非物質文化遺產知識本體構建系統(tǒng)的設計與實現——以西藏“鍋莊”、“堆諧”為例

黃永，陸偉，程齊凱，鄧勝利（武漢大學信息管理學院湖北武漢430072；武漢大學信息檢索與知識挖掘研究所湖北武漢430072）

?

非物質文化遺產知識本體構建系統(tǒng)的設計與實現——以西藏“鍋莊”、“堆諧”為例

黃永，陸偉，程齊凱，鄧勝利
（武漢大學信息管理學院湖北武漢430072；武漢大學信息檢索與知識挖掘研究所湖北武漢430072）

摘要：本文以“鍋莊”、“堆諧”兩種具有代表性的西藏非物質文化遺產為例，分析了西藏非物質文化遺產知識本體構建的重難點，對其中的關鍵問題如領域數據集構建、領域文本分詞、本體標注、本體關聯、本體可視化等進行了研究，在此基礎上設計并實現了一個面向文本與多媒體數據的非遺知識本體構建系統(tǒng)，并在此基礎上構建了一個具有一定規(guī)模的非遺知識本體庫。

關鍵詞：非物質文化遺產；本體構建；本體系統(tǒng)

陸偉（1974-），男，遼寧鞍山人，現為武漢大學信息管理學院教授，博士生導師，主要研究方向為信息檢索、知識管理、數據挖掘等。

一、引言

根據聯合國教科文組織《保護非物質文化遺產公約》中的表述，非物質文化遺產（以下簡稱非遺）是“以口頭傳承、表演藝術、民俗活動和手工技能為代表的人類知識，它們共同構成了以民族文化為表現形式的文化空間”，從多種角度詮釋了一個民族關于自然和宇宙的傳統(tǒng)知識與樸素哲學。中華文化積淀深厚，流傳久遠，其所產生的非遺資源表現出總量巨大、門類繁多、體系龐雜等特點。

西藏非物質文化遺產資源豐富，但是受限于地理環(huán)境、氣候、文化傳統(tǒng)、保護手段，這些文化資源正面臨著難以傳承的風險。固化保護是非物質文化遺產保護的重要手段，在固態(tài)保護中，利用信息技術已經成為固化保護的重要發(fā)展趨勢。本文則以西藏非物質文化遺產兩種重要的舞蹈“鍋莊”、“堆諧”為例，研究本體技術在非物質文化遺產保護中的應用。

非遺保護作為一種技術、流程、標準與制度有機結合的工作，在當代遺產保護的大潮中已經得到了充分肯定。與此同時，人們普遍地意識到，非遺分類組織作為非遺保護的重要基礎工作，其有效性直接影響著非遺保護的效果。缺少準確科學的組織分類方法與手段，非遺保護人員難以科學認識非遺對象，也無法準確描述非遺對象，保護策略的制定自然就無從談起。

我國非遺保護工作從20世紀末起步以來，取得了較大的成就。在非遺的組織分類方面，“十一五”以來，主題分類、等級分類、地域分類等分類組織方法已經形成?？傮w看來，上述分類方法都是單線索分類組織思想的產物，單線索的分類組織方案存在效用不足的問題，根源在于它不能很好地描述非遺項目中存在的復雜關系，并且非物質文化遺產保存格式多樣，例如文本、音頻、視頻，單一組織方式不能對各種類型資源充分集成。因此需要一種新型的組織形式用于描述非遺項目中的復雜關系，并且能夠對多種類型的資源進行整合。

本體是共享概念模型的形式化規(guī)范說明[1]，能夠在語義和知識層次上描述信息，自被提出以來就引起了國內外眾多科研人員的關注，并在許多領域得到了廣泛的應用，如知識工程、數字圖書館、信息檢索、異構信息的處理和語義網等。使用本體能夠很好地對非遺項目的內在復雜關系進行描述，對非遺資源進行有效整合及組織，從而能夠對非物質文化的保護有促進作用。

本文以“鍋莊”、“堆諧”兩種具有代表性的西藏非物質文化遺產為例，分析了西藏非遺知識本體構建的重難點，對其中的關鍵問題，如領域數據集構建、領域文本分詞、本體標注、本體關聯、本體可視化等進行了研究，在此基礎上設計并實現了一個面向文本與多媒體數據的非遺知識本體構建系統(tǒng)。本文還建構了一個具有一定規(guī)模的非遺知識本體庫。

本文在第二部分對本體及非物質文化遺產保護相關研究進行闡述；第三部分詳細描述本體構建系統(tǒng)的框架；具體的技術細節(jié)將在第四部分闡述；第五分部對本體構建過程進行描述；最后對本文進行總結，并給出下一步工作。

二、相關研究

截至目前，非遺本體構建方面尚沒有出現研究成果。與該主題相關的研究存在于本體研究、文化遺產本體研究兩個方面。

（一）本體研究

流行的定義，將本體定義為“給出構成相關領域詞匯的基本術語和關系，以及利用這些術語和關系構成的規(guī)定這些詞匯外延的規(guī)則的定義”[2]。Studer等給出了本體的另一個定義，認為“本體是共享概念模型的明確的形式化規(guī)范說明”。本體的核心是共享概念模型，包括共享概念、共享動詞、共享名詞等[3]。就本體的構造而言，盡管各個本體設計有所不同，但一般可以將本體的內在要素歸結為個體(實例)、類(概念)以及附加在實例和概念之上的約束、規(guī)則、公理。由于本體在人工智能(AI)、信息架構(IA)等領域的巨大前景，本體得到了廣泛的研究。主要的本體研究課題包括概念和分類體系、本體描述語言、本體工程、本體推理，本體在信息共享、信息檢索等領域的應用，基于本體的數據集成、語義網等。另外，也出現了一些非常有影響力的本體構建實例，如詞匯本體Word-net[4]，電子商務應用本體CContology，植物本體PlantOntology[5]。此外本體構建工具protégé[6]常用于本體構建中。

（二）文化遺產本體研究

文化遺產研究領域，本體方案有CIDOC CRM[7]、CDWA、AAT、TGN此外，基于已有的或者自行設計的本體，特別是圍繞CIDOC CRM本體框架，出現了大量的研究成果。本體構建方面：文獻[8]對CIDOC CRM本體框架做了細致的介紹，文化遺產的發(fā)布和展示方面，文獻[9](P851-856)介紹了利用語義網絡的文化遺產出版展示方法，文獻[10](P757-758)論述了文化遺產的展示方案，列舉了如分布地圖網絡關系圖等多種展示和利用方法；文化遺產的開發(fā)利用方面：文獻[11](P75-79)介紹了一種以本體推理和聚類技術為基礎的文化遺產自動描述和價值發(fā)現方法，該方法包括輸入、分析、智能推理發(fā)現、可視化四個步驟。國內對于文化遺產本體的研究也出現了一些成果，包括CIDOC CRM的應用，傳統(tǒng)節(jié)日的本體建構、基于地理本體的文物信息模型構建等[12][13]。但總的來說，相比國外，國內的研究還處在起步階段，多是對已有本體的應用，缺乏原創(chuàng)的成果。

（三）西藏非物質文化遺產保護

西藏自治區(qū)是我國非物質文化遺產大區(qū)，非物質文化遺產基礎深厚、特色鮮明。非遺保護工程2005啟動，2011年西藏非物質文化遺產保護中心成立，這是西藏非物質文化遺產保護的一個重要里程碑。文獻[14]探討了新媒體語境下西藏非物質文化遺產傳承與保護的數字化技術。文獻[15]對西藏非物質文化遺產的分類與保護進行了研究。

本體既能對非物質文化遺產內部錯綜復雜的關系進行很好的描述，又能夠進行資源整合。目前沒有面向非物質文化遺產保護的非遺知識本體構建系統(tǒng)，本文以西藏兩種舞蹈“鍋莊”“堆諧”為例，論述面向非物質文化遺產保護的知識本體構建系統(tǒng)的設計與實現方案。在下一部分將詳細論述系統(tǒng)的整體框架以及系統(tǒng)實現中的難點。

三、系統(tǒng)框架

本體是一種對領域中的概念及關系的一種規(guī)范說明，不同的本體構建方法就有不同的系統(tǒng)結構。本文將本體的構建定義為概念及概念關系的發(fā)現，并不涉及本體中公理的構建等工作，因此，（概念實例，關系，概念實例）三元組的發(fā)現成為了本文本體構建的核心。在本文中使用概念表示本體中的實體類別，例如“鍋莊”是一類舞蹈的名稱即是概念，使用概念實例表示具體的實體，例如鍋莊舞蹈中的“醉酒鍋莊”，使用屬性表示概念之間的關系，例如“鍋莊”的一種別稱是“歌莊”，也即是概念實例“鍋莊”有一種屬性為“別稱”，屬性值對應于另外一種概念實例“歌莊”，也即是三元組（鍋莊，別稱，歌莊）。通過對數據集中所有三元組也即是概念及概念關系挖掘之后，領域本體的構建也就基本完成。

圖1：本體構建系統(tǒng)框架圖

根據上述思路，本體構建系統(tǒng)（如圖1所示）主要有三個模塊構成，分別是領域數據集構建、本體構建、本體可視化及檢索。

領域數據集構建模塊主要完成領域數據的收集、處理、加工、存儲工作，解決本體構建的數據問題；領域數據集構建一支是領域問題的首先需要面對的問題，主要難點在于：領域數據相較于一般問題不同，其主要特點就是數量少、收集困難等，這都阻礙了領域數據收集工作的進行；其次，領域知識識別困難，在領域本體構建過程中最重要的就是概念識別，如果無法正確的識別領域中的概念，概念的關系也就無從談起。因此，本體構建中領域數據集構建難點主要包括數據收集以及領域概念識別。

本體構建模塊主要分為本體定義，即定義領域本體的概念和屬性，基于文本的本體標注，多媒體本體關聯三個模塊解決本體構建問題；本體定義主要包括概念定義以及屬性定義，對領域中可能涉及的概念及其屬性進行定義?；诒疚牡谋倔w標注在本體定義的基礎上從文本中標注出概念實例以及使用屬性標注實例之間的關系，并且通過學習對可能存在的三元組進行提示；本體關聯是將媒體數據如視頻、音頻等中的關鍵幀、片段關聯到已經構建的本體概念實例中去。在本模塊主要的難點就是本體標注以及本體關聯。

可視化及檢索模塊則是對構建本體進行可視化以及檢索，解決本體展示問題。本系統(tǒng)采用樹形結構對構建的本體進行展示，并且集成本體檢索功能，對本體的具體信息進行展示，包括屬性、屬性值，文本信息、多媒體數據信息等。

這里主要對本文系統(tǒng)的框架及三個主要模塊進行了闡述，針對每個模塊的難點以及解決方法將在之后進行詳細論述。

四、領域數據集構建

（一）領域數據集的難點

領域數據集構建模塊是本體構建系統(tǒng)的基礎模塊，其主要負責為本體系統(tǒng)其他模塊提供準確的數據，主要包括數據收集、數據處理、數據存儲等步驟，對應于不同的步驟分別對應以下難點：

1、領域數據收集

領域數據尤其是特定領域對象的領域數據，數據量一般較小。數據源一般分為兩種：一種是網絡，另外一種現有文獻書籍?，F有文獻書籍中對于非物質文化遺產項目一般都是從文化、藝術等層次進行描述，而對于具體特定的對象描述較少，并且一本書籍數不超過10萬字，其中描述特定領域對象的文字更少，因此從現有書籍中獲取領域數據是不現實的。豐富的領域數據是本體構建的關鍵，所以，本文針對當前數據問題，提出了一種基于查詢擴展的領域數據集構建方法，該方法根據種子關鍵詞從網絡中獲取數據，能夠極大地豐富領域數據。

2、領域概念識別

領域概念是區(qū)別于其他領域的“專有名詞”，例如本文中的“鍋莊”、“堆諧”，對于領域知識不了解的人無法確認這個詞匯的意義，甚至可能認為這不是一個詞匯?？梢哉f，領域概念的正確識別是數據處理中另一個重要問題，在本體構建系統(tǒng)中，概念識別問題本質上是一種領域分詞問題，也即是對上述所述的領域詞匯進行正確分詞。本文則是通過對一般分詞的改進使之適用于領域分詞問題。

（二）基于bootstrapping的領域數據收集

領域本體構建都是數據驅動的，領域語料庫的大小將決定了本體的構建效果，但是領域本體構建的領域特性限制了數據資料可獲得性，于是本文提出了一種基于bootstrapping的領域本體構建方法。

該方法主要動作就是完成從搜索引擎中獲取更多的關于該領域的資料。例如在搜索引擎中搜索“鍋莊”一詞，一次返回700條，但是這些數據顯然不能滿足本文的要求和目標，所以本文需要在搜索引擎中挖掘出更多的語料，本文的方法就是通過查詢擴展進而實現，但是區(qū)別于一般的查詢擴展算法，一般的查詢擴展是為了完成搜索引擎獲取更多與查詢query更相關的文檔提高查準率，本文是從相反的角度來從搜索引擎獲得更多文檔來提高查全率。

圖2:基于bootstrapping的領域語料構建

基于bootstrapping方法的領域語料庫構建是一種結合查詢擴展技術從搜索引擎中不斷迭代出搜索結果的過程。其中主要步驟為查詢擴展和迭代過程。通過bootstrapping的方法中的擴展出來的查詢詞是與原主題相關的，所以能夠用于構建領域語料庫。

通過這種方法構建語料庫的原因主要是因為在搜索引擎中本文給出一個關鍵詞，搜索引擎只能返回給本文優(yōu)先的條目數，本文采用這種方法主要目的就是從搜索引擎中挖掘出更多的主題相關的語料，用于構建數據庫。

經過實驗，本文的結果如下：

表1：語料庫構建結果

通過多次的擴展查詢，可以獲得更多的結果，本文只進行一層擴展，獲得了37584條數據，數據總體大小超過500M，能夠滿足本體構建的基本需求。

（三）領域分詞方法

領域分詞問題一直是領域數據集處理的重點和難點，一般領域分詞方法都是在一般分詞工具的基礎上加入領域詞表，通過領域詞表對分詞效果進行改進。本文也是使用領域詞表改進分詞效果，因此領域詞表的構建也就成為領域分詞的關鍵。

本文認為對于一個領域，其領域特有詞匯會在已有的學術文獻的關鍵詞中出現，因此，本文使用“鍋莊”、“堆諧”、“藏族舞蹈”等詞匯在學術論文庫中進行搜索，將搜索結果中論文的關鍵詞作為領域詞加入到領域分詞工具的詞表中。本文使用中科院分詞器NLPIR[16][17]對數據進行分詞。

五、本體構建

（一）本體定義

本體定義是領域本體框架的定義，主要包括概念和屬性兩種，本文以鍋莊和堆諧為例進行本體構建，因此，本文的概念只包括兩種舞蹈“鍋莊”、“堆諧”，其余實體作為兩種舞蹈的屬性實例。

圖3:本體定義包括概念定義及屬性定義

如圖3所示，本體定義包括概念定義以及屬性定義兩個模塊，分別對本文所涉及的概念以及屬性進行定義。本文的本體構建對象是“鍋莊”、“堆諧”兩種舞蹈，本文本體定義的主要框架如圖4所示。主要包括基本屬性以及總體屬性，基本屬性包括動作、地域、場景、服飾、功用、流程，總體屬性包括別名、簡介、子類、傳承人、出現時間等以及多媒體屬性。其中一些屬性例如地域、多媒體屬性是可以關聯到現有的地域本體以及多媒體本體當中。

圖4：本文本體定義框架

上述的本體定義框架是對本體構建的基本要求，在本體標注過程中可以根據具體的情況使用屬性定義對屬性進行修改和擴充。

（二）基于文本的本體標注

本體標注是在所收集的領域數據之上根據本體定義標注出三元組的過程。該過程本系統(tǒng)主要包括人工標注、潛在關系推薦兩個模塊。首先將領域數據使用領域分詞進行分詞，將每一個詞作為標注的對象，在系統(tǒng)中點擊標注對象彈出菜單，對概念實例和關系進行標注。該步驟一般是由人工完成，對已經標注的概念實例及關系，會在所有的文檔中進行顯示和關聯。

圖5：標注頁面

在本體的文本標注過程中采取了一種輔助人工標注的方法，該方法是一種基于種子的模式提取方法。模式是指用于提取概念以及概念關系的模板。例如：

“鍋莊分為了大鍋莊和小鍋莊等”

上面的一句中說明了鍋莊的一種上下位的關系，它的模板是：

< C >分為< C1 >和< C2 >等

其中C表示了概念替代概念的符號，該模式下就說明了概念C是由概念C1和概念C2的父類，也就找出了三種概念C、C1、C2，C是C1和C2的上位概念。上面描述的是一般的模式識別的方法，它有自己的優(yōu)點如準確率高，簡單等，但是模板的制定通常需要人為參與，導致了這種模式識別方法雖然準確率高但是不能大規(guī)模展開，并且人為的制定模式耗時耗力。

圖6：基于種子的模板自動提取

所以本文使用一種基于種子的模式提取方法，該方法是一種無監(jiān)督方法（如圖6所示），它主要在數據庫中搜索已經有的種子模板，并提取相對應的模板中的概念，并使用這種概念實例去搜索語料庫中的所有句子，從每個句子中提取出來各自的模板，最終采用投票機制，選取出能夠代表這種關系的模板。然后不斷地迭代，選出所有的模板。

根據該方法提取出關于上下位關系以及包含關系的模板庫，用于進行概念提取和概念關系識別，從而輔助人進行文本的實例標注。

（三）多媒體關聯

非物質文化遺產項目最常用的保存方式是多媒體格式，如視頻、音頻、圖片等，如何將這些多媒體關聯到本文所構建的本體是本模塊的關鍵問題。因此本系統(tǒng)在文本標注的本體之上進行多媒體關聯。

在本系統(tǒng)中主要對視頻數據進行本體關聯，包括視頻關鍵幀和視頻片段。如圖7所示，視頻通過暫停繼續(xù)來進行截取關鍵幀，并且標注者能夠與前面定義的本體以及實例相關聯。通過獲取視頻的開始時間和結束時間完成視頻片段的標注。

在本系統(tǒng)中使用是進行FFMPEG[18]完成視頻的關鍵幀的提取工作。

圖7：視頻標注系統(tǒng)界面

（四）可視化及檢索

在本系統(tǒng)中使用樹形結構對構建的本體進行可視化（如圖8），以鍋莊、堆諧兩個舞蹈種類為根節(jié)點，然后對概念實例進行展示，對于每一個舞蹈概念，如果標注其屬性則對舞蹈的屬性進行展示。點擊某一個具體的舞蹈實例，可以查看其具體信息，包括文本、圖片、視頻（如圖8）。

圖8：本體可視化樹及具體信息展示

本系統(tǒng)通過文本標注及多媒體關聯方法構建了超過具有1萬多個實例及關系，2000多幅圖片，500多段視頻。通過樹形結構，在使用樹形結構進行表示時，使用異步加載技術進行數據的請求和展示，而加速可視化的速度。

由于本體中的概念實例數量超過了人瀏覽能力，本文引入了檢索技術對本體中的概念、屬性進行索引和檢索。在本系統(tǒng)中本體檢索使用Lu?cene[19]檢索，首先對本體中各個域進行索引，對于檢索到的結果按照概念實例進行排列，分別列出概念的屬性及屬性關系，關聯的關鍵幀、視頻片段，視頻片段可以通過點擊播放。

六、總結

本文提出了一種面向非物質文化遺產保護的非遺知識本體構建系統(tǒng)，首先給出了本文系統(tǒng)的總體架構，并且分別對系統(tǒng)中的三個模塊的難點及解決方法進行了詳細的敘述，分別解決了領域數據收集、領域分詞、文本標注、多媒體關聯等問題。在構建的本體基礎上使用樹形工具對本體進行可視化，并且集成了本體檢索功能。本文使用本體構建系統(tǒng)以鍋莊、堆諧兩種西藏舞蹈為例，構建了實體數量超過1萬條的本體，證明了本體系統(tǒng)的可用性以及其在非遺保護方面的有效性。

[參考文獻]

[1]Studer R，Benjamins V R，Fensel D.Knowledge engineer?ing:principles and methods[J].Data Knowl Eng 25(1-2)，Data & Knowledge Engineering，1998（25）.

[2]鄧志鴻，唐世渭，張銘，等.Ontology研究綜述[J].北京大學學報（自然科學版），2002(5).

[3]Borst W N.Construction of engineering ontologies for knowl?edge sharing and reuse[M].Universiteit Twente，1997.

[4]Fellbaum C.WordNet[M].Blackwell Publishing Ltd，1998.

[5]Plant Ontology Consortium web site at http://www.plantontol?ogy.org.

[6]protégé開源軟件網站，http://protege.stanford.edu/.

[7]The CIDOC CRM http://www.cidoc-crm.org.

[8]Surhone L M，Tennoe M T，Henssonow S F.CIDOC Concep?tual Reference Model[J].Archive2 Official，2010，40(5).

[9]Hyv?nen E，M?kel? E，Kauppinen T，et al.CultureSampo:A National Publication System of Cultural Heritage on the Se?mantic Web 2.0.[M]// The Semantic Web:Research and Appli?cations.Springer Berlin Heidelberg，2009.

[10]Hyv?nen E.Semantic Portals for Cultural Heritage[M]// Handbook on Ontologies.Springer Berlin Heidelberg，2009.

[11]Collao Jr A，Díaz-Kommonen L，Kaipainen M，et al.Soft ontologies and similarity cluster tools to facilitate exploration and discovery of cultural heritage resources[C]//Database and Expert Systems Applications，2003.Proceedings.14th Interna?tional Workshop on.IEEE，2003.

[12]劉宏哲，鮑泓，余杰華.基于CIDOC CRM的虛擬博物館語義網絡架構[J].計算機應用研究，2006(4).

[13]肖婷.應用CDWA標準描述數字宋畫作品的探索[J].圖書情報工作，2011(9).

[14]常凌翀.新媒體語境下西藏非物質文化遺產的數字化保護與傳承探究[J].西南民族大學學報（人文社會科學版），2011(11).

[15]馬寧.論西藏非物質文化遺產的分類和傳承保護[J].西藏民族學院學報（哲學社會科學版），2008(1).

[16]NLPIR漢語分詞系統(tǒng)2013版。http://ictclas.nlpir.org/.

[17]劉群，張華平，俞鴻魁，程學旗.基于層疊隱馬模型的漢語詞法分析[J].計算機研究與發(fā)展，2004(8).

[18]FFmpeg is a complete，cross-platform solution to record，convert and stream audio and video.http://www.ffmpeg.org/.

[19]Lucene，The Apache Software Foundation http://lucene.apache.org.

[責任編輯王聰華]

[校對梁成秀]

基金項目：本文系西藏民族大學協同創(chuàng)新中心重點研究項目“西藏文化產業(yè)發(fā)展公共信息服務平臺研究”（項目號：XT15037）；國家科技支撐計劃項目“虛擬旅游與文化資源協同系統(tǒng)研發(fā)與應用”（項目號：2012BAH33F00）的階段性研究成果。

作者簡介：黃永（1991-），男，山東菏澤人，現為武漢大學信息管理學院在讀博士研究生，主要研究方向為信息檢索、數據挖掘。

收稿日期：2015-12-16

中圖分類號：G122

文獻標識碼：A

文章編號：1003-8388（2016）01-0020-07