diǎn)之外，還具有其特殊的含義。首先，現(xiàn)今階段資源本體的研究對象是“館藏資源”；其次，資源本體的相關(guān)概念及其關(guān)系的定義使用的是信息計(jì)量的相關(guān)方法。在資源本體模型中，更加強(qiáng)調(diào)概念與概念之間的語義關(guān)系。傳統(tǒng)本體的相似度計(jì)算方法多從屬性、結(jié)構(gòu)等方面因素考慮，缺乏對語義特征、距離、層次的綜合考慮以及對相似度算法準(zhǔn)確性和高適用性的優(yōu)化。因此本文綜合上述因素，對適用于館藏資源本體模型特點(diǎn)的語義相似度算法進(jìn)行進(jìn)一步的研究。

1.2 幾種常用的相似度算法

1.2.1 基于距離的語義相似度計(jì)算

基于距離的語義相似度計(jì)算的基本思想是通過兩個(gè)概念詞在本體樹狀分類體系中的路徑長度量化它們之間的語義距離[4]。其中，最簡單的算法就是把本體中的所有路徑都看成距離為1的有向邊，這樣兩個(gè)概念的距離就為它們所對應(yīng)的節(jié)點(diǎn)在本體結(jié)構(gòu)中的最短距離的有向邊數(shù)量。由此，基于距離的語義相似度算法為[5]：

其中，H為該本體的最大深度，L為概念w1和概念w2之間的有向邊數(shù)量。

這種算法能夠簡單地反映出兩個(gè)概念的距離大小。若距離越近，則他們的語義相似度越大；反之，則越小。

1.2.2 基于內(nèi)容的語義相似度計(jì)算

基于內(nèi)容的語義相似度計(jì)算方法的基本原理是:兩個(gè)概念詞共享的信息越多，它們之間的語義相似度越大;反之，共享的信息越少，相似度也越小[6]。在一個(gè)本體中，每個(gè)概念子節(jié)點(diǎn)都可以被認(rèn)為是對其祖先節(jié)點(diǎn)的細(xì)化，因此，概念間的語義相似度能夠通過比較與之最近的父節(jié)點(diǎn)所包含的信息內(nèi)容來進(jìn)行計(jì)算。

文獻(xiàn)[6]給出了關(guān)于層次網(wǎng)絡(luò)中量化每一個(gè)概念結(jié)點(diǎn)信息量的計(jì)算公式:

其中，P(w)表示概念w在訓(xùn)練資料中出現(xiàn)的概率；IC(w)表示概念w所擁有的信息量。

這樣，依據(jù)上面概念信息的量化公式，層次網(wǎng)絡(luò)中任意兩個(gè)概念之間的語義相似度計(jì)算模型為[7]:

其中Anc(w1，w2)表示概念結(jié)點(diǎn)w1和w2在層次網(wǎng)絡(luò)中的最近共同祖先結(jié)點(diǎn)。

1.2.3 基于屬性的語義相似度計(jì)算

事物之間的關(guān)聯(lián)程度和其屬性是相關(guān)的。如果兩個(gè)事物的很多屬性相同，則它們是很相似的；反之，則不相似?；趯傩缘恼Z義相似度計(jì)算方法就是通過判斷兩個(gè)概念的公共屬性項(xiàng)的相似程度。

Tversky提出了一種基于屬性的計(jì)算概念語義相似度的方法[8]:其中，w1∩w2表示概念w1和w2所共同擁有的屬性集，w1-w2表示概念w1擁有而概念w2沒有的屬性集，w2-w1表示概念w2擁有而概念w1沒有的屬性集。

2 館藏資源本體中語義相似度計(jì)算

2.1 相似度計(jì)算的原則

在進(jìn)行相似度計(jì)算時(shí)，為了使結(jié)果更加準(zhǔn)確，應(yīng)遵循幾個(gè)基本的原則。首先是量化原則，相似度是一個(gè)數(shù)值，取值范圍應(yīng)在[0，1]之間。其次，在計(jì)算相似度時(shí)，應(yīng)盡量降低運(yùn)算的復(fù)雜度，保證簡單性原則。再次，應(yīng)充分利用本體的特征，本文主要討論的是館藏資源本體中的相似度計(jì)算，應(yīng)考慮館藏資源的相關(guān)特性。除此之外，由于概念的相似度計(jì)算主觀性很強(qiáng)，因此對于不同的概念類型，其相似度也不同，可通過設(shè)定某些參數(shù)，來保證相似度計(jì)算的可調(diào)節(jié)性。最后，概念的相似度計(jì)算應(yīng)保證對稱性，即Sim(w1,w2)=Sim(w2,w1)。

2.2 影響相似度的因素

根據(jù)上述的基本原則，可以進(jìn)一步歸納出館藏資源本體中相似度計(jì)算應(yīng)該考慮的幾個(gè)因素：

1）語義共現(xiàn)。共現(xiàn)指的是相同或不同類型特征共同出現(xiàn)的現(xiàn)象。例如多篇論文之間共同出現(xiàn)的主題、共同出現(xiàn)的合作者、共同出現(xiàn)的機(jī)構(gòu)以及作者與期刊共同出現(xiàn)、作者與關(guān)鍵詞共同出現(xiàn)、論文與關(guān)鍵詞共同出現(xiàn)等。在計(jì)量研究中，共同出現(xiàn)的特征項(xiàng)之間一定存在著某種關(guān)聯(lián)，關(guān)聯(lián)的程度可以通過共現(xiàn)頻次來測度。在館藏資源本體中，每一個(gè)類目下的實(shí)例都有可能和同類目下或者其他類目下的實(shí)例形成語義共現(xiàn)。例如，w1、w2、w3同屬于作者類，經(jīng)過相關(guān)數(shù)據(jù)的處理，得到w1和w2這兩位作者共同出現(xiàn)的次數(shù)為5，w1和w3這兩位作者共同出現(xiàn)的次數(shù)為2，則w1∩w2=5，w1∩w3=2?？梢钥闯?，作者共現(xiàn)的頻次越大，兩位作者的語義相似度也越大，因此w1與w2之間的相似度，大于其與w3之間的相似度。

2）語義距離。兩個(gè)概念之間的語義距離，是指在本體圖中連接這二個(gè)節(jié)點(diǎn)的通路中的最短路徑所跨的邊數(shù)[9]。語義距離是決定相似度的另一個(gè)基本的因素。上文中也對基于距離的語義相似度計(jì)算方法進(jìn)行了簡單的介紹。一般來說，兩個(gè)概念的距離越小，相似度越大；距離越大，相似度越小。這兩個(gè)概念能通過距離的大小建立對應(yīng)關(guān)系。需要注意的是，兩個(gè)詞語的距離為0時(shí)，相似度應(yīng)為1。同樣，它們的距離為無窮大時(shí)，相似度為0。在這里我們舉一個(gè)簡單的例子：如圖1所示，w5和w10的距離可記為Distance(w5,w10)=5。在館藏資源本體中，同類目下的實(shí)例之間的距離比不同的類目下的實(shí)例之間的距離要小，語義相似度更高。比如在某個(gè)館藏資源本題中，兩個(gè)作者之間的語義距離要小于某個(gè)作者與某種期刊的語義距離，作者之間的相似度也更高。

圖1一個(gè)簡單的本體

3）概念層次。在一個(gè)本體中，層次越深，對應(yīng)的節(jié)點(diǎn)也就更加的細(xì)分和具體化。同樣距離的兩個(gè)詞語，詞語相似度隨著他們所處層次的總和的增加而增加，隨著他們之間層次差的增加而減小[10]。例如，圖1中w7和w8之間的語義相似度，要高于w4與w5之間的語義相似度。因此，在計(jì)算館藏資源本體中的語義相似度時(shí)，必須要考慮概念的層次深度這個(gè)因素。

4）調(diào)節(jié)因子。調(diào)節(jié)因子是指根據(jù)系統(tǒng)的需求，通過它來判定概念所在本體中各種影響因素，從而確定概念之間的相似度。上文已經(jīng)論述過，在進(jìn)行語義相似度計(jì)算時(shí)，需要保證可調(diào)節(jié)性原則。調(diào)節(jié)因子正是根據(jù)這種需要來設(shè)定。本文中，使用α、β、γ來表示調(diào)節(jié)因子。在計(jì)算語義相似度時(shí)，可以通過調(diào)節(jié)α、β、

第45卷 第3期 總第187期·2015年5月γ的值來確定所需要的結(jié)果，提高相似度數(shù)據(jù)的準(zhǔn)確性。

2.3 館藏資源本體中語義相似度計(jì)算的方法

綜合考慮以上因素，提出館藏資源本體中語義相似度計(jì)算方法，初始公式為：

其中，Sim共現(xiàn)度(x，y)為概念x和y的語義共現(xiàn)度；Sim距離度(x，y)為概念x與y的語義距離度；Sim層次度(x，y)為概念 x與 y的概念層次度。α、β、γ 為調(diào)節(jié)因子，且 α+β+γ=1。

由于共現(xiàn)度的計(jì)算和兩個(gè)概念的共同屬性是相關(guān)的，所以我們可以采用Tversky提出的基于屬性的語義相似度計(jì)算方法公式（5）來計(jì)算共現(xiàn)度。我們將參數(shù)進(jìn)行簡化，若α=β=l，則Tversky指數(shù)則成為Tanimoto系數(shù)；若α=β=0.5，則Tversky指數(shù)則成為Dice系數(shù)[3]。由于在館藏資源本體中概念詞之間的關(guān)系是可逆的，具有對稱性，所以取α=β=0.5，即Dice系數(shù)，公式為：

在信息檢索中，給定關(guān)鍵詞集合X和Y，相似度定義為兩倍的共同信息(重疊部分)除以基數(shù)的總和[11]。根據(jù)這個(gè)概念，我們可以推導(dǎo)出概念x和y的共現(xiàn)度公式為：

在館藏資源本體中，同一類目下的實(shí)例間的語義距離均為1，不同的類目下的實(shí)例間語義距離為大于1的整數(shù)，我們可以簡單地將兩個(gè)概念間的距離度記為：

兩個(gè)概念的層次差可以用作計(jì)算層次度，可得層次度公式：

綜上所述，可得出館藏資源本體中語義相似度公式為：

其中，α、β、γ為調(diào)節(jié)因子，且α+β+γ=1，其各項(xiàng)取值大小視各因素對語義相似度影響大小而定。

2.4 館藏資源本體中語義相似度計(jì)算的流程

通過上述相似度方法的相關(guān)分析，館藏資源本題中語義相似度計(jì)算的流程為：1）初始化概念，并設(shè)定調(diào)節(jié)因子數(shù)值；2）計(jì)算概念間的共現(xiàn)度；3）計(jì)算概念間的距離度；4）計(jì)算概念間的層次度；5）計(jì)算概念間的相似度；6）得出結(jié)果并按需求進(jìn)行下一步處理。

3 實(shí)例分析——以競爭情報(bào)資源本體為例

期刊資源是館藏資源的代表，并包含作者合作、共被引文獻(xiàn)、關(guān)鍵詞共現(xiàn)等計(jì)量關(guān)系，因此筆者以期刊資源為研究對象，并在CSSCI上獲取近十年的期刊數(shù)據(jù)，進(jìn)行處理后，利用本體開發(fā)軟件Protégé構(gòu)建了以競爭情報(bào)為范疇的館藏資源本體。競爭情報(bào)資源本體的類目體系如圖2所示。

圖2競爭情報(bào)資源本體類目體系

我們以標(biāo)引詞、作者和機(jī)構(gòu)三個(gè)類目下的實(shí)例為分析對象，分別用文獻(xiàn)[3]中的傳統(tǒng)算法和本文算法對同一類目以及不同類目下的實(shí)例進(jìn)行語義相似度的計(jì)算實(shí)驗(yàn)。首先計(jì)算同一類目的標(biāo)引詞之間的相似度，需要確定調(diào)節(jié)因子的數(shù)值。由于標(biāo)引詞之間的關(guān)系主要取決于詞語的屬性，也就是詞語共現(xiàn)的情況，語義距離和語義層次對其的影響比較小。又α、β、γ為小數(shù)次方，所以影響越大的因素其對應(yīng)的數(shù)值應(yīng)越小。因此，參考二八原則，取α=0.2，β=γ=0.4，來進(jìn)行計(jì)算。其次計(jì)算不同類目下標(biāo)引詞與作者、機(jī)構(gòu)之間的相似度。由于計(jì)算的是不同類目下實(shí)例的相似度，三個(gè)因素的影響比較均衡，因此取α=β=γ=1/3。實(shí)驗(yàn)結(jié)果如表1所示。

表1實(shí)驗(yàn)結(jié)果

圖3語義相似度計(jì)算結(jié)果對比分析圖

通過分析實(shí)驗(yàn)結(jié)果可知：1）本文算法具備傳統(tǒng)算法在語義相似度計(jì)算中所考慮的影響因素，因此，如圖3所示，兩種算法的相似度值走向趨勢是大致相似的。2）本文算法得到的語義相似度值覆蓋區(qū)間較大，數(shù)值更加精確。實(shí)驗(yàn)中本文算法得到的語義相似度最大值為sim(競爭情報(bào)、企業(yè))=0.516 42，語義相似度最小值為sim(競爭情報(bào)、張玉峰)=0.145 11，語義相似度值覆蓋區(qū)間為[0.145 11,0.516 42]；同理，可得傳統(tǒng)算法的語義相似度值覆蓋區(qū)間為[0.036 454，0.146 919]。對于同樣的數(shù)據(jù)標(biāo)準(zhǔn)，若語義相似度值覆蓋區(qū)間較小，則說明區(qū)間內(nèi)的概念實(shí)例相對較多，會(huì)導(dǎo)致語義擴(kuò)展精度的降低。在應(yīng)用語義相似度解決實(shí)際問題時(shí)，大的數(shù)值覆蓋區(qū)間會(huì)帶來較高的精度[12]。3）本文算法得到的語義相似度值數(shù)值較高，更符合語義相似度計(jì)算中的歸一量化原則，所得結(jié)果更接近標(biāo)量。傳統(tǒng)算法得到的語義相似度計(jì)算值偏小，缺乏準(zhǔn)確度，不太利于后續(xù)館藏資源本體中實(shí)例間相關(guān)性的判斷。

以上分析說明：本文算法考慮了傳統(tǒng)算法在計(jì)算語義相似度時(shí)所用到的各種因素，并通過對傳統(tǒng)算法的改進(jìn)，得到的結(jié)果在精確性和準(zhǔn)確度上都有所提高，且符合人類的主觀判斷。雖然本文算法綜合考慮的因素較多，在一定程度上提高了相似度計(jì)算過程的復(fù)雜程度，但隨著現(xiàn)今技術(shù)的發(fā)展，這種程度的運(yùn)算問題已可以解決，應(yīng)更多考慮運(yùn)算時(shí)的準(zhǔn)確度和合理性。

4 結(jié)束語

概念間的相似度量化表示是館藏資源本體中智能檢索、分析和推理的重要基礎(chǔ)。本文針對館藏資源本體的特點(diǎn)，提出了一種綜合的館藏資源本體模型的語義相似度算法。該算法考慮了館藏資源本體中實(shí)例概念間的語義共現(xiàn)、語義距離、概念層次因素，并引入了調(diào)節(jié)因子，能根據(jù)系統(tǒng)的不同需要，得到不同的計(jì)算和擴(kuò)展結(jié)果。實(shí)例中得到的結(jié)果也比較合理。本文的研究只是一個(gè)開始，許多問題還有待進(jìn)一步研究，例如本文的算法只針對在一個(gè)館藏資源本體內(nèi)部的概念，并沒有涉及不同館藏資源本體間的語義相似度計(jì)算。在后續(xù)工作中，將進(jìn)一步擴(kuò)展相似度計(jì)算的廣度，并將新算法應(yīng)用于館藏資源本體的構(gòu)建中以提高效率和效果。

[1]李健康,張春輝.本體研究及其應(yīng)用進(jìn)展[J].圖書館論壇,2004(6):80-86.

[2]邱均平,余凡.基于計(jì)量分析的館藏資源語義化理論研究[J].中國圖書館學(xué)報(bào),2012(4):71-78.

[3]邱均平,樓雯.基于CSSCI的情報(bào)學(xué)資源本體構(gòu)建[J].情報(bào)資料工作,2013(3):57-63.

[4]孫海霞,錢慶,成穎.基于本體的語義相似度計(jì)算方法研究綜述[J].現(xiàn)代圖書情報(bào)技術(shù),2010(1):51-56.

[5]張德.萬維網(wǎng)信息聚類研究[D].南京:東南大學(xué)計(jì)算機(jī)系,2002.

[6]LIN D.An Information-Theoretic Definition of Similarity[C]//Proc of the Int’l Conf on Machine Learning San Francisco:Morgan Kaufmann Publishers Inc.1998:296-304.

[7]黃果,周竹榮.基于領(lǐng)域本體的概念語義相似度計(jì)算研究[J].計(jì)算機(jī)工程與設(shè)計(jì),2007(10):2460-2463.

[8]TERVSKY.Features of Similarity[J].Psychological Review,1977(4):327-352.

[9]張忠平,趙海亮,張志惠.基于本體的概念相似度計(jì)算[J].計(jì)算機(jī)工程,2009(7):17-19.

[10]吳健.基于本體論和詞匯語義相似度的Web服務(wù)發(fā)現(xiàn)[J].計(jì)算機(jī)學(xué)報(bào),2005(4):595-602.

[11]C.J.Van Rijsbergen.Information Retrieval[M].London:Butterworths,1979.

[12]曹叡,吳玲達(dá).一種改進(jìn)的領(lǐng)域本體語義相似度計(jì)算方法[J].微電子學(xué)與計(jì)算機(jī),2014(8):109-114.