中醫(yī)藥學(xué)語(yǔ)言系統(tǒng)中的語(yǔ)義關(guān)系挖掘,信息管理論文當(dāng)前，中醫(yī)藥領(lǐng)域?qū)嵱玫闹R(shí)庫(kù)系統(tǒng)顯現(xiàn)出大型化的趨勢(shì)，往往包含百萬(wàn)條語(yǔ)義關(guān)系。例如，中醫(yī)藥學(xué)語(yǔ)言系統(tǒng)〔TraditionalChineseMedicineLanguageSystem,TCMLS〕已收錄概念12萬(wàn)余條，術(shù)語(yǔ)30萬(wàn)余條，語(yǔ)義關(guān)系127萬(wàn)多條。由人工編輯如此大量的語(yǔ)義關(guān)系，是一個(gè)耗時(shí)費(fèi)力的大工程。若能實(shí)現(xiàn)從文獻(xiàn)中自動(dòng)抽取語(yǔ)義關(guān)系，則可大幅提升知識(shí)獲取效率。因而，語(yǔ)義關(guān)系發(fā)現(xiàn)方式方法對(duì)領(lǐng)域知識(shí)庫(kù)的構(gòu)建具有很大意義。本文介紹了一項(xiàng)基于TCMLS從文本中發(fā)現(xiàn)語(yǔ)義關(guān)系的初步嘗試。該研究試圖將文本中蘊(yùn)含的語(yǔ)義關(guān)系挖掘出來(lái)，與TCMLS現(xiàn)有的語(yǔ)義關(guān)系結(jié)合，得到更為全面、準(zhǔn)確的語(yǔ)義關(guān)系，并明確系統(tǒng)中語(yǔ)義關(guān)系的文獻(xiàn)來(lái)源，進(jìn)而擴(kuò)大TCMLS的數(shù)據(jù)規(guī)模，提升TCMLS中語(yǔ)義關(guān)系的準(zhǔn)確性和可靠性。1研究背景和相關(guān)工作中醫(yī)藥學(xué)是經(jīng)過(guò)幾千年的發(fā)展而構(gòu)成的，文獻(xiàn)記載是其重要的知識(shí)流傳的方式之一。近年來(lái)，中醫(yī)團(tuán)體開(kāi)展了大量的知識(shí)工程工作，采用各種文獻(xiàn)中的知識(shí)來(lái)構(gòu)建中醫(yī)藥領(lǐng)域知識(shí)庫(kù)，提供知識(shí)檢索服務(wù)。以TCMLS為例，因缺乏實(shí)用的中醫(yī)藥文本挖掘方式方法，在語(yǔ)義關(guān)系抽取方面，主要依靠于加工人員的個(gè)人知識(shí)和手工操作。這種方式方法與加工人員個(gè)人的知識(shí)、素養(yǎng)和責(zé)任心有很大關(guān)系，造成數(shù)據(jù)準(zhǔn)確性良莠不齊，難以對(duì)數(shù)據(jù)質(zhì)量進(jìn)行有效管理。隨著系統(tǒng)規(guī)模的不斷擴(kuò)大，人工編輯的復(fù)雜性也不斷增大，制約著TCMLS的進(jìn)一步發(fā)展。鑒于此，擬對(duì)中醫(yī)藥文獻(xiàn)內(nèi)容進(jìn)行語(yǔ)義關(guān)系提取，得到詳細(xì)概念之間的語(yǔ)義關(guān)系，與TCMLS的語(yǔ)義關(guān)系進(jìn)行比擬，并對(duì)TCMLS進(jìn)行進(jìn)一步擴(kuò)大。從自由文本中挖掘語(yǔ)義關(guān)系是一個(gè)非常困難的問(wèn)題，由于同一種關(guān)系在文本中會(huì)有多種表示出方式。常見(jiàn)的語(yǔ)義關(guān)系發(fā)現(xiàn)方式方法，主要包括如下2大類(lèi)。1.1基于語(yǔ)法分析的語(yǔ)義關(guān)系發(fā)現(xiàn)此類(lèi)方式方法的主要思路是：基于自然語(yǔ)言處理〔NLP〕技術(shù)，通過(guò)對(duì)文本進(jìn)行語(yǔ)法分析，構(gòu)建出語(yǔ)法樹(shù)，再通過(guò)語(yǔ)法和詞性的分析得到華而不實(shí)的語(yǔ)義關(guān)系。這類(lèi)方式方法的優(yōu)點(diǎn)是對(duì)語(yǔ)義關(guān)系定位比擬準(zhǔn)確，并能夠通過(guò)語(yǔ)法特征得到文本中的隱含信息。但其缺點(diǎn)在于：此類(lèi)方式方法的效果嚴(yán)重依靠于語(yǔ)法分析的結(jié)果，對(duì)于一些特殊的領(lǐng)域，現(xiàn)有的語(yǔ)法分析方式方法往往無(wú)法獲得令人滿意的結(jié)果。因而，基于語(yǔ)法分析的語(yǔ)義關(guān)系抽取算法其應(yīng)用范圍遭到了很大的限制，十分是在一些有著獨(dú)特語(yǔ)法規(guī)則的領(lǐng)域中更是如此，本文中提到的中醫(yī)藥領(lǐng)域就是一個(gè)例子。1.2基于形式匹配的語(yǔ)義關(guān)系發(fā)現(xiàn)這種方式方法是用某種形式對(duì)文本進(jìn)行匹配，根據(jù)匹配的情況得到相應(yīng)的語(yǔ)義關(guān)系。根據(jù)匹配形式的不同來(lái)源，能夠分為兩類(lèi)：基于領(lǐng)域知識(shí)的形式匹配和基于學(xué)習(xí)的形式匹配?；陬I(lǐng)域知識(shí)的形式是由領(lǐng)域?qū)＜覍⑵漕I(lǐng)域知識(shí)總結(jié)、升華得到的通用知識(shí)形式，然后再使用這些形式作為模板，從文獻(xiàn)中找到相應(yīng)的關(guān)系?；趯W(xué)習(xí)的形式匹配方式方法，是指使用機(jī)器學(xué)習(xí)方式方法，通過(guò)對(duì)文獻(xiàn)特征的分析得到有用的形式。這類(lèi)方式方法的目的一般限定為僅挖掘某些特定類(lèi)別的實(shí)體的幾種特定關(guān)系，無(wú)法勝任中醫(yī)藥領(lǐng)域中語(yǔ)義關(guān)系種類(lèi)很多的情況。綜上所述，這兩類(lèi)方式方法都不合適中醫(yī)藥領(lǐng)域的需求。本研究提出基于TCMLS的文本語(yǔ)義關(guān)系發(fā)現(xiàn)方式方法，該方式方法以TCMLS中的詞匯為基礎(chǔ)，發(fā)現(xiàn)語(yǔ)義關(guān)系中的主體和客體；以TCMLS中已有的語(yǔ)義關(guān)系為根據(jù)，揣測(cè)從文本中挖出的語(yǔ)義關(guān)系的類(lèi)型。本研究的基本策略，是基于TCMLS從文本中發(fā)現(xiàn)更多的關(guān)系，經(jīng)用戶(hù)驗(yàn)證后參加TCMLS之中，進(jìn)而豐富TCMLS的語(yǔ)義關(guān)系；再用豐富后的TCMLS進(jìn)行新一輪的文本挖掘，進(jìn)一步豐富TCMLS；以此類(lèi)推，進(jìn)而構(gòu)成一套基于文本語(yǔ)義關(guān)系發(fā)現(xiàn)來(lái)驅(qū)動(dòng)TCMLS加工的技術(shù)方案。下面詳細(xì)介紹基于TCMLS的語(yǔ)義關(guān)系發(fā)現(xiàn)方式方法。2文本語(yǔ)義關(guān)系發(fā)現(xiàn)方式方法如此圖1所示，文本語(yǔ)義關(guān)系發(fā)現(xiàn)，是指從人參有補(bǔ)五臟、安精神、定魂魄、止驚悸、除邪氣、明目開(kāi)心益智的成效的文本中，發(fā)現(xiàn)人參補(bǔ)五臟、人參安精神、人參止驚悸、人參除邪氣這樣的關(guān)系。該方式方法會(huì)統(tǒng)計(jì)每條關(guān)系出現(xiàn)的頻數(shù)：假如在文檔D1，D2Dn中都出現(xiàn)了某條關(guān)系R，則R出現(xiàn)的頻數(shù)即為n。該方式方法的基本策略是：以TCMLS作為領(lǐng)域詞庫(kù)，從文獻(xiàn)庫(kù)中找出在同一文檔中出現(xiàn)的兩個(gè)領(lǐng)域術(shù)語(yǔ)〔如人參、邪氣、人參、五臟等〕，構(gòu)成候選的文本語(yǔ)義關(guān)系，并統(tǒng)計(jì)每條關(guān)系的頻數(shù)，以供語(yǔ)言學(xué)家進(jìn)行檢閱和處理。由機(jī)器判定語(yǔ)義關(guān)系的謂詞〔如人參與邪氣之間的謂詞為除〕還是一個(gè)技術(shù)難題。本方式方法會(huì)在這兩個(gè)詞附近找出一些候選性謂詞〔如補(bǔ)、除等〕推薦給用戶(hù)；并提供TCMLS中的相關(guān)用法，供用戶(hù)參考〔例如，針對(duì)人參和腎陽(yáng)虛證，系統(tǒng)會(huì)根據(jù)TCMLS中的用法向用戶(hù)推薦治療這一謂詞〕。為實(shí)現(xiàn)該策略，首先需要將中醫(yī)藥文本分解成一系列獨(dú)立的語(yǔ)義單元。中醫(yī)藥文獻(xiàn)資源包括書(shū)籍、期刊、會(huì)議論文集、病歷、報(bào)告等，語(yǔ)義單元?jiǎng)澐忠槍?duì)不同類(lèi)型的文獻(xiàn)進(jìn)行詳細(xì)分析。本研究主要考慮書(shū)籍、期刊和會(huì)議論文集。這些文獻(xiàn)都可被分為一系列文章〔在書(shū)籍中對(duì)應(yīng)一章或一節(jié)，在期刊和會(huì)議論文集中對(duì)應(yīng)一篇論文〕，可對(duì)文章進(jìn)一步細(xì)分，將文章分為小節(jié)，將小節(jié)分為段落，將段落分為句子。理論上，在一篇文章中出現(xiàn)的任意兩個(gè)詞匯之間都可能存在或強(qiáng)或弱、或直接或間接的語(yǔ)義關(guān)系。因而可以將文章作為語(yǔ)義單元進(jìn)行語(yǔ)義關(guān)系發(fā)現(xiàn)。但在語(yǔ)義關(guān)系辨別階段，本文關(guān)鍵詞語(yǔ)組過(guò)長(zhǎng)會(huì)極大增加算法復(fù)雜性。為保證算法效率，本文關(guān)鍵詞語(yǔ)組內(nèi)詞匯數(shù)量不宜太多，因而本研究未將整篇文章作為語(yǔ)義單元進(jìn)行挖掘。與全文相比，句子是一個(gè)相對(duì)較小、且有完好語(yǔ)義的單元。句子通常描繪敘述一個(gè)完好的意思，且華而不實(shí)的詞匯之間通常有某種聯(lián)絡(luò)，因而句子為中文分詞及后續(xù)處理提供了天然的單元。但語(yǔ)義關(guān)系的主體和客體也有可能分散在不同的句子中，僅以句子作為語(yǔ)義單元會(huì)遺失掉很多的關(guān)系。鑒于此，本項(xiàng)目分別以句子和小節(jié)作為基本的語(yǔ)義單元，進(jìn)行語(yǔ)義關(guān)系發(fā)現(xiàn)，下面介紹其核心思想和設(shè)計(jì)原則。文獻(xiàn)，系統(tǒng)都給出了題名和內(nèi)容摘要。用戶(hù)單擊選擇某篇文獻(xiàn)的題名時(shí)，系統(tǒng)會(huì)跳轉(zhuǎn)到該文獻(xiàn)的題錄信息頁(yè)面。用戶(hù)能夠點(diǎn)擊百度搜索，查看該語(yǔ)義關(guān)系相關(guān)的百度搜索結(jié)果，可以以點(diǎn)擊相關(guān)陳述，查看該語(yǔ)義關(guān)系在TCMLS中的相關(guān)陳述，以供語(yǔ)言學(xué)家參考。用戶(hù)還可通過(guò)系統(tǒng)提供的表單，將這條語(yǔ)義關(guān)系參加語(yǔ)言系統(tǒng)中。系統(tǒng)會(huì)根據(jù)TCMLS中的相關(guān)用法，列出一些相關(guān)屬性以供用戶(hù)選擇。用戶(hù)可以以輸入新的屬性，例如，為添加人參除邪氣這條關(guān)系，用戶(hù)可輸入除這一新屬性。用戶(hù)可以以添加一些注釋信息。另外，當(dāng)關(guān)系被錄入TCMLS后，系統(tǒng)會(huì)記錄這條關(guān)系的文獻(xiàn)來(lái)源。4小結(jié)數(shù)字化文獻(xiàn)是中醫(yī)藥知識(shí)密集型數(shù)據(jù)的基礎(chǔ)。中醫(yī)藥語(yǔ)義網(wǎng)若與文獻(xiàn)資源相脫節(jié)，則必成為無(wú)源之水、無(wú)本之木。從文獻(xiàn)中提取語(yǔ)義關(guān)系的方式方法，能有效豐富中醫(yī)藥語(yǔ)義網(wǎng)的內(nèi)容，建立中醫(yī)藥語(yǔ)義網(wǎng)和文獻(xiàn)資源的有機(jī)聯(lián)絡(luò)，改良中醫(yī)藥文獻(xiàn)檢索的效果。本研究開(kāi)展了中醫(yī)藥文獻(xiàn)語(yǔ)義關(guān)系發(fā)現(xiàn)方式方法的初步探尋求索：基于TCMLS，搜集中醫(yī)藥文獻(xiàn)，對(duì)文獻(xiàn)進(jìn)行分詞處理，從中找出在一起頻繁出現(xiàn)的詞對(duì)，判定語(yǔ)義關(guān)系的性質(zhì)，交由領(lǐng)域?qū)＜疫M(jìn)行檢驗(yàn)。本研究所開(kāi)發(fā)的文本語(yǔ)義關(guān)系發(fā)現(xiàn)和檢閱系統(tǒng)，向術(shù)語(yǔ)專(zhuān)家提供從文本中發(fā)現(xiàn)新穎語(yǔ)義關(guān)系的技術(shù)能力。這項(xiàng)工作尚存在一些局限性。例如，我們尚缺乏判定文本語(yǔ)義關(guān)系準(zhǔn)確類(lèi)型的有效手段，也尚未實(shí)現(xiàn)發(fā)現(xiàn)新詞的方式方法。另外，有些中醫(yī)藥領(lǐng)域的詞匯尚未收入TCMLS之中，這影響了語(yǔ)義關(guān)系發(fā)現(xiàn)的效果。在進(jìn)一步研究中，擬對(duì)從文本中獲得的語(yǔ)義關(guān)系與TCMLS現(xiàn)有的語(yǔ)義關(guān)系進(jìn)行比擬，補(bǔ)充完善TCMLS現(xiàn)有的語(yǔ)義關(guān)系網(wǎng)絡(luò)。擬對(duì)從文本中獲得的語(yǔ)義關(guān)系按概念的語(yǔ)義類(lèi)型進(jìn)行歸納，得到語(yǔ)義類(lèi)型間的語(yǔ)義