科技文獻語義檢索系統(tǒng)的分類與功能特點論文
1 引 言
語義檢索是信息檢索的發(fā)展趨勢， 早在 20 世紀80 年代， 語義檢索的思想就已經(jīng)出現(xiàn)， 并且信息檢索領域已經(jīng)開展了相關(guān)研究工作。企業(yè)級的語義搜索引擎近幾年已經(jīng)開始應用， 例如 Kosmix 和 等， 特別等讓搜索變得更智慧。百度框計算搜狗知立方代表了國內(nèi)搜索引擎在該領域的成功實踐。在文獻信息檢索領域，作為語義檢索系統(tǒng)的典型代表， 做出了開創(chuàng)性的工作， 一些面向科技文獻的語義檢索系統(tǒng)不斷出現(xiàn)。
傳統(tǒng)基于關(guān)鍵詞的檢索系統(tǒng)具有一定的局限性，如無法解決詞匯的模糊性問題， 分散在多個文檔中的相關(guān)信息不容易被發(fā)現(xiàn)等。語義檢索基于含義而不是通過關(guān)鍵詞匹配尋找用戶查詢的答案， 用以實現(xiàn)實體檢索、概念檢索、分類檢索、關(guān)系查詢等知識檢索方式來滿足用戶的多種信息需求， 使得搜索智能化， 根據(jù)用戶的意圖給出用戶想要的結(jié)果。目前， 語義檢索主要有兩個方向： 語義網(wǎng)資源的檢索和對于傳統(tǒng)檢索系統(tǒng)的語義擴展。面向科技文獻的語義檢索研究主要偏向于后者， 利用語義技術(shù)改進傳統(tǒng)文獻檢索系統(tǒng)，利用敘詞表、主題詞表、本體等知識組織體系實現(xiàn)語義豐富化， 采用語義標注、自動抽取、關(guān)系發(fā)現(xiàn)的文本挖掘技術(shù)從非結(jié)構(gòu)化的文本中發(fā)現(xiàn)細粒度的數(shù)據(jù)，使得檢索系統(tǒng)更智能化。本文根據(jù)文本語義處理程度對科技文獻語義檢索系統(tǒng)進行分類， 提出科技文獻語義檢索系統(tǒng)的基本框架， 并探討科技文獻語義檢索系統(tǒng)的功能特性。
2 科技文獻語義檢索系統(tǒng)分類
根據(jù)系統(tǒng)的智能化、語義化程度， 將現(xiàn)有科技文獻語義檢索系統(tǒng)分為： 語義查詢擴展的檢索系統(tǒng)、以概念或?qū)嶓w為中心的檢索系統(tǒng)、以關(guān)系為中心的檢索系統(tǒng)、面向知識發(fā)現(xiàn)的檢索系統(tǒng) 4 種類型。這 4 類檢索系統(tǒng)對科技文獻的文本語義化處理程度不同， 檢索系統(tǒng)的智能化和語義化程度也不同， 如圖 1 所示：
【1】
2.1 語義查詢擴展的檢索系統(tǒng)
語義查詢擴展的檢索系統(tǒng)在傳統(tǒng)關(guān)鍵詞檢索基礎上， 對檢索詞進行處理， 利用受控詞表和本體對檢索詞進行擴展。PubMed支持基于 MeSH 的查詢擴展，也有利用 UMLS 的同義詞對 PubMed 查詢進行擴展,QuExT執(zhí)行面向概念的查詢擴展， 檢索結(jié)果根據(jù)用戶預先分配給概念類別的不同權(quán)重進行排序。
GO2PUB利用基因本體中術(shù)語之間的語義繼承對PubMed 查詢進行語義擴展， 基因名稱、符號和同義詞都作為額外的關(guān)鍵詞提交給查詢處理器。
2.2 以概念或?qū)嶓w為中心的檢索系統(tǒng)
以概念或?qū)嶓w為中心的檢索系統(tǒng)利用本體、主題詞表、敘詞表等對科技文獻進行語義標注， 識別文獻中的知識， 檢索過程通過匹配用戶查詢和語義標注結(jié)果執(zhí)行， 這使得檢索系統(tǒng)能夠利用標注信息查詢到更精確的結(jié)果。GoPubMed是這類系統(tǒng)中最典型的， 它利用 Gene 本體和 MeSH 標引 PubMed 文獻， 并用于檢索結(jié)果的結(jié)構(gòu)化展示， 可以讓用戶看到與查詢相關(guān)的主要的生物醫(yī)學概念。相比 PubMed, GoPubMed 可以更快地找到相關(guān)的檢索結(jié)果。NextBio 文獻檢索系統(tǒng)利用基于本體的語義工具和創(chuàng)新界面， 對 ScienceDirect 內(nèi)容和 PubMed、臨床實驗、生物醫(yī)學新聞等授權(quán)開放使用的研究數(shù)據(jù)進行文本挖掘， 并通過自然語言處理技術(shù)實現(xiàn)命名實體識別和消歧， 從而提高檢索性能。Kleio 系統(tǒng)對文本的語義概念（如 genes、protein和其他生物醫(yī)學術(shù)語）進行標注， 提供對于 MEDLINE的文本和元數(shù)據(jù)相結(jié)合的檢索， 利用標注的命名實體類型對檢索結(jié)果進行分面， 從而實現(xiàn)檢索結(jié)果的過濾。
2.3 以關(guān)系為中心的檢索系統(tǒng)
以關(guān)系為中心的檢索系統(tǒng)通過文本挖掘技術(shù)從科技文獻中發(fā)現(xiàn)概念或?qū)嶓w之間的關(guān)系， 能夠提供基于關(guān)系的檢索服務。Quertle是一個關(guān)系驅(qū)動的生物醫(yī)學文獻檢索工具， 使用基于語義的自然語言處理方法從生物醫(yī)學文獻集中抽取主謂賓關(guān)系， 發(fā)現(xiàn)生物醫(yī)學實體（如疾病、基因、藥物）之間的一般或特殊關(guān)系。
用"咖啡因偏頭痛"作為搜索詞， Quertle 會發(fā)現(xiàn)兩個檢索詞之間的關(guān)系如"咖啡因治療偏頭痛", 而不是通常搜索 PubMed 所返回的同時包含"咖啡因"和"偏頭痛"兩個檢索詞的記錄。CoPub是以共現(xiàn)關(guān)系為中心的檢索工具， 利用文本挖掘技術(shù)檢測 PubMed 摘要中共現(xiàn)的生物醫(yī)學概念， 如基因本體中的人類/鼠基因、生物過程、分子功能、細胞組成以及病理、疾病、藥物和途徑等。在 CoPub 系統(tǒng)中檢索某個生物醫(yī)學概念， 可以獲得與其共現(xiàn)的其他生物醫(yī)學概念以及共同出現(xiàn)的文摘。PolySearch抽取人類疾病、基因、突變、藥物和代謝物之間的關(guān)系， 利用各種文本挖掘和信息檢索技術(shù)對內(nèi)容摘要、段落或句子進行識別和排序， 支持面向十幾個不同類型的文本、科學文摘或生物信息學數(shù)據(jù)庫的50多種查詢類型， 例如檢索"與乳腺癌有關(guān)的基因".
2.4 面向知識發(fā)現(xiàn)的檢索系統(tǒng)
面向知識發(fā)現(xiàn)的檢索系統(tǒng)通過發(fā)現(xiàn)隱含的關(guān)系和知識， 從而為用戶提供更深層次的語義檢索服務。
CoPub 5.0在 CoPub 共現(xiàn)關(guān)系挖掘的基礎上開發(fā)了稱為CoPub Discovery的新技術(shù)， 從文獻中挖掘間接關(guān)系， 用于研究疾病背后的機理、連接基因和途徑， 發(fā)現(xiàn)現(xiàn)有藥物的新型應用等。CoPub 5.0 提供了三種分析模式， "term search"模式為一個術(shù)語檢索文摘和術(shù)語關(guān)系， "pair search"模式分析術(shù)語對之間的已知關(guān)系或新關(guān)系， "set terms"模式用以給出多個術(shù)語之間的關(guān)系。
FACTA++從 MEDLINE 文摘中發(fā)現(xiàn)并可視化如基因、疾病、化合物等生物醫(yī)學概念之間的間接關(guān)聯(lián)， 利用機器學習模型發(fā)現(xiàn)文本中的生物分子事件， 利用概念之間的共現(xiàn)關(guān)系統(tǒng)計出信息挖掘隱藏的關(guān)聯(lián)。EvidenceFinder實現(xiàn)對 PMC 全文數(shù)據(jù)從化合物基因、蛋白質(zhì)、疾病等生物醫(yī)學實體到如磷酸化、綁定、激活等生物相關(guān)性事實的多層次文本標注。Evidence-Finder 將標注事實轉(zhuǎn)化為一系列的問題， 作為文獻檢索的推薦， 幫助用戶找到問題答案對應的文章。例如， 輸入檢索詞"粘蛋白", 系統(tǒng)自動給出一系列相關(guān)問題， 如"降低腸道粘蛋白的是什么？"、"什么產(chǎn)生粘蛋白？"等。
3 科技文獻語義檢索系統(tǒng)的基本框架
根據(jù)對典型科技文獻語義檢索系統(tǒng)的分析， 提出系統(tǒng)基本框架， 分為語義知識獲取、數(shù)據(jù)集成與融匯、語義索引構(gòu)建、查詢處理、結(jié)果展示 5 個主要的系統(tǒng)功能， 如圖 2 所示。實現(xiàn)科技文獻的語義豐富化， 基于領域敘詞表或本體， 利用語義標注、實體抽取、關(guān)系抽取等技術(shù)從科技文獻文本信息中獲取語義知識。以這些語義知識為基礎， 借助實體或概念匹配、本體集成、Linked Data 之間的關(guān)聯(lián)實現(xiàn)潛在語義知識、科技文獻以及外部資源的數(shù)據(jù)集成與融匯， 支持細粒度的語義檢索以及相關(guān)知識的擴展檢索。在文獻元數(shù)據(jù)索引的基礎上， 構(gòu)建實體、概念、關(guān)系、文本事實依據(jù)的索引， 支撐基于語義的檢索功能。在查詢處理方面， 采用術(shù)語匹配、自然語言處理、相似度計算、知識庫圖遍歷、本體推理等技術(shù)手段理解用戶的搜索意圖， 通過基于語義知識的分類、聚類、排序等對檢索結(jié)果進行重新優(yōu)化計算。通過結(jié)果列表、可視化展示、分面瀏覽、樹形導航、本體導航等方式將檢索結(jié)果展示給用戶， 同時提供基于語義知識的相關(guān)推薦和統(tǒng)計預測等功能。
4 科技文獻語義檢索系統(tǒng)的功能特點
語義信息的引入影響了科技文獻檢索系統(tǒng)從數(shù)據(jù)處理、索引構(gòu)建、查詢處理到結(jié)果管理的各個方面， 使得檢索系統(tǒng)具有一些新的特性。
4.1 科技文獻語義豐富化
在傳統(tǒng)文獻標引的基礎上， 一些文獻檢索系統(tǒng)已經(jīng)進行了深層的語義豐富化處理， 并且在此基礎上提供更準確的檢索服務。例如， ProQuest在文本標引基礎上將蘊含在學術(shù)出版物中的表格、地圖、照片和其他圖形中的數(shù)據(jù)、變量以及其他內(nèi)容進行深度的標引，平均使用8個術(shù)語描述一個圖像。Wiley的SmartArticle技術(shù)[14]針對化學期刊新增了化合物索引， 提供對于內(nèi)容的深層檢索， 此外對文獻中的化學術(shù)語進行標注，使用不同顏色對不同類型的化學術(shù)語進行高亮顯示，以方便用戶閱讀。在醫(yī)學文獻檢索領域， PubMed使用MeSH主題詞表進行文獻標引， 隨著文本挖掘技術(shù)的成熟， 一些工具和系統(tǒng)在PubMed基礎上對科技文獻進行了更為深入的語義豐富化處理[15].例如， EBIMed[16]
從文獻中抽取蛋白質(zhì)、基因本體標注、藥物和物種， 基于共現(xiàn)分析識別抽取概念之間的關(guān)系。PubTator工具[17]支持對PubMed檢索結(jié)果的標注， 識別的生物醫(yī)學實體包括基因、化學物質(zhì)、疾病、變異、物種等。
4.2 基于實體或概念的數(shù)據(jù)集成與融合科技文獻的數(shù)據(jù)集成已轉(zhuǎn)變?yōu)橐詫嶓w或概念為中心的數(shù)據(jù)集成和融合， 實現(xiàn)不同應用系統(tǒng)之間的語義互操作， 促進更廣泛的共享與應用。AGRIS 國際農(nóng)業(yè)科學和技術(shù)信息系統(tǒng)利用 OKKAM 實體名稱系統(tǒng)框架[18]創(chuàng)建關(guān)聯(lián)數(shù)據(jù)模型， 將書目數(shù)據(jù)庫轉(zhuǎn)換為關(guān)聯(lián)數(shù)據(jù)服務.一方面， 使用 AGROVOC 敘詞表與其他敘詞表映射， 另一方面將書目記錄與外部資源建立連接，如 DBPedia、WordBank、Google Custom SearchAPI、Nature OpenSearch 等。在 AGRIS 檢索結(jié)果的詳細頁面中， 除書目信息外， 還提供相關(guān)外部資源的結(jié)果揭示， 借助文獻標引使用的 AGROVOC 詞匯、書目關(guān)聯(lián)數(shù)據(jù)等實現(xiàn)以實體或概念為中心的知識頁面之間的融匯。Elsevier 提出 Smart Content 的概念, 組織醫(yī)學專家在 UMLS 基礎上構(gòu)建 EMMeT 醫(yī)學詞匯分類體系， 將 Elsevier 的臨床醫(yī)學期刊、論文、書目章節(jié)、表格、圖像等數(shù)據(jù)映射到合適的醫(yī)學術(shù)語上， 從而加強對 Content 的理解， 使其提升到實體、概念和關(guān)系的知識層面上， 以便各類應用程序更好地理解和處理內(nèi)容上的內(nèi)涵信息。
4.3 面向文本分析結(jié)果的索引機制。為實現(xiàn)對文本分析結(jié)果的檢索， 語義檢索系統(tǒng)構(gòu)建了文本中概念、實體、關(guān)系、事實與文獻之間的索引。例如， Kleio系統(tǒng)應用Lucene對識別出來的蛋白質(zhì)、基因、代謝物和醫(yī)學術(shù)語構(gòu)建索引， 即對與文本相關(guān)的概念構(gòu)建索引， 而不是個體或規(guī)范詞形式， 這意味著系統(tǒng)可以檢索與某個指定概念相關(guān)的文檔， 無論概念的表現(xiàn)形式是它的拼寫變體還是縮寫形式.
EvidenceFinder 系統(tǒng)借助基因、蛋白質(zhì)、藥物、疾病和代謝物的詞表以及表示生物醫(yī)學過程和關(guān)系的詞典， 對 Europe PMC 倉儲全文數(shù)據(jù)進行語法分析和文本挖掘， 將所有可能包含相關(guān)事實的句子構(gòu)建索引。NLMplus使用 Solr 對語義層進行索引， 支撐檢索服務。而 Quertle建立語義關(guān)系索引、關(guān)鍵詞索引和輔助索引三種索引， 用于查找用戶輸入的檢索詞和提問，并返回檢索結(jié)果。
4.4 查詢處理
由于一個搜索請求可能代表多重含義， 對用戶輸入的檢索詞進行語義分析是語義檢索系統(tǒng)的首要任務。通常， 語義檢索系統(tǒng)從用戶輸入字符開始提供自動完成功能， 對用戶輸入的檢索詞和語句進行識別和分析， 給出相關(guān)的查詢建議， 通過理解用戶查詢意圖和搜索空間的含義改進檢索質(zhì)量。
（1） 基于受控詞表和本體的自動完成功能
目前， 搜索引擎大多數(shù)都具有自動完成功能， 利用預存的術(shù)語自動將用戶的檢索詞對應到可能匹配術(shù)語上并提示給用戶， 簡化用戶輸入操作。文獻檢索系統(tǒng)通常利用受控詞表和本體實現(xiàn)自動完成功能，GoPubMed將輸入的術(shù)語匹配 MeSH 和 Gene 本體術(shù)語； Semedico將查詢建議放在分類樹中允許用戶選擇一個廣義術(shù)語作為檢索詞， 在括號中列出其同義詞；NextBio可以列出匹配的基因、化合物、SNPs、疾病、組織、生物學團體和作者等； Elsevier 的 ClinicalKey 醫(yī)學信息平臺在用戶輸入檢索詞后提供檢索建議， 如相關(guān)醫(yī)學主題、內(nèi)容來源和作者等。
（2） 查詢分析
檢索系統(tǒng)在執(zhí)行查詢前， 采用語言學方法將用戶輸入的檢索詞映射到受控詞表或本體的概念、實體上，將關(guān)鍵詞檢索轉(zhuǎn)化為概念或?qū)嶓w的`檢索。利用受控詞表的同義、廣義、窄義等術(shù)語以及基于本體上下位關(guān)系實現(xiàn)查詢的邏輯推理， 用于解釋用戶的查詢， 并給出查詢建議。Kleio 系統(tǒng)將摘要中命名實體進一步分類， 結(jié)合語義分類信息執(zhí)行查詢， 可以降低搜索空間，提高檢索效率.一些文獻檢索系統(tǒng)允許用戶使用自然語言進行提問， 如 Quertle、EvidenceFinder 等， 在執(zhí)行查詢處理前， 需要對查詢語句進行預處理， 利用自然語言處理技術(shù)將查詢語句進行重構(gòu)。NLMplus使用敘詞表和本體對 PubMed Review 進行語義標引， 利用構(gòu)建的知識庫對查詢進行分析和解析， 以檢索到更精確的結(jié)果。iPubMed[23]提供一個交互式檢索界面， 當用戶在搜索框中輸入幾個字符時， 系統(tǒng)將立即顯示任何包含這些字符的引用， 便于縮小搜索目標， 此外該系統(tǒng)還允許小的拼寫錯誤。ClinicalKey 通過 EMMeT建立關(guān)系的語義框架， 促進內(nèi)容發(fā)現(xiàn)， 使得被傳統(tǒng)關(guān)鍵詞檢索忽略的潛在關(guān)聯(lián)能夠被揭示出來， 并且保證了ClinicalKey能夠為用戶的檢索請求提供具體并且有針對性的答案， 比如查找"myocardial infarction",ClinicalKey 智能檢索可以識別其縮略詞、同義詞、相關(guān)外科手術(shù)和治療藥物， 并且知道這是一種與高膽固醇相關(guān)的心血管疾病[20].
4.5 查詢結(jié)果管理在傳統(tǒng)文獻檢索系統(tǒng)的基礎上， 語義檢索系統(tǒng)對于查詢結(jié)果的呈現(xiàn)方式更加多樣， 表達的信息也更加豐富， 基于本體的結(jié)果精煉、知識導航等為用戶帶來了新的檢索體驗。
（1） 查詢結(jié)果呈現(xiàn)方式語義檢索系統(tǒng)為用戶提供了最直接的結(jié)果呈現(xiàn)方式， 如檢索的目標概念（實體）、關(guān)系、事實、回答等信息。GoPubMed[5]在文獻結(jié)果列表中只顯示文摘中與檢索目標相關(guān)的句子， 反映檢索詞的事實， 而不是全部摘要信息。Quertle[8]同樣顯示文摘中相關(guān)的事實信息，并對檢索目標進行高亮顯示。FACTA++[12]將與查詢目標相關(guān)的概念通過不同分類列表的方式顯示， 并可以按照相關(guān)的頻次排序。CoPub[9]返回查詢術(shù)語的詳細信息、共現(xiàn)術(shù)語的分類和文摘數(shù)量。EvidenceFinder[13]在文獻檢索列表中直接給出查詢問題的答案并高亮顯示。
（2） 概念/實體層級結(jié)構(gòu)分類與導航GoPubMed[5]通過本體的層級結(jié)構(gòu)對查詢結(jié)果進行聚集， 實現(xiàn)了大規(guī)模結(jié)果的快速導航， 用戶可以快速獲取相關(guān)的生物醫(yī)學概念， 同時可以在檢索中發(fā)現(xiàn)新的檢索目標或過濾檢索條件， 使得檢索更有深度和廣度。NextBio[6]將從摘要和正文中抽取的生物醫(yī)學術(shù)語， 以Tag云的方式顯示， 并提供這些術(shù)語的分類， 可以利用它們進一步過濾和優(yōu)化查詢結(jié)果。Kleio[7]將檢索結(jié)果根據(jù)文獻標注命名實體的語義分類進行組織，并列出最高關(guān)聯(lián)頻率的概念， 方便用戶瀏覽和過濾檢索結(jié)果。ClinicalKey 允許用戶根據(jù)有臨床意義的子分類篩選檢索結(jié)果， 比如內(nèi)容類型、專科、疾病名稱、身體部位等[20].
（3） 文本挖掘結(jié)果顯示與相關(guān)知識導航在結(jié)果頁面或文獻詳細頁面對語義標注結(jié)果進行呈現(xiàn)， 并提供相關(guān)知識的簡介、鏈接與導航， 例如GoPubMed[5]在標注概念下方用虛線標記， 點擊后可實現(xiàn)對標注概念的重新檢索和二次檢索， 以及直接給出標注概念的詳細信息、W kipedia 鏈接。EvidenceFinder系統(tǒng)[13]在文獻詳細頁面將識別的生物實體統(tǒng)計情況以圖形化的方式顯示， 并根據(jù)不同的類型分別列出， 點擊標注實體可以直接鏈接到 UniProtKB的相關(guān)檢索界面，查看相關(guān)信息。ClinicalKey平臺在檢索結(jié)果頁面提供文獻摘要的預覽窗口， 同時對語義標注的結(jié)果進行展示，并且提供 2 000 多個疾病主題頁， 可以快速訪問疾病的流行病學、風險因素、臨床表現(xiàn)、治療等方面的信息， 以及與特定專科相關(guān)的答案和藥物鏈接[20].
（4） 基于概念/實體的文獻統(tǒng)計分析。通過對文獻的文本挖掘， 語義檢索系統(tǒng)可以實現(xiàn)基于概念/實體而不是關(guān)鍵詞等元數(shù)據(jù)信息的文獻統(tǒng)計分析功能。例如， 在 GoPubMed[5]平臺上點擊左側(cè)導航的概念或文本標注概念都可以看到該概念相關(guān)文獻的時間軸， 不僅可以展示相關(guān)文獻的演化過程， 也可以預測其發(fā)展趨勢。
5 結(jié) 語
科技文獻語義檢索系統(tǒng)相比傳統(tǒng)檢索系統(tǒng)， 其優(yōu)勢在于能夠處理語義信息， 從非結(jié)構(gòu)化文本中發(fā)現(xiàn)潛在知識， 實現(xiàn)知識檢索， 滿足用戶更高的檢索需求。通過研究和分析現(xiàn)有科技文獻語義檢索系統(tǒng)可以發(fā)現(xiàn)系統(tǒng)的語義化程度依賴于對文獻的語義挖掘深度， 借助現(xiàn)有的文本挖掘、自然語言處理、語義網(wǎng)等技術(shù)以及受控詞表和本體， 在很大程度上實現(xiàn)了對指定信息的挖掘和發(fā)現(xiàn)， 然而由于受控詞表和本體的領域局限性和覆蓋率問題， 科技文獻語義檢索系統(tǒng)的研究主要集中在生物醫(yī)學領域， 而在科技文獻檢索領域?qū)崿F(xiàn)通用的語義檢索仍然困難重重。
【科技文獻語義檢索系統(tǒng)的分類與功能特點論文】相關(guān)文章：
MPA論文的特點分類以及選題06-29
多功能農(nóng)業(yè)科技論文03-30
科技畢業(yè)論文參考文獻01-28
批復的特點及分類10-16
多功能農(nóng)業(yè)科技創(chuàng)新論文04-01
科技論文作者署名、文獻人名的書寫形式規(guī)范05-27
基于語義識別分析論文04-27
彩色剪紙的特點分類03-27
聘書的分類以及特點10-06