劉東波,黃惠勇*

（湖南中醫(yī)藥大學,湖南 長沙 410208）

·數(shù)字中醫(yī)藥·

基于中醫(yī)藥領(lǐng)域本體的信息檢索模型研究

劉東波,黃惠勇*

（湖南中醫(yī)藥大學,湖南 長沙 410208）

針對傳統(tǒng)基于關(guān)鍵詞匹配的中醫(yī)藥信息檢索存在查全率和查準率低下的缺陷，將本體與潛在語義索引相結(jié)合，提出一種基于中醫(yī)藥領(lǐng)域本體的語義信息檢索模型。該模型基于本體概念擴展樹構(gòu)建相應(yīng)的查詢擴展方法和語義向量空間模型，將用戶查詢和文檔集映射到同一潛在語義空間，通過計算查詢向量與文檔之間的相似度返回檢索結(jié)果。著重闡述了該模型的體系結(jié)構(gòu)、實現(xiàn)過程和關(guān)鍵技術(shù)，并對其實用性進行論證。

中醫(yī)藥領(lǐng)域本體；查詢擴展；潛在語義索引；信息檢索

1 引言

中醫(yī)學在其長期的發(fā)展過程中所形成的醫(yī)學經(jīng)典、名家醫(yī)論、診療醫(yī)案、醫(yī)學文獻具有重要的學術(shù)價值和實用價值，是傳播中醫(yī)藥知識的重要載體。如何以中醫(yī)自身的整體觀和辨證論治的特點為基礎(chǔ)，結(jié)合現(xiàn)代信息技術(shù)，有效組織、表達和檢索中醫(yī)藥信息，已成為總結(jié)中醫(yī)藥診療規(guī)律、轉(zhuǎn)化隱性的中醫(yī)藥診療經(jīng)驗為可共享的顯性知識、傳承和創(chuàng)新中醫(yī)藥知識的必要途徑[1]。

當前通過互聯(lián)網(wǎng)獲取中醫(yī)藥信息的途徑中，無論是中醫(yī)藥專業(yè)網(wǎng)站、醫(yī)學搜索引擎與目錄，還是通用web檢索工具（如baidu、Google等），本質(zhì)上都是基于關(guān)鍵詞匹配來獲取檢索結(jié)果。然而，自然語言中所固有的歧義性導致基于關(guān)鍵詞的全文檢索在對查詢的描述上存在模糊性，“一義多詞”的存在使得大量相關(guān)的信息難以被檢索到，“一詞多義”的存在使得返回的檢索結(jié)果中存在大量無關(guān)的噪聲信息，從而導致檢索系統(tǒng)的查全率和查準率低下。

中醫(yī)學以整體論為指導，采用取象比類的方法，對人體功能狀態(tài)進行描述，存在大量的古漢語成分，術(shù)語描述不規(guī)范，一詞多義、一義多詞的現(xiàn)象普遍存在，數(shù)據(jù)描述具有模糊性、不確定性和非結(jié)構(gòu)化等特點。這使得中醫(yī)藥知識在客觀表達上，在信息的存儲、共享和互操作上存在很大障礙，進一步加劇信息檢索的不精確性。

智能信息檢索是支撐下一代互聯(lián)網(wǎng)的核心技術(shù)之一，也是解決中醫(yī)藥信息化過程中高效、準確地獲取知識的關(guān)鍵一環(huán)。將語義處理技術(shù)應(yīng)用于信息檢索，則是智能檢索的重要方向。本文將本體與潛在語義索引相結(jié)合，提出一種基于中醫(yī)藥領(lǐng)域本體的語義信息檢索模型。將本體、自然語言處理、語義向量模型等多種技術(shù)相結(jié)合，構(gòu)建基于本體概念擴展樹的查詢擴展方法和語義向量空間模型，有效提高信息檢索的查全率和查準率。

2 系統(tǒng)模型框架

基于中醫(yī)藥領(lǐng)域本體的信息檢索模型系統(tǒng)框架如圖1所示。該模型將中醫(yī)藥領(lǐng)域本體作為底層知識組織基礎(chǔ)，利用本體良好的語義關(guān)系和概念層次結(jié)構(gòu)對用戶查詢請求進行規(guī)范化預(yù)處理和查詢擴展，基于本體構(gòu)建反映標引詞位置權(quán)重的詞條-文檔矩陣和奇異值分解，并對隨后的文檔集進行語義相似度計算和檢索排序。

該模型主要由中醫(yī)藥領(lǐng)域本體、用戶界面模塊、查詢擴展模塊、檢索分析模塊和語義空間模塊等組成，各個模塊的主要功能描述如下。

2.1 中醫(yī)藥領(lǐng)域本體

在中醫(yī)專家的指導下，基于中醫(yī)藥領(lǐng)域主題詞表及其專業(yè)知識來構(gòu)建領(lǐng)域本體。為了適應(yīng)領(lǐng)域知識的演化和降低實現(xiàn)的難度，在領(lǐng)域本體的基礎(chǔ)上針對所關(guān)注的每個細分領(lǐng)域構(gòu)建相應(yīng)的分支領(lǐng)域本體。該領(lǐng)域本體將作為語義查詢擴展和構(gòu)建LSI空間的語義基礎(chǔ)。

2.2 用戶界面模塊

接受來自用戶的查詢請求，并將之提交給查詢擴展模塊進行處理，最后將排序后的結(jié)果集返回給用戶。

2.3 查詢擴展模塊

對用戶查詢進行分詞、去掉停用詞等預(yù)處理，依據(jù)所建立的中醫(yī)藥領(lǐng)域本體將查詢詞映射到本體中的概念和實例，采用本文所設(shè)計的查詢擴展方法對查詢請求進行語義擴展，并將得到的查詢向量提交給檢索分析模塊進行檢索。

2.4 語義空間模塊

基于中醫(yī)藥領(lǐng)域本體所生成的概念集商集和個體集商集，對文檔資源庫中的原始文檔構(gòu)建語義索引和k維LSI語義空間。

2.5 檢索分析模塊

將查詢向量映射到LSI語義空間，將之與文檔集中的每個文檔進行語義相似度計算，選取語義相似度大于給定閾值的文檔，并在排序后作為結(jié)果集返回給用戶。

圖1 基于中醫(yī)藥領(lǐng)域本體的語義信息檢索模型框架

3 關(guān)鍵技術(shù)研究

3.1 中醫(yī)藥領(lǐng)域本體構(gòu)建

本體是共享概念模型的形式化規(guī)范說明[2]，它能確定相關(guān)領(lǐng)域內(nèi)共同認可的術(shù)語，提供對該領(lǐng)域知識的共同理解。中醫(yī)藥本體能夠?qū)χ嗅t(yī)藥領(lǐng)域的概念以及概念之間的聯(lián)系進行規(guī)范化描述，消除中醫(yī)藥知識的模糊性和不確定性，在語義層面建立該領(lǐng)域的共享概念模型。利用中醫(yī)藥領(lǐng)域本體的形式化描述能力，可以消除中醫(yī)藥術(shù)語中普遍存在的一詞多義、一義多詞所帶來的知識表達的不確定性，促進領(lǐng)域知識的共享和重用，使得患者、醫(yī)護人員和科研人員能夠快速準確地獲取所需的中醫(yī)藥信息。

為了降低實現(xiàn)的難度，本文在分析中醫(yī)藥知識結(jié)構(gòu)和常用概念的基礎(chǔ)上，針對中醫(yī)藥領(lǐng)域中的中醫(yī)診斷這一分支領(lǐng)域構(gòu)建中醫(yī)診斷本體。以《中國中醫(yī)藥主題詞表》[3]、GB/T 16751.2-1997中醫(yī)臨床診療術(shù)語（證候部分）、《中醫(yī)診斷學》[4]等內(nèi)容作為數(shù)據(jù)平臺，以專用于領(lǐng)域本體構(gòu)建的七步法[5]作為本體構(gòu)建方法，在中醫(yī)專家的指導下，借助于part-of、kindof、instance-of、attribute-of等4種基本概念關(guān)系[6]（見表1），對中醫(yī)診斷當中的概念及其關(guān)系進行描述，構(gòu)建中醫(yī)診斷本體，并由此得到一棵反映該領(lǐng)域知識層次結(jié)構(gòu)特點的概念層次樹。由于這種層次結(jié)構(gòu)并不要求子女僅有一個父節(jié)點，以及attribute-of關(guān)系的存在，因此它實際上是一個有向無環(huán)圖。見圖2。

圖2 中醫(yī)診斷本體片段

表1 本體4種基本概念關(guān)系含義

由于名詞（或者一組名詞）最能代表文檔的內(nèi)容，因而使用中醫(yī)診斷本體中所定義的概念和個體來標記文檔，并據(jù)此構(gòu)建文檔邏輯視圖。下面給出建立文檔邏輯視圖所需的兩個定理，其證明過程參見文獻[7]。

定理1：設(shè)本體定義的所有概念的集合為S(con-cept)，根據(jù)兩個概念間的等價關(guān)系(≡)，利用tableau算法可建立商集S(concept)/≡。

定理2：設(shè)本體定義的所有個體的集合為S(individual)，利用本體中已有的關(guān)于個體間的等價關(guān)系，反復調(diào)用個體間等價關(guān)系EI滿足的3條規(guī)則,根據(jù)個體間等價關(guān)系EI，可建立商集S(individual)/EI。

合并中醫(yī)診斷本體中的概念集合和個體集合，得到本體詞匯集合M，即M=S(concept)∪S(individual)，由定理1和定理2可分別推導得出相應(yīng)的商集，將之合并形成一個語義索引項集合{[X1]，[X2]，…，[Xt]}（設(shè)為I），則有I=S(concept)/≡∪S(individual)/EI。令標引詞集合I′={X1,X2,…,Xt}，并根據(jù)I和I′對用戶查詢進行語義擴展和建立基于本體的標引詞-文檔矩陣。

3.2 基于本體的查詢擴展機制

從擴展詞來源角度，可將查詢擴展技術(shù)分為全局分析、局部分析和基于關(guān)聯(lián)規(guī)則的查詢擴展技術(shù)等幾種。這些技術(shù)由于沒有關(guān)注查詢詞之間的語義關(guān)聯(lián)，因而存在查詢歧義性問題，不能消除用戶查詢與檢索結(jié)果之間的語義偏差，并且由于大量無關(guān)詞加入擴展集合，容易產(chǎn)生“查詢漂移”問題[8]。

為了充分表達和擴展用戶查詢意圖，本文將用戶查詢詞與中醫(yī)診斷本體中的概念和個體進行匹配和概念擴展。由于同義、繼承以及整體-部分關(guān)系是概念之間關(guān)系的主要組成部分，因而本文主要針對這些關(guān)系進行語義查詢擴展。

在對查詢請求進行劃分語句、分詞與詞性標注、去掉停用詞等預(yù)處理操作后，采用文獻[9]提出的概念詞典，將查詢請求轉(zhuǎn)化為初始查詢向量（設(shè)為q）。概念詞典包含有語法和詞匯信息，具有詞匯與概念之間的相互映射，通過它能使詞匯迅速被抽象為概念。

依據(jù)語義索引項集合I，合并向量q中的等價元素，并用標引詞集合I′中對應(yīng)的標引詞予以表示，由此得到查詢向量q′=(q1,q2,…,qs)。對于查詢向量q′中的兩類分量，采用不同的語義擴展策略。當查詢詞（查詢向量q′的分量）為概念時，依據(jù)繼承關(guān)系和整體-部分關(guān)系向下擴展l層得到一棵概念擴展樹，將擴展樹中的概念及其個體加入查詢向量，此時依據(jù)繼承關(guān)系擴展得到的擴展概念節(jié)點的權(quán)重為δl(δ為常數(shù)，0＜δ＜1)，依據(jù)整體-部分關(guān)系擴展得到的擴展概念節(jié)點的權(quán)重為θl(θ為常數(shù)，0＜θ＜δ＜1)，從概念節(jié)點擴展到其個體節(jié)點的權(quán)重為ε(ε為常數(shù)，0＜ε＜1)；當查詢詞為個體時，為了避免“查詢漂移”問題，只將該查詢詞的直接概念向下擴展一層即可，此時擴展所得查詢詞的權(quán)重仍然采用前面的策略。經(jīng)過以上步驟，得到一個最終的查詢向量q*=(q*1,q*2,…,q*s)及其權(quán)重向量w=(w1,w2,…,ws)。

3.3 基于本體的LSI語義空間

為了避免僅采用標引詞（index terms）表示用戶查詢和文檔所帶來的性能缺陷（較低的查全率和查準率），本文基于中醫(yī)診斷本體構(gòu)建標引詞-文檔矩陣，以此建立基于本體的潛在語義索引空間。

由于詞典標引法[10]在漢語自動標引中廣為使用，本文采用該法以實現(xiàn)文檔的自動標引，并據(jù)此建立本體詞匯-文檔矩陣［bij］m×n（設(shè)為B，通常為稀疏矩陣），其中：

m：文檔庫中不同的本體詞匯數(shù)；

n：文檔庫中的文檔數(shù)；

bij：第i個本體詞匯在第j個文檔中出現(xiàn)的頻度。

由于文檔中存在從屬于本體詞匯同一等價類的詞條，因而需要將它們當做一個整體進行詞頻權(quán)重計算，方法如下：

令uT1，uT2，…，uTm為矩陣B的行向量組，依據(jù)索引項集合I（I={[X1]，[X2]，…，[Xt]}），合并向量組uT1,uT2,…uTm中屬于同一等價類的向量組uTp1，uTp2，…，uTpr，(p1，p2，…，pr∈［1，m］)，由此得到一個新向量，其對應(yīng)的標引詞為該等價類的標引詞，其每個元素值為向量uTp1，uTp2，…，uTpr中各對應(yīng)位置元素值的代數(shù)和：

其中：

t：文檔庫中包含在集合I′（I′={X1，X2，…，Xt}）中的標引詞個數(shù)；

n：文檔庫中的文檔數(shù)；

aij：所有與標引詞Xi等價的本體詞匯在第j個文檔中出現(xiàn)的頻度代數(shù)和。

為了提高語義空間的質(zhì)量，還需對詞頻矩陣進行加權(quán)處理，通常采用局部加權(quán)策略和全局加權(quán)策略來分別評價標引詞在某個文檔和整個文檔集中的重要程度，其形式如下：

其中，L(i,j)表示標引詞i在文檔j中的局部加權(quán)函數(shù)，G(i)表示標引詞i在整個文檔集中的全局加權(quán)函數(shù)。目前在LSI中廣泛采用的TF-IDF加權(quán)策略基于香農(nóng)信息學理論：1）如果詞條在所有文檔中出現(xiàn)的頻率越高，則其所包含的信息熵越少；2）如果詞條只在少量文檔中擁有較高的出現(xiàn)頻率，則其擁有較高的信息熵。以下是對TF-IDF進行加權(quán)的最著名的方法[11]：

其中，tfij表示標引詞ti在文檔dj中出現(xiàn)的頻度，idfi表示標引詞ti反比于標引詞出現(xiàn)的文檔頻度，N表示文檔集中全部文檔的數(shù)目，idfi表示含有標引詞ti的文檔數(shù)目，log(N/dfi)也稱倒排文本頻率。

對已經(jīng)建立的標引詞-文檔矩陣A進行奇異值分解，得到包含A的左右奇異向量的正交矩陣U和V，以及奇異值對角矩陣S：

其中，S=diag(s1，s2， …，sr)，rank(A)=r≤p=min(t,n)，s1≥s2≥…≥sr＞0。

選取S中前k個最大的奇異值，并選取U和V中相應(yīng)的行和列，由此得到A的k-秩近似矩陣Ak[k＜＜min(t,n)]：

此時，UkSk的行可看作標引詞在k維LSI語義空間中的向量，SkVTk的列看作是文檔在語義空間中的向量。由于Sk為對角矩陣，對k為空間中的坐標進行適當縮放即可用Uk代替UkSk，因而可以將Uk中行向量看作標引詞向量。同理，可將中列向量看作文檔向量。

通過奇異值分解和k-秩近似矩陣，單個的標引詞被導出的正交因子替代，極大的降低標引詞之間的“斜交”現(xiàn)象，消除標引詞-文檔矩陣中包含的“噪聲”信息，從而更加凸顯標引詞與文檔之間的語義關(guān)系。另外，基于本體等價類詞匯構(gòu)建標引詞-文檔矩陣和截取k-秩近似矩陣，極大地減少標引詞與文檔向量空間，提高文檔的檢索效率。

3.4 查詢匹配與語義相似度

為了將用戶查詢和已被映射到語義空間中的文檔進行相似度計算，需要首先將用戶查詢向量映射到k維LSI語義空間。Tamara在文獻［12］中的實驗表明，用戶查詢映射過程中是否使用局部權(quán)值，對于檢索結(jié)果沒有明顯影響。另一方面，為了體現(xiàn)標引詞的全局區(qū)分度，則有必要對用戶查詢的標引詞應(yīng)用同樣的全局權(quán)值。為此，根據(jù)標引詞-文檔矩陣A中標引詞的排列順序和在查詢語義擴展階段得到的查詢行向量q*=(q*1，q*2，…，q*s)及其權(quán)重行向量w=(w1，w2，…，ws)，本文提出如下公式以得到用于語義映射的列向量q[（qT=（q1，q2，…，qm）]。

然后，根據(jù)公式(3-7)得到查詢向量q在LSI中的向量表示：

其中，qTUk等價于將q映射到LSI向量空間中，右乘則是賦予LSI向量空間每一維不同的權(quán)重。最后，采用向量夾角的余弦值來計算和文檔向量之間的相似度：

其中，sj表示文檔dj在SkVTk中對應(yīng)的第j個列向量，也即文檔dj在LSI語義空間中的向量表示，。降序排列相似度的計算結(jié)果，并將相似度大于閾值Smin的文檔作為檢索結(jié)果DResult返回給用戶：

4 模型實用性分析

由于目前還沒有用于基于本體的智能信息檢索系統(tǒng)的標準評測框架，已有的一些評測方法都是以用戶為中心的，不可擴展，很難復用[13]，因此本文從定性分析的角度來驗證結(jié)合本體與潛在語義索引的信息檢索模型的實用性。

宋峻峰等[7]通過形式化定義和推理，從理論上驗證基于本體的信息檢索模型具有比傳統(tǒng)信息檢索模型更好的文檔邏輯視圖和用戶信息需求邏輯視圖。本文通過part-of、kind-of、instance-of、attributeof等4種基本概念關(guān)系對中醫(yī)診斷當中的概念及其關(guān)系進行描述，構(gòu)建中醫(yī)診斷本體，為該領(lǐng)域的知識共享和共同理解奠定基礎(chǔ)。本文所提出的語義信息檢索模型在文獻[7]的基礎(chǔ)上，進一步考察中醫(yī)診斷本體概念之間關(guān)系中的占絕大部分比例的同義、繼承以及整體-部分關(guān)系，構(gòu)建基于本體概念擴展樹的查詢擴展方法，使得查詢條件更加符合用戶意圖，有效的降低用戶查詢意圖與檢索結(jié)果之間的語義偏差。

傳統(tǒng)向量空間模型采用標引詞來表示用戶查詢和文檔，基于TF-IDF加權(quán)策略來計算標引詞在文檔中的權(quán)值和構(gòu)建標引詞-文檔矩陣。由于語言中一詞多義、一義多詞的普遍存在，導致出現(xiàn)影響向量空間模型檢索性能的標引詞“斜交”現(xiàn)象。潛在語義索引模型通過對標引詞-文檔矩陣進行奇異值分解和取k-秩近似矩陣，極大的降低了標引詞之間的“斜交”現(xiàn)象，更加全面的再現(xiàn)標引詞和文檔之間的關(guān)系，克服單純項表示時產(chǎn)生的同義、多義以及“斜交”現(xiàn)象，提高了檢索的查全率和查準率[14]。另外，由于采用本體等價類詞匯作為標引詞，以及采用k-秩近似矩陣（k遠小于標引詞-文檔矩陣維數(shù)），極大地減少標引詞與文檔向量空間，有效提高檢索效率。

5 結(jié)語

針對傳統(tǒng)基于關(guān)鍵詞匹配的中醫(yī)藥信息檢索在查全率和查準率方面的局限性，特別是在信息語義表達上的不足，本文提出一種基于中醫(yī)診斷本體和潛在語義索引的中醫(yī)藥信息檢索模型。通過構(gòu)建中醫(yī)診斷本體，提供對該領(lǐng)域概念以及概念之間聯(lián)系的規(guī)范化描述，并據(jù)此構(gòu)建查詢擴展方法和潛在語義空間，使得該模型比傳統(tǒng)信息檢索模型更好的反映文檔和用戶信息需求語義，有效消除中醫(yī)藥知識的模糊性和不確定性，有助于提高患者、醫(yī)護人員和科研人員獲取所需中醫(yī)藥信息的準確性和完備性。在下一階段的研究中，我們將在中醫(yī)專家的指導下進一步完善中醫(yī)診斷本體，并通過大規(guī)模數(shù)據(jù)集測試和優(yōu)化本信息檢索模型。

[1]謝 琪.基于本體方法構(gòu)建中醫(yī)藥概念信息模型的方法學示范研究[D].北京:中國中醫(yī)科學院,2011.

[2]Borst WN.Construction of Engineering Ontologies for Knowledge Sharing and Reuse[D].Enschede,University of Twente,1997.

[3]吳蘭成.中國中醫(yī)藥主題詞表[M].北京:中醫(yī)古籍出版社,1996:85-98.

[4]朱文鋒.中醫(yī)診斷學[M].2版.北京:中國中醫(yī)藥出版社,2007:139-215.

[5]陸建江,張亞非,苗 壯,等.語義網(wǎng)原理與技術(shù)[M].北京:科學出版社,2007:70-73.

[6]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）,2002,38(5):730-738.

[7]宋峻峰,張維明,肖衛(wèi)東,等.基于本體的信息檢索模型研究[J].南京大學學報（自然科學版）,2005(2):189-197.

[8]歐陽柳波,譚睿哲.一種基于本體和用戶日志的查詢擴展方法[J].計算機工程與應(yīng)用,2015,51(1):151-155.

[9]李振東,費翔林.基于概念的信息檢索模型研究[J].南京大學學報（自然科學版）,2002(1):99-109.

[10]王知津.現(xiàn)代索引文摘法[M].北京:北京圖書館出版社,1999.

[11]李媛媛,馬永強.基于潛在語義索引的文本特征詞權(quán)重計算方法[J].計算機應(yīng)用,2008,28(6):1460-1462.

[12]Tamara GK.Limited-Memory Matrix Method with Applications,Doctor'sdissertation,University ofMaryland,College Park,2001.

[13]楊月華,杜軍平,平 源.基于本體的智能信息檢索系統(tǒng)[J].軟件學報,2015,26(7):1675-1687.

[14]林鴻飛,姚天順.基于潛在語義索引的文本瀏覽機制[J].中文信息學報,2000,14(5):49-56.

（本文編輯 李 杰）

Study of the Information Retrieval Model Based on Traditional Chinese Medicine Domain Ontology

LIU Dongbo,HUANG Huiyong*
(Hunan University of Chinese Medicine,Changsha,Hunan 410208,China)

Aiming at the defect of low precision rate and low recall rate of traditional Chinese medicine (TCM)information retrieval based on keywords matching,we propose a semantic information retrieval model based on domain ontology of TCM by combining ontology with latent semantic indexing.Based on ontology concept-extended tree method of query expansion and semantic vector space,the model can map user queries and documents to the same latent semantic space,and returning retrieval results by calculating the similarity between the query vector and the document.In this paper,we focus on the architecture,implementation process and key technologies of the model,and demonstrate its practicability.

TCM domain ontologyp;query expansion;latent semantic indexing;information retrieval

R2-03

A

10.3969/j.issn.1674－070X.2017.02.028

2016-10-01

湖南中醫(yī)藥大學中醫(yī)診斷國家重點學科開放基金項目(2013ZYZD17)。

劉東波，男，講師，研究方向：數(shù)字中醫(yī)藥。

*黃惠勇，男，教授，博士研究生導師，研究方向：中醫(yī)辨證學與數(shù)字中醫(yī)藥，E-mail：xuebaozy@126.com。

本文引用：劉東波，黃惠勇.基于中醫(yī)藥領(lǐng)域本體的信息檢索模型研究[J].湖南中醫(yī)藥大學學報，2017，37（2）：220-224.