非相关文献知识发现初始集过滤方法试验研究.docVIP

非相关文献知识发现初始集过滤方法的试验研究 　　[摘要]在对现有非相关文献知识发现的初始集过滤方法进行分析的基础上，提出基于副主题词和基于共现语义群两种过滤方法。以Swanon的早期发现之一为对照进行试验，考察经两种方法过滤后中间集B的范围以及目标关联词和目标关联对的出现情况，以此作为评价其对B影响的依据。结果表明两种过滤方法均可提高B的质量，从而提高发现效率。 　　[关键词]非相关文献知识发现初始集副主题词语义群 　　[分类号]G353.1 　　 　　1986年，美国芝加哥大学Swanson教授提出了基于非相关文献的知识发现。ABC是其基本的发现模式，在应用中进一步演化为开放和封闭两个发现过程。开放过程是由A开始，通过B来寻找与A具有潜在关联的c。其中，A称为初始集，B称为中间集，c称为目标集。封闭过程是由假定A和c存在关联开始，来寻找连接A和c的可能关联B。这里，A和C均可称为初始集，B可称为中间集或目标集。由此可见，ABC三个集合的质量直接关系到发现的质量，其中涉及多方面的问题，本文仅对初始集过滤方法进行研究。 　　 　　1　现有研究及其不足 　　 　　对于非相关文献知识发现中初始集的形成，有研究者采用最简单的提问式来构建。研究者认为知识发现应是基于一个大的初始集，在发现过程的始端形成一个粗的范围宽泛的初始集是必要的，只有该集合的范围足够大，才不至于遗漏可能的潜在关联。但是，非相关文献知识发现是以预期发现类型为前提的，具有方向性和目标性。一个粗的初始集会形成大量的中间概念，进而形成大量的目标概念，会大大增加筛选工作量，同时也会形成大量的虚假关联。因此，在形成初始集的过程中进行过滤是必要的。 　　目前采用的过滤方法包括一体化医学语言系统(Unified Medical Language System，UMLS)语义类型和停用词表。就UMLS语义类型过滤方法来看，虽然语义类型在确定领域知识时很有意义，但是在实际应用中则需要从134个语义类型中为每一个发现任务进行选择。其缺点是需要大量的人工参与，也会产生语义类型的歧异理解和错误映射。对于采用停用词表的过滤方法，其主要问题在于词表的长短。短停用同表只能滤???常见词和无意义词，过滤效果有限；而长停用词表则可能产生过滤过度，滤掉一些有意义的词。而目．针对不同的发现对象，停用词表的长短及具体的构成词也会发生变化。因此，利用停用词进行过滤只能保证基本的过滤效果。 　　 　　2　方法改进 　　 　　2.1　基于副主题词的过滤法 　　非相关文献知识发现中初始集的形成，其实质是一个检索过程。因此，能够提高检索质量的方法，均应有利于构建初始集。虽然副主题词对于提高检索质量具有重要意义，但在非相关文献知识发现中尚未对其所起作用进行深入研究。 　　主题词是表达文献主题概念的规范性语词，主题概念间存在着各种逻辑关系。逻辑学上将概念上有关联但不如等同关系、等级关系严密的关系称为类缘关系或不确定关系，包括因果关系、影响被影响关系、应用关系和相关关系等。由于这些逻辑关系划分的不确定性，常常导致虚假组配的产生和语法歧义。副主题词对主题词起方面限定作用，这种限定是对主题词自然属性的限定，通过这种限定使模糊的、不确定的逻辑关系明确下来，即副主题词能对主题概念间的类缘关系进行揭示。据此，对某一主题进行知识发现的过程中，针对发现的可能类型，分析与初始概念之间的逻辑关系，组配恰当的副主题词，从理论上讲能提高中间集和目标集的准确性，从而提高发现效率。 　　 　　2.2　基于共现语义群的过滤法 　　UMLS主要由超级叙词表(metathesaums)和语义网络(semantic network)构成。其中，语义网络包括134种语义类型(semantic type，ST)和54种语义关系(semantic relation，rel)，用以标引超级叙词表中的概念及其相互之间的关系。因此，在非相关文献知识发现中常会利用语义类型进行过滤。但语义类型在应用中又显得过于复杂，为了减少其复杂性，有研究者提出了语义类型的上位概念――语义群(semantic groups。SG)，即按一定的原则将134个语义类型归为15个语义群。 　　语义群一经形成，它们之间必然会存在着语义关联。在UMLS的语义网络中，每一个语义关系rel是指两个语义类型ST1和ST2之间的关系。因为每一个语义类型都会归属于一个特定的语义群，因此，两个语义群之间的关系(SG1，rel，SG2)可以被认为是通过两个群中的语义类型之间的关系(STl，rel，ST2)联系起来的。根据对UMLS语义网络的下载文件SRSTR的统计发现，15个语义群间的关系强弱不同。据此，在一个语义群对中，与两者共现的语义群也将存在着强弱不同的关系。