李　勇（解放軍外國語學(xué)院，洛陽471003）

基于維基百科的本體構(gòu)建研究

李勇
（解放軍外國語學(xué)院，洛陽471003）

維基百科作為一個多語種的大型知識庫，正逐漸被人們應(yīng)用于不同的領(lǐng)域。剖析維基百科的基本結(jié)構(gòu)，分析對從信息盒、類別結(jié)構(gòu)和定義句中獲取本體概念和實(shí)例的相關(guān)原理和方法，闡述利用維基百科獲取本體關(guān)系的原理，分析基于規(guī)則匹配、機(jī)器學(xué)習(xí)和認(rèn)知科學(xué)的關(guān)系抽取方法。

本體構(gòu)建；維基百科；概念；關(guān)系

0　引言

本體（Ontology）在哲學(xué)上是對客觀存在事物的系統(tǒng)解釋和說明。在計(jì)算機(jī)科學(xué)中的定義是由Gruber提出的，他認(rèn)為本體是概念模型的明確的規(guī)范說明，即本體實(shí)際上是對相關(guān)領(lǐng)域中的概念及相互之間關(guān)系的明確定義，并提供人們對該領(lǐng)域知識的共同認(rèn)可和理解[1]。近些年來，本體在信息檢索、知識表示、問答系統(tǒng)、信息抽取等方面都有廣泛的應(yīng)用。本體的構(gòu)建是本體研究和應(yīng)用的基礎(chǔ)和前提，因此首先成為了人們研究的重點(diǎn)。早期本體的構(gòu)建以手工為主，雖然內(nèi)容和分類比較準(zhǔn)確，但是知識擴(kuò)充和更新很難及時。雖然可以借助一些本體構(gòu)建工具（如Protégé），但是其中概念、屬性、關(guān)系等內(nèi)容通常要靠相關(guān)領(lǐng)域的專家完成，并通過手工輸入相關(guān)的數(shù)值，開銷較大。因此，近些年興起的針對結(jié)構(gòu)化和半結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行本體的自動和半自動構(gòu)建，并通過利用知識獲取技術(shù)降低本體構(gòu)建開銷、提高構(gòu)建效率成為了研究熱點(diǎn)問題。

維基百科（Wikipedia）自誕生之時起就備受知識庫自動構(gòu)建者的關(guān)注，主要由于其自身所具有的半結(jié)構(gòu)化、詞條更新速度快等特點(diǎn)。在維基百科中，詞條正文和詞條中所包含的各類鏈接、子標(biāo)題、分類、模板和信息盒等要素，都可看成是對語義信息的一種半結(jié)構(gòu)化組織[2]。同普通網(wǎng)頁相比，維基百科詞條質(zhì)量高、內(nèi)部的知識挖據(jù)難度低，詞條分類清晰，同時維基百科的時間演化特點(diǎn)，充分避免了挖掘的本體知識庫更新滯后。因此，將在剖析維基百科結(jié)構(gòu)的基礎(chǔ)上，進(jìn)行本體概念、實(shí)例以及關(guān)系抽取的原理和方法進(jìn)行分析和比較。

1　維基百科的基本結(jié)構(gòu)

維基百科創(chuàng)建于2001年，是一個基于Wiki技術(shù)的多語言百科全書協(xié)作計(jì)劃，同時也是一個動態(tài)的、可自由訪問和編輯的全球知識庫，其目標(biāo)是為全人類提供各種語言的自由百科全書。維基百科已經(jīng)成為內(nèi)容最多、范圍最廣、更新最快的開放型網(wǎng)絡(luò)百科全書。截止2014年7月，維基百科一共有285種語言版本，其中英文版本的條目已經(jīng)超過400萬條，中文版本的條目超過80萬條。維基百科的結(jié)構(gòu)主要由條目（Entry）、信息盒（Information Box）、類別（Category）和超級鏈接（Hyperlinks）等構(gòu)成。

1.1條目

條目是維基百科中最基本的信息單元。每篇條目就某一百科內(nèi)容來描述一個主題，并表現(xiàn)該主題與其他相關(guān)主題的聯(lián)系。條目首先要對所描述內(nèi)容進(jìn)行基本的解釋，所以第一句也稱為定義句。然后是該條目的目錄，目錄說明了該條目的不同方面，后續(xù)內(nèi)容是對這些方面的具體闡述。如圖1為“2012 London Olympicgames”條目所示。

圖1　“2012 London Olympic Games”條目

1.2信息盒

信息盒是維基百科中一種特殊類型的模板結(jié)構(gòu)，主要包括當(dāng)前條目的一些基本屬性和重要信息。此外，信息盒中也含有豐富的結(jié)構(gòu)化和語義信息。圖1最右邊的矩形區(qū)域是信息盒，包括諸如主辦城市、參賽國家和地區(qū)、運(yùn)動員數(shù)量、比賽項(xiàng)目、開閉幕時間等屬性信息。這些屬性的一部分可以表示為當(dāng)前條目和其他條目之間的語義關(guān)系，當(dāng)前條目作為主語，其他條目作為賓語，并且通過信息盒屬性的超鏈接能夠直接訪問百科中的其他實(shí)體。例如2012年夏季奧運(yùn)會和倫敦之間具有語義關(guān)系“舉辦城市”。這些信息可以看成是對整個百科知識的摘要，便于用戶的訪問和瀏覽，維基百科的信息盒僅僅是部分條目含有。

1.3類別

在每篇百科的底部是類別信息，每篇百科隸屬于一個類別。維基百科中的類別頁面主要包括兩種：Topic Categories表示與特定主題相關(guān)的類別和條目；List Categories表示通過列表列出該概念所包含的實(shí)例。用戶需要為自己撰寫的條目進(jìn)行歸類，并且指定該條目在類別體系中的父類和子類。例如：條目“北京大學(xué)”就被包含在類別“北京的大學(xué)和學(xué)院”和“211工程”等類別里。而在類別里不僅有條目，還會有子類別。其分類體系類似于C++面向?qū)ο缶幊汤碚撝械念惱^承體系，整個結(jié)構(gòu)層次不是樹形結(jié)構(gòu)，而是網(wǎng)絡(luò)圖結(jié)構(gòu)，每個類別可能有多個父類和子類，如圖2所示。由于維基百科的類別體系是圖結(jié)構(gòu)，所有信息可以使用圖論中的理論來進(jìn)行導(dǎo)航，從方便用戶的角度進(jìn)行深度優(yōu)先和廣度有限搜索，由于所有的類別缺乏一致性，所以不可避免出現(xiàn)冗余。

圖2　類別結(jié)構(gòu)圖

1.4超鏈接

維基百科中除了信息盒及類別系統(tǒng)等較為顯式的語義信息，還有一些隱式的語義信息，例如大量的超鏈接，包括內(nèi)部鏈接和外部鏈接。前者是維基百科內(nèi)部的條目之間的鏈接，后者是從維基百科內(nèi)部鏈接到外部網(wǎng)頁。用戶在維基百科里面用得最為廣泛的結(jié)構(gòu)信息就是內(nèi)部鏈接，這些鏈接構(gòu)建了維基百科的隱含語義關(guān)系網(wǎng)絡(luò)。通過點(diǎn)擊鏈接，我們可以從一個條目轉(zhuǎn)換到另一個和原條目有一定聯(lián)系的或相同主題的條目，因此鏈接可看作是條目描述的實(shí)體之間的某種關(guān)系。至2014年，英文版的維基百科已包含超過90M的超鏈接，構(gòu)成了一個強(qiáng)大的鏈接體系。

2　通過維基百科中抽取本體概念和實(shí)例

2.1基本信息盒

本體的概念又可以稱為類（Class），可以指任何具體的或抽象的事物，如工作描述、功能、行為、策略和推理過程等。本體的實(shí)例表示概念的具體化過程。由于維基百科具有豐富的知識，通過維基百科能獲得豐富的結(jié)構(gòu)化數(shù)據(jù)，繼而來抽取本體的概念和實(shí)例。信息的抽取過程不需要利用傳統(tǒng)的詞頻統(tǒng)計(jì)、詞法結(jié)構(gòu)等特征來區(qū)分普通條目和術(shù)語概念，通過維基百科的類別體系和超級鏈接構(gòu)建網(wǎng)絡(luò)圖來抽取本體概念和實(shí)例。主要的方法可通過信息盒、類別結(jié)構(gòu)和定義句來完成。

每種條目的信息盒擁有條目的眾多屬性，其中信息盒對應(yīng)著概念，標(biāo)題對應(yīng)著概念的實(shí)例。例如：{Infobox University}對應(yīng)概念“大學(xué)（University）”，信息盒標(biāo)題〈Beijing University＞對應(yīng)此概念的一個實(shí)例。如果多個條目的信息盒都指向一個概念，例如：〈Nanjing U-niversity＞也指向{Infobox University}，則表示這些條目是這個概念的不同實(shí)例。如果一篇條目中有多個不同的信息盒，表示這個實(shí)例隸屬于多個概念。上述充分地說明了概念和實(shí)例之間是多對多的關(guān)系?；谛畔⒑械某槿》椒ǔ浞掷昧司S基百科信息盒模板中的屬性和值。雖然維基百科中并不是所有條目都有信息盒，導(dǎo)致應(yīng)用范圍較窄，但是抽取的結(jié)果十分準(zhǔn)確。

2.2基本類型結(jié)構(gòu)圖

相對于從信息盒里的抽取，維基百科的類別結(jié)構(gòu)具有更高的覆蓋度。因此，從類別結(jié)構(gòu)圖抽取實(shí)例和概念，具有更廣泛的應(yīng)用。由于維基百科的類別含有非常好的特性，是一個復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，并具有豐富的語義，反映了實(shí)例和概念之間的分屬關(guān)系或者概念和概念之間的上下位關(guān)系。維基百科的類別是用來定義特征、幫助用戶通過多重分類視角瀏覽維基百科的，被包含在一個類別里的條目常具有特定的屬性和值，這些屬性和值提供了信息抽取的良好條件。概念的抽取過程需要深入地分析類別結(jié)構(gòu)圖。文獻(xiàn)[3]提出首先統(tǒng)計(jì)類別結(jié)構(gòu)圖中當(dāng)前概念到不同領(lǐng)域的路徑長度、路徑數(shù)目因素，然后根據(jù)隸屬度函數(shù)計(jì)算概念向量的每個分量值，判斷概念所屬領(lǐng)域，抽取本體概念。

2.3基本定義句

在規(guī)范的維基百科條目中，一般都有定義句。定義句一般出現(xiàn)在條目的開頭，對條目內(nèi)容進(jìn)行簡要的描述。例如，在條目“奧運(yùn)會（Olympic Games）”中，第一句為“The Olympic Games is a major international event featuring summer and winter sports,in which thousands of athletes participate in a variety of competitions.”。該句對奧運(yùn)會進(jìn)行了基本定義。通常情況下，定義句中隱含了概念之間的上下位關(guān)系或?qū)嵗?概念關(guān)系。例如，在上述定義句中，可以得到概念“奧運(yùn)會（Olympic Games）”是概念“international event”的一個實(shí)例。通過對定義句中隱含的概念上下位關(guān)系和實(shí)例-概念關(guān)系進(jìn)行分析，可以獲取相關(guān)概念與實(shí)例。這種方法直接利用定義句中的動詞來判斷概念和實(shí)例，操作比較簡單，但準(zhǔn)確率不夠高。

3　從維基百科中獲取本體關(guān)系

在本體知識庫的構(gòu)建過程中，不僅要識別本體概念，還要確定這些本體之間的關(guān)系（兩個實(shí)體之間的關(guān)系），因此需要進(jìn)行本體關(guān)系抽取。本體關(guān)系的抽取需要預(yù)先定義抽取類型，本體關(guān)系有一些常用的關(guān)系，也有根據(jù)實(shí)際情況產(chǎn)生的關(guān)系類型。例如：地理位置關(guān)系（PHYS）、雇傭關(guān)系（EMP-ORG），等等[4]。例如，如果文本中出現(xiàn)“The CEO of Alibaba…”，其中“The CEO of Alibaba”和“Alibaba”分別可表示成人物（Person）類型和組織（Organization）類型的實(shí)體。兩種實(shí)體類型之間構(gòu)成了一種雇傭關(guān)系（EMP-ORG），即“The CEO of Alibaba”受雇于“Alibaba”。當(dāng)然可以是沒有定義的，例如在一句話中出現(xiàn)沒有定義在上述關(guān)系范疇內(nèi)的關(guān)系。

本體關(guān)系反映了本體概念、實(shí)例之間的相互聯(lián)系，在語義檢索、問答系統(tǒng)等應(yīng)用方面具有重要的作用。Maedche和Staab將本體關(guān)系分為分類關(guān)系（Taxonomy Relation）和非分類關(guān)系（Non Taxonomy Relation）[5]。分類關(guān)系又稱為IsA關(guān)系，包括上下位關(guān)系（Hyponymy）、實(shí)例關(guān)系（Instance Of）以及部分整體關(guān)系（Part Of）等。上下位關(guān)系類似于面向?qū)ο罄碚撝懈割惡妥宇愔g的關(guān)系，表示概念之間的繼承關(guān)系，如“大學(xué)生”與“學(xué)生”之間則是這種關(guān)系。實(shí)例關(guān)系表示實(shí)例和它所對應(yīng)的概念之間的關(guān)系，如“iphone”是“手機(jī)”這個概念的實(shí)例。部分整體關(guān)系表示一個概念“有”另外一個概念，如：“汽車”有“車輪”。非分類關(guān)系主要包括同義詞關(guān)系（Synonymy）、反義詞關(guān)系（antonym）等，即除了IsA關(guān)系外的概念間的任何關(guān)系。在本體關(guān)系的抽取中，主要通過基于傳統(tǒng)的規(guī)則匹配方法、基于機(jī)器學(xué)習(xí)方法和基于認(rèn)知科學(xué)的方法來完成[6]。

3.1規(guī)則匹配方法

使用規(guī)則匹配方法在維基百科中獲取本體之間的關(guān)系是指通過條目、信息盒、類別結(jié)構(gòu)等相關(guān)內(nèi)容的分析，并且識別出的規(guī)則語言模型，然后將待處理的語料與規(guī)則模型進(jìn)行匹配，從而識別本體概念間的關(guān)系[7]。例如，通過判斷維基百科的條目Member和CEO之間蘊(yùn)含的關(guān)系是Members-Of關(guān)系，因此可以指定規(guī)則模型“A is the CEO of B→Members-Of（A，B）”，并將該規(guī)則模型應(yīng)用于待處理的語料，可以得到更多的關(guān)系實(shí)例。

基于規(guī)則的關(guān)系抽取首先制定規(guī)則，然后進(jìn)行模式匹配，如果在百科中能夠找到滿足約束條件的規(guī)則，說明該規(guī)則就是抽取到的關(guān)系。所以基于規(guī)則的匹配方法的關(guān)鍵問題是規(guī)則本身的學(xué)習(xí)和抽取，在此基礎(chǔ)上考慮目標(biāo)關(guān)系的抽取等問題。例如，利用信息盒結(jié)構(gòu)對非分類關(guān)系中的屬性關(guān)系進(jìn)行提取。在信息盒中，每行的字段域?qū)?yīng)著一種屬性，對同一概念中所有實(shí)例的字段域進(jìn)行歸納和篩選，可以獲得概念的主要屬性。例如，某條目Produced By字段域?qū)?yīng)著屬性“制造者（Producer）”，屬性值為“微軟公司（Microsoft）”?？梢岳萌M（Office，designed by，Microsoft）來表示這種類型的屬性關(guān)系。然后對概念“軟件產(chǎn)品”中所有實(shí)例（Photoshop、Dreamweaver等）的字段域進(jìn)行歸納，可以得到“制造者”是概念“軟件產(chǎn)品”的一個重要屬性，即存在語義關(guān)系“Distribute-Of（Producer，Software）”。雖然不是所有的維基百科條目都能用規(guī)則關(guān)系匹配，但是匹配上的規(guī)則抽取準(zhǔn)確率很高。除了可以信息盒中的屬性來提取關(guān)系，也可以根據(jù)一些詞典或者知識庫中已經(jīng)定義的同義、反義和上下位關(guān)系來提取，例如通過WordNet、HowNet等知識庫來進(jìn)行規(guī)則匹配。

3.2機(jī)器學(xué)習(xí)方法

使用機(jī)器學(xué)習(xí)方法從維基百科中獲取本體關(guān)系，需要充分利用百科條目中的詞法、句法、語義、語用和內(nèi)部結(jié)構(gòu)等特征，根據(jù)選定的統(tǒng)計(jì)模型對歸納和總結(jié)訓(xùn)練數(shù)據(jù)，學(xué)習(xí)所應(yīng)用統(tǒng)計(jì)模型的相關(guān)參數(shù)，然后用訓(xùn)練好的模型和這些參數(shù)處理語料完成本體概念之間關(guān)系的抽取。相對于基于規(guī)則的關(guān)系抽取，機(jī)器學(xué)習(xí)方法主要是使用統(tǒng)計(jì)方法，基于概率的非確定性抽取，根據(jù)是否引入監(jiān)督學(xué)習(xí)，可以將其分為有監(jiān)督的分類方法和無監(jiān)督的聚類方法[8~9]。聚類方法首先計(jì)算概念間的語義距離，將距離大于一定閾值的概念聚集到同一類簇中，聚類的結(jié)果就是概念的類別。分類方法首先需要人工指定或者利用通用類別來構(gòu)造分類器，然后對訓(xùn)練語料進(jìn)行學(xué)習(xí)，將學(xué)習(xí)到的統(tǒng)計(jì)模型處理語料，然后來確定概念之間的關(guān)系。本體關(guān)系的識別可以使用聚類或者分類方法進(jìn)行，在完成百科知識的預(yù)處理后，選擇具有較強(qiáng)區(qū)分度的特征項(xiàng)來決定本體關(guān)系識別的效果。基于機(jī)器學(xué)習(xí)的關(guān)系抽取是一種概率性的非確定性的抽取模型，如果語料庫的規(guī)模比較大，通常會有比較好的效果。

依據(jù)選擇特征項(xiàng)選擇的方法不同，維基百科關(guān)系的機(jī)器學(xué)習(xí)方法可以通過統(tǒng)計(jì)文本特征和結(jié)構(gòu)特征的方法來實(shí)現(xiàn)。文本特征主要學(xué)習(xí)詞性、特殊字符、屬性名、句法等文本的表層特征和語義等文本的深層特征，繼而計(jì)算特征項(xiàng)的權(quán)值構(gòu)建特征向量，使用K近鄰、支持向量機(jī)等方法學(xué)習(xí)概念間的關(guān)系。由于準(zhǔn)確率和召回率受特征選擇的影響較大，所以結(jié)果普遍較低。維基百科的數(shù)據(jù)具有半結(jié)構(gòu)化的特點(diǎn)，所以其結(jié)構(gòu)特征根據(jù)不同的抽取需要，可以提取定義句動詞特征、類別中心詞特征、內(nèi)外鏈接特征等多種，根據(jù)這些特征進(jìn)行統(tǒng)計(jì)學(xué)習(xí)。由于考慮了抽取的需求，所以該方法具有非常高的準(zhǔn)確率和召回率。

3.3認(rèn)知科學(xué)方法

認(rèn)知科學(xué)主要研究生物智能的結(jié)構(gòu)、功能和工作原理，用信息加工的方法來研究認(rèn)知結(jié)構(gòu)和過程?；谡J(rèn)知科學(xué)的關(guān)系抽取通過建立計(jì)算機(jī)模型，來模擬人類認(rèn)知過程，是一種研究人思維處理機(jī)制，并結(jié)合人工智能來完成信息抽取的方法。例如概念層次網(wǎng)絡(luò)HNC。認(rèn)知科學(xué)的模型是建立在人工智能的基礎(chǔ)上，但是人類對于自身的認(rèn)知過程的認(rèn)識有限并且起步較晚，所以效率的提高還需要進(jìn)行研究。

4　結(jié)語

維基百科具有龐大的知識覆蓋體系以及豐富的結(jié)構(gòu)特征，通過采用當(dāng)前基于規(guī)則匹配、機(jī)器學(xué)習(xí)、認(rèn)知科學(xué)的方法和手段，可以自動獲得本體的概念元素和各種關(guān)系，大大提高了本體構(gòu)建的效率，利用維基百科進(jìn)行信息抽取、本體學(xué)習(xí)和開發(fā)利用已經(jīng)成為當(dāng)前研究的一個熱點(diǎn)。

[1]朱姍.基于規(guī)則和本體的實(shí)體關(guān)系抽取系統(tǒng)研究[J].情報(bào)雜志，2010（12）:142~143

[2]張海粟,馬大明,鄧智龍.基于維基百科的語義知識庫及其構(gòu)建方法研究[J].計(jì)算機(jī)應(yīng)用研究.2011（8）:7~11

[3]Cui G Y,Lu Q,Li W J,et al.Corpus Exploitation from Wikipedia for Ontology Construction[C].Proceedings of the Sixth International Language Resources and Evaluation（LREC-08）.Marrakech:ELRA,2008:2125~2132

[4]車萬翔,劉挺,李生.實(shí)體關(guān)系自動抽取[J].中文信息學(xué)報(bào).2005（2）:7~9

[5]Miller G A,WordNet a Lexical Database for the English Language[J].Communications of the ACM,1995（38）:39-41.

[6]Faure D,Nedellec C.A Corpus-based Conceptual Clustering Method for Verb Frames and Ontology Acquisition[C].Proceedings of the LREC Workshop on Adapting Lexical and Corpus Resources to Sublanguages and Applications.Granada:LREC,1998:5~12

[7]Papatheodorou C,Vassiliou A,Simon B.Discovery of Ontologies for Learning Resources Using Word-Based Clustering[C].Kommers P, Richards G.Proceedings of the World Conference on Educational Multimedia,Hypermedia and Telecommunications.Chesapeake: AACE,2002:1523~1528

[8]Nguyen D P T,Matsuo Y,Ishizuka M.Relation Extraction from Wikipedia Using Subtree Mining[C].Proceedings of the AAAI'07 Conference.Vancouver:AAAI Press,2007:1414~1420

[9]Wang G,Yu Y,Zhu H.PORE:Positive-Only Relation Extraction from Wikipedia Text[C].Proceedings of the Sixth International Semantic Web Conference and Second Asian Semantic Web Conference（ISWC/ASWC'07）.Berlin,Heidelberg:Springer-Verlag,2007: 7580~7594

Research on the Ontology Construction Based on Wikipedia

LI Yong

（PLA University of Foreign Languages,Luoyang 471003）

Wikipedia as a large knowledge base of more than one language is gradually to be applied to different areas.Analyses the basic structure of Wikipedia,and compares the principles and methods to obtain the ontology concepts and instances from the category structure,information boxes,and the definition of sentence on the principle of the use of Wikipedia for ontological relations,analyzes rule-based matching and statistical learning methods and cognitive science.

Ontology Construction;Wikipedia;Concepts;Relationships

1007-1423（2015）11-0053-05

10.3969/j.issn.1007-1423.2015.11.010

李勇（1978-），男，吉林長春人，在讀博士研究生，研究方向?yàn)閿?shù)據(jù)挖掘、自然語言處理2015-02-10

2015-03-17