一种综合的概念语义相似度计算方法_丁建

Computer Knowledge and Technology 电脑知识与技术第7卷第3期(2011年1月)一种综合的概念语义相似度计算方法丁建，范太华（西南科技大学计算机科学与技术学院，四川绵阳621010）摘要：针对概念语义相似度计算的片面性和不完善性问题，该文提出了一种综合的概念语义相似度计算方法。

首先，基于传统的语义距离模型，综合考虑了有向边的类型、深度、密度、方向等因素,计算概念相似度；然后，根据本体的五元组组成元素，分别计算概念相似度；最后，使用sigmoid 阈值函数求得各个相似度对应的调节因子值，并进行综合，实现了调节因子与各个相似度的自适应。

实验证明，该方法有效且精确。

关键词：本体；语义相似度；语义距离；本体五元组；调节因子中图分类号：TP311文献标识码：A 文章编号：1009-3044(2011)03-0619-04A Compositive Approach for Semantic Similarity Computation of ConceptsDING Jian,FAN Tai-hua(School of Computer Science and Technology,Southwest University of Science and Technology,Mianyang 621010,China)Abstract:To aim at the one-sided and incomplete issues of the computation of concept similarity ,this paper puts forward a compositive approach.Firstly,based on the traditional semantic distance,considering the type of directed edges-"IS-A"category relations,density,di -rection and other factors,it can compute a similarity.Then,according to the elements of the ontology five-tuple,it can calculate the simi -larity of concepts.Finally,in order to realize the adaptability of each similarity with the regulatory factor,it use the sigmoid threshold func -tion to calculate the value of the regulatory factor corresponding to each similarity,and then calculate comprehensively.Experiments show that the method is effective and accurate.Key words:ontology;semantic similarity;semantic distance;ontology five-tuple;regulatory factor概念语义相似度计算是词义消歧、文本分类、模式匹配、本体映射、机器翻译、信息检索等应用中普遍存在的问题。

尤其在信息检索中[1]，查询扩展技术已经成为新的研究热点,大多数专家均采用本体技术来解决查询扩展的问题，其核心是通过计算本体概念之间的语义相似度大小找出用户查询关键词的同义、近义词,扩展形成新的查询,然后提交检索,从而提高检索的查全率；使用本体知识库中的概念来表达用户的查询需求,分析概念之间的语义相似度,从语义上判断网页和用户查询需求的匹配程度，从而提高检索的精确度。

因此，提高概念语义相似度计算精度就成了提高信息检索质量的关键技术之一。

文献[2]利用概念间的距离来衡量语义相似度；文献[3]给出了关于层次网络中量化每一个概念节点信息量的计算公式，从而得到层次网络中任意两个概念之间的语义相似度计算模型；文献[4]提出了一种基于属性的计算概念语义相似度的方法；文献[5]讨论了两个实例集合中，一个集合中的多个实例和另一集合中的一个实例相似时相似度的计算方法。

虽然现在的研究在实验验证上取得了很好的结果，但在实际应用上却存在很多问题：1）大多数应用，只利用了概念之间的上下位关系（IS-A 关系）而没有考虑其他关系类型（相关关系）的影响；2）综合了传统的距离、内容、属性等因素，但对本体的结构特点应用太少；3）进行实验验证时，对模型调节因子的取值大多都是手工选取，缺乏科学合理性。

针对以上问题，在考虑有向边类型的时候，不仅使用了“IS-A ”上下位关系（相似关系），还使用了其他的相关关系；综合考虑本体的五元组组成对相似度计算的影响；在计算语义距离的时候，综合考虑有向边的类型、深度、密度、方向等因素；对于计算模型中的调节因子（参数）的取值，我们使用阈值函数sigmoid 自动生成[12]。

1综合的概念语义相似度计算1.1语义相似度的定义当两个概念元素在语义上具有某些共同特征时,则定义它们是相似的,用sim(x,y)(0≤sim(x,y)≤1)表示概念x,y 之间的相似度[2]。

1.2语义相似度的计算国内外学者一般将概念语义相似度的计算方法划分为两类：1）基于语义距离；2）基于信息量。

相比之下，基于语义距离的方法更直观，计算量更小，效率更高。

因此，在整个计算模型中，我们主要使用基于语义距离的计算犯方法。

以改进的语义距离模型为基础，综合考虑本体五元组组成对概念语义相似度的影响，从这五个方面来计算概念的相似度，然后依据相应的调节因子值将他们综合起来，生成最终的概念语义相似度。

1.2.1基于语义距离的语义相似度计算传统的语义距离只考虑了概念间的上下位关系（IS-A 关系），忽略了其他关系（比如，等同关系、矛盾关系、互补关系、动作关系、空间关系等等）的影响，显然导致不能完整反映出概念的语义距离[2]。

因此，在该模型中，我们综合考虑有边的类型、方向、深度、密度收稿日期：2010-12-27E-mail:eduf@ Tel:+86-551-56909635690964ISSN 1009-3044Computer Knowledge and Technology电脑知识与技术Vol.7,No.3,January 2011,pp.619-622Computer Knowledge and Technology电脑知识与技术第7卷第3期(2011年1月)等因素对有向边权重的影响。

1)有向边类型本体中概念之间的关系对相似度计算非常重要，它们主要分为以下两大类12种[6]，①相似关系：上下位（IS-A）关系或分类关系；②相关关系：等同关系、与关系和交叉关系、或关系、非关系、矛盾关系、因果关系、互补关系、动作关系、时间关系、能愿关系、空间关系。

本体中概念间的关系，即为连接本体概念结点的有向边，它们和概念结点一起构成了一个有向图。

有向边类型因子，是由专家结合领域本体给相关的关系赋值的[3]，有向边的类型不同，则权值不同。

一般情况下可以作如下计算：（1）2)深度和密度领域本体的结构层次树中，自顶向下,概念的分类是由大到小,大类间的概念相似度一般要小于小类间的。

所以,在同等语义距离的情况下,处于层次树中离根较远的概念间的相似度要比离根近的概念间相似度大。

如果层次树中某一个局部的节点密度大，说明此处概念的细化也就越大，那么对应有向边的权重就越大[7]。

因此，可以得到有向边的权重计算公式为：（2）其中，depth(p)表示概念p的深度。

（3）其中，indeg(c)表示c的入度，outdeg(p)表示p的出度，deg(O)表示本体O整个的入度和出度之和。

3)方向因子在信息检索中，概念的匹配是有方向的[1]，例如：如果检索“酒”，那么其子概念“白酒”会获得较高的权值，而检索“白酒”，其父概念“酒”由于还包含“红酒”，“黄酒”等，获得的权值相对来说会稍低一些。

（4）其中，X的值不定，需要领域专家的参与才能得出精确值，但是为了便于计算，在这里可以取值X=0.4（经过实验验证得出的一个较好的值）。

4)改进的基于语义距离的相似度计算模型有向边的权重越大，相似度就越大，语义距离就越小[2]。

将上述的四个有向边权重合并为：weight(c,p)=λ1weight_deep+λ2weight_den+λ1weight_type+λ2weight_direc（5）其中λ1+λ2+λ3+λ4=1(0≤λ1,λ2,λ3,λ4≤1)语义距离为：（6）传统的距离模型为[2]：（7）其中MaxLen为层次树的最大深度，Min(W1,W2)表示概念w1和w2之间的最短路径。

基于传统距离模型，改进的相似度模型为：（8）其中，Anc(w1,w2)表示概念w1和w2的最近共同父节点，（9）P(n)表示概念n的父节点，path(a,b)表示节点a和b间最短路径上的节点集。

1.2.2本体五元组组成对语义相似度计算的影响本体的五元组组成[8]：概念（定义）、属性（主要是指数据属性，对象属性用在关系计算中）、关系、层次结构、实例。

这里从概念的定义（包括五元组中的定义和属性），关系、概念结构、实例四个方面分别计算概念的语义相似度，然后使用sigmoid函数[12]来合并。

1)基于定义的相似度计算概念的定义相似度的计算方法参考了M.Andrea Rodriguez和Max J.Egenhofer提出的计算方法[9]。

在该方法中，作者提出概念的定义信息包括两个方面：表示概念的同义词集和刻画概念的特征集（数据属性）。

因此，概念间的定义相似度计算模型为：（10）其中，|w1∩w2|表示概念w1和w2的描述集合（同义词集、数据属性集）的交集的元素个数，|w1/w2|表示属于概念w1的描述集合而不属于w2的元素个数，第7卷第3期(2011年1月)Computer Knowledge and Technology电脑知识与技术（11）2)基于概念实例的相似度计算当两个概念具有相同的实例时[5]，这两个概念很可能相似。

因此，概念的实例在一定程度上也影响了概念的语义相似度计算。

根据Jaccard系数，得到基于实例的概念相似度计算为：（12）其中N(w1,w2)表示本体实例集合中，既属于概念w1又属于概念w2的实例个数，O(w1,w2)表示实例集合中属于概念w1或者w2的实例个数。