中醫(yī)藥文獻(xiàn)語義關(guān)系圖發(fā)現(xiàn)

1、到稿日期：20100710返修日期：20100810陶金火(1985－)男研究生，職稱主要研究方向?yàn)檎Z義知識發(fā)現(xiàn)等，Email:taojinhuo@；陳華鈞男副教授主要研究方向?yàn)榫W(wǎng)格計(jì)算語義web等；胡雪琴(1978－)女助理研究員主要研究方向?yàn)橹嗅t(yī)藥信息學(xué)等中醫(yī)藥文獻(xiàn)語義關(guān)系圖發(fā)現(xiàn)陶金火1陳華鈞2胡雪琴3（浙江大學(xué)計(jì)算機(jī)學(xué)院浙江310027）1（浙江大學(xué)計(jì)算機(jī)學(xué)院浙江310027）2（中國中醫(yī)藥科學(xué)院北京100700）3摘要本文提出一

2、種基于中醫(yī)藥語義本體知識庫對中醫(yī)藥文獻(xiàn)的進(jìn)行語義關(guān)系圖發(fā)現(xiàn)的方法。核心方法分為三個(gè)部分：第一步采用中醫(yī)藥語義本體概念名稱為字典進(jìn)行關(guān)鍵詞提?。坏诙讲捎藐P(guān)聯(lián)算法的一種變異算法查找高頻關(guān)鍵詞組；第三步利用中醫(yī)藥語義本體知識庫對關(guān)鍵詞組進(jìn)行語義關(guān)系識別，對未能識別的關(guān)鍵詞進(jìn)行語義關(guān)系預(yù)測。最后每組關(guān)鍵詞生成一個(gè)對應(yīng)的語義關(guān)系圖。本文實(shí)驗(yàn)部分將利用中醫(yī)藥語義本體知識庫對中醫(yī)藥文獻(xiàn)進(jìn)行語義關(guān)系圖的發(fā)現(xiàn)，驗(yàn)證本文提出的算法。關(guān)鍵詞關(guān)鍵詞中醫(yī)藥語義

3、本體，語義關(guān)系圖中圖法分類號中圖法分類號TP39文獻(xiàn)標(biāo)識碼文獻(xiàn)標(biāo)識碼ASemanticGraphDiscoveryofTCMDocumentsTAOJinhuo1CHENHuajun2HUXueqin3(DepartmentofComputerScienceZhejiangUniversityZhejiang310027China)1(DepartmentofComputerScienceZhejiangUniversity，Zheji

4、ang310027China)2(InstituteofInfmationonTraditionalChineseMedicineChinaAcademyofChineseMedicalSciencesBeijing100700China)3AbstractAbstractThispaperproposesanontologybasedTCMsemanticgraphdiscoveryofTCMDocument.Thecemethodi

5、ncludesthreeprocedures:FirstlyextractkeywdsfromtheTCMdocumentsusingtheTCMontologyconceptnameasdictionary.Secondlycalculatethefrequencyofthekeywds.ThirdlyidentifythesemanticrelationbetweenthekeywdswiththeTCMontologyknowle

6、dgebase.Furthermepredictthesemanticrelationthatcan’tbeidentified.Therefeeverygroupofkeywdscouldgenerateasemanticgraphthatexpressthepossiblesemanticoftheiginalsentence.IntheexperimentsectiontheTCMontologyknowledgebasewasu

7、sedtoidentifythesemanticgraphfromTCMDocumentsverifythefeasibilityofthemethodofthispaper.KeywdsKeywdsTCMOntology，SemanticGraph1引言歷史悠久的中醫(yī)藥領(lǐng)域擁有大量的包含寶貴知識的文獻(xiàn)，對中醫(yī)藥文獻(xiàn)的自動化的分析處理一直是學(xué)界的研究熱點(diǎn)。不過受限于中醫(yī)藥文獻(xiàn)一些特點(diǎn)，比如中醫(yī)藥學(xué)的概念表達(dá)、術(shù)語使用甚至語句內(nèi)容都具有特

8、殊領(lǐng)域性，計(jì)算機(jī)對這些文獻(xiàn)的分析處理一直不太理想。語義web技術(shù)作為下一代互聯(lián)網(wǎng)技術(shù)，將人類的所有知識進(jìn)行無縫鏈接將人類的所有知識進(jìn)行無縫鏈接集成，為中醫(yī)藥文獻(xiàn)的分析處理提供了新的解決方案集成，為中醫(yī)藥文獻(xiàn)的分析處理提供了新的解決方案。語義web中的語義圖是一種能夠清楚表達(dá)本體之間的復(fù)雜關(guān)系的模型語義圖的節(jié)點(diǎn)是本體節(jié)點(diǎn)之間的邊采用節(jié)點(diǎn)之間的邊采用RDFRDF的三元組來表述三元組來表述。語義圖為中醫(yī)藥知識提供了一種良好的表述模型，能夠清晰

9、的表達(dá)中醫(yī)藥概念之間的各種關(guān)系。因此，本文提出一種利用中醫(yī)藥語義本體知識庫，從大量中醫(yī)藥文獻(xiàn)中，進(jìn)行語義關(guān)系圖發(fā)現(xiàn)的方法。在實(shí)驗(yàn)部分本文用中醫(yī)藥本體知識庫對中醫(yī)藥文獻(xiàn)進(jìn)行語義關(guān)系圖發(fā)現(xiàn)，以驗(yàn)證算法。2相關(guān)工作相關(guān)工作1998年，TBernersLee與JHendler等首次提出了語義Web的概念[1][2]。語義web的主要目標(biāo)是在web中增加機(jī)器可以理解的語義，提升機(jī)器對web內(nèi)容的理解，從而更好的支持搜索內(nèi)容，知識發(fā)現(xiàn)，內(nèi)容推薦等服

10、務(wù)。語義語義webweb通過語義關(guān)系圖，來表示現(xiàn)實(shí)世界的所有事通過語義關(guān)系圖，來表示現(xiàn)實(shí)世界的所有事物之間的語義關(guān)系，從而構(gòu)成一個(gè)巨大的知識和資源網(wǎng)物之間的語義關(guān)系，從而構(gòu)成一個(gè)巨大的知識和資源網(wǎng)絡(luò)，對應(yīng)用領(lǐng)域提供相關(guān)的服務(wù)絡(luò)，對應(yīng)用領(lǐng)域提供相關(guān)的服務(wù)。語義web的核心概念是語義本體（semanticontology），本體可以涵蓋任何概念模型。將語義web技術(shù)應(yīng)用到中醫(yī)藥知識建模是一項(xiàng)非常有意義的工作。作為語義web的基礎(chǔ)，語義圖（s

11、emanticgraph）以語義本體為節(jié)點(diǎn)，以RDF三元組的形式描述節(jié)點(diǎn)之間語義關(guān)系，也即圖的邊。語義圖可以表達(dá)任意復(fù)雜的語義結(jié)構(gòu)，各個(gè)元素及各元素之間的語義關(guān)系。語義圖是一種先進(jìn)的知識表達(dá)模型，具有直觀性，全面具有直觀性，全面性，性，可推理性等特點(diǎn)推理性等特點(diǎn)。另外，語義圖通常用RDF或者OWL來表述，計(jì)算機(jī)能夠很好的識別，便于自動化分析處理。將語義圖。將語義圖應(yīng)用于中醫(yī)藥領(lǐng)域，進(jìn)行知識的表達(dá)和建模是一項(xiàng)很有前景的工作，可以讓中醫(yī)藥知

12、識達(dá)到規(guī)范化，有利于人們對中醫(yī)藥知識的獲取，存儲和分享，同時(shí)增強(qiáng)自動化處理的能力。本文將重心放在從中醫(yī)藥文獻(xiàn)中進(jìn)行語義關(guān)系圖的發(fā)現(xiàn)，因?yàn)檎Z義關(guān)系圖能夠很好的描述句子所表達(dá)的主要內(nèi)容。比如：主語謂語賓語，主語和賓語用語義圖的節(jié)點(diǎn)來表示，而謂語則用頂點(diǎn)之間的有向邊來表示。文獻(xiàn)由句子組成，整篇文章的內(nèi)容可以用語義圖來表達(dá)(不一定可以連通，可能形成的是多個(gè)子圖)。如果將各個(gè)節(jié)點(diǎn)歸并到其所屬的直接父節(jié)點(diǎn)或者更上層的節(jié)點(diǎn)，那么我們可以得到精簡的概括

13、性的圖，這個(gè)圖概括性的描述了文獻(xiàn)的內(nèi)容，可以用于對文獻(xiàn)的分類；另外對語義圖進(jìn)行節(jié)點(diǎn)頻度分析，知識推理等，可以得到文獻(xiàn)的主題詞。總之，將文獻(xiàn)轉(zhuǎn)化為語義關(guān)系圖，對文獻(xiàn)的分析處關(guān)鍵詞提取的具體步驟入圖2所示：文獻(xiàn)關(guān)鍵詞識別分句中醫(yī)藥本體關(guān)鍵詞向量圖2分詞算法的流程圖第一步將數(shù)據(jù)源文獻(xiàn)以句子為單位進(jìn)行分解。第二步以中醫(yī)藥本體概念為字典，對每個(gè)句子進(jìn)行中醫(yī)藥關(guān)鍵詞的提取。關(guān)鍵詞提取的結(jié)果以向量進(jìn)行存儲。公式2表示數(shù)據(jù)源進(jìn)行關(guān)鍵詞提取后的結(jié)果，集合

14、K是關(guān)鍵詞向量V的集合。K=V1，V2，…，Vn(2)集合K中包含了所有從數(shù)據(jù)源中提取出來的關(guān)鍵詞，后續(xù)算法將在其中尋找潛在有價(jià)值的語義關(guān)系圖。此處所說的有價(jià)值的語義關(guān)系圖的價(jià)值是指文獻(xiàn)中描述的語義關(guān)系，反應(yīng)了文獻(xiàn)語義的語義圖才發(fā)揮了文獻(xiàn)的價(jià)值。3.2高頻詞的計(jì)算高頻詞的計(jì)算關(guān)鍵詞提取完成后，將進(jìn)行高頻關(guān)鍵詞組的發(fā)現(xiàn)。多次一起出現(xiàn)的詞組，其內(nèi)部存在一定的有價(jià)值的語義關(guān)系的可能性較大，這是顯而易見的。這也是關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘算法的思想之一，

15、本文高頻詞計(jì)算方法也借鑒了關(guān)聯(lián)規(guī)則算法。出現(xiàn)次數(shù)越多的關(guān)鍵詞組，其越有可能存在有價(jià)值的語義關(guān)系（有價(jià)值是指文獻(xiàn)中論述的語義關(guān)系）。據(jù)此對各種數(shù)量的關(guān)鍵詞組進(jìn)行出現(xiàn)次數(shù)的統(tǒng)計(jì)。關(guān)鍵詞組的出現(xiàn)次數(shù)的閾值設(shè)為E，當(dāng)出現(xiàn)次數(shù)達(dá)到E次，那么該關(guān)鍵詞組即為高頻關(guān)鍵詞組。這個(gè)E也就是關(guān)聯(lián)規(guī)則查找算法中的支持度。這里不存在一些詞語比如副詞，連詞，介詞等多次出現(xiàn)的干擾問題，因?yàn)榉衷~程序分詞后得到關(guān)鍵詞都是中醫(yī)藥范疇的詞語。高頻關(guān)鍵詞組內(nèi)的關(guān)鍵詞需要保持在

16、關(guān)鍵詞向量中的順序，不過可以在關(guān)鍵詞向量中隔開m個(gè)詞出現(xiàn)。關(guān)鍵詞之間的位置關(guān)系隱含著詞語之間是否存在有價(jià)值語義關(guān)系的依據(jù)，如果兩個(gè)詞的位置相近，那么兩者間存在有價(jià)值的語義關(guān)系的可能性就較大；反之，如果兩個(gè)詞的位置相距較遠(yuǎn)，那么其兩者之間存在有價(jià)值的語義關(guān)系的可能性就較小。關(guān)鍵詞不要求連續(xù)出現(xiàn)，可以相隔k個(gè)詞出現(xiàn)。因?yàn)橄嗤Z義的關(guān)鍵詞組，可能會以不同的形式呈現(xiàn)，比如：“大黃，瀉火，涼血”和“大黃，瀉火，大黃，涼血”雖然是同一種語義，形成相

17、同的語義圖，但是其關(guān)鍵詞的數(shù)量是不同的，如果在計(jì)算關(guān)鍵詞出現(xiàn)的閾值的時(shí)候，關(guān)鍵詞可以隔開1個(gè)詞的話，那么“大黃，瀉火，涼血”就可以算出現(xiàn)了兩次。在一定間隔范圍內(nèi)，關(guān)鍵詞對前后位置關(guān)系不敏感，也就是說，和有等價(jià)的語義作用。比如“大黃治療咽腫”和“咽腫被大黃治療”在現(xiàn)實(shí)世界中的意義是相同的，而且在預(yù)測算法將會對兩種位置關(guān)系的關(guān)鍵詞都進(jìn)行語義關(guān)系識別。在一個(gè)完備的知識庫中，對這兩種關(guān)系都會進(jìn)行描述，這樣的話，無論還是都可以在知識庫中獲得識別。

18、如果知識庫中對這樣的語義關(guān)系只描述一種，那么在語義識別算法中，對關(guān)鍵詞進(jìn)行正向和反向的識別，即在識別的同時(shí)，也對進(jìn)行識別。如果兩個(gè)關(guān)鍵詞的間隔比較遠(yuǎn)，本文認(rèn)為其兩者之間不存在有價(jià)值的語義關(guān)系，因此要在一定范圍內(nèi)討論關(guān)鍵詞前后位置關(guān)系。下面將對高頻關(guān)鍵詞計(jì)算進(jìn)行詳細(xì)的描述。對于關(guān)鍵詞向量集K的Vi，設(shè)有n個(gè)關(guān)鍵詞，分別計(jì)算Vi的各種數(shù)量的關(guān)鍵詞組在K中的出現(xiàn)次數(shù)，如果達(dá)到閾值E，則對應(yīng)的關(guān)鍵詞組屬于高頻關(guān)鍵詞組。對兩個(gè)以上的關(guān)鍵詞進(jìn)行出現(xiàn)

19、次數(shù)的計(jì)算，從最大的關(guān)鍵詞數(shù)量開始計(jì)算，比如Vi有n個(gè)關(guān)鍵詞，那么從n個(gè)關(guān)鍵詞開始計(jì)算，如果n個(gè)關(guān)鍵詞屬于高頻關(guān)鍵詞，那么小于n數(shù)量的關(guān)鍵詞就不必再進(jìn)行統(tǒng)計(jì)，因?yàn)樗麄兌紝儆诟哳l詞。高頻關(guān)鍵詞組中的詞，不必前后相鄰，可以相隔m個(gè)關(guān)鍵詞出現(xiàn)。定義高頻關(guān)鍵詞集合FK，對關(guān)鍵詞向量集合K中的每個(gè)向量Vi進(jìn)行如下步驟的計(jì)算：Step1：定義變量n，n為向量Vi中的關(guān)鍵詞個(gè)數(shù)。Step2：在向量Vi中，對每組數(shù)量n的關(guān)鍵詞組，不要求連續(xù)可以相隔k個(gè)

20、詞，首先判斷集合FK中是否存在該關(guān)鍵詞組。如果存在，或者包含該關(guān)鍵詞組的關(guān)鍵詞組存在，則不必再進(jìn)行計(jì)算。如果不存在，則進(jìn)行計(jì)算，在其他關(guān)鍵詞向量中尋找該關(guān)鍵詞組，如果該關(guān)鍵詞組出現(xiàn)數(shù)量達(dá)到閾值E，則將該關(guān)鍵詞組加入集合FK中。Step3：將n減1。如果n不小于2則轉(zhuǎn)到step2；否則算法完成，集合FK中的便是發(fā)現(xiàn)的高頻關(guān)鍵詞組。3.3語義關(guān)系圖識別和預(yù)測語義關(guān)系圖識別和預(yù)測接下來是算法最核心的一個(gè)步驟，對高頻關(guān)鍵詞組進(jìn)行的語義關(guān)系圖的識

21、別，包括識別和預(yù)測語義關(guān)系兩個(gè)步驟，最終將語義關(guān)系連成一個(gè)語義關(guān)系圖。3.3.1語義本體知識庫語義本體知識庫中，本體包含了名稱，定義等屬性，描述了本體的基本信息。而三元組的描述了本體a和本體b之間的語義關(guān)系。在此基礎(chǔ)上整個(gè)知識庫中的知識相互關(guān)聯(lián)，整個(gè)知識庫的知識形成一個(gè)語義網(wǎng)絡(luò)。對于關(guān)鍵詞之間的語義關(guān)系，如果已經(jīng)在知識庫中存在描述，通過在知識庫中查找可以確定該關(guān)系；如果在知識庫中還沒有描述，那么可以通過知識庫中已有的相關(guān)的語義關(guān)系，對該

22、語義關(guān)系類型進(jìn)行預(yù)測。3.3.2語義關(guān)系識別如果兩個(gè)關(guān)鍵詞之間關(guān)系在知識庫中已經(jīng)存在描述，那么其語義關(guān)系可以通過查找直接確定。比如在知識庫中存在的語義關(guān)系，則對于關(guān)鍵詞“大黃”和“清熱”，可以直接確定大黃與清熱之間是功效的語義關(guān)系，即大黃有清熱的功效，因此大黃和清熱之間的語義關(guān)系就此識別。在中醫(yī)藥本體知識庫中，有一種語義關(guān)系是“正名關(guān)系”，即概念的正規(guī)名稱，相對于正名的是異名，正名和異名是相同事物的不同名稱。比如：大黃是正名，其異名包括

23、黃良，火參錦紋等。在中醫(yī)藥中，存在著很多的正名異名現(xiàn)象[10]，正名在語義本體知識庫中有更全面的語義關(guān)系的描述。將屬于異名的中醫(yī)藥概念詞轉(zhuǎn)換為正名，然后再進(jìn)行語義關(guān)系的識別，將提高語義關(guān)系識別的成功率。在中醫(yī)藥本體知識庫中，還存在一種“上位詞”的語義關(guān)系，即概念之間的上下級的關(guān)系，或者說是父子關(guān)系。在此知識庫中，父概念之間所擁有的關(guān)系，子概念是可以繼承的。比如大黃屬于陰性要去，對癥候上火具有治療的語義關(guān)系。概念的上位詞的上位詞之間可能也