基于本体的Web分类技术研究

邮局订阅号：８２－９４６３６０元／年技术创新数据库数据仓库数据挖掘《ＰＬＣ技术应用２００例》您的论文得到两院院士关注基于本体的Ｗｅｂ分类技术研究ＲｅｓｅａｒｃｈｏｎＷｅｂＣｌａｓｓｉｆｉｃａｔｉｏｎＴｅｃｈｎｏｌｏｇｙＢａｓｅｄｏｎＯｎｔｏｌｏｇｙ（１．甘肃联合大学；２．兰州理工大学）李恒杰１李明２Ｌｉ，ＨｅｎｇｊｉｅＬｉ，Ｍｉｎｇ摘要：主要提出了一种基于本体的抽象的Ｗｅｂ挖掘模型。

首先利用本体的方法表示出要挖掘的领域，然后把从用户处收集来的数据转换成表格；最后再根据定义和公式来进行知识发现。

抽象的Ｗｅｂ挖掘模型可以提取出语义Ｗｅｂ中隐藏在大量信息背后的近似概念，来实现知识发现。

关键词：Ｗｅｂ挖掘；本体；知识发现；中图分类号：ＴＰ３９１．３文献标识码：ＡＡｂｓｔｒａｃｔ：ＴｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｎａｂｓｔｒａｃｔＷｅｂｍｉｎｉｎｇｍｏｄｅｌｂａｓｅｄｏｎｏｎｔｏｌｏｇｙ．Ｆｉｒｓｔｌｙ，ｍａｋｅｕｓｅｏｆｔｈｅｍｅｔｈｏｄｏｆｏｎｔｏｌｏｇｙｔｏｅｘｐｒｅｓｓｔｈｅｆｉｅｌｄｔｈａｔｗｉｌｌｂｅｍｉｎｅｄ，ａｎｄｔｈｅｎｃｏｎｖｅｒｔｔｈｅｄａｔａｔｈａｔｉｓｃｏｌｌｅｃｔｅｄｆｒｏｍｕｓｅｒｓｉｎｔｏａｔａｂｌｅ．Ｆｉｎａｌｌｙ，ｃａｒｒｙｏｕｔｋｎｏｗｌｅｄｇｅｄｉｓｃｏｖｅｒｙａｃｃｏｒｄｉｎｇｔｏｔｈｅｄｅｆｉｎｉｔｉｏｎａｎｄｔｈｅｏｒｅｍ．ＴｈｅａｂｓｔｒａｃｔＷｅｂｍｉｎｉｎｇｍｏｄｅｌｃａｎｅｘｔｒａｃｔａｐｐｒｏｘｉｍａｔｅｃｏｎｃｅｐｔｓｈｉｄｄｅｎｉｎａｌａｒｇｅａｍｏｕｎｔｏｆｉｎｆｏｒｍａｔｉｏｎｏｎｔｈｅｓｅｍａｎｔｉｃＷｅｂｆｏｒｋｎｏｗｌｅｄｇｅｄｉｓｃｏｖｅｒｙ．Ｋｅｙｗｏｒｄｓ：Ｗｅｂｍｉｎｉｎｇ，ｏｎｔｏｌｏｇｙ，Ｋｎｏｗｌｅｄｇｅｄｉｓｃｏｖｅｒｙ文章编号：１００８－０５７０（２００６）０７－３－０２１５－０３Ｗｅｂ上的信息量随着因特网的飞速发展以惊人的速度增长，面对Ｗｅｂ上海量、分布、动态、异质、复杂、非结构化的丰富信息资源，用户希望能有更加智能的系统来帮助他们从中查找、抽取自己想要的数据和有用信息。

影响信息收集效率的一个主要的原因是“信息过载”。

大量不相关的信息被认为是相关的，则容易发生“信息过载”的现象，可以用“信息检索”和“信息过滤”等方法来解决这个问题。

然而，大部分“信息检索”和“信息过滤”的方法不能够明确的说明用户概况，因此，需要考虑用人工智能的方法来解决信息收集的问题，由此产生了Ｗｅｂ挖掘技术。

Ｗｅｂ挖掘就是从大量的Ｗｅｂ文档和Ｗｅｂ活动中发现、抽取感兴趣的、潜在的有用模式和隐含的、事先未知的信息，它以从万维网的海量数据中挖掘有用知识为目标，将传统的数据挖掘技术与Ｗｅｂ结合起来。

目前，Ｗｅｂ挖掘技术可以利用数据挖掘的技巧来进行自动检索、抽取、概括、分析信息。

Ｗｅｂ上的数据与传统的数据库中的数据不同，传统的数据库都有一定的数据模型，可以根据模型具体描述特定的数据。

而Ｗｅｂ上的数据非常复杂，没有特定的模型描述，并且数据本身具有自述性和动态可变性。

因而，Ｗｅｂ的数据具有一定的结构性，但因自述层次的存在，从而是一种非完全结构化的数据，称为半结构化数据，半结构化是Ｗｅｂ上数据的最大特点本体有效的提供了概念层次的知识规范，本文将本体论的方法应用于Ｗｅｂ文本挖掘，提出了语义Ｗｅｂ上一种抽象的Ｗｅｂ挖掘模型，并且利用该模型进行信息分类，特征提取，实现知识发现，用以满足不同用户的访问目的和感兴趣的信息和服务。

文章结构如下：第一部分介绍了本体的概念，并且举出所要分析的数据；第二部分提出了一个基于本体的抽象的Ｗｅｂ挖掘模型，用以进行Ｗｅｂ信息分类，实现知识发现。

１基本定义１．１本体本体最早是一个哲学上的概念，从哲学的范畴来说，本体是客观存在的一个系统的解释或说明，关心的是客观现实的抽象本质。

１９９３年，Ｇｒｕｂｅｒ给出了本体的一个最为流行的定义，即“本体是概念模型的明确的规范说明”。

后来，Ｂｏｒｓｔ在此基础上，给出了本体的另外一种定义：“本体是共享概念模型的形式化规范说明”。

Ｓｔｕｄｅｒ等对上述两个定义进行了深入的研究，认为本体是共享概念模型的明确的形式化规范说明。

这包含４层含义：概念模型（ｃｏｎｃｅｐｔｕａｌｉｚａｔｉｏｎ）、明确性（ｅｘｐｌｉｃｉｔ）、形式化（ｆｏｒｍａｌ）和共享性（ｓｈａｒｅ）。

“概念模型”指通过抽象出客观世界中一些现象的相关概念而得到的模型。

概念模型所表现的含义独立于具体的环境状态。

“明确性”指所使用的概念及使用这些概念的约束都有明确的定义。

“形式化”指本体是计算机可读的（即能被计算机处理）。

“共享性”指本体中体现的是人们共同认可的知识，反映的是相关领域中公认的概念集，即本体针对的是团体而非个体的共识。

本体的目标是获取相关领域的知识，提出对该领域知识的共李恒杰：硕士副教授基金项目：甘肃省自然科学基金项目（ＮＯ．３ＺＳ０４２－Ｂ２５－０１４）２１５－－技术创新中文核心期刊《微计算机信息》（管控一体化）２００６年第２２卷第７－３期３６０元／年邮局订阅号：８２－９４６《现场总线技术应用２００例》数据库数据仓库数据挖掘同理解，确定该领域内共同认可的词汇，并从不同层次的形式化模式上给出这些词汇（术语）和词汇间相互关系的明确定义。

本体定义了用于描述和表示某一领域知识的术语，被需要共享领域信息的数据库、应用软件等所使用。

本体包括应用领域基本概念以及它们之间关系的定义，本体由实例、属性、类及关系组成。

实例代表现实世界中的具体事物，实例的属性代表事物的特性。

实例的属性分为内在属性和相互属性。

内在属性代表现实世界中仅与一个事物相关的事物特性，相互属性代表现实世界中与多个不同事物相关的事物特性。

当一个事物的存在会影响到另一个事物的状态或状态的变化时，则称这两个事物是相互作用的。

反映事物之间这种相互作用的相互属性称为绑定相互属性。

不属于绑定相互属性的相互属性称为非绑定相互属性。

类代表一组具有相同特性的事物的集合。

类可以派生子类，父类与子类之间是‘ｉｓ－ａ’关系。

相互作用的多个对象可构成复合体。

构成复合体的对象与复合体之间是‘ｐａｒｔ－ｏｆ’关系。

‘ｉｓ－ａ’与‘ｐａｒｔ－ｏｆ’关系都是绑定相互属性，其中‘ｉｓ－ａ’是拓扑绑定相互属性，‘ｐａｒｔ－ｏｆ’则是复合绑定相互属性。

文章使用本体来表示某一特定领域的信息，其中采用了‘ｉｓ－ａ’与‘ｐａｒｔ－ｏｆ’关系。

图１表示了某城市工业结构部分本体图，图中包括７个类别（七个椭圆形的结点）及两种关系：‘ｐａｒｔ－ｏｆ’（用实线表示）和‘ｉｓ－ａ’（用虚线表示）。

图１中，使用‘ｐａｒｔ－ｏｆ’关系来描述领域知识中的分类，比如：类Ｉｎｄｕｓｔｒｙ包括了类ＩＴ，Ｔｒａｄｅｓ等。

‘ｐａｒｔ－ｏｆ’关系是类之间的一个重要关系，它最重要的属性就是“传递性”，即如果Ａ是Ｂ的一部分并且Ｂ是Ｃ的一部分，那末Ａ是Ｃ的一部分。

‘ｐａｒｔ－ｏｆ’也具有“反传递性”，即如果Ａ是Ｂ的一部分并且，则Ｂ不是Ａ的一部分。

图１本体实例图‘ｉｓ－ａ’描述了一个类与另一个或者多个类之间的关系。

一些类具有共同的属性，则具有共同的父类，例如：图１中，ＩＴＧｒａｄｕａｔｅＥｎｇｉｎｅｅｒ就是Ｄｅｖｅｌｏｐｅｒ，Ａｎａｌｙｓｔ，Ｐｒｏｇｒａｍｍｅｒ的父类，即对于任一个Ａｎａｌｙｓｔ，都有ＡｎａｎａｌｙｓｔｉｓａｎＩＴｇｒａｄｕａｔｅｅｎｇｉｎｅｅｒ。

１．３数据表示表１列出了１００个求职人员的工作分布情况，求职人数Ｎ表示在一个月内具有相同工作主题和近似的求职要求的人数的统计，工作主题根据求职要求来决定。

在后面的章节中，将根据表１及本体的知识表示来说明知识发现的过程。

表１求职人员工作分布表２知识发现的抽象模型定义１：设特征向量，其中ｆｉ表示关键词项，Ｎｉ表示ｆｉ在ＦＬ中的权值。

例如在表１中ｆ１表示有３５个职位是与Ｐｒｏｇｒａｍｍｅｒ有关的。

定义２：设相关于本体中的类Ｘ，则ｆｉ与类Ｘ之间的关系用如下的集值映射来表示：（１）其中，是本体的根节点类。

对于某个关键词ｆ，用来描述和关键词ｆ相关的类，但是这个映射还不能明确的分类关键词列表，因此引出关于映射的定义。

定义３：对于所有的有（２）称为集合赋值。

可以将一些关键词分类成一组等价类，当且仅当存在本体中的类Ｘ，使得（ｆｉ，Ｎｉ）∈（ｘ）和（ｆｊ，Ｎｊ）∈（ｘ）成立，则ｆｉ和ｆｊ在同一个等价类中。

例如：在表１与工作主题相关的分类中，有如下的集值映射，使得：，，使用公式（２），有如下的集合赋值：并且对于其它类别Ｘ有。

因此这里只能分出来两个等价类，分别是和。

集合赋值揭示了的关键词与类之间的关系例如：（ｘ）表示每一个在（ｘ）中的关键词都与同一个类Ｘ有关，２１６－－邮局订阅号：８２－９４６３６０元／年技术创新数据库数据仓库数据挖掘《ＰＬＣ技术应用２００例》您的论文得到两院院士关注但是在其他等价类中的关键词有可能也会和类Ｘ相关。

例如：假设某工作的主题是类ＩＴ（如图１），由于Ａｎａｌｙｓｔ是ＩＴ的子类，则关键词有可能与类Ａｎａｌｙｓｔ和类ＩＴ都有关联。

基于以上原因，需要考虑对本体中的类进行近似估计。

定理１：设是从Ｆ到的集值映射，并且和分别是映射的下近似和上近似，则：（１），（２），（３）当是类Ｙ的子元素。

定理２：设是从Ｆ到的集值映射，并且是的集合赋值，则有并且基于相应的ＸＭＬ文档集合赋值，从定理２可以得到计算的下近似和上近似的一个算法。

一般不同的关键词具有不同的重要性，在Ｆ中，概率函数Ｐ被用来表示每个关键词的重要性，该概率可以从每个关键词出现的次数来获得，用下面的公式来计算每个关键词的ｆｉ所对应的概率：（３）由以上假设，提出一个数值函数ｍ来表示从基于本体的关键词列表中发现的现象：，则对于所有的使得成立，称ｍ为本体中关键词的分配比例。

根据Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ的理论，定义弱可信度函数（ｗｅａｋｂｅｌｉｅｆｆｕｎｃｔｉｏｎ）以及弱似然函数（ｗｅａｋｐｌａｕｓｉｂｉｌｉｔｙｆｕｎｃｔｉｏｎ）分别作为本体中的下近似函数及上近似函数。

定义如下：３结束语Ｗｅｂ上具有丰富的资源，把这些资源充分挖掘出来为用户所使用，是这几年研究的重点之一，到目前为止虽然提出了种种不同的算法，但是各种算法都受到一定的限制。

并且由于处理的对象是海量的Ｗｅｂ文本，所以效率并不高，还需要进行改进，增强聚类、分类的能力，这也是当前数据挖掘领域的一个重要问题。

Ｗｅｂ上的资源大都是以文本的形式提供的，所以基于Ｗｅｂ的文本挖掘是Ｗｅｂ知识发现的一个重要组成部分。

本文的创新点在于提出了一种使用基于本体的抽象的模型来进行Ｗｅｂ文本分类，实现知识发现，为Ｗｅｂ文本挖掘提供了新的思路。

参考文献：［１］Ｎ．Ｒ．Ｊｅｎｎｉｎｇｓ，Ｋ．Ｓｙｃａｒａ，Ｍ．Ｗｏｏｌｄｒｉｄｇｅ，Ａｒｏａｄｍａｐｏｆａｇｅｎｔｒｅｓｅａｒｃｈａｎｄｄｅｖｅｌｏｐｍｅｎｔ，ＡｕｔｏｎｏｍｏｕｓＡｇｅｎｔｓａｎｄＭｕｌｔｉ－ＡｇｅｎｔＳｙｓｔｅｍｓ１（１）（１９９８）７–３８．［２］Ｄ．Ａ．Ｇｒｏｓｓｍａｎ，Ｏ．Ｆｒｉｅｄｅｒ，ＩｎｆｏｒｍａｔｉｏｎＲｅｔｒｉｅｖａｌＡｌｇｏｒｉｔｈｍｓａｎｄＨｅｕｒｉｓｔｉｃｓ，Ｋｌｕｗｅｒ，Ｂｏｓｔｏｎ，１９９８．［３］Ｊ．Ｍｏｓｔａｆａ，Ｗ．Ｌａｍ，Ｍ．Ｐａｌａｋａｌ，Ａｍｕｌｔｉｌｅｖｅｌａｐｐｒｏａｃｈｔｏｉｎｔｅｌｌｉｇｅｎｔｉｎｆｏｒｍａｔｉｏｎｆｉｌｔｅｒｉｎｇ：ｍｏｄｅｌ，ｓｙｓｔｅｍ，ａｎｄｅｖａｌｕａｔｉｏｎ，ＡＣＭＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｆｏｒｍａｔｉｏｎＳｙｓｔｅｍｓ１５（４）（１９９７）３６８–３９９．［４］ＣｏｏｌｅｙＲ，ＭｏｂａｓｈｅｒＢ，ＳｒｉｖａｓｔａｖａＪ．Ｗｅｂｍｉｎｉｎｇ：ＩｎｆｏｒｍａｔｉｏｎａｎｄｐａｔｔｅｒｎｄｉｓｃｏｖｅｒｙｏｎｔｈｅＷｏｒｌｄＷｉｄｅＷｅｂ［Ｃ］．Ｉｎ：Ｐｒｏｃｏｆｔｈｅ９ｔｈＩｎｔ’ｌＣｏｎｆｏｎＴｏｏｌｓｗｉｔｈＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ（ＩＣＴＡＩ’９７），ＣＡ，１９９７．５５８２５６７．［５］Ｓ．Ｋ．Ｐａｌ，Ｖ．Ｔａｌｗａｒ，Ｗｅｂｍｉｎｉｎｇｉｎｓｏｆｔｃｏｍｐｕｔｉｎｇｆｒａｍｅｗｏｒｋ：ｒｅｌｅｖａｎｃｅ，ｓｔａｔｅｏｆｔｈｅａｒｔａｎｄｆｕｔｕｒｅｄｉｒｅｃｔｉｏｎｓ，ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｓ１３（５）（２００２）１１６３–１１７７．［６］ＧｒｕｂｅｒＴＲ．ＡＴｒａｎｓｌａｔｉｏｎＡｐｐｒｏａｃｈｔｏＰｏｒｔａｂｌｅＯｎｔｏｌｏｇｙＳｐｅｃｉｆｉｃａｔｉｏｎｓ［Ｊ］．ＫｎｏｗｌｅｄｇｅＡｃｑｕｉｓｉｔｉｏｎ，１９９３，５：１９９￣２２０．［７］ＢｏｒｓｔＷＮ．ＣｏｎｓｔｒｕｃｔｉｏｎｏｆＥｎｇｉｎｅｅｒｉｎｇＯｎｔｏｌｏｇｉｅｓｆｏｒＫｎｏｗｌｅｄｇｅＳｈａｒｉｎｇａｎｄＲｅｕｓｅ［Ｄ］．ＰｈＤｔｈｅｓｉｓ，ＵｎｉｖｅｒｓｉｔｙｏｆＴｗｅｎｔｅ：Ｅｎｓｃｈｅｄｅ，１９９７．［８］Ｊ．Ｗ．Ｇｕａｎ，Ｄ．Ａ．Ｂｅｌｌ，ＥｖｉｄｅｎｃｅＴｈｅｏｒｙａｎｄｉｔｓＡｐｐｌｉｃａｔｉｏｎｓ，ＳｔｕｄｉｅｓｉｎＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ７，ｖｏｌ．１，Ｅｌｓｅｖｉｅｒ，Ｎｏｒｔｈ－Ｈｏｌｌａｎｄ，１９９１．［９］Ｇ．Ｓｈａｆｅｒ，ＡＭａｔｈｅｍａｔｉｃａｌＴｈｅｏｒｙｏｆＥｖｉｄｅｎｃｅ，ＰｒｉｎｃｅｔｏｎＵｎｉｖｅｒｓｉｔｙＰｒｅｓｓ，Ｐｒｉｎｃｅｔｏｎ，ＮＪ，１９７６．［１０］马征，李建华，基于多代理技术的分布式Ｗｅｂ日志挖掘系统［Ｊ］微计算机信息，２００４，２：Ｐ１１３－１１４．作者简介：李恒杰，男，１９６５年１０月出生，汉族，计算机硕士，副教授。