・０ １ １・
建技术 ， 对解决本体构建 问题具有很大的借Байду номын сангаас意义 。
知识挖 掘 ， 包括文本 自动摘 要 、 本聚类 、 文 关联 规则抽
取和语 义关 系挖掘等 。由于知识挖掘得到 的结果可能
ｌ 文 本 挖 掘
文 本 挖 掘 （ ｅｔ ｎ ｇ 是 指 为 了发 现 知 识 ， 大 Ｔ ｘ Ｍｉ ｎ ） ｉ 从
基金项 目： 国家国际科技合作计划项 目（０ ９ Ｆ １ １０） ２０Ｄ Ａ３ １
作者简介 ： 中玉（ ９ １ ） 男 ， 薛 １８ 一 ， 河南开封人 ， 硕士， 程师 ， ｒ 从ｍ文本
挖 掘 、 体 和信 息 检 索 研 究 。 本
第１ 期
薛 中玉等 ： 基于文本挖掘 的本体 自动构建系统架构解析
第２卷 １
第１ 期
计 算 机 技 术 与 发 展
ＣＯＭＰＵ 、 ＣＨＮＯＬ ｑＥＲ ＴＥ ． ＵＧＹ ＡＮＤ ＤＥＶ ＭＥＮＴ Ｅｔ ＯＰ
Ｖｏ ． Ｎｏ １ ２１ ．１
２１ ０ １年 １ 月
Ｊ ｎ ２ １ ａ． ０ １
基 于 文 本 挖 掘 的 本 体 自动 构 建 系 统 架 构 解 析
间， 但现 阶段本体 主要 采用人 工构 建方法 ， 投入 资 源大 、 设周 期 长 ， 质量 无 法 保 障 ， 些成 为制 约本 体 应 用 的 主要 瓶 建 且 这 颈 。文 中提 出了一种基 于文本 挖掘 的本体 自动构 建系统 和方 法 ， 详细 介 绍 了用 户层 、 统工 具层 和 数据 资源 层 中 各 模块 系 的功 能和实现 方法 ， 体分析 了 系统数据 处理 的整个 流程 。该 系统和方 法对 于解 决 本体构建 问题具 有借鉴 意义 。 具 关键 词 ： 文本 挖掘 ； 本体 构建 ； 系统 架构 中图分类号 ：Ｐ １ Ｔ ３ 文献标识 码 ： Ａ 文章 编号 ：６３ ６ ９ （０ １Ｏ 一 １ｏ ｏ １７ — ２Ｘ ２ １） １Ｏ０ — ４
薛中玉 李春梅 黄道雄 ， ，
（． １ 北京 中机科 海科技 发展 有限公 司， 北京 １０４ ； ００ ８ ２ 机 械 工业仪 器仪 表综 合技 术 经济研 究所 ， ． 北京 １０ ５ ） ００ ５
摘 要： 本体 可以为人 与计算 机之 间 的沟通 和交 流提 供语 义 支撑 ， 人 工智 能 、 识 工程 等众 多领 域有 着 广 泛 的应 用空 在 知
ｏ ｙ ｃ ｎ ｔ ｃ ｉ ｎ ｇ ｏ ｓｒ ｔ ． ｕ ｏ Ｋｅ ｒ ｓ：ｅ ｔｍｉ ｉｇ； ｎ ｏ ｏ ｙ ｃ ｎ ｔ ｃ ｉ ｎ；ｙ ｔ ｍ ｒ ｈ ｔ ｃｕ ｅ ｙ ｗｏ ｄ ｔ ｘ ｎ ｎ ｏ ｔ ｌ ｇ ｏ ｓｒ ｔｏ ｓ ｓｅ ａ ｃ ｉ ｔ ｒ ｕ ｅ
Ｏ 引 言
Ａｂ ｔ ａ ｔ Ｏｎｏ ｏ ｙ ｉ ｂ ｅ ｔ ｆｅ ｅ ｎｔ ｕ ｐ ｒ ｏ ｕ ｎ － ｏ ｕ ｅ ｎ ｅ ａ ｔ ｎ Ｓ ｈ ｔｉ ｃ ｎ ｂ ｏ ｎ ｄ ｐ ｌ ａ ｏ ｓ ｉ ｈ ｓ ｒ ｃ ： ｔ ｌ ｇ ｓ ａ ｌ Ｏ ｏ ｆ ｒａ ｓ ｍａ ｉ ｓ ｐ ｏ ｔ ｒｈ ｍａ ｃ ｍｐ ｔｒ ｉ ｔ ｒｃ ｏ Ｏ ｔ ａ ｔ ａ ｅ ｆ ｕ ｄ ｗｉ ｅ ａ ｐ ｉ ｔ ｎ ｎ ｔ ｅ ｃ ｆ ｉ ｃｉ ｉ ｌ ｓ ｏ ｒ ｆ ｉ ｌｉ ｔｌ ｇ ｎ ｅ，ｋ ｏ ｅ ｇ ｎ ｉ ｅ ｒｎ ｄ Ｓ ｎ ｆｅｄ ｆａｔ ｃ ａ ｎ ｅｌ ｅ ｃ ｉ ｉ ｉ ｎ ｗｌ ｄ ｅ ｅ ｇ ｎ ｅ ｇ ａ Ｏ ｏ ．Ｈｏ ｖ ｒ ｔ ｒ ｓ ｎ ｎ ｏ ｏ ｙ ｃ ｎ ｔｕ ｔ ｎ ｍａ ｎ ｙ Ｕ ｅ ｅ ｍａ ｕ ｌａ — ｉ ｎ ｗｅ ｅ ，ａ ｅ ｅ ｔｏ ｔ ｌ ｇ ｏ ｓｒ ｃ ｏ ｉ ｌ Ｓ Ｓ ｔ ｎ ａ ｐ ｐ ｉ ｈ
Ｓ ｓｅ ｃ ｔｃｕｒ ａｙ ｉ ｆＡｕ ｏ ａ ｉ ｎｓｒ ｔｏ ｙ ｔｍ Ａｒ ｈｉｅ ｔ ｅ Ａｎ ｌ ｓｓｏ ｔ ｍ ｔｃ Ｃｏ ｔｕｃｉｎ
Ｓｙ ｔ ｍ ｆＯ ｎ ｏ ｏ ｙ Ｂａ ｅ ｎ Ｔｅ ｔ Ｍ ｉ ｎｇ ｓ ｅ ｏ ｔ ｌ ｇ ｓ ｄ ｏ ｘ ｎｉ
的概念和关 系 ， 为本体 自动构 建提供所需 的素材 。 能够
通过开发的文本挖掘 结果 分析工具和本体 自动构建工 具， 进而能够实现本 体的 自动构建。
所有的概念 、 知识和专家学者 的思想 ， 如果能够利用好 这些信息 中所包含 的知识 ， 完全可 以构建非常完整 、 实
２ 系统 架 构
２ １ 用 户层 ．
用户层包 括 领域 资 料管 理 （ 具体 分 为本体 名称 、 核心概念 、 主题 词表 和语 料 库等 ） 规 则模 版管 理 、 、 核 心概念管理、 三元组 管理 和本体文件管理等接 口模块 ， 用于提供 丰富 的人 机交 互 接 口。各 模块 主要 功 能如
念 间关系 （ ｅ ｔ ｎ ） Ｒ ｌｉ ｓ 和规则 （ ｕ ｓ构成 。 ａｏ Ｒｌ ） ｅ 本体 由其 自身的特点 ， 以将 人们广 泛认可 的各 可 种类型知识转化为规范的、 算机可以理解 的形式 ， 计 为
“ 计算机 与人 之间正 常 沟通 与 交 流” 提供 语义 支 撑。
收 稿 日期 ：０ ０ ０ — ７ 修 回 日期 ：０ ０ ０ — ３ ２１－４ ２ ； ２ １— ７ ０
ｐ ｃ ｔ ｄｓｄａｔｇ ｆ ｉｈｒ ｏ ｓ ｕｔ ｎＣ Ｓ．ｏ ｇｄｖ ｌ ｍｅｔ ｅ ｏ 。 ｄｕ ｓｒ ｕ ｉ ．Ｔ ｉｂ ｃｍ ｓ ｊｒ ｏ ｎｃ ｍａｈｗｉ ｉ ｖ ａ ｅｏ ｇ ｅ ｎｔ ｃｏ Ｏｔ １ｎ ｅｅｏ ｎ ｐｒ ｄ ａ ｎｕｅｑａ ｔ ｈｓ ｅｏ ｅ ｍａｏ ｍｅｅｋｔ ｈ ａ ｎ ｈ ｃ ｒ ｉ ｐ ｉ ｎ ｌ ｙ ａ ｂ Ｏ
工作量相当之大 。鉴于本 体构建工程 的复杂性和智力
密集性等特点使得本体 的构建往 往投入 资源 大、 建设 周期长 ， 质量无法保障 ， 且 这些成为影响本体应用和推 广的主要瓶颈和难点… 。因此 ， 解决本体 构建 阶段现 有技术和方法 的瓶颈和难点成 为业 内人士主要研究方 向之一。文中提 出了一种基于文本挖掘的本体 自动构
“ 本体” Ｏ ｔ ｏｙ 最初是哲 学领域 的术语 ， （ｎｌ ） ｏｇ 是关 于事物存在及其本质规律 的学说… 。２ ０世纪末 ， 随着 信息技术的发展 ， 本体被引入 人工智 能、 知识工程等领
域， 用于构建大型集成的知识 库系统 ， 解决知识概念表
因此 ， 本体 在人工智能 、 知识工程 、 图书情 报和搜 索引
擎等众多领域都有广泛 的应用 空间 。但 是 ， 目前真
正投人使 用的本体还很少。其 主要原 因在于现有本体
的构 建 是 以 人 手 工 为 主 ， 用 Ｐｏ６６ 和 ０ — 利 ｒｔ ｇ ｎ
ｔ ｄｔ 等常见本 体工具 ， ｏ ｉ Ｅ 技术的应用实 施还很 困难 ， 由于该项工作是一项非常复杂、 庞大 的系统工程 ， 将相 关领域的概念和关 系进行梳理 ， 并用 规范 化 的模 式进
ｈ ｎ ｅ ｎ ｏ ｏ ｙ ａ ｐ ｉａ ｏ ｓ ｉ ｄ ｒｏ ｔ ｌ ｇ ｐ ｌ ｔ ｎ ．Ｔｈ ｓ ｐ ｐ ｒ ｐ ｅ ｅ ｔ ｕ ｏ ｔ ｏ ｓｒ ｃｉ ｎ ｓ ｓｅ ｏ ｎ ｏ ｏ ｙ ａ ｄ ｍｅ ｈ ｄ ｂ ｓ ｄ ｏ ｅ ｔｍｉ ｉ ｇ，ｉ ｒ ｃｉ ｉ ａ ｅ ｒ ｓ ｎｓ ａ ａ ｔ ｍａｉ ｃ ｎ ｔｕ ｔ ｙ ｔｍ ｆｏ ｔｌ ｇ ｎ ｔ ｏ ａ ｅ ｎ ｔｘ ｎ ｎ ｎ ｃ ｏ ｎｔ ｏ ｄ ｃ ｓ ｉ ｄ ｔ ｌｔ ｅ ｆ ｎ ｔｏ ｓ ａ ｄ ｉ ｌ ｍｅ ｔ ｔ ｎ ｍｅ ｏ ｆｔ ｅ ｕ ｅ ａ ｅ ，ｓ ｓｅ ｔ ｏ ｓ ｌｙ ｒ ａ ｄ ｄ ｔ ｅ ｏ ｒ ｅ ｌｙ ｎ ｔ ｅ ｓ ｓｅ ，ａ ｄ ｕ ｅ ｎ ｅ ａ ｈ ｕ ｃｉ ｎ ｍｐ ｅ ｎ ａ ｏ ｔ ｄ ｏ ｓ ｒｌｙ ｒ ｙ ｔ ｍ ｏ ｌ ａ ｅ ａａ ｒ ｓ ｕ ｃ ａ ｅ ｉ ｈ ｙ ｔ ｍ ｉ ｎ ｉ ｈ ｈ ｎ ｒ ｎ ｎ ｌ ｚ ｓ ｔ ｅ ｗｈ ｌ ｙ ｔｍ ａ ｐ ｏ ｅ ｓ ｏ ａ ａ ｙ ｅ ｈ ｏ ｅ ｓ ｓｅ ｄ ｔ ｒ ｃ ｓ ｉ ｇ ｆ ｗ．Ｔｈ ｓｓ ｓｅ ａ ｄ ｍｅ ｏ ａ ｅ ｕ ｄ ｆ ｒｒ ｆ ｒ ｎ ｅ ｔ ｏ ｖ ｈ ｉ ｌ ｒｐ ｏ ｌｍ ｓｉ ｎ ｏ ・ ａ ｎ ｌ ｉ ｙ ｔ ｍ ｎ ｔ ｄ Ｃ ｂ ｓ ｅｅ ｅ ｃ ｓ ｌ ｅ ｔ ｅｓｍｉａ ｒ ｂ ｅ ｎ ｏ ｔ ｌ ｈ ｎ ｅ ｏ Ｏ
基于文本 挖掘 的本 体 自动构 建 系统架 构如 图 １ 。
用 的本体 。但是 ， 因为这些信 息是 由非结 构化 的 自然
语言表示 的， 具有模糊性 和歧义性 ， 无法直接获取蕴含 的概念和知识 ， 需要 运用文本 挖掘技 术对其 进行 分析
和 处 理 。 。 。
该系统主要分为用户层 、 系统工具层和数据资源层等 。
ＸＵＥ ｏ ｇ—ｙ ， ｕ Ｚｈ ｎ ｕ ＬＩＣｈ ｎ—ｍｅ 。 ＨＵ ＡＮ Ｇ ａ ｉ Ｄ ｏ—ｘ ｏ ｉｎｇ
，
（ ． ｅ ｉｇＺ ｏ ｇ ｋｈｉ ｅｈｏｏｙＤ ｖｌ ｍｅｔ ｔ， ｅ ｉ ００ ８ ， ｈ ａ １ Ｂ ｉｎ ｈ ｎｊ ｅａ Ｔ ｃｎ ｌ ｅｅ ｐ ｎ ｄ Ｂ ｉｎ １０４ Ｃ ｉ ； ｊ ｉ ｇ ｏ Ｌ ｊｇ ｎ ２ Ｍａｈｎｒ ｄ ｓｙＩｓｕ ｎａ ｏ ｅｈ ｏｏｙａｄＥ ｏ ｏ ｎｔｕ ，ｅ ｉｇ１０ ５ ， ｈ ａ） ． ｃｉｅｙＩ ｕｔ ｎｔ ｍｅｔｉｎＴ ｃｎ ｌｇ ｎ ｃ ｎｍｙＩｓｔｔ Ｂ ｉｎ ００ ５ Ｃ ｉ ｎ ｒ ｒ ｔ ｉｅ ｊ ｎ
下：
文本挖掘 的过程 一般包 括文本 数据预 处理 、 文本
信息提取 和 索 引 、 本 知识 挖 掘 及 知识 后 处 理 等 步 文 骤 。数据预处理包括数据清 洗 （ 去噪 、 如 去重 ） 数 、 据选择 （ 选择合适 的、 向特定 领域 的文 本数据 ） 面 和文 本切分 （ 中文 分词 、 如 段落 切分 ） 。数 据 预处理 后 ， 等 必须提取 中文文本 的特征信息 ， 包括关键词提取 、 术语 提取 、 基于模板 的信息 抽取和基 于专业 词典 的概 念转 换等操作 。经过 中文 文本特 征提取操 作后 ， 中文 文本 数据转换 为 中文文本信息 。在文本信息的基 础上进行