史籍分析平臺的本體構建.docVIP

史籍分析平臺的本體構建 北京大學中文系 李鐸 摘要： 關鍵詞： 一、本體與本體庫 ONTOLOGY原本是十八世紀產生的哲學概念，二十世紀九十年代進入信息科學領域。目前我們就簡依哲學的翻譯方法，譯爲“本體”。既然是哲學術語，其基本意義依然是哲學的，即使是在計算機科學領域，如果從哲學的角度來思考研究它，它的意義便會清晰地顯現出來。 本體是抽象的概念，它所對應的是具體的事物。抽象的概念是不可以感覺到的，但是是可以思考的。而具體事物是可以感覺到，但是是不可以思考的。所以，本體是人類爲了思考而從具體物抽象出的概念。本體是人類思考，即認識、分類、判斷、推理地基礎。同樣的，如果要使計算機能夠思考，就必須從建設本體，所以，本體是人工智能AI的基礎。 本體不同於關係型數據庫，它要求用最基本的信息，盡可能小的內涵來達到最小的外延。應用於自然科學領域的，以質、量爲最基本需求。而人文社會科學，則需要時間、空間爲其最基本信息。而本體不同類間的關係，要求關聯，同類本體間，就需要建設如“父子”之關係。所以，“名、時、空和關係”爲其最基本的項。 針對中國古代文獻分析的需求，我們初步建設了“人物”、“地名”、“時名”、“職官”、“機構”、“文獻”本體。 本體的結構，以列分，爲4-6列，目前最大的是5列。一般均爲4列，如下： 一、名稱，即該本體的概念名詞，同時含別名表。 二、時間，是指該概念的存活期，起止時間。 三、空間，是地理信息，所處位置。 四、關係，層級關係。 如，地名：鄭州 一、鄭州；鄭 二、北宋 三、34.45/113.42（經緯度） 四、父：京西北路；子：原武、密縣、大隗、嵩渚山、梅山、滎陽、滎澤、賈谷、新鄭、須水、鄭州、管城 而人名則需要比基本信息增加一項，即：職官或職業。如，人名：李白 一、李白；白；太白；青蓮居士； 二、701/763 三、隴西成紀 四、父：李客 五：門下左拾遺 而其他的信息則是由不同的本體提供關聯的，如李白的作品，在“文獻”本體中，有作者項，其作者“李白”與人物本體“李白”相連接。同類本體關聯亦如此：如兄弟關係，則因爲他們有共同的“父”，在應用中自動生成兄弟等各種人物關係。“同僚”則以人物“職官”加“時間”通過“機構”而動態生成。 由於本體處在建設時期，提取的信息往往是不完善的，因此，我們在建設中設計了更多的關係層，這樣便於相互關聯，然而，在本體達到一定的量時，就會讓計算機自動整理，刪除不必要的信息。 有了人物文本庫，在分析歷史人物時，就可以不遺漏的找到全部的相關語料。這時，我們如果告訴計算機，我想要中國歷史上全部帝王的信息。計算機依人物本體庫中的爲官信息來判定該人物是否曾爲帝王，可以迅速將歷史上的帝王列出來，這還不算復雜，因爲，僅僅是在檢索語料，在檢索時代用別的手段也可以做到。但是要做更復雜一些的工作，比如，我想知道《資治通鑑》中所記載的九十餘次地震中，有那些帝王參與了善後處理，想知道哪些帝王參加過戰爭，哪些帝王不參加占卜活動，哪些帝王和平民的關係密切，哪些帝王和詩人、藝術家交往比較多，等等。這些問題，如果早幾年提出，那是在刁難計算機。而今天，這些問題幾乎可以說已經不算問題了。因爲我們使用數據分析，而不僅僅是檢索，讓計算機用分析的方法，爲我們的命題求解。數據分析必須建立在“本體”的基礎上。 然而有了人物本體庫還不夠，還不能真正對文獻進行數據分析，因爲它所面對的文獻數據是一堆“平面數據”，計算機並不夠保證查全率和查準率的同時完善。如，唐太宗，在文獻中並不一定是以“唐太宗”三個字出現的，如果是就容易多了，它可能僅是兩個字“太宗”，這樣一來，計算機就可能會將中國歷史上廟號稱爲“太宗”的十二位都檢到，它分不清哪個是“唐太宗”哪個是“宋太宗”哪個是“清太宗”。更有甚者，僅一個字，如“上”，它如果代表皇帝，就可以代表歷史上幾乎所有的皇帝。我們面臨兩難的選擇，如果我們用“精確匹配”，在查全方面大量損失信息，如果我們用“模糊匹配”，在準確性方面就不可靠，如果是僅限於檢索，計算機可以羅列出大量的並不是你所要的信息，如果讓計算機分析，讓它做上述的課題。那結論必然是不可靠的。 因此，計算機在分析文獻時，衹能對已標記的文獻進行分析。先將文獻中的“太宗”分別標記爲“李世民”的ID、“趙匡義”的ID和“愛新覺羅皇太極”的ID。這樣我們纔能分別對待之。也就是在分析之前，需要對文獻做預處理，需要對人物做一一標記，明確關聯到不同人物的ID上去，使原本“平面數據”變成“立體數據”。 如何標記古代文獻，這是目前古代文獻信息處理的一大難題。小量的文獻，人工標引是可能的，但是對數億漢字的文獻，衹能讓計算機做預處理，做預先的標引。 標記的第一步是用已建設成型的本體庫來掃描文獻，幾乎不引起歧義的，就可以直接標記上去。由於古代人對人的稱謂比較復雜，而且單字的過多，就會有