支持語(yǔ)義標(biāo)注的辦公文檔格式擴(kuò)展方法

范博珩，李寧，田英愛(ài)

(北京信息科技大學(xué) 計(jì)算機(jī)學(xué)院,北京 100101)

0 引言

隨著各類文檔數(shù)量日益增多以及傳播日益廣泛，人們希望計(jì)算機(jī)能夠自動(dòng)處理和理解文檔，而這些一般需要通過(guò)語(yǔ)義標(biāo)注來(lái)實(shí)現(xiàn)。語(yǔ)義標(biāo)注是指利用本體(ontology)或詞匯表(vocabulary)對(duì)文檔的特定內(nèi)容添加語(yǔ)義標(biāo)記，標(biāo)識(shí)出與之對(duì)應(yīng)的概念或?qū)嶓w，并且建立起標(biāo)注內(nèi)容與本體之間的聯(lián)系。語(yǔ)義標(biāo)注是文檔的核心技術(shù)之一[1]。語(yǔ)義標(biāo)注的結(jié)果使文檔具有了語(yǔ)義元數(shù)據(jù)，使得機(jī)器可以自動(dòng)理解和處理文檔，也便于文檔信息的共享和有效利用，可以高效實(shí)現(xiàn)文檔的語(yǔ)義檢索、內(nèi)容提取和自動(dòng)分類等智能化處理。

近年來(lái)，Web上的語(yǔ)義標(biāo)注研究成果十分豐富，Google、Yahoo和Yandex等公司共同創(chuàng)建了一個(gè)共享詞匯表——Schema.org[2]。在線商店將schemas標(biāo)記嵌入至描述產(chǎn)品的超文本標(biāo)記語(yǔ)言(hypertext markup language，HTML)頁(yè)面中，以使搜索引擎能夠輕松識(shí)別產(chǎn)品價(jià)格并為網(wǎng)站增加流量[3]。經(jīng)過(guò)語(yǔ)義標(biāo)注后得到的產(chǎn)品結(jié)構(gòu)化數(shù)據(jù)也為產(chǎn)品分類、產(chǎn)品匹配、推薦系統(tǒng)、產(chǎn)品知識(shí)圖譜等新興研究領(lǐng)域的發(fā)展提供了支持。

然而，文本不僅僅來(lái)自HTML文檔，也來(lái)自辦公文檔、版式文檔以及復(fù)雜混合格式的文檔。其中，僅有少數(shù)研究針對(duì)辦公文檔進(jìn)行語(yǔ)義標(biāo)注。Tallis[4]提供了一套針對(duì)DOC格式的文檔半自動(dòng)化標(biāo)注系統(tǒng)Semantic Word，Carr等[5]提出了WICKOffice系統(tǒng)，F(xiàn)ink等[6]開發(fā)了一個(gè)Word插件，用戶可使用SmartTag和自定義XML標(biāo)記對(duì)文檔中的生物醫(yī)學(xué)領(lǐng)域的專業(yè)術(shù)語(yǔ)進(jìn)行手工標(biāo)注。但這些標(biāo)注系統(tǒng)無(wú)法支持標(biāo)準(zhǔn)的辦公文檔格式，也無(wú)法支持多源語(yǔ)義標(biāo)注。

辦公文檔語(yǔ)義標(biāo)注之所以研究成果較少，大多因辦公文檔的復(fù)雜性所致。在對(duì)辦公文檔進(jìn)行語(yǔ)義標(biāo)注時(shí)，需要滿足以下的條件：1)能夠在文檔格式中記錄語(yǔ)義元數(shù)據(jù)；2)能夠支持OOXML(office open XML)、ODF(open document format)、UOF(unified office document format)等主流辦公文檔格式標(biāo)準(zhǔn)；3)能夠經(jīng)受對(duì)語(yǔ)義元數(shù)據(jù)的編輯和修改；4)能夠在文檔編輯過(guò)程中保持文檔內(nèi)容與語(yǔ)義元數(shù)據(jù)的同步一致；5)能夠支持多源語(yǔ)義標(biāo)注，即允許同一標(biāo)注內(nèi)容對(duì)應(yīng)多個(gè)本體或詞匯表。正是因?yàn)榱魇轿臋n語(yǔ)義標(biāo)注的復(fù)雜性，至今尚未見(jiàn)到在辦公文檔中進(jìn)行語(yǔ)義標(biāo)注的成熟方法。

針對(duì)上述問(wèn)題，本文提出一種在辦公文檔中支持語(yǔ)義標(biāo)注的方法，包括對(duì)辦公文檔格式的擴(kuò)展，標(biāo)注規(guī)則的設(shè)計(jì)以及在主流辦公軟件中支持語(yǔ)義標(biāo)注的方法。本文的成果已經(jīng)被團(tuán)體標(biāo)準(zhǔn)T/CESA 1176—2021《信息技術(shù) 電子文檔語(yǔ)義元數(shù)據(jù)嵌入方法》[7]所采納。

1 相關(guān)研究

目前雖然辦公文檔語(yǔ)義標(biāo)注的研究較少，但仍有一些相關(guān)的成果可以借鑒。例如，HTML中文本的存儲(chǔ)方式與辦公文檔相似；PDF(portable document format)中也有成熟的語(yǔ)義標(biāo)注技術(shù)。因此，這些研究均可為本文提供參考。

在HTML中，語(yǔ)義標(biāo)注的具體形式主要以嵌入式為主，標(biāo)注結(jié)果作為相關(guān)元素的屬性加以記錄。Tittel等[8]在關(guān)于中世紀(jì)法語(yǔ)的HTML網(wǎng)頁(yè)內(nèi)容中嵌入RDFa(resource description framework in attributes)標(biāo)記的詞匯，將網(wǎng)頁(yè)中的實(shí)體與詞匯表中的概念和屬性對(duì)應(yīng)起來(lái)；Beno等[9]構(gòu)造了Doc2RDF，能夠自動(dòng)對(duì)法律領(lǐng)域的HTML文本進(jìn)行標(biāo)注；Salem等[10]在Beno研究的基礎(chǔ)之上，實(shí)現(xiàn)了標(biāo)注多個(gè)領(lǐng)域的HTML文本的功能；Mbouadeu[11]、Albukhitan等[12]利用深度學(xué)習(xí)的方法自動(dòng)標(biāo)注HTML文檔，并使用microdata或microformats將標(biāo)注結(jié)果記錄于原文檔中。

在PDF中，語(yǔ)義標(biāo)注的具體形式主要以分離式為主，標(biāo)注結(jié)果存放在PDF文檔的單獨(dú)數(shù)據(jù)塊中，并與原文檔建立關(guān)聯(lián)。Eriksson[13]、Kim等[14]通過(guò)使用可擴(kuò)展元數(shù)據(jù)平臺(tái)(extensible metadata platform，XMP)[15]技術(shù)在PDF文檔中建立內(nèi)容與本體的映射關(guān)系。

上述研究中，嵌入式標(biāo)注結(jié)果易于管理且能保證語(yǔ)義元數(shù)據(jù)與文檔內(nèi)容同步，但是會(huì)給原文檔格式帶來(lái)一定的影響。與之相比，分離式標(biāo)注結(jié)果需要單獨(dú)進(jìn)行存放，難以保證語(yǔ)義元數(shù)據(jù)與文檔內(nèi)容同步，但是對(duì)原有文檔格式的影響較小。本文采用嵌入式標(biāo)注方法對(duì)辦公文檔進(jìn)行語(yǔ)義標(biāo)注。

在幾種嵌入式語(yǔ)義標(biāo)注技術(shù)中，RDFa[16]具有更強(qiáng)的表達(dá)力與適用性[17]，能夠支持多詞匯表。因此，鑒于RDFa應(yīng)用在HTML流式文檔中的諸多優(yōu)點(diǎn)，本文基于RDFa對(duì)辦公文檔格式OOXML進(jìn)行擴(kuò)展，以使辦公文檔中可以加入語(yǔ)義元數(shù)據(jù)標(biāo)記。目前OOXML格式在辦公文檔中應(yīng)用最廣，以之為研究對(duì)象具有典型意義，其他基于XML的辦公文檔格式標(biāo)準(zhǔn)ODF和UOF等與之類似，本文的方法也同樣適用。

2 辦公文檔格式擴(kuò)展方法

采用RDFa對(duì)OOXML進(jìn)行語(yǔ)義標(biāo)注前，首先需要分析HTML和OOXML的文檔結(jié)構(gòu)。下面以圖1中的新聞為例加以說(shuō)明。

圖1 一個(gè)新聞的例子

對(duì)于一篇HTML文檔，文檔的主體內(nèi)容通過(guò)組合不同的塊級(jí)元素和行內(nèi)元素進(jìn)行顯示。塊級(jí)元素如div、p等通常表示文本段落或片段，而行內(nèi)元素如span等則通常用來(lái)更細(xì)粒度地分割局部文本。RDFa是萬(wàn)維互聯(lián)網(wǎng)聯(lián)盟(World Wide Web Consortium)W3C制定的標(biāo)準(zhǔn)，它能夠在這些元素中增加下列屬性：

@vocab：當(dāng)前所用的默認(rèn)詞匯表；

@typeof：資源的概念(類型);

@property：某類型所具有的屬性。

RDFa不會(huì)影響HTML的瀏覽。使用RDFa對(duì)HTML進(jìn)行語(yǔ)義標(biāo)注如圖2所示。

圖2 RDFa在HTML中的標(biāo)注示例

圖2中，有兩個(gè)標(biāo)注內(nèi)容，即“新聞社”和“東非”，它們分別為詞匯表Schema.org中表示組織(typeof="Organization")和地點(diǎn)(typeof="Place")的兩個(gè)實(shí)體名稱(property="name")。

與HTML格式不同，OOXML文檔的存儲(chǔ)基于ZIP壓縮打包格式[18]，文檔的主體內(nèi)容記錄在文件包內(nèi)的document.xml文件中。段落在OOXML格式中均以段落元素p存儲(chǔ)，是構(gòu)成文檔的基本單元。p下包含段落屬性元素pPr和句元素r，段落中的文本根據(jù)式樣的不同會(huì)形成多個(gè)句(run)。r下包含句屬性元素rPr和文本元素t。句中的文本記錄在t下。語(yǔ)義元數(shù)據(jù)主要在段落或句一級(jí)進(jìn)行標(biāo)注。

可以借鑒RDFa在HTML中的用法，將RDFa屬性嵌入到t或其他元素中，如圖3所示。

圖3 RDFa在OOXML中的標(biāo)注示例

雖然對(duì)于上述的一般情況，這種基于RDFa對(duì)OOXML進(jìn)行擴(kuò)展的方式是可行的，但是OOXML畢竟與HTML不同，OOXML主要用于辦公文檔編輯，其文檔數(shù)據(jù)與語(yǔ)義信息存在較為復(fù)雜的對(duì)應(yīng)關(guān)系，可能導(dǎo)致以下問(wèn)題。

1) OOXML中語(yǔ)義標(biāo)注的范圍可能與文本元素的范圍不一致，具體體現(xiàn)在兩個(gè)方面：

① 單一文本可能對(duì)應(yīng)多個(gè)語(yǔ)義標(biāo)注內(nèi)容，如上例中的“埃塞俄比亞”、“肯尼亞”等地名實(shí)體出現(xiàn)在同一個(gè)t下，而由于t已是構(gòu)成文本的最小單元，因此無(wú)法為不同的實(shí)體指定不同的RDFa屬性，參見(jiàn)圖4；

圖4 文本元素中包含多個(gè)實(shí)體的OOXML源碼

② 一個(gè)待標(biāo)注內(nèi)容可能分散在多個(gè)句或文本之中，在Microsoft Word等辦公軟件中，往往會(huì)自動(dòng)把中英文文本和數(shù)字分在不同的句中，難以獲得一個(gè)完整的標(biāo)注，如上例中的“2月14日”會(huì)放在多個(gè)句元素和文本元素中，參見(jiàn)圖5。

圖5 實(shí)體分散成多個(gè)句元素和文本元素的OOXML源碼

2) 對(duì)于一般用戶來(lái)說(shuō)，HTML僅供瀏覽，不需進(jìn)行編輯。而OOXML則要能支持編輯，因而嵌入了語(yǔ)義元數(shù)據(jù)的文檔需要能夠被辦公軟件打開和編輯。另外，嵌入的語(yǔ)義元數(shù)據(jù)需要具備魯棒性，經(jīng)得起反復(fù)編輯。

上述問(wèn)題，需要專門設(shè)計(jì)流式文檔的語(yǔ)義標(biāo)注規(guī)則，并找到辦公軟件支持語(yǔ)義標(biāo)注的方法。

3 辦公文檔語(yǔ)義標(biāo)注方法

為解決前文所述的問(wèn)題，本文專門設(shè)計(jì)了用于辦公文檔標(biāo)注的結(jié)構(gòu)模型。標(biāo)注模型如圖6所示。

圖6 標(biāo)注模型結(jié)構(gòu)

該標(biāo)注模型用XML Schema來(lái)描述，根元素為“metadata”，該元素具有@ID、@Seq和@Begin三個(gè)屬性，也可使用任何RDFa的屬性。

對(duì)于單一文本對(duì)應(yīng)多個(gè)語(yǔ)義標(biāo)注內(nèi)容的情況，可將文本元素中的多個(gè)待標(biāo)注內(nèi)容分別放入多個(gè)metadata元素節(jié)點(diǎn)進(jìn)行描述，并將相關(guān)的文本設(shè)為metadata元素的內(nèi)容。以圖4中的“埃塞俄比亞”、“肯尼亞”和“蝗災(zāi)”為例，其標(biāo)注的結(jié)果如圖7所示。

圖7 單一文本對(duì)應(yīng)多個(gè)語(yǔ)義標(biāo)注內(nèi)容的標(biāo)注方法

圖7中，“埃塞俄比亞”和“肯尼亞”為詞匯表Schema.org中的地點(diǎn)(typeof="Place")名稱(property="name")，“蝗災(zāi)”為詞匯表Schema.org中的事件(typeof="Event")名稱(property="name")。

對(duì)于一個(gè)待標(biāo)注內(nèi)容分散在多個(gè)句或文本之中的情況，可以通過(guò)指定metadata元素中@ID和@Seq兩個(gè)屬性，將多個(gè)語(yǔ)義標(biāo)注內(nèi)容按順序進(jìn)行組合。@ID為標(biāo)注實(shí)體的編號(hào)，@Seq為標(biāo)注的順序號(hào)，@ID結(jié)合@Seq可以實(shí)現(xiàn)同一實(shí)體的多段標(biāo)注。@Begin指示某一標(biāo)注的開始或結(jié)束。

例如，對(duì)應(yīng)圖5的情況，“2月14日”為事件的發(fā)生日期，在一些詞匯表中，日期進(jìn)一步分解為年、月、日，因此，“2月14日”要按兩個(gè)實(shí)體來(lái)標(biāo)注，即“2月”和“14日”。

圖8 一個(gè)待標(biāo)注內(nèi)容分散在多個(gè)句或文本之中的標(biāo)注方法

圖8中，1～4行以及5～8行描述的兩個(gè)metadata元素節(jié)點(diǎn)具有同樣的@ID，表示它們共同標(biāo)注一個(gè)日期元數(shù)據(jù)。第1行的metadata元素節(jié)點(diǎn)其屬性Begin="true",第4行的metadata元素節(jié)點(diǎn)其屬性Begin="false",它們具有同樣的@Seq屬性(Seq="1")，表示是詞匯表Schema.org中事件(typeof="Event")的發(fā)生日期(property="startDate")的第一部分標(biāo)注內(nèi)容，對(duì)應(yīng)兩個(gè)句中的文本“2”、“月”。同理，5～8行表示事件發(fā)生日期的第二部分標(biāo)注內(nèi)容，對(duì)應(yīng)兩個(gè)句中的文本“14”、“日”。

4 語(yǔ)義文檔的編輯處理方法

在OOXML格式的文檔中添加RDFa屬性得到擴(kuò)展的OOXML文檔，稱之為語(yǔ)義文檔。然而這種擴(kuò)展將導(dǎo)致文字處理軟件無(wú)法正常打開和編輯語(yǔ)義文檔。本文提出了一種解決方法，即通過(guò)預(yù)處理和后處理方法實(shí)現(xiàn)語(yǔ)義文檔與普通辦公文檔之間的無(wú)縫切換。

4.1 語(yǔ)義文檔的預(yù)處理轉(zhuǎn)換

預(yù)處理時(shí)，利用辦公文檔中的批注機(jī)制作為文字處理軟件中記錄語(yǔ)義元數(shù)據(jù)的載體，將語(yǔ)義文檔中標(biāo)注的語(yǔ)義元數(shù)據(jù)存儲(chǔ)至批注元素中。辦公文檔中的批注是附加在文檔內(nèi)容片段上的注釋信息。批注與辦公文檔中的文本、圖片等內(nèi)容獨(dú)立顯示并相互關(guān)聯(lián)。同時(shí)，用戶在編輯文檔內(nèi)容時(shí)，也能夠直接編輯和修改批注，對(duì)于編輯具有很好的魯棒性。因此，采用批注來(lái)存儲(chǔ)語(yǔ)義元數(shù)據(jù)，可以支持用戶在編輯過(guò)程中對(duì)語(yǔ)義元數(shù)據(jù)進(jìn)行編輯和修改，也可保持在編輯過(guò)程中語(yǔ)義元數(shù)據(jù)的同步一致。

在OOXML打包文件中的document.xml內(nèi)，批注由commentRangeStart、commentRangeEnd和comment-Reference三種元素描述。其中，commentRangeStart和commentRangeEnd確定批注的起始位置和結(jié)束位置，表示批注的范圍；commentReference與OOXML打包文件中的comment.xml內(nèi)的comment元素的內(nèi)容相關(guān)聯(lián)，用于在文字處理軟件中顯示批注的內(nèi)容。在一個(gè)批注中，上述4個(gè)元素具有相同的屬性@ID。例如，圖1中的“東非”添加批注后，document.xml中將會(huì)呈現(xiàn)如圖9的結(jié)構(gòu)。

圖9 document.xml中的批注引用

在comment.xml文件中的批注結(jié)構(gòu)如圖10所示。

圖10 comment.xml中的批注引用

為能夠區(qū)分一般的批注和包含語(yǔ)義元數(shù)據(jù)的批注，本文采用特殊的用戶名稱用于語(yǔ)義元數(shù)據(jù)批注。未來(lái)，建議為文檔批注增加一個(gè)特殊的類型，用于在辦公文檔中記錄語(yǔ)義元數(shù)據(jù)。但是這要通過(guò)標(biāo)準(zhǔn)制定組織改進(jìn)相關(guān)的標(biāo)準(zhǔn)。目前，采用特殊用戶名的方式也是完全可以的，其前提是該用戶只可進(jìn)行語(yǔ)義標(biāo)注，不能進(jìn)行一般的批注。

預(yù)處理算法的核心思想是找到每一個(gè)語(yǔ)義標(biāo)注內(nèi)容的范圍，即語(yǔ)義元素metadata的范圍，以此來(lái)確定批注的范圍，并根據(jù)記錄的語(yǔ)義元數(shù)據(jù)確定批注的內(nèi)容。在確定批注范圍時(shí)，會(huì)出現(xiàn)兩種情況：1) 單一文本下具有多個(gè)語(yǔ)義標(biāo)注實(shí)體；2) 標(biāo)注實(shí)體由多個(gè)文本描述。對(duì)于情況1，需要調(diào)整文檔結(jié)構(gòu)，復(fù)制多個(gè)r和t元素節(jié)點(diǎn)并保證每個(gè)t下只包含一個(gè)metadata元素節(jié)點(diǎn)，以符合OOXML添加批注的標(biāo)準(zhǔn)格式。對(duì)于情況2，則直接根據(jù)兩個(gè)metadata元素節(jié)點(diǎn)確定批注范圍即可。本文采用如下算法進(jìn)行語(yǔ)義文檔的預(yù)處理轉(zhuǎn)換。

Algorithm1:CreateCommentNodeInput:m as metadata, r as range, u as userOutput:c as the comment node1 Function CreateCommentNode(m,r,u)2 Create a new comment node c;3 c.content ← n.metadata; // n is the semantic node in r4 c.range ← Range(t); // t is the text node in r;Range(t) means get range of t5 c.user ← "dsm";// Set user of c as "dsm"6 Output c;7 End Function

Algorithm2:ForwardTransformInput:D as the semantic documentOutput:D as the transformed document in the standard format1 Function ForwardTransform(D)2 Letc-list be the comment list to be added into D;3 c-list ← null;4 For each paragraph p in D5 For each run node r in p6 Ifr contains multiple semantic nodes Then7 Split r into multiple nodes r-list,each of which contains a single semantic node;

8 End If9 End For10 End For11 For each semantic node n in D12 Ifn spans multiple text nodes Then13 Group the text nodes of same semantics into one segment;14 For each text segment s which n spans15 c ← CreateCommentNode(n.metadata,Range(s),"dsm");16 Add c into c-list;17 End For18 Else // n spans single text node t19 c ← CreateCommentNode(n.metadata,Range(t),"dsm");20 Add c into c-list;21 End If22 End for23 Add c-list into D;24 Output D;25 End Function

算法1用來(lái)生成批注元素，包括批注的范圍和內(nèi)容。算法2是預(yù)處理算法的流程。算法2中，步驟2～3聲明待添加的批注元素集合并賦值為空。步驟4～22是生成語(yǔ)義批注的過(guò)程。其中，步驟4～10用于調(diào)整文檔結(jié)構(gòu)，對(duì)應(yīng)前文所述確定批注范圍的第一種情況。步驟11～22中，若標(biāo)注實(shí)體由多個(gè)文本描述，即前文所述的第二種情況，則執(zhí)行13～17步驟。確定標(biāo)注實(shí)體的起始和結(jié)束位置后，調(diào)用算法1生成語(yǔ)義批注，否則根據(jù)步驟4～10調(diào)整好的文檔結(jié)構(gòu)，直接調(diào)用算法1生成語(yǔ)義批注。步驟23～25輸出轉(zhuǎn)換完成的文檔。

4.2 語(yǔ)義文檔的后處理轉(zhuǎn)換

后處理的目的與預(yù)處理相反，核心思想是找到辦公文檔每一個(gè)帶有語(yǔ)義元數(shù)據(jù)的批注及其范圍，以此來(lái)確定語(yǔ)義標(biāo)注的內(nèi)容和范圍。在進(jìn)行后處理轉(zhuǎn)換時(shí)，首先要找到語(yǔ)義元數(shù)據(jù)批注的所有元素，即批注范圍元素和批注內(nèi)容元素。在確定語(yǔ)義標(biāo)注范圍和內(nèi)容時(shí)，同樣會(huì)出現(xiàn)兩種情況：1) 實(shí)體由單一文本描述；2) 實(shí)體由多個(gè)文本描述。對(duì)于情況1，將實(shí)體放入metadata元素節(jié)點(diǎn)進(jìn)行描述，批注的內(nèi)容放至metadata屬性中。對(duì)于情況2，需要添加兩個(gè)metadata元素節(jié)點(diǎn)，設(shè)置相應(yīng)的@Begin，并分別將其插入在批注起始位置后和批注結(jié)束位置前。批注的內(nèi)容放至@Begin值為true的metadata屬性中。本文采用如下算法進(jìn)行語(yǔ)義文檔的后處理轉(zhuǎn)換。

Algorithm3:BackwardTransformInput:D as the document in the standard formatOutput:D as the semantic document1 Function BackwardTransform(D)2 For each comment node c in D3 Ifc.user is "dsm"Then4 Letn be the semantic node;5 Ifc spans multiple text segment Then6 n.id ← GenerateID();// Generate ID7 n.metadata ← c.content;8 Insert n at the first text node;9 Add end tag of n with n.id at the end of c.range;10 Else // c spans single text node t11 n.id ← GenerateID();12 n.metadata ← c.content;13 Insert n at t;14 End If15 Remove c;16 End If17 End For18 Output D;19End Function

在算法3中，步驟2～17是添加語(yǔ)義元素metadata的過(guò)程。步驟3根據(jù)批注用戶名判斷該批注是否為語(yǔ)義批注，若判定為真則執(zhí)行步驟4～15。步驟5～14用于添加語(yǔ)義元素metadata的位置和內(nèi)容。其中，若實(shí)體由多個(gè)文本描述，即前文所述第二種情況，則執(zhí)行步驟6～9，將批注內(nèi)容賦值給@Begin值為“true”的語(yǔ)義元素metadata的屬性中，并在實(shí)體文本的結(jié)束位置添加@Begin值為“false”的語(yǔ)義元素；否則，執(zhí)行步驟11～13，將批注內(nèi)容賦值于語(yǔ)義元素metadata的屬性中，并將metadata插入至文本元素t下。步驟18～19輸出轉(zhuǎn)換完成的文檔。

5 標(biāo)注系統(tǒng)的實(shí)現(xiàn)

本文基于C#和winform窗體設(shè)計(jì)器實(shí)現(xiàn)了一個(gè)辦公文檔語(yǔ)義標(biāo)注工具，具有語(yǔ)義標(biāo)注、預(yù)處理轉(zhuǎn)換和后處理轉(zhuǎn)換3個(gè)功能。以圖1的新聞為例，根據(jù)前述辦公文檔語(yǔ)義標(biāo)注方法進(jìn)行標(biāo)注。

圖1的新聞案例中涉及多個(gè)實(shí)體對(duì)象，如“2月14日”、“新聞社”、“蝗災(zāi)”等。應(yīng)用本文的方法進(jìn)行實(shí)體標(biāo)注時(shí)，需要根據(jù)對(duì)象的性質(zhì)從Schema.org詞匯表中選擇合適的類型，同時(shí)還要選擇合適的屬性。以新聞示例的正文第一段為例，標(biāo)注結(jié)果如圖11所示。

圖11 語(yǔ)義標(biāo)注后的擴(kuò)展OOXML文檔示例

上述擴(kuò)展的OOXML文檔經(jīng)過(guò)預(yù)處理轉(zhuǎn)換，生成標(biāo)準(zhǔn)的OOXML文檔，圖12展示了辦公軟件Microsoft Word打開該文檔后的編輯界面。從圖12中可以看到，語(yǔ)義文檔中的語(yǔ)義元數(shù)據(jù)在Word文檔中以批注的形式呈現(xiàn)，每個(gè)語(yǔ)義批注對(duì)應(yīng)一個(gè)命名實(shí)體，允許用戶按批注方式進(jìn)行編輯。同時(shí)，也允許用戶在Word文檔中的任意位置添加語(yǔ)義批注。

圖12 Microsoft Word中打開經(jīng)過(guò)預(yù)處理的文檔示例

圖12的文檔經(jīng)過(guò)后處理轉(zhuǎn)換后，可以生成新的語(yǔ)義文檔。圖13展示了“新聞社”、“東非”、“埃塞俄比亞”3個(gè)實(shí)體在新的語(yǔ)義文檔中的標(biāo)注示例。

從圖13中可以看到，“新聞社”、“東非”、“埃塞俄比亞”3個(gè)實(shí)體的標(biāo)注方式與圖11不同，這是因?yàn)樵谶M(jìn)行前一步的預(yù)處理轉(zhuǎn)換時(shí)，將同一文本元素t下的多個(gè)語(yǔ)義標(biāo)注實(shí)體分配了多個(gè)r和t元素，調(diào)整了文檔結(jié)構(gòu)，使每一個(gè)語(yǔ)義標(biāo)注實(shí)體對(duì)應(yīng)一個(gè)r和t。圖13與圖11文檔的語(yǔ)義邏輯是一致的。

圖13 后處理轉(zhuǎn)換生成的語(yǔ)義文檔示例

語(yǔ)義文檔可使用Google結(jié)構(gòu)化測(cè)試工具或者RDFa.info[19]驗(yàn)證器檢測(cè)RDFa語(yǔ)法的正確性，并可使用GRDDL(gleaning resource descriptions from dialects of languages)[20]或W3C的RDFa解析器從中提取出RDF三元組結(jié)構(gòu)的語(yǔ)義元數(shù)據(jù)，生成Turtle、RDF/XML或N-Triples等文件。圖14為解析的結(jié)構(gòu)化數(shù)據(jù)。由圖14可知，語(yǔ)義文檔可以通過(guò)RDFa.info測(cè)試工具驗(yàn)證。以檢測(cè)到的“Event”為例，“Event”有兩條數(shù)據(jù)，即語(yǔ)義文檔中標(biāo)注的事件名稱(name)“蝗災(zāi)”及事件發(fā)生的時(shí)間(startDate)“2月14日”。

圖14 文檔結(jié)構(gòu)化數(shù)據(jù)

基于RDF數(shù)據(jù)，可進(jìn)一步使用RDFa.info生成知識(shí)圖譜。圖15為圖11部分語(yǔ)義標(biāo)注內(nèi)容對(duì)應(yīng)的知識(shí)圖譜。

圖15 基于文檔語(yǔ)義元數(shù)據(jù)生成的知識(shí)圖譜

上述結(jié)果表明，本文提出的方法能夠成功實(shí)現(xiàn)辦公文檔的語(yǔ)義標(biāo)注，方便計(jì)算機(jī)對(duì)文檔的知識(shí)提取。

本文的方法適用于其他以XML為基礎(chǔ)的辦公文檔格式，比如ODF和UOF。在版式文檔格式中，國(guó)內(nèi)的OFD(Open Fixed-layout Document)也可被本文的方法所支持。這3種文檔格式標(biāo)準(zhǔn)的XML Schema框架與OOXML十分相似，因此本文的方法可以擴(kuò)展到上述的3種文檔格式中，具有通用性。此外，本文采用RDFa作為語(yǔ)義標(biāo)注技術(shù)，能夠?qū)崿F(xiàn)多個(gè)詞匯表的標(biāo)注，具有很強(qiáng)的語(yǔ)義表達(dá)能力。用戶可以選擇不同的詞匯表對(duì)文檔中的實(shí)體進(jìn)行標(biāo)注，標(biāo)注后文檔所蘊(yùn)含的語(yǔ)義信息也會(huì)不同。

6 結(jié)束語(yǔ)

本文以流式文檔的典型格式OOXML為研究對(duì)象，詳細(xì)分析了OOXML格式與HTML格式在文本描述方面的差異性。在此基礎(chǔ)上，提出了流式文檔語(yǔ)義格式擴(kuò)展方法。針對(duì)流式文檔格式特點(diǎn)，設(shè)計(jì)了特定的語(yǔ)義標(biāo)注規(guī)則。同時(shí)，提出通過(guò)預(yù)處理和后處理實(shí)現(xiàn)語(yǔ)義文檔與辦公文檔之間無(wú)縫切換的方法，以保證標(biāo)注后的文檔經(jīng)過(guò)預(yù)處理能夠被文字處理軟件支持，經(jīng)過(guò)后處理能夠使帶有語(yǔ)義批注的辦公文檔重新形成語(yǔ)義文檔。實(shí)驗(yàn)證明，使用本文的標(biāo)注方法能夠增強(qiáng)辦公文檔的語(yǔ)義表示能力，便于計(jì)算機(jī)對(duì)文檔的自動(dòng)理解和處理。

本文主要針對(duì)OOXML格式的辦公文檔進(jìn)行語(yǔ)義標(biāo)注，后續(xù)可擴(kuò)展到ODF、UOF等格式，為更多的辦公文檔格式增加語(yǔ)義標(biāo)注的支持能力。本文的標(biāo)注對(duì)象是文檔中的文本，尚未考慮其他對(duì)象，比如圖像、表格、公式等元素的語(yǔ)義標(biāo)注，它們的結(jié)構(gòu)更加復(fù)雜，需要進(jìn)一步研究和完善標(biāo)注方法，使得標(biāo)注內(nèi)容更加全面。此外，可考慮利用自然語(yǔ)言處理技術(shù)實(shí)現(xiàn)自動(dòng)化或交互式的語(yǔ)義標(biāo)注，提高標(biāo)注的效率。