基于Ontology的专业领域智能搜索引擎的研究

基于O n to logy的专业领域智能搜索引擎的研究大连海事大学计算机科学与技术学院　韩　亮　李　勇

[摘　要]本文分析当前网上基于关键字的搜索引擎的现状及存在的问题。在阐述本体的定义及其概念化、共享化的特点的基础上,提出构建基于本体的专业领域信息搜索引擎的重要性。通过在搜索引擎中引入本体描述,可以提高搜索引擎的查全率和查准率,进而获得更佳的搜索结果。

[关键词]本体　智能　搜索　语义w eb

0、引言

随着Internet的普及和推广,人们越来越依赖于互联网络进行各种商务活动和信息查询,因此网络信息查询已经成为人们研究和讨论的热点领域。现在流行的网络搜索引擎很多,每一种都有各自的特点。但都存在一个很大的缺陷,那就是在搜索信息的时候无论从查全率和查准率上都存在一定的不足,一个主要的原因是现在的搜索引擎都是基于关键词或者基于内容分类目录进行查找的,使得搜索引擎很少具有进一步的智能化,这样就不可避免的出现垃圾信息。如果按照领域来构建专业领域的搜索引擎。就可以使得搜索的范围缩小,搜索的精度得以提高。

近几年,本体理论的发展和逐步成熟为信息检索技术的发展带来了新的动力,同时也为提高检索系统的查准率和查全率提供了更好的保证。作为一种有效表现概念层次结构和语义的理论和方法,本体已经被广泛应用于计算机科学和信息管理领域。

基于本体的智能搜索是基于知识的、语义上的匹配,在查全率和查准率上有更好的保证。具体表现为:利用本体,在用户提问搜索式构造过程中增加语义指导,消除自然语言理解中的歧义,明确概念含义,更加准确地反映用户的真实信息需求;使得用户能够更加准确、方便地实现扩展搜索和缩小搜索;加强搜索引擎的推理功能,在完成对信息源搜索的基础上,根据相关概念以及相关背景知识进行推理,挖掘出文本中的隐含信息,从而实现基于概念的智能搜索。因此,基于本体的智能搜索成为一个新的发展方向。

1、本体概念

本体是一个源于哲学的概念,原意指关于存在及其本质和规律的学说,后来被计算机科学领域引入,特指对共享概念模型所作的明确化、形式化、规范化说明,它强调领域中的本质概念,也强调这些本质概念之间的关联。某个领域的本体能够将该领域中的各种概念及概念之间的关系显性地、形式化地表达出来,从而将概念中包含的语义表达出来。

关于本体的概念,其中最著名、被引用最为广泛的定义是由Gruber提出的:“本体是概念化的明确的规范说明”[1]。Studer 对本体诸多定义进行概括分析后认为,本体论的概念包括四个主要方面[2]:

1)概念化(concep tualizati on):客观世界现象的抽象模型,其表示的含义独立于具体的环境状态。

2)明确(exp licit):概念及它们之间联系都被精确定义。

3)形式化(fo r m al):精确的数学描述,计算机可读。

4)共享(share):本体中反映的知识是其使用者共同认可的,是相关领域中公认的概念集,它所针对的是团体而不是个体。

2、研究现状

目前,国内外关于基于本体的信息搜索的研究比较多,相关的研究项目包括:

1)(O nto)2A gent(基于网络代理搜索本体的本体)

它的研究目的是为了帮助用户检索到所需的、互联网上已有的本体,其中采用了一类叫做参照本体的本体。参照本体是以互联网上已有的本体为对象建立起来的本体,它保存有各类本体的元数据[3]。

2)O ntobroker(基于本体的分布式半结构化信息获取)

它是用来处理H TM L、X M L和RD F格式的信息源和信息源语义描述的系统,提供信息检索、查询和维护支持服务,其核心是用形式化本体描述背景知识,并明确W eb文档的语义,以便综合利用本体论的表达能力和推理机制[4]。

3)SHO E(Si m p le H TM L O nto logy Extensi ons)

它是一种基于H TM L的知识表示语言,由美国马里兰大学于1996年开发成功。SHO E对H TM L进行扩展,使其能够用H TM L格式对知识进行表示。SHO E试图提供一种对信息进行标注的方法来表示知识。SHO E提供两类标签(T ag),一类用于构建各种知识本体,另一类用于标注W eb文件。SHO E利用这些特殊的标签将专用的语义数据加到W eb资源当中,以对知识进行表示。SHO E允许表示概念、概念分类以及推理规则,其推理引擎可以通过它们推理出新知识[5]。

4)O ntoSeek

O ntoSeek是基于内容从在线黄页和产品目录中进行检索的系统,把本体用作有语义信息的领域词汇表,将本体驱动的内容匹配机制与一个表示形式化系统相结合,试图将本体论和大词典库相互集成,以便提供一个可以用领域内任意词汇进行交互式语义查询的系统[6]。

国内也有一些学者正在研究如何将本体应用于信息检索领域,但是,基于本体的信息检索还处于实验原型阶段。国内主要的相关研究包括[7]:

1)万捷等人提出基于内容的信息检索系统,利用本体对检索需求进行语义扩充,并用文档分析器对检索文档进行过滤。

2)徐振宁等人则把本体作为信息检索系统的核心,通过构造形式化的领域本体,提出了一种将知识表示和知识处理引入互联网信息处理的方法,为互联网上半结构化数据和关系数据库提供了统一的语义模型。

3)武成岗等人也提出了基于本体和多智能主体的信息检索服务器,该系统可以利用本体协助智能主体对网络上的各类信息进行领域分类,并规范用户信息检索的模式。

3、领域搜索引擎模型构建

为了提高搜索引擎的语义性、个性化,提高专业领域搜索精度、是本文要解决的关键问题。下图是基于本体智能搜索引擎的一个模型。

—

5

3

—

该模型的基本工作过程是:用户提出搜索请求,智能检索器接受请求,然后按照本体的要求经本体编辑器转换成规定的格式提供给推理机,进行推理、判断、语义分析等,得出用户准确的语义,然后,在本体的帮助下查询元数据库和用户偏好数据库中与其相匹配的、符合条件的数据集,经整合、格式定制后输出给用户终端。用户偏好数据库的个性化知识+元数据+本体智能推理→用户精确查询各模块的功能及搜索引擎的智能。

用户界面接受用户输入搜索信息,可以是关键词,也可以是自然语言或嵌套的模式语言。

检索器主要完成以下几项任务:

1)将用户搜索请求提供的信息按照本体要求经本体编辑器把其转换成规定的格式(推理机内部查询语句),并以查询模块方式提供给推理机。

2)按照本体的要求完成从元数据库中的查找与其匹配的信息。对于元数据库中没有用户需求的信息,则通知搜索器进行再搜索。

3)把用户搜索请求信息根据术语含义更新用户偏好库,将当前用户的偏好记录下来,为推理机的推理和判断提供用户个性特征的依据。

本体编辑器将搜索信息转换成本体所要求的表达形式。推理机接受本体编辑器提供的用户查询信息,推理机的推理模块应用内建规则经查询元数据库后,对匹配出的、符合条件的数据集,结合用户偏好库的用户个性特征形成本体内的表达模式进行推理、查询、判断,再经整理模块变形、整合、格式定制处理后返回给用户终端。

本体库对领域资源信息根据本体的规则和公理,以及本体内部概念关系的逻辑表达进行推理处理,在语义上完全正确地表达领域信息的事实和知识[8]。本体库中的信息不仅反映了领域资源本身的信息,而且还描述了信息资源之间的联系信息。这部分是领域搜索的关键,这个过程由领域专家和本体专家共同完成。领域本体建好之后,导入成为推理机的内部表达模式。

搜索器主要完成以下任务:

1)以现有的网上爬行机器人的搜索技术为基础,依据领域用户检索请求向其它搜索引擎站点发出请求,按照领域知识有条件、有针对性地搜索网站,参照已建立的本体,将属于该领域的文档、知识带回。利用元数据自动抽取技术,进行对网页关键

词的切分、整合等处理后保存在元数据库中。不同于一般元搜索

引擎的是:只带回用户有用的领域信息,而不是全部,使得信息量大大减少且更符合用户检索的本意。

2)利用偏好库来记录用户的历史点击、对信息的选择,根据其变化情况改变、更新信息及检索界面的相关度排列情况。

3)采用智能代理技术实施对网络信息的实时检测。移动主体依据领域用户的要求,结合用户偏好库中用户最关心的信息,对网络信息源实时检测,发现新的该领域信息则将新信息补充到元数据库中。当检索元数据库时发现没有用户要搜索的信息,则实施对网络的重新搜索。

4)定期扫描元数据库。对已过时的信息、没有用的信息则从元数据库中删除。

元数据库按照本体要求存放通过搜索器从网络上各个网站信息源收集来的数据信息。

用户偏好库存放引擎运行过程中用户每次输入的信息、经常选择下载的感兴趣的信息、用户的知识背景专业词汇等,作为用户个性特征的记录信息库。

4、结语

本文研究主要从专业智能搜索引擎实现的几个方面进行了探讨。

用户输入语句的语义化这样就更能体现用户查询的本意,即用户查询的真正目的。

搜索信息的语义化按照领域信息规范要求,以本体模式建立本体库,是一种领域知识的表示——领域知识库。将从Inter 2net 上搜索到的领域信息,经本体模式处理后,更贴近领域语义,保证了检索信息的正确性。

信息更新自动化应用智能主体技术实施对因特网实时检测、及时信息补充,克服目前搜索引擎搜索信息滞后的不足。

搜索个性化对用户搜索记录建库,配合智能代理技术,记忆用户的偏好习惯,结合搜索信息进一步推理,体现了用户个性特征。

本文是针对某一领域的智能搜索引擎,各个领域可以参照此分别建立各个领域的本体库,按领域里的主题进行搜索。参考文献

[1]N oy N F ,M usen M A .T he PROM PT suite :interactive too ls fo r onto logy m erging and m app ing [J ].Internati onal Jour 2

nal of H um an 2Computer Studies ,2003,59(6):983

～1024.[2]L assila R R Sw ick .R esource descri p ti on fram ew o rk (RD F )model and syntax specificati on .W 3C [EB OL ].h ttp :PP 2www .w 3.o rgPTR P 2004PR EC 2rdf 2p ri m er 22004202210P ,2004202210.

[3]H Stuckenschm idt ,A de W aard ,R .Exp lo ring large doc 2um ent repo sito ries w ith rdf techno logy 2the dope p ro ject [J ].

IEEE In 2telligent System s ,2004,119(10):542

～553.[4]Jeen B roek stra .Sto rage ,quering and inferencing fo r se 2m antic W eb languages [J ].T he D utch Graduate Schoo l ,2005,9(7):474～489.

[5]H einer Stuckenschm idt .Tow ards distributed p rocessing of RD F path queries [J ].Journal of the A C M ,2005,32(3):112～124.

[6]Jonathan H ayes .A graph model fo r RD F [J ].T echnich

U niversity ar m stadt ,Ch ile ,2004,21(8):626

～637.[7]李雪梅.个性化搜索引擎的研究[D ].南京大学,2003,3-4

[8]杨建林.基于本体的文本信息检索研究[J ].南京大学计算机学院,2006.2-3

—

63—