地質(zhì)專業(yè)檔案領(lǐng)域知識(shí)圖譜的構(gòu)建和應(yīng)用

張 曄/內(nèi)蒙古自然資源廳地質(zhì)資料館

地質(zhì)檔案的借閱利用以地勘單位的專業(yè)人員為主，他們查找相關(guān)資料基本上都是為了地勘項(xiàng)目或研究工作。傳統(tǒng)的資料檢索方式基本上都是根據(jù)有限的條件來檢索地質(zhì)檔案，這種方法只能大概檢索到檔案而不能找到深度的相關(guān)資料，更不能從其中發(fā)現(xiàn)知識(shí)。如果想要得到更加深入的專業(yè)信息需要詳細(xì)閱讀和提煉案卷內(nèi)容，這會(huì)給借閱者帶來很大的時(shí)間成本。此外長(zhǎng)時(shí)間占用館藏機(jī)構(gòu)服務(wù)資源，館藏機(jī)構(gòu)服務(wù)效率無法提高。

基于上述情況，本文以智能化技術(shù)提升檔案信息服務(wù)水平和效率為目標(biāo)，探索自然語言處理、知識(shí)圖譜等智能化技術(shù)和地質(zhì)專業(yè)檔案管理和服務(wù)工作的結(jié)合，從新的角度組織地質(zhì)檔案數(shù)據(jù)，研究地質(zhì)專業(yè)檔案領(lǐng)域知識(shí)圖譜的構(gòu)建方法和技術(shù)，建立了面向借閱服務(wù)的地質(zhì)專業(yè)領(lǐng)域知識(shí)圖譜，實(shí)現(xiàn)了地質(zhì)檔案智能化檢索服務(wù)。

1 地質(zhì)檔案智能化服務(wù)的技術(shù)基礎(chǔ)

1.1 自然語言處理

地質(zhì)檔案的專業(yè)知識(shí)隱含在專業(yè)的文字報(bào)告中，要想挖掘其中的知識(shí)必然離不開自然語言處理技術(shù)（Natural Language Processing，NLP）。自然語言處理技術(shù)實(shí)現(xiàn)人機(jī)間自然語言通信，意味著要使計(jì)算機(jī)既能理解自然語言文本的意義，也能以自然語言文本來表達(dá)給定的意圖、思想等。地質(zhì)專業(yè)檔案來自日常匯交和歷史檔案的數(shù)字化掃描，在地質(zhì)專業(yè)檔案管理和信息服務(wù)的不同階段，自然語言處理技術(shù)都不可或缺。根據(jù)處理對(duì)象的粒度不同，自然語言處理在地質(zhì)專業(yè)檔案智能化服務(wù)中可以滲透在詞法分析、句法分析、語義分析及篇章分析的不同層次。

1.2 地質(zhì)領(lǐng)域知識(shí)圖譜

領(lǐng)域知識(shí)圖譜（Knowledge Graph，KG）又叫作特定行業(yè)知識(shí)圖譜或者垂直領(lǐng)域知識(shí)圖譜，指根據(jù)對(duì)某個(gè)行業(yè)或細(xì)分領(lǐng)域的深入研究而定制的版本，主要解決當(dāng)前行業(yè)或細(xì)分領(lǐng)域的專業(yè)問題，如軍事、公安、交通、醫(yī)療等特定領(lǐng)域，用于復(fù)雜的應(yīng)用分析或輔助決策，具有專家參與度高、知識(shí)結(jié)構(gòu)復(fù)雜、知識(shí)質(zhì)量要求高、知識(shí)粒度細(xì)等特點(diǎn)。典型的領(lǐng)域知識(shí)圖譜包括IBM Watson Health醫(yī)療知識(shí)圖譜、海致星圖金融知識(shí)圖譜等。本文的地質(zhì)檔案知識(shí)圖譜就屬于此類，領(lǐng)域知識(shí)圖譜中知識(shí)圖譜節(jié)點(diǎn)和關(guān)系類型有限，對(duì)準(zhǔn)確性和圖譜的質(zhì)量要求較高。地質(zhì)領(lǐng)域知識(shí)圖譜最大的問題是構(gòu)建圖譜所需的專業(yè)語言材料一般都比較缺乏，需要地質(zhì)領(lǐng)域?qū)＜疫M(jìn)行人工干預(yù)。

圖1：地質(zhì)專業(yè)檔案中自然語言處理的應(yīng)用層次

2 地質(zhì)專業(yè)檔案知識(shí)圖譜模式設(shè)計(jì)

地質(zhì)專業(yè)領(lǐng)域知識(shí)圖譜在邏輯結(jié)構(gòu)上可分為數(shù)據(jù)層和模式層。數(shù)據(jù)層包含大量的事實(shí)信息，即實(shí)體、關(guān)系、實(shí)體或者實(shí)體、屬性、屬性值等三元組表示形式，將這些數(shù)據(jù)存儲(chǔ)在圖數(shù)據(jù)庫(kù)中構(gòu)成大規(guī)模的實(shí)體關(guān)系網(wǎng)絡(luò)，進(jìn)而形成知識(shí)圖譜。

模式層建立在數(shù)據(jù)層之上，是知識(shí)圖譜的核心，通常使用本體庫(kù)對(duì)公理、規(guī)則和約束條件的支持能力來規(guī)范實(shí)體、關(guān)系以及實(shí)體的類型和屬性等。本文中，地質(zhì)專業(yè)檔案知識(shí)圖譜的模式框架由地質(zhì)專業(yè)案卷類和地學(xué)專業(yè)知識(shí)本體聯(lián)合而成，概念類型如下：

（1）案卷類及關(guān)系定義：類之間存在相互的關(guān)系，類之間可以定義單向的關(guān)系，也可以定義雙向的關(guān)系。

（2）案卷類屬性定義：與類相關(guān)的屬性，如案卷類的題名、形成單位、資料類別等。

（3）地學(xué)專業(yè)知識(shí)類定義：定義多個(gè)地學(xué)專業(yè)領(lǐng)域便于將類進(jìn)行分組管理。如地質(zhì)勘探域之下有工程勘探、地質(zhì)評(píng)價(jià)、坑道鉆探等類，基礎(chǔ)地質(zhì)之下有地層、地質(zhì)構(gòu)造、地質(zhì)演變等類。

2.1 利用地質(zhì)檔案元數(shù)據(jù)對(duì)知識(shí)圖譜模式進(jìn)行初步描述

地質(zhì)檔案元數(shù)據(jù)可作為知識(shí)圖譜模式的第一描述來源。但為了知識(shí)圖譜的通用性，需要所有的關(guān)聯(lián)機(jī)構(gòu)采取相同的元數(shù)據(jù)規(guī)范。國(guó)土資源部于2001年制訂了《地質(zhì)資料檔案著錄細(xì)則》，對(duì)地質(zhì)檔案元數(shù)據(jù)進(jìn)行了統(tǒng)一規(guī)范，其中對(duì)地質(zhì)資料檔案著錄項(xiàng)目及其用文規(guī)范做了詳細(xì)約定，這給地質(zhì)案卷類的創(chuàng)建提供了重要依據(jù)。本文根據(jù)地質(zhì)檔案著錄規(guī)范中的元數(shù)據(jù)信息，把地質(zhì)檔案抽象為案卷、案卷屬性、案卷屬性類三個(gè)頂級(jí)類，構(gòu)成案卷的基本抽象模式。再加上后面將要提到的地學(xué)專業(yè)知識(shí)類，就構(gòu)成了地質(zhì)檔案知識(shí)圖譜模式的基本概念，如表1。

表1：地質(zhì)專業(yè)檔案知識(shí)圖譜模式中的概念設(shè)計(jì)

2.2 利用地學(xué)專業(yè)知識(shí)本體對(duì)知識(shí)圖譜模式進(jìn)一步補(bǔ)充

元數(shù)據(jù)只解決了知識(shí)圖譜中的案卷信息規(guī)范問題，未解決知識(shí)圖譜模式中的知識(shí)承載框架問題。地質(zhì)檔案知識(shí)圖譜由案卷和地質(zhì)專業(yè)知識(shí)兩個(gè)層面組成，專業(yè)知識(shí)本體可以彌補(bǔ)元數(shù)據(jù)在專業(yè)知識(shí)信息描述方面的不足，豐富地質(zhì)檔案資源的知識(shí)信息表達(dá)。本文采取建立地質(zhì)專業(yè)知識(shí)本體的方式來解決知識(shí)圖譜中知識(shí)承載的問題。

在地礦領(lǐng)域，吳永亮等[1]通過對(duì)地質(zhì)數(shù)據(jù)的概念、屬性、關(guān)系、規(guī)則及相應(yīng)實(shí)例的詳細(xì)表達(dá)，構(gòu)建了礦產(chǎn)資源預(yù)測(cè)部分的地質(zhì)數(shù)據(jù)本體。劉秀磊等[2]則針對(duì)煤礦典型動(dòng)力災(zāi)害領(lǐng)域提出了一種本體構(gòu)建方法，并采用Jena工具實(shí)現(xiàn)了本體的形式化。侯志偉等[3]根據(jù)地質(zhì)年代時(shí)間屬性及其特征和地層劃分與對(duì)比、古生物、構(gòu)造地質(zhì)、地球化學(xué)，并根據(jù)性質(zhì)和關(guān)系，產(chǎn)生一系列OWL或資源描述框架RDF文件。以《中國(guó)地層表》和《國(guó)際年代地層表》作為地質(zhì)年代本體的重要術(shù)語為來源，建立了地質(zhì)年代本。

本文中，采用自上向下法對(duì)地質(zhì)專業(yè)相關(guān)概念進(jìn)行劃分，以地質(zhì)勘探主題為核心擴(kuò)展到其他地學(xué)領(lǐng)域，在一定程度上建立了跨學(xué)科的地學(xué)本體，以盡量覆蓋地質(zhì)檔案知識(shí)。具體通過地質(zhì)領(lǐng)域?qū)＜艺硐嚓P(guān)概念和關(guān)系，利用本體建模軟件protégé構(gòu)建基于OWL文件格式的本體模型[4]。概念的頂層框架分為基礎(chǔ)地理、基礎(chǔ)地質(zhì)、地球物理、地球化學(xué)、礦產(chǎn)地質(zhì)、環(huán)境地質(zhì)、工程地質(zhì)、水文地質(zhì)、海洋地質(zhì)、地質(zhì)勘探、巖石學(xué)、測(cè)繪學(xué)、地質(zhì)資料等，然后逐級(jí)細(xì)分，最終形成地質(zhì)專業(yè)檔案知識(shí)體系本體框架。概念之間的關(guān)聯(lián)用關(guān)系描述，是地質(zhì)知識(shí)組織、分析、推理、關(guān)聯(lián)檢索的基本依據(jù)。主要的關(guān)系定義如下：

（1）上下位關(guān)系，描述概念之間的層級(jí)關(guān)系，包括從屬關(guān)系（即部分與整體的關(guān)系）、繼承關(guān)系（父類與子類的關(guān)系），如“基礎(chǔ)地質(zhì)”與“地層”。

（2）等同關(guān)系，描述同級(jí)地質(zhì)概念或?qū)嵗g的等價(jià)關(guān)系。同一概念的不同命名，如“槽探”與“探槽”等。

（3）交叉關(guān)系，有且只有部分內(nèi)涵相同的兩個(gè)概念之間的關(guān)系稱為交叉關(guān)系，如“破碎帶蝕變巖型金銀礦”與“蝕變破碎巖型鉛鋅銀礦”。

（4）實(shí)例關(guān)系，用來描述概念與相應(yīng)實(shí)例之間的關(guān)系，如“金屬礦產(chǎn)”與實(shí)例“鐵礦”。

2.3 地質(zhì)檔案知識(shí)圖譜數(shù)據(jù)模型與存儲(chǔ)機(jī)制

地質(zhì)檔案模型和地學(xué)專業(yè)知識(shí)本體融合后形成知識(shí)圖譜模式。知識(shí)圖譜存儲(chǔ)指專門為知識(shí)圖譜而設(shè)計(jì)的底層存儲(chǔ)管理方案，目前主流的知識(shí)圖譜數(shù)據(jù)模型有RDF圖模型和屬性圖模型。RDF（Resource Description Framework，資源描述框架）使用Web標(biāo)識(shí)符來標(biāo)識(shí)資源，使用屬性和屬性值來描述資源，是一種特殊的有向標(biāo)簽圖，即邊亦可作為頂點(diǎn)，頂點(diǎn)與邊交集非空。與RDF圖模型相比，屬性圖模型對(duì)于頂點(diǎn)屬性和邊屬性具備內(nèi)置的支持。目前，屬性圖模型被著名的圖數(shù)據(jù)庫(kù)Neo4j所采用，也是本文采用的方案。

圖2：地質(zhì)檔案知識(shí)圖譜模式結(jié)構(gòu)示意圖

圖3：Neo4j中頂點(diǎn)和邊記錄的物理存儲(chǔ)結(jié)構(gòu)

Neo4j圖數(shù)據(jù)庫(kù)遵循屬性圖模型來存儲(chǔ)和管理數(shù)據(jù)，將結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)在網(wǎng)絡(luò)而不是表中，具有“無索引鄰接”特性。每個(gè)頂點(diǎn)維護(hù)著指向其鄰接頂點(diǎn)的直接引用，用其查找鄰接頂點(diǎn)比使用“全局索引”節(jié)省大量時(shí)間。這就意味著圖導(dǎo)航操作代價(jià)與圖大小無關(guān)，僅與圖的遍歷范圍成正比。在具體實(shí)現(xiàn)中，Neo4j將邊放到核心位置，并將屬性圖中的頂點(diǎn)、邊、標(biāo)簽和屬性分開存儲(chǔ)在不同文件中。這種將圖結(jié)構(gòu)與圖上標(biāo)簽和屬性分開存儲(chǔ)的策略，使其具有高效率的圖遍歷能力，如圖3所示。

3 地質(zhì)檔案知識(shí)圖譜構(gòu)建技術(shù)流程

根據(jù)地質(zhì)檔案館數(shù)字資源的建設(shè)現(xiàn)狀，地質(zhì)檔案知識(shí)圖譜的建設(shè)主要包括地學(xué)專業(yè)知識(shí)本體構(gòu)建、結(jié)構(gòu)化和非結(jié)構(gòu)化信息抽取、圖譜節(jié)點(diǎn)創(chuàng)建和應(yīng)用開發(fā)幾個(gè)方面。地學(xué)專業(yè)知識(shí)本體的構(gòu)建采用地質(zhì)勘探領(lǐng)域?qū)I(yè)人員整理各專業(yè)的相關(guān)概念和關(guān)系，然后本體建模。在信息抽取環(huán)節(jié)對(duì)OWL文件格式進(jìn)行二次開發(fā)，轉(zhuǎn)換成知識(shí)節(jié)點(diǎn)。同時(shí)，把知識(shí)詞匯補(bǔ)充到自然語言分詞處理的詞典中，供后續(xù)對(duì)非結(jié)構(gòu)化文本的分詞處理使用。非結(jié)構(gòu)化的信息來源主要是地質(zhì)檔案圖文數(shù)據(jù)庫(kù)中的正文、附圖、附表等內(nèi)容。結(jié)構(gòu)化數(shù)據(jù)主要是地質(zhì)檔案元數(shù)據(jù)庫(kù)中的案卷和文件信息，利用這些信息生成地質(zhì)檔案節(jié)點(diǎn)。

地學(xué)專業(yè)知識(shí)節(jié)點(diǎn)和地質(zhì)檔案節(jié)點(diǎn)進(jìn)行融合關(guān)聯(lián)形成完整的知識(shí)圖譜。其中，在融合關(guān)聯(lián)的時(shí)候可以采用簡(jiǎn)單的知識(shí)詞匯直接關(guān)聯(lián)的方式進(jìn)行，也可以進(jìn)行命名實(shí)體和關(guān)系抽取后關(guān)聯(lián)。知識(shí)圖譜生成后，需要面向問題開發(fā)智能檢索的API，因?yàn)榈刭|(zhì)專業(yè)檔案涉及地質(zhì)、礦產(chǎn)、地球物理等很多專業(yè)，通用的智能檢索實(shí)現(xiàn)起來難度大、周期長(zhǎng)。分專題把熱門需求或者專業(yè)人員日常提問較多的問題進(jìn)行開發(fā)，提供智能化的檢索接口。

4 地質(zhì)檔案知識(shí)圖譜應(yīng)用

知識(shí)圖譜按照應(yīng)用方式可以分為語義搜索、知識(shí)問答、推薦系統(tǒng)，以及基于知識(shí)的大數(shù)據(jù)分析與決策等。知識(shí)圖譜的應(yīng)用主要通過知識(shí)推理來實(shí)現(xiàn)。知識(shí)圖譜推理可以形式化定義為：給定一個(gè)知識(shí)圖譜KG=和關(guān)系路徑P，E和T表示實(shí)體集合，R表示關(guān)系集合，R中的邊連接兩個(gè)節(jié)點(diǎn)來形成一個(gè)關(guān)系三元組（h,r,t）∈T，由此產(chǎn)生一個(gè)KG中不存在的三元組G'={（h,r,t）|h∈E,r∈R,t∈T,（h,r,t）?G}。知識(shí)圖譜推理的目標(biāo)是基于已有的知識(shí)，使用自動(dòng)化方法推理得到潛在的實(shí)體之間的關(guān)系。比如已知（金，屬于，貴金屬礦產(chǎn)）和（貴金屬礦產(chǎn)，屬于，金屬礦產(chǎn)）可以推出（金，屬于，金屬礦產(chǎn)）。知識(shí)推理的對(duì)象不僅包括實(shí)體之間的關(guān)系和屬性名稱，還包括實(shí)體的屬性值和本體的概念層次。如，已知一個(gè)案卷的檔號(hào)，就可以知曉該案卷的題名、編著者、資料類別等。

本文基于地質(zhì)檔案知識(shí)圖譜，實(shí)現(xiàn)了面向部分地質(zhì)專業(yè)檢索需求的語義檢索。語義檢索是知識(shí)圖譜最典型的應(yīng)用，它首先將用戶輸入的問句或條件進(jìn)行解析，然后以有向圖的方式提供滿足用戶需求的結(jié)構(gòu)化語義內(nèi)容，最后通過一定的形式將結(jié)果呈現(xiàn)到用戶面前。通過對(duì)實(shí)際地質(zhì)專業(yè)借閱用戶分析，用戶所需要關(guān)注的問題都是跟后續(xù)將要開展的工作緊密相關(guān)的問題。地質(zhì)勘探手段、方法、實(shí)驗(yàn)方法和工作方法以及取得的已有成果是用戶關(guān)注的重要內(nèi)容，表2是本文中梳理的專業(yè)問題和重要知識(shí)詞匯樣例。

表2：典型問題形式和重點(diǎn)知識(shí)詞匯樣例

圖4：地質(zhì)專業(yè)檔案知識(shí)圖譜建設(shè)流程

本文在原有地質(zhì)資料目錄數(shù)據(jù)庫(kù)和圖文數(shù)據(jù)庫(kù)的基礎(chǔ)上建立了基于圖數(shù)據(jù)庫(kù)的語義檢索服務(wù)。檢索的結(jié)果以圖譜的方式展示，在結(jié)果中可以進(jìn)一步顯示案卷級(jí)目錄信息、文件級(jí)信息、空間位置信息等，并能夠回答類似表2中的地質(zhì)專業(yè)問題，實(shí)現(xiàn)了使用了某種野外勘探手段的資料、根據(jù)礦產(chǎn)語義查詢涉及某種礦產(chǎn)或礦種的資料、查詢和某種礦床成因類型相關(guān)的資料等一系列傳統(tǒng)數(shù)據(jù)庫(kù)無法解決的問題。如，在檢索某地區(qū)內(nèi)和研究目標(biāo)詞匯“二疊系”地層相關(guān)的案卷時(shí)，同時(shí)會(huì)把“阿木山組”地層的資料檢索出來，因?yàn)樵谥R(shí)圖譜中存在“阿木山組”地層屬于“下二疊統(tǒng)”地層，“下二疊統(tǒng)”地層又屬于“二疊系”地層的語義邏輯，如下圖所示。

圖5：基于地質(zhì)專業(yè)檔案知識(shí)圖譜的語義檢索服務(wù)

5 結(jié)論

通過對(duì)自然語言處理、知識(shí)圖譜技術(shù)的理解和分析，結(jié)合地質(zhì)專業(yè)檔案目錄庫(kù)、圖文數(shù)據(jù)庫(kù)，針對(duì)地質(zhì)專業(yè)檔案管理和服務(wù)的真實(shí)需求和面臨的問題，建立了面向借閱服務(wù)的地質(zhì)專業(yè)領(lǐng)域知識(shí)圖譜，實(shí)現(xiàn)了地質(zhì)專業(yè)檔案語義化檢索服務(wù)。

領(lǐng)域知識(shí)圖譜的應(yīng)用效果很大程度上取決于知識(shí)圖譜的規(guī)模和對(duì)問題域的覆蓋程度。在后續(xù)研究中，需進(jìn)一步完善以地質(zhì)為核心覆蓋其他專業(yè)的專業(yè)知識(shí)本體結(jié)構(gòu)，完善非結(jié)構(gòu)化信息抽取算法，實(shí)現(xiàn)地學(xué)專業(yè)知識(shí)本體構(gòu)建的自動(dòng)化，形成較完善的大規(guī)模的地質(zhì)專業(yè)檔案知識(shí)圖譜，提高智能化服務(wù)能力。