- 1 -
基于领域的本体半自动化构建研究
单玮玮，周晓峰
河海大学计算机及信息工程学院，南京（210098）
摘 要：本体半自动化构建是目前本体研究领域的一个重点和难点。随着信息检索、信息处
理方面的飞快进展，能够在语义上给予支持的本体研究对本体半自动化构建提出了一系列的
问题，针对这些问题研究者们提出了结合自然语言处理技术、统计学方法的解决方案，并将
这些解决方法加以实践构造出了众多著名的本体构建系统。最后对本体半自动化构建方面提
出了一些个人的看法。
关键词：半自动化；本体构建；自然语言处理；统计学
中图分类号：TP301
1. 引言
本体最初是一个哲学概念，它是对客观世界的实体进行分解，然后发现其中的最基本的
组成部分，进而研究客观事物的抽象的本质。而计算机领域中如何描述信息一直都是研究的
重点，本体这个概念适时地被引用到了知识工程领域里，用于对客观世界包括最广泛的知识
描述或者是基于领域的现实进行描述，以此方便于信息的检索、处理。人们已经从不同的角
度和观点对本体的涵义进行了概括：
最初在人工智能界，Neches等人将 Ontology定义为“给出构成相关领域词汇的基本术语
和关系，以及利用这些术语和关系构成的规定这些词汇外延的规则的定义 [1]；”
1993 年，Gruber 给出 Ontology 的一个被学术界很多学者接受的定义：“Ontology 是概
念模型的明确的规范说明 [2]；”
Borst 在 Gruber 的基础上又给出了另外一个定义：“Ontology 是共享概念模型的形式化
规范说明 [3]；”
Swartout 将本体定义为：“本体是一个为描述某个领域而按层次关系组织起来的一系列
术语，这些术语可以作为一个知识库的骨架 [4]。”
Studer 等对上述 Gruber 和 Borst 的定义进入了深入的研究，认为 Ontology 是共享概念
模型的明确的形式化规范说明。这其中包括四个主要方面：
(1) 概念化(conceptualization )：本体是通过抽象出客观世界中的一些现象的相关概念而
得到的模型；
(2) 明确(explicit )：概念及它们之间联系都被精确定义；
(3) 形式化(formal )：精确的数学描述；
(4) 共享(share )：本体中反映的知识是其使用者共同认可的，反映的是相关领域中公认
的概念集，即 Ontology针对的是团体而非个体的共识；
Ontology的目标是捕获相关领域的知识，提供对该领域知识的共同理解，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。
本体的研究方向主要有描述本体的语言、本体构建、基于本体的信息处理。其中本体构
建尤为重要，国外关于这个方面的研究比较成熟，国内则处于一个起步的阶段。因为其中还
会涉及语言本身的特性问题，所以本体构建方面的研究和实践各式各样。下面就本体构建方
面的一系列问题作一些概括。
- 2 -
2. 本体半自动化构建面临的问题
本体作为表达知识的共享概念模型，已日渐成为知识工程、知识管理、智能信息集成、
信息检索和语义网等多个领域的重要组成部分。当前，已建立了一系列构建本体的工程方法，
涌现了众多理论、技术、方法、表示语言和工具。
较为典型的系统有 OntoEdit、KAON、WebOnto和 Protégé等。这些工具大多数是设计
用于完全手工构建本体。但完全用手工构建本体需要耗费很大人力物力，其中就包括领域专
家的介入而带来的主观性错误，且动态更新困难，不能够及时反映最新的信息。于是自动或
半自动构建本体的方法——本体学习(Ontology Learning)便应运而生了。Gómez-Pérez等描述
了本体学习的定义：“本体学习是半自动构建本体的一系列方法和技术。它通过利用各种数
据源以半自动方式新建或扩充改编已有本体，由此构建一个新本体[5]。”
本体构建是人工智能、信息检索、知识工程、自然语言处理和统计学等多学科交叉研究
课题，主要采用了自然语言处理、机器学习、聚类和统计学等方法。它将在知识工程、信息
抽取、信息检索、信息集成、数据挖掘等多个研究领域应用，例如语义网半自动构建、本体
知识库的自动构建更新、专业词表的自动构建更新等。从现有本体构建系统的研究而言，本
体构建存在以下问题与不足：
(1). 本体构建系统体系结构概念和方法无法统一。目前本体构建系统已经有了很多种，
但是各种本体构建系统之间几乎是没有相通之处，众多系统对于本体构建体系结构都具有不
同的看法，因此也产生了许多种概念和本体构建方法。虽然一些使用广泛的本体描述语言可
以在某种程度上达到对本体的统一描述，但是本体构建体系是不能够提供统一的定义和构建
方法接口标准，所以本体重用的概念是很难达到的。
(2). 概念和概念关系的提取精度不够，缺少深层的语义分析支持。作为本体构建的重点，
概念的提取和概念关系的提取都仅仅出于浅层语义解析和统计方法处理的层面上，所以在性
能和精度上均需要提高。对于概念之间的关系的提取过于简单，不够准确，没有深层次的语
义分析。由于自然语言都具有自身的歧义性，并且数据有稀疏性，所以基于统计方法的领域
概念提取和概念之间的关系提起仍然需要去解决很多问题。
(3). 对于中文本体构建系统，结合中文本身的特性发现，中文分词问题还没有完全解决，
或者可以说是没有比较理想的方法。目前很多的本体构建系统处理的语言都是基于英语的，
国内的本体构建研究起步都比较晚，对于已经研究开发了的中文本体构建系统缺乏对文本的
深入分析。由于汉语缺乏形态变化，词与词间在书写上无界标，汉语句子的构造原则与短语
的构造原则基本一致等特点，因此中文分词的歧义问题尤为突出，这使得中文概念及其关系
的学习更为困难。
综合上述问题与不足，本文认为本体构建的研究发展方向有：对本体构建体系功能结构
与接口的统一和标准化进行研究，对基于深层次语义分析的本体构建方法进行研究，根据中
文特点对基于中文的本体构建算法进行研究。
3. 本体概念半自动化构建的方法
对于本体构建过程中的概念提取方法主要分为三类：基于语言学的方法、基于统计的方
法和混合方法。
基于语言学的方法主要就是自然语言处理部分的方法，包括浅层解析技术或者模板方法
提取概念。浅层解析技术是针对已经进行了预处理的文本，预处理包括词性标注。浅层解析
- 3 -
技术探测语句中单词的边界、发现词语之间的语法关系。Bourigault[6]认为概念有一个固定的
词法形式，比如名词短语，在 LEXTER 系统中，利用在“表面语法分析”基础上第一次抽取
了最大长度的名词短语。文献[7]扩充了概念的词法形式。除此之外，由于同一个概念对应的
多个术语存在歧义性，文献[8]对语义方面的知识进行了研究以达到消除歧义的效果。模板方
法主要是根据领域内的概念可能特殊的词法结构来提取与此类词法结构相匹配的字符串。这
些特殊的词法结构就被称为模板。基于语言学的概念提取技术在消歧、精确率方面有优势，
然而由于这些技术需要对语言本身有很深的研究，因此基于语言学的概念提取技术的推广范
围是有限的。
基于统计学的方法的原理是利用领域概念和普通的其他词汇在领域范围内的不同统计
特征来提取概念的。较为常见的统计方法有互信息（MI）、词频逆文献频率（TFIDF）、术语
相关频率（RTF）、信息熵（Entropy）和 C值/NC值方法等。基于统计的方法对于处理大规
模的领域文本时有着相当明显的优势，并且此类方法没有对领域方面有所依赖和限制，可以
说比较通用。但是由于缺乏语言本身特性的利用，对于语义方面精确率不够。但是统计方法
仍然是目前领域概念提取的主要研究方向。Damerau[9]使用了互信息（MI）来测量两个字之
间的关联程度。Cohen[10]利用对数似然参数来处理了遗漏低频词的相关问题。Patrick[11]将互
信息和对数似然两个参数相结合进行了概念提取工作。
混合方法实际上就是将基于语言学方法和基于统计学的方法进行了统一，这样就可以达
到兼顾了二者的优点，同时又弥补了二者的缺点。一般而言都是首先进行了自然语言处理的
到候选的分词，也可以进行词性标注之类的处理，然后再进行统计技术的利用，比如互信息、
对数似然等参数，这样就可以更有效、精确地提取概念。比较著名的本体构建系统如
TextToOnto均采用了浅层解析技术从文本中获取候选的词语，然后再进行统计方法的过滤。
对于国内的一些汉语概念的自动提取的研究也是比较类似的，文献 [12]提出了利用
Bootstrapping的机器学习技术，从大规模没有标注的语料中自动提取领域概念，文献[13]采用
了自然语言处理和统计方法相结合的方法实现了概念提取。
4. 本体构建系统的研究
目前国内的本体构建仍然是有待开展的一个研究领域，才刚刚起步，并且研究重点主要
集中在如何利用本体来解决语义问题，而专门针对本体的快速构建即本体构建方面的研究成
果还比较少。还没有一个能够支持中文的本体构建工具。由于中文语法的复杂性，中文本体
构建技术确实存在很多困难，单纯依靠统计的手段或现有的与语言无关的算法很难获得令人
满意的学习结果，必须集合中文自然语言处理领域的研究成果。国外对本体构建的相关研究
比较多，己经提出了一些从文本中构建本体的方法，如 Text-To-Onto, OntoLearn [14], Hasti系
统等。这些方法中的大多数依赖于语言分析和机器学习算法以及发现潜在的感兴趣的概念和
它们之间的关系。下面介绍几个有代表性的本体构建系统及其工具。
Text-To-Onto[15]是 University of Karlsruhe 开发的一个整合的本体构建工具。其主要特点
是学习方法采用的是一种多策略综合的方法，对于不同的输入数据和任务可以结合不同的方
法去构建。目前，它已经可以做到从非结构化数据(纯文本)和半结构化数据(HTML，词典)
中获取概念及其关系。对于从非结构化数据中学习本体，它使用加权的词频统计方法来获取
概念，使用基于概念层次聚类法来获取分类关系，使用基于关联规则的方法来获取非分类关
系；对于 HTML 数据，它将其预处理成纯文本，然后利用基于非结构化数据的本体构建方
法从中获取本体；对于词典，它使用基于模板的学习方法。该系统能够处理德文和英文的数
- 4 -
据源。Text-To-Onto系统中的本体构建算法包括词汇单元与概念抽取，分类关系的抽取，聚
类、分类和基于句法模式的语义关系抽取等。
Text-To-Onto支持从一个初始的核心本体开始，使用机器学习和知识获取技术半自动的
构建领域本体的过程。这种方法的好处是本体创建和使用与文档生成和使用之间有可选的反
馈。一个组织内部的知识结构的演进可用通过进入和产出文档的语言分析来进行监测，其结
果将用于更新对应的本体。
Hasti是 Amir Kabir University of Technology 开发的一个本体构建工具.其主要特点是：
使用一个初始的核心本体，然后基于该核心本体自动地从纯文本中获取新的概念、关系和公
理，从而不断地扩充这个初始的核心本体。它是为数不多的一个能够获取本体公理的工具。
需要注意的是,它使用的这个核心本体是领域独立的，其中包括很少量的手工定义的概念、
分类关系、非分类关系和公理。使用该核心本体的主要目的是便于对一些新获取的概念、关
系和公理在本体中进行预定位。根据输入的纯文本的领域，Hasti 构建的结果可以是通用本
体也可以是领域本体。该工具使用了多种本体构建方法：在获取概念时，它使用了基于语言
学的方法；在获取概念间关系时，它使用了基于概念聚类（包括层次聚类和非层次聚类）的
方法和基于模板的方法；在获取公理时，它使用基于模板的方法。除此之外，它还使用了启
发式的构建方法，即在本体构建过程中，当同时出现多个可能的候选结果时，它利用一些启
发式的规则来减少假设空间，消除不确定性。所以说，Hasti 使用的是一种启发式的、混和
的本体构建方法。目前，它已经可以做到从波斯文本中获取本体。
OntoLearn[14]是 University of Rome开发的一个基于文本的本体构建工具，它能够获取
概念及其关系。其主要特点是：将语义解释的方法应用到本体获取中，即首先使用基于语言
学和统计的方法从一组文本集中抽取出领域相关的术语，然后使用通用本体中的概念对这些
术语进行语义解释，从而确定术语之间的分类和其他语义关系。OntoLearn选择WordNet 作
为通用本体，使用 WordNet 中的概念对获取的术语进行语义解释，从而使所构建的领域本
体与 WordNet 具有明确的关系，这样的好处是有利于不同领域本体之间的互操作和一致
化.Missikoff 等人开发了一个软件环境，以 OntoLearn 工具为中心，能够建立和评估领域本
体以支持虚拟用户社区的智能信息集成。还在两个欧洲项目中测试了 OntoLearn，在项目中
它作为语义交互平台的基础用于小一中规模的旅游企业。用于自动本体构建的 OntoLearn系
统从文本素材中抽取相关的领域术语，将它们与某个通用本体中的合适的概念关联起来，以
便于探测概念之间的分类和其他语义关系。
OntoBuilder[16]是 Mississippi State University 开发的一个从 XML 和 HTML 中获取本
体(包括概念及其关系)的工具。它看起来像一个 Web 浏览器。当使用它来获取本体之前，
需要手工构建一个初始的领域本体；然后，在用户浏览包含相关领域信息的网站的过程中，
该工具会为每个网站生成一个候选本体；最后，在用户的参与下将这些候选本体与初始本体
合并。其中，使用的本体构建方法主要是词频统计和模式匹配（包括子串匹配、内容匹配、
词典匹配）。OntoBuilder可以支持英文的网页，但在实际中，它并不能适用于所有的网站，
因为有些网站包含了它不支持的技术，例如带有脚本(scripting)的网页。
OntoLiFT[17]是 University of Karlsruhe 开发的一个从半结构化数据（XML Schema,
DTD）和结构化数据（关系数据库）中获取本体（包括概念及其关系）的工具。对于这两种
类型的数据源，它都采用基于映射规则的方法来获取本体。在系统实现中，从 XML Schema
和 DTD 中获取本体的部分是基于一个已有的工具（hMarfra）。hMarfra 能够实现从 XML
Schema到本体的映射。然后，OntoLiFt开发了一个从 DTD到 XML Schema映射的中间工具。
- 5 -
这样，将这两个工具合并起来，就实现了从 XML Schema 和 DTD 中获取本体。从关系数
据库中获取本体的部分是基于 Java JDBC 标准提供的接口，然后按照一定的命名规范将数
据库中的表名和属性名等信息，按照映射规则转换为本体中的元素。
关于上述五种著名的本体构建系统的比较：
(1). 支持从非结构化和半结构化数据中获取概念和概念间关系的工具比较多；支持从结
构化数据中获取概念和关系的工具只有 OntoLiFT。说明虽然在数据库领域中关于从关系模
型中抽取语义或将关系数据模型转换为更复杂模型的研究由来已久，但将这些成果应用于本
体构建中的研究还较少；
(2). 支持从结构化数据和半结构化数据中获取公理的工具还没有；支持从非结构化数据
中获取公理的工具只有 Hasti。它是 2004年开发出的一个本体工具，这表明关于本体公理的
获取已经逐渐引起人们的注意。虽然 Hasti中的公理获取方法还有很多不足，但它为今后的
相关研究提供了一条思路；
(3). 这些工具都仅能支持基于某些类型的数据源的本体构建。例如：Hasti和 OntoLearn
支持的数据源只有纯文本；Text-To-Onto 支持的数据源只有纯文本和某些半结构化数据；
OntoBuilder支持的数据源只有 XML和 HTML；OntoLiFT支持的数据源只有 XML Schema，
DTD和关系数据库，说明目前还没有一个整合的本体构建系统；
(4). 大部分工具使用的本体构建方法都比较单一。说明这些工具都只能在某些情况下取
得较好的结果。因为任何一种本体构建方法都无法适用于所有的情况，为了提高工具的适用
范围，必须利用多种本体构建方法。将获得的结果有效地综合起来，从而保证在大部分情况
下都能获得比较理想的结果。资料表明，Text-To-Onto和 Hasti都在朝这个方向努力。
另外，本体构建中的很多技术都依赖于对自然语言的处理。所以，本体构建工具具有很
强的语言特征。其中：
Hasti支持波斯语；Text-To-Onto支持英语和德语；OntoLearn，OntoBuilder和 OntoLiFT
都仅支持英语。目前还没有一个能够支持中文的本体构建工具。
5. 结论
本文讨论了关于本体半自动化构建方面的研究现状和主要面临的问题，比如本体构建体
系结构概念和方法无法统一；概念和概念关系的提取精度不够，缺少深层的语义分析支持；
对于中文本体构建系统，结合中文本身的特性发现，中文分词问题还没有完全解决，或者可
以说是没有比较理想的方法。并且总结了关于本体概念半自动化提取的主要方法：基于语言
学的方法即自然语言处理技术、统计学方法和混合方法。最后介绍了目前比较著名的本体构
建系统的各自特点和优势所在。本体半自动化构建方面的研究对于国内而言还是处于一个初
级阶段，有很多的问题需要解决，现有的自然语言处理技术和统计方法还是有很多缺陷，这
就需要结合其他众多学科尝试新的思维和方法。
6. 致谢
本文是作者在研究本人硕士毕业论文过程中总结的关于本体半自动化构建方面的研究
情况。在此感谢周晓峰老师对我的悉心指导，是周老师指导着我打开这扇大门的。
同时也非常感谢我们实验室的师兄们对我耐心的指点。还要感谢余思齐同学对我生活上
的细心照顾。
- 6 -
参考文献
[1] Neches R, Fikes R E, Gruber T R, et al. Enabling Technology for Knowledge Sharing [J]. AIMagazine , 1991,
12(3) :36～56
[2] Gruber T R. A Translation Approach to Portable Ontology Specifications. Knowledge Acquisition,1993, 5:
199~ 220
[3] Borst W N. Construction of Engineering Ontologies for Knowledge Sharing and Reuse. PhD thesis , University
of Twente , Enschede ,1997
[4] Bill Swartout. Ramesh Patil. Kevin Knight. et al. Toward Distributed Use of Large-Scale Ontologies.
1996
[5] Gómez-Pérez A, Manzano-Macho D. A Survey of Ontology Learning Methods and Techniques.
%201 . 5, 2005-07-20
[6] Bourigault, D. Surface Grammatical Analysis for the Extraction of Terminological Noun Phrase [J].
Proceedings of COLIN92:977-981
[7] Justeson, J S and Katz, S M. Technical Terminology: Some Linguistic Properties and Algorithm for
Identification in Text [J]. Natural Language Engineering, 1995, l(1):9-27
[8] A Smeaton, I Quigley. Experiments on Using Semantics Distances Between Word in Image Caption Retrieval
[A]. In Proc. of 19th International Conference on Research and Development in Information Retrieval, Zurich,
Switzerland, 1996
[9] Damerau F J. Evaluating Domain-oriented Multiword Terms from Texts [J]. Information Processing and
Management, (4): 433-447
[10] Cohen JD. Highlights: Language- and Domain- Independent Automatic Indexing Terms for Abstraction [J].
Journal of the American Society for Information Science, 1995, 46(3):162-174
[11] Patrick P. and Dekang Lin. A Statistical Corpus-Based Term Extractor [A]. Canadian Conference On AI,
2001:36-46
[12] 陈文亮，朱靖波，姚天顺. 基于 Bootstrapping 的领域词汇自动获取. 第 7 届全国计算语言学联合学术
会议论文集（JSCL 2003）[M]. 北京：清华大学出版社，2003：67-72
[13] 方卫东，袁华，刘卫红. 基于 Web 挖掘的领域本体自动学习[J]. 清华大学学报：自然科学版，2005，
45（SI）：1729-1733
[14] Missikoff M, Navigli R, Velardi P. Integrated approach to web ontology learning and engineering [J]. IEEE
Computer, 2002, 35(11): 60~63
[15] Maedche A, Staab S. The ontology extraction & maintenance environment Text-to-Onto. In: Proc. of the
ICDM 2001 Workshop on the Integration of Data Mining and Knowledge Management. 2001.
[16] Gal A. Modica G. Jamil H. OntoBuilder: Fully automatic extraction and consolidation of ontologies from Web
sources. In: Proc. of the ICDE 2004. Boston: IEEE Computer Society, 2004. 853−853.
2065/00/
[17] Volz R, Oberle D, Staab S, Studer R. OntoLiFT prototype. IST Project 2001-33052 WonderWeb Deliverable
11. 2003
Research on Semi-Automatic Domain Ontology Acquisition
Method
Shan Weiwei, Zhou Xiaofeng
College of Computer and Information Engineering, Hohai University, Nanjing (210098)
Abstract
In this paper, several problems in the field of Semi-automatic domain ontology acquisition have been
proposed. Semi-automatic domain ontology acquisition is one of the most important field of the
research on ontology. That field which has assistance to information search on semantics needs to solve
several problems. Researchers have used some other theory and technique (for example: Natural
Language Process; Statistics; method combined with them) in these famous projects on ontology
building.
Keyword: semi-automatic; ontology acquisition; NLP; Statistics
