《多语言领域本体学习研究》序言

           《多语言领域本体学习研究》序言

                冯志伟

章成志博士的《多语言领域本体学习研究》这本书主要研究了构建专业领域本体的理论和方法，他在基于领域平行语料抽取双语核心术语研究、基于多层特征的一体化策略术语抽取研究、基于术语度约束的双语术语对齐研究、基于术语聚类的概念层次体系生成研究、基于多语文本聚类的主题层次体系生成研究等方面，都做了创造性的工作，取得了很好的成绩。

本书研究的专业领域本体构建的理论基础是知识本体（ontology）。

在自然语言处理中，知识本体起着重要的作用。例如，在英语的自动分析中，with介词短语有时可以分析为宾语的修饰语，有时可以分析为中心谓语动词的方式状语，这个问题叫做介词短语附着问题（Preposition Phrase attachment, 简称PP-attachment）。根据知识本体，可以对with介词短语得出完全不同的分析结果。

我们来看下面的句子：

I saw a man with a binocular.

（“我用望远镜看一个人”，“我看见一个带着望远镜的人”）

        I saw a star with a telescope.

         （“我用天文望远镜看一颗星星”）

        I saw a molecule with a microscope.

         （“我用显微镜看一个分子”）

为了正确地分析这样的句子并理解其意义，我们需要各种有关大小、轻重、形状、体积、目的等方面的知识本体。

例如，在句子I saw a star with a telescope中，with a telescope可能做saw的状语，也可能做star的定语，根据知识本体，star是不能带有telescope的，因此，with a  telescope做star的定语不符合常识，而with telescope做saw的状语在常识上却是行得通的，因此，这个句子的意思是“我用天文望远镜看一颗星星”，而不是“我看一颗带有天文望远镜的星星”。在句子I saw a man with a binocular中，根据知识本体，with a binocular可以修饰saw，做saw的状语，也可以修饰man，做man的定语，因此，这个句子是有歧义的，它的意思可能是“我用望远镜看一个人”，也可能是“我看见一个带着望远镜的人”。

因此，我认为，作者抓住“知识本体”的构建这个关键问题来展开本书的研究，是非常有见地的。

知识本体究竟是什么？在这个问题上仁者见仁，智者见智。不同的学科从各自不同的角度研究知识本体。

语言在本质上是模糊的。语言需要借助共享知识来补全缺失的信息或校正歪曲的信息。自然语言处理技术力图借助于人类世界知识中很小的一部分去理解语言中包含的简洁、模糊、含蓄的信息。这就是结构化的知识本体在自然语言处理中所要扮演的角色。

知识本体是语言概念知识系统的、科学的描述方法，它与自然语言的词汇系统有着非常密切的关系。

如果我们对于一个领域中的客体进行分析，找出这些客体之间的关系，获得了这个领域中不同客体的集合，这一个集合可以明确地、形式化地、可共享地描述这个领域中各个客体所代表的概念的体系，它实际上就是概念体系的规范，这样的概念体系规范就可以看成这个领域的知识本体。

人们很早就开始研究知识本体，因此，知识本体有很多不同的定义，这些定义有的是从哲学思辨出发的，有的是从知识的分类出发的，最近的一些定义则是从实用的计算机推理出发的。

牛津英语词典对于知识本体的定义是：“对于存在的研究或科学”（the science or study of being），这个定义显然是非常广泛的，因为它试图研究存在的一切事物，为存在的一切事物建立科学。不过，这个定义确实是关于知识本体的经典定义，它来自哲学研究。

什么是事物（things）？什么是本质（essence）？当事物发生改变时，本质是否仍然存在于事物之中？概念（concept）是否存在于我们的心智（mind）之外？怎样对世界上的实体（entities）进行分类？ 这些都是知识本体要回答的问题，所以，知识本体是“对于存在（being）的研究或科学”。

远在古希腊时代，哲学家就试图研究当事物发生变化的时候，如何去发现事物的本质。例如，当植物的种子发育变成树的时候，种子不再是种子了，而树开始成为了树，那么。树还包含着种子的本质吗？

巴门尼德（Parmenides）认为，事物的本质是独立于我们的感官的，种子在表面上虽然变成了树，但是，它的本质是没有改变的，所以，在实质上种子并没有转化为树，只不过是我们的感官原来感到它是种子，后来感到它是树。

亚里士多德（Aristoteles，公元前384-322）认为，种子只不过是还没有完全长成的树，在发育过程中，树的本质并没有改变，只是改变了它存在的形式，从没有完成长成的树（潜在的树）变成了完全长成的树（实在的树）。种子和树的本质都是一样的。知识本体就要研究关于事物的本质的问题。

亚里士多德还把存在区分为不同的模式，建立了一个范畴系统（system of categories），包含的范畴有十个：substance（实体）， quality（质量），quantity（数量），relation（关系），place（空间），time（时间），attribute（属性），state（状态），action（行动），passive action（承受）。

这就是著名的十大范畴系统，这个范畴系统是最早的概念体系，实际上也就是最早的知识本体。

亚里士多德以他卓越的学识和深刻的洞察力，抓住了人类认识中最关键的概念。

德国哲学家康德（Emmanuel Kant，1724-1804）认为，事物的本质不仅仅由事物本身决定，也受到人们对于事物的感知或理解的影响。

康德提出这样的问题：“我们的心智究竟是采用什么样的结构来捕捉外在世界的呢？”为了回答这个问题，康德对范畴进行了分类，建立了康德的范畴框架，这个范畴框架包括4个大范畴：quantity（数量），quality（质量），relation（关系）， modality（模态）。

每一个大范畴又分为3个小范畴。

quantity又分为unity（单量），plurality（多量），totality（总量）3个范畴；

quality又分为reality（实在质），negation（否定质），limitation（限度质）3个范畴；

relation又分为inherence（继承关系），causation（因果关系），community（交互关系）3个范畴；

modality又分为possibility（可能性），existence（现实性），necessity（必要性）。

根据这个范畴框架，我们的心智就可以给事物进行分类。从而获得对于外界世界的认识。因此，康德的范畴框架是帮助我们捕捉外在世界的有力手段。在数据库中，我们可以根据康德的方法给事物建立一些范畴，从而根据这些范畴来管理数据。例如，我们给人事管理数据库建立“姓名，性别，籍贯，职业”等范畴，使用这些范畴进行人事管理。可以看出，康德对于范畴框架的研究，为知识本体的研究奠定了坚实的基础。

层级结构被认为是人类知识认知模型的基本结构。

科林斯（Collins）和奎尼安（Quillian）提出：一切概念之间，都可以通过is-a关系相连并构成一个层级体系。例如，a terrier is a dog（“猎狐狗”is-a“狗”，a dog is a mammal（“狗”is-a“哺乳动物”）；这样就可以解释为什么人们在判断a terrier is a dog （“猎狐狗是一只狗”）和a terrier is a mammal（“猎狐狗是一个哺乳动物”）这两句话是否正确时需要的时间是不同的。因为在这样的概念网络中，遍历更多结点会导致更大的处理量，也将相应导致更长的反应时间。

人工智能是计算机科学的一个重要领域。在人工智能研究中也经常使用带有特征链接的概念网络对知识进行结构化，其中概念结点的链接特征往往是部分、功能以及诸如颜色这样的物理特征。有了通过is-a关系进行继承的机制，这些网络就成为了简单的知识表征系统（knowledge representation system）。

人工智能研究中的语义网络现在已经渐渐演化成了更复杂的形式化知识表征方法。

知识表征形式体系对精确的语义表示来说是必要的，也使得根据已表达的知识进行推理成为可能。不过，如果只有形式体系而没有知识就毫无用处，而将知识形式化是一件复杂而又费力的工作。

在20世纪末和21世纪初，知识本体的研究开始成为计算机科学的一个重要领域。它主的任务是研究世界上的各种事物（例如，物理客体、事件等）以及代表这些事物的范畴（例如，概念、特征等）的形式特性和分类。

计算机科学对于知识本体的研究当然是建立在上述经典的知识本体研究的基础之上的，不过，有了很大的发展。因此，在计算机科学研究中，有必要重新给知识本体下定义。

1993年，计算机科学学家格鲁伯（Gruber）在给知识本体下的定义是：“知识本体是概念体系的明确规范”（An ontology is an explicit specification of conceptualization）。这个定义比较具体，也比较便于操作，在知识本体的研究中广为传布。

1997年，计算机科学家波尔斯特（Borst）对格鲁伯的定义做了很小修改；提出了如下的定义：“知识本体是可以共享的概念体系的形式规范”（Ontologies are defined as a formal specification of a shared conceptualization）。

1998年，计算机科学家施图德（Studer）等在格鲁伯和波尔斯特的定义的基础上，对于知识本体给出了一个更加明确的解释：“知识本体是对概念体系的明确的、形式化的、可共享的规范”（An ontology is a formal explicit specification of a shared conceptualization）。

在这个定义中，所谓“概念体系”是指所描述的客观世界的现象中有关概念的抽象模型，所谓“明确”是指对于所使用的概念的类型以及概念用法的约束都明确地加以定义，所谓“形式化”是指这个知识本体应该是机器可读的。所谓“共享”是指知识本体中所描述的知识不是个人专有的而是集体共有的。

具体地说，如果我们把每一个知识领域抽象成一个概念体系，再采用一个词表来表示这个概念体系，在这个词表中，要明确地描述词的涵义、词与词之间的关系、并在该领域的专家之间达成共识，使得大家能够共享这个词表，那么，这个词表就构成了该领域的一个知识本体。

知识本体已经成为了提取、理解和处理领域知识的工具，它可以被应用于任何具体的学科和专业领域，知识本体经过严格的形式化之后，借助与计算机强大的处理能力，可以对于人类的全部知识进行整理和组织，使之成为一个有序的知识网络。

互联网（Web）的概念最早是蒂姆∙伯讷斯-李（Tim Berners-Lee）于1989年提出的。蒂姆∙伯讷斯-李因此而成为了互联网之父。2001年，他进一步提出了互联网的体系结构，这样的互联网叫做语义互联网（Semantic Web），这样一来，互联网的发展就与语义的关系越来越密切了。这就是互联网的“语义化”。

在语义互联网的整个体系结构中，本体词汇（Ontology Vocabulary）起着承上启下的联系作用，处于举足轻重的重要地位。采用本体词汇来描述语义互联网中各种资源之间的联系, 可以克服目前互联网上的信息格式的异构性、信息语义的多重性以及信息关系的匮乏和非统一性等严重问题。

2006年5月，蒂姆∙伯讷斯-李又宣布，经过十年的努力，W3C已发布W3C推荐标准80余份，语义互联网已经具备了为达到成功的目标所需要的所有标准和技术，包括作为数据语言的RDF、本体语言、查询和规则语言。

在这个体系结构中，Ontology Vocabulary发展成了Ontology OWL，其中，OWL（Ontology Web Language）可以翻译成“本体网络语言”，是W3C开发的一种描述本体的网络语言，用于对本体进行语义描述。W3C的设计人员针对各类特征的需求制定了三种相应的OWL的子语言，即OWL Lite、OWL DL和OWL Full，各子语言的表达能力递增。

OWL Lite是表达能力最弱的子语言。它是OWL DL的一个子集，但是通过降低OWL DL中的公理约束，保证了迅速高效的推理。它支持基数约束，但基数值只能为0或l。因为OWL Lite表达能力较弱，为它开发支持工具要比其他两个子语言容易一些。OWL Lite用于提供给那些仅需要一个分类层次和简单约束的用户。

OWL DL（Description Logic，描述逻辑）将可判定的推理能力和较强的表达能力作为首要目标。OWL DL包括了OWL语言的所有语言成分，但使用时必须符合一定的约束，受到一定的限制。OWL DL提供了描述逻辑的推理功能，描述逻辑是OWL的形式化基础。

OWL Full包含OWL的全部语言成分并取消了OWL DL中的限制，在OWL Full中，一个类可以看成是个体的集合，也可以看成是一个个体。由于OWL Full取消了基数限制中对可传递性质的约束，因此不能保证可判定推理。

显而易见，在2006年新公布的语义互联网体系结构中，知识本体的重要性更加突出了。

经过XML标注的自然语言文本是语义互联网的基础，互联网主要是由语言文字组成的（此外还有语音、音乐和图像），经过XML标注了句法、语义等信息之后的“文本文档”（text file），再经过资源描述框架（Resources Description Format，RDF）的处理、知识本体处理、规则处理、统一逻辑处理之后，就成为了“智能文档”（intelligent file）。

智能文档是“知道”自己内容的文档，其目的是让自动化程序“知道可以用它来做什么”。这些自动化程序叫做“智能代理”（Agent），智能代理是实现语义互联网服务（Semantic Web Service，简称SWS）的重要构件。

语义互联网用知识本体（ontology）来表示概念以及概念之间的关系，所以文档的语义信息标注实际上是一种建立在知识本体基础之上的标注。

由此可见，知识本体在语义互联网的体系结构中的不仅起着承上启下的作用，而且，它是整个语义互联网中概念体系的明确的、形式化的、可共享的规范，是整个语义互联网的语义的基础，语义互联网中的语义主要来自知识本体。

人工智能与计算机科学的知识本体偏重于范畴类别。这些范畴类别就是我们头脑中知识的组织方式。知识处理也正是在这些范畴类别的基础上进行的。

目前，在互联网上除了使用英语之外，越来越多地使用汉语、西班牙语、德语、法语、日语、韩国语等英语之外的语言。从2000年到2010年，互联网上使用英语的人数仅仅增加了301.4%，而在此期间，互联网上使用俄语的人数增加了1825.8%，使用汉语的人数增加了1476.7%，使用葡萄牙语的人数增加了990.1%，使用法语的人数增加了398.2%。

由于互联网上使用英语之外的其他语言的人数增加得越来越多，英语在互联网上独霸天下的局面已经彻底打破，互联网确实已经变成了“多语言的网络世界”（multilingual Web）。“多语言”这个特性使得互联网变得丰富多彩，同时也造成了不同语言之间交流和沟通的困难，互联网上的语言障碍问题显得越来越突出，越来越严重，因此，互联网上不同自然语言之间的跨语言信息检索（Cross Language Information Retrieval）或机器翻译（Machine Translation）也就变得越来越迫切了。这是互联网的“多语化”。

随着互联网信息资源的“语义化”与“多语化”这两个明显的趋势，迫切需要能适用于信息的语义处理与多语言处理的相关方法与技术，而多语言知识本体正是解决这个问题的有效基础资源之一。

目前的多语言知识本体的构建仍然主要依靠大量人工参与，并且是手工构建，在构建周期和成本上难以满足实际需求；因此，自动或者半自动地构建语言知识本体已是当务之急。多语言知识本体机器学习（Ontology Learning）的目标就是从文本集合中自动或半自动地生成知识本体，具体任务包括从文本集合中抽取相关领域术语和同义词，发现概念、概念间层次结构与非层次结构的机器学习，本体实例生产等。利用知识本体的机器学习技术，结合多语言信息处理技术，就可以半自动或者自动地生成多语言知识本体，将其用于跨语言信息检索或机器翻译等多语言信息服务领域。以知识本体自动获取为目的的知识本体机器学习技术不但成为当前知识本体工程领域研究热点，并且是知识本体应用与推广过程中迫切需要解决的关键问题。这是一项具有挑战性的工作。

章成志博士的《多语言领域本体学习研究》对于这一项具有挑战性的工作进行了卓有成效的研究。

本书介绍了当前国内外关于多语言知识本体的机器学习方法、工具以及应用项目等相关动态，重点描述作者在该领域的研究情况，侧重于自动构建专业领域本体，以真实的科技领域语料为基础，在此基础进行专业领域的概念抽取与层次关系构建。

第一章“引言”主要介绍课题的研究背景与研究意义，说明本书提出的多语言知识本体学习框架与开发平台设计。

第二章“多语言本体学习综述”对多语言词汇资源进行概述，从知识本体学习、典型的知识本体学习工具、多语言知识本体应用项目等三个角度对多语言知识本体学习的现状进行了说明。

第三章“基于领域平行语料的双语核心术语抽取研究”将专业领域文档的关键词作为候选核心术语，利用中文和英文的专业领域分类语料，通过关键词抽取、术语度计算等关键技术，分别进行中文和英文的核心术语的识别。

第四章“基于多层术语度的一体化术语抽取研究”将语言学方法与统计方法进行并行融合，综合考虑候选术语及其所在语句的术语度，进行基于多层术语度的一体化术语抽取。

第五章“基于术语度约束的双语术语对齐研究”依据术语度对常规的词语对齐结果进行了优化，在双语术语对齐中利用术语度进行对齐约束，从而改善了术语对齐的性能。

第六章“基于多语术语聚类的概念层次体系研究”以近邻传播（Affinity Propagation）聚类算法为基础，从跨语言的术语聚类和中间语言的术语聚类两个角度，对多语言概念层次聚类问题进行研究，并对四个领域类别的数据进行测试。

第七章“基于多语文本聚类的主题层次体系生成研究”对基于多语言文本聚类的主题层次体系生成相关研究进行了概述，以近邻传播聚类算法为基础，对特征重构后的文本进行聚类，得到主题式层次体系，依据机器翻译系统或者平行语料，对该层次体系进行双语表示，间接地生成多语言的主题层次体系。

第八章“结束语”对本书进行总结，展望了双语术语抽取与多语言层次关系构建的研究前景。

本书自始至终都特别关注当前互联网的发展中“语义化”和“多语化”这两个明显的趋势，围绕“语义化”和“多语化”进行了卓有成效的研究。

因此，我认为，本书是采用机器学习方法来构建多语言领域知识本体的一本具有开创性的优秀著作。由于多语言领域知识本体在跨语言信息检索、机器翻译等多语言科技信息服务中具有重要作用，本书的出版必将推动我国多语言科技信息服务的进一步发展。

本书把知识本体的研究局限在专业术语的领域内，由于专业术语是针对具体领域的，一般都具有单义性的特点，这就大大地减少了研究工作的难度。

但是，如果我们把知识本体的研究进一步扩展到日常词语的领域，问题就会变得非常复杂。

每种语言的词汇都是不同的。对于说英语的人来说，nail（指甲）都是一样的，不同的手指和脚趾各有名称，但上面长的指甲只有一个名称— nail。在某些语言中，甚至手指和脚趾都是同一个名称，用同一个词来表示。例如，西班牙语中的dedo（指头）以及意大利语中的dito（指头）。这种错综复杂的对应关系，将会增加多语言知识本体构建的难度。

在构建多语言的词汇知识库的时候，双语歧义是源语言（source language）和目标语言（target language）之间彼此对应时出现的歧义（ambiguity）。

例如，在英语中，river（河流）没有进一步的区分，而在法语中则进一步区分为rivière（河）或fleuve（江），在德语中进一步区分为Fluss（河流）或Strom（激流）；在英语中，eat（吃）没有进一步区分，而在德语中则进一步区分为essen（[人]吃）或fressen（[动物]吃）；在英语中，wall（墙）没有进一步区分，而在法语中则进一步区分为mur（墙）或paroi（隔墙），在德语中则进一步区分为Wand（墙），Mauer（围墙）或Wall（土墙）；在英语中，blue（蓝色的）没有进一步区分，在俄语中，则进一步区分为синий（深蓝色的）或      голувой（浅蓝色的）。

有时，这种双语歧义使得词义之间对应关系变得非常之复杂。例如，英语中的单词leg（腿）, foot（足），paw（爪子）与法语中的单词jambe（腿），pied（脚），patte（爪子），etape（宿营地）之间存在着交叉对应关系：法语的pied可以用于指人的“脚”，这时，它与英语的foot相对应；法语的pied也可以用于指椅子的“脚”，这时，它与英语的leg相对应；而英语的foot还可以指鸟的“爪子”，这时，它与法语的patte相对应。英语的leg涵义复杂，它除了与法语的pied对应之外，还可以指动物的“脚”，这时，它和foot一起，又与法语的patte相对应；英语的leg还可以指人类的“腿”，这时，它与法语的jambe相对应；此外，英语的leg还可以指旅行中的一段“旅程”，这时，它与法语的etape相对应。英语和法语的涵义之间形成的这种交叉对应关系也是非常复杂的。

由于存在这种极为复杂的双语歧义现象，给多语言词汇网络的构建造成了极大的困难,在跨语言信息检索或机器翻译中，不同语言之间的单词就会出现一对多、多对一或多对多的错综情况，需要进行词义排歧（Word Sense Disambiguation，简称WSD）。这必将给日常领域的多语言知识本体的构建造成极大的困难。

本书的研究还没有涉及到日常领域知识本体构建中这些错综复杂的词义排歧问题。希望作者在今后的研究中，能够深入地研究这些问题，把本书所使用的多语言领域知识本体的机器学习技术进一步扩充应用到多语言日常领域知识本体的机器学习中去，不断地探求新知，不懈地锐意进取，取得更大的成绩。