[发明专利]一种基于多数据源的本体学习方法

说明书

技术领域

本发明涉及人工智能中语义网领域，特别是一种基于多数据源的本体学习方法。

背景技术

在语义网中，本体（ontologies）作为形式化的知识表示扮演着重要的角色。本体为不同领域提供共享的词汇，给计算机处理Web 信息提供了方便。按照Gruber 的定义，本体是感兴趣领域的共享的概念化的显式规约。作为规约，本体需要通过某种语言表达，例如使用RDFS 或者OWL。随着OWL 成为W3C 推荐的本体语言标准，越来越多的本体用OWL 语言来表达。OWL DL 是比较常用的子语言，它在语义上等价于某种描述逻辑（Description Logics，DL）语言，并对应着一阶谓词逻辑中可判定的子语言，为语义网提供了坚实的逻辑基础。由于OWL DL 是可判定的（decidable），即拥有在有限时间内可终止的推理机制，而OWL Full 没有可判定性，一个OWL DL本体通常是有ABox和TBox组成，ABox是由一组描述实例之间关系的公理组成，TBox是由一组描述概念和属性间的公理组成，比如包含关系和不交关系。从实体的角度来说，一个OWL DL本体是由概念、属性和实例组成，其中概念是现实世界中概念的抽象，属性是描述概念之间的关系，而实例则是现实世界中的个体。

本体学习是信息提取的子任务之一，其目标是自动或半自动地从给定的语料库或数据源中提取概念、关系或公理，用来构建本体。本体学习的数据源可以是像数据库之类的结构化数据，像XML之类的半结构化数据，或者像文本之类的非结构化数据。针对不同类型的数据源，人们提出了各种各样的本体学习方法。

随着语义网的不断发展，特别是链接开放数据（Linking Open Data，LOD）项目的提出，大量的语义数据可供使用。例如，DBpedia的最新版本DBpedia 2015-04 （英文版）包含了7.37亿个RDF三元组。在此基础上，为了提高搜索质量，谷歌、百度和搜狗等著名搜索引擎公司纷纷构建了各自的知识图谱（knowledge graph）。另外，还有一些知识库构建工具在源源不断地从Web页面中抽取大量的事实，使得语义数据的规模越来越庞大，其中事实就是本体中的断言（assertions）或实例层的信息。例如，NELL从2010年1月开始，每天24小时不间断地迭代学习信念（即事实），截止到2015年已经收集了8千多万个信念。

大量的语义数据极大地推动了语义网的实现，使得语义网技术能够得到更为实际的应用。这些语义数据虽然包含了众多的RDF三元组，但往往缺少丰富的模式层信息。拿LOD的核心数据集DBpedia为例，虽然它包含了非常多断言，而其本体主要定义了概念（或属性）之间的层次关系以及属性的值域和定义域，缺少了存在量词约束、全称量词约束和数量约束等公理。这些公理的缺失，给语义数据的整合、查询和维护等关键语义网任务带来了不便。

研究者们提出各种方法从语义数据中学习模式层信息，大致可分为基于归纳逻辑编程（Inductive Logic Programming，ILP）的方法、基于关联规则挖掘（Association Rule Mining，ARM）的方法和启发式方法。ILP结合了机器学习和逻辑编程技术，使得人们可以从实例和背景知识中获得逻辑结论。Jens Lehmann等提出用向下精化算子学习ALC的概念定义公理的方法。Johanna Völker等人介绍了从RDF数据中生成本体的统计方法，该方法通过SPARQL查询来获取信息，用以构建事务表。在他们的后续工作中，使用负关联规则挖掘技术学习不交公理。为了提高本体学习的伸缩性（scalability），Lorenz Bühmann等人针对可以通过SPARQL查询终端进行查询的知识库提出一种轻量级的模式构建方法，该方法需要对每种公理类型（例如不交公理和描述属性的值域的公理）构建相应的SPARQL查询语句，然后使用统计的方法为每个学到的公理赋予一个分值（score），用来筛选公理。

目前的本体学习方法往往只局限于从单数据源进行本体学习，而忽略了从日益丰富的现有本体库和知识图谱资源中获取相关信息，对单数据源进行扩充。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供一种基于多数据源的本体学习方法，通过在学习前挖掘多数据源中实体之间的关系，将多个松散的数据源结合起来，变成一个有机的整体，为学习更多有意义的结果提供便利。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种基于多数据源的本体学习方法，包括以下步骤：