基于Web目錄的輕量級(jí)本體自動(dòng)生成.pdf

1、本體,語(yǔ)義網(wǎng)的基石,是描述網(wǎng)絡(luò)資源的詞匯表和知識(shí)庫(kù)。輕量級(jí)本體,作為本體家族中一個(gè)嶄新的分支,繼承了“目錄”之一古老的信息組織方式簡(jiǎn)單有效的特點(diǎn),正引起業(yè)界越來越多的注意。對(duì)于傳統(tǒng)本體而言,本體的構(gòu)建是一件枯燥而耗費(fèi)人力的工作。然而傳統(tǒng)本體本身的復(fù)雜性,又使得自動(dòng)生成本體的嘗試鮮有收獲。幸運(yùn)的是,隨著輕量級(jí)本體的提出和發(fā)展,高質(zhì)量的本體自動(dòng)生又重新被提上日程。本文旨在探索如何利用自然語(yǔ)言處理技術(shù),從現(xiàn)有的Web目錄(如Dmoz[1],Y

2、ahooDirectory[2]等)中自動(dòng)生成輕量級(jí)本體。整個(gè)生成過程可以概括為,抹平輕量級(jí)本體與傳統(tǒng)“目錄”的差異,即進(jìn)行形式化轉(zhuǎn)換以及各個(gè)層次上的二義性消除。具體來說,輕量級(jí)本體的自動(dòng)生成可分為四個(gè)步驟:第一步是目錄標(biāo)簽級(jí)命名實(shí)體檢測(cè),以便找出那些自身為原子概念的命名實(shí)體標(biāo)簽。文中提出了基于最大熵分類和基于Web知識(shí)兩種方法,其中基于Web知識(shí)的方法利用標(biāo)簽在Web語(yǔ)料中出現(xiàn)是的大小寫信息來判斷標(biāo)簽是否為命名實(shí)體。實(shí)現(xiàn)簡(jiǎn)單且效果良好

3、,在實(shí)驗(yàn)中取得94.76％的F值,高于最大熵分類的F值93.75％。第二步是目錄標(biāo)簽的詞性標(biāo)注。由于目錄標(biāo)簽中只存在名詞和形容詞,文中使用了條件隨機(jī)場(chǎng)訓(xùn)練二值(名詞/形容詞)詞性標(biāo)記模型來實(shí)現(xiàn)。在實(shí)驗(yàn)中獲得單詞級(jí)準(zhǔn)確率98.56％,標(biāo)簽級(jí)準(zhǔn)確率97.15％,遠(yuǎn)高于直接使用OpenNLP[4]工具進(jìn)行詞性標(biāo)注和基線系統(tǒng)。第三步是目錄標(biāo)簽的詞義消歧,這一步是整個(gè)系統(tǒng)的瓶頸所在。文中提出了一種新穎的基于Web知識(shí)的詞義消歧方法。該方法將待消歧

4、詞的上下文及候選詞義通過Web搜索引擎轉(zhuǎn)化為向量表示,再根據(jù)候選詞義與待消歧詞上下文向量相似度及候選詞義的先驗(yàn)概率兩個(gè)因素的線性組合對(duì)候選詞義打分,從而得到消歧結(jié)果。在實(shí)驗(yàn)中,我們得到了單詞級(jí)83.70％的消歧準(zhǔn)確率。雖然考慮語(yǔ)料不同所帶來的性能差異,但這一準(zhǔn)確率已經(jīng)遠(yuǎn)遠(yuǎn)高于現(xiàn)有在普通文本上的最好消歧性能(根據(jù)Senseval-3[3],最好的英文全單詞細(xì)粒度消歧準(zhǔn)確率為65％)。第四步為目錄標(biāo)簽的形式化表示——DL表達(dá)式的組裝。文中提

5、出了基于依賴語(yǔ)法分析與基于簡(jiǎn)單規(guī)則的兩種方法。實(shí)驗(yàn)結(jié)果表明,該步驟較為簡(jiǎn)單,兩種方法都取得了十分高的準(zhǔn)確率。而基于簡(jiǎn)單規(guī)則的方法要略勝一籌,其準(zhǔn)確率達(dá)到99.48％。最后,我們將四個(gè)步驟聯(lián)合起來測(cè)得系統(tǒng)整體的轉(zhuǎn)化準(zhǔn)確率為78.25％,考慮到詞義消歧的困難性,我們認(rèn)為這一結(jié)果是可接受的。在描述了輕量級(jí)本體的生成方法之后,本文還介紹了如何應(yīng)用輕量級(jí)本體,提高信息檢索質(zhì)量及用戶體驗(yàn)。尤其描述了輕量級(jí)本體如何在混合語(yǔ)義檢索中改善用戶體驗(yàn),幫助用