Аннотация. Рассматриваются основные функции электронных библиотек на основе использования семантических технологий, делается постановка задач их реализации. Предлагаются методы их решения и демонстрируются примеры реализации функций семантической электронной библиотеки в разработанной системе.
Под электронными библиотеками (ЭБ) понимаются информационные системы, позволяющие автоматизировать работу пользователей с различными электронными ресурсами: документами, изображениями, мультимедиа-файлами. Реализация подобных систем сталкивается с рядом ключевых проблем [1]:
• интеграция разнородной информации (электронных ресурсов, пользовательских профилей, структур знаний предметных областей), представленной разными способами на основе использования различных метаданных;
• обеспечение надёжности результатов поиска и навигации по ресурсам;
• обеспечение точности категоризации электронных ресурсов.
Основной причиной возникновения этих проблем является описание электронных ресурсов (ЭР) в системе в виде набора терминов естественных языков (ключевых слов) и формирование логических выводов об их смысловом содержании без учёта синонимии, полисемии и омонимии. Это влечёт за собой снижение качества функций, предоставляемых ЭБ.
Для решения перечисленных проблем и повышения эффективности работы с ЭР требуется выполнять работу с их семантикой, для чего используются модели описания семантики (таксономии, тезаурусы, онтологии) и технологии Semantic Web (семантические технологии). Использование таких технологий позволяет реализовать работу с ЭР на новом уровне, с учётом содержащегося в них смысла. Электронные библиотеки, разработанные с использованием подобных технологий, обычно называются семантическими ЭБ (СЭБ).
В данной статье предлагается способ реализации 2 Онтологический поход к описанию ЭР
Основной идеей данного подхода является использование онтологий предметных областей для аннотирования содержания электронных ресурсов [2]–[4]. В СЭБ описание электронных ресурсов, содержащих знания из разных предметных областей, выполняется с использованием специально разработанных онтологий этих областей, описанных с помощью таких языков, как RDFS или OWL [5],[6].
Под описанием (аннотированием) ресурса понимается его семантическое метаописание, в виде набора простых высказываний (триплетов) на основе онтологической модели, в состав которых могут входить контекстные и контентные семантические метаданные.
Сделаем вначале несколько базовых определений.
Определение 1. Под онтологической моделью (онтологией) O понимается знаковая система C, P, I, L, T, где, C – множество элементов, которые называются понятиями; P – множество элементов, называемые свойствами (двуместными предикатами); I – множество экземпляров понятий; L – множество текстовых меток или значений понятий и свойств; T – частичный порядок на множестве C и P.
С помощью набора предикатов P онтологии могут описываться различные отношения между понятиями и экземплярами. Эти отношения задаются с использованием простых утверждений (триплетов) s, p, o, где s и o – это субъект и объект высказывания, а p ∊ P – это предикат онтологии O.
Считаем, что любому свойству p ∊ P может быть задан весовой коэффициент (семантический вес) pv ∊ [0, 1], задающий смысловую близость между субъектом и объектом утверждения (1 – субъект и объект считаются сходными по семантике, а 0 – не похожими), составленного с использованием данного свойства.
Определение 2. Контекстными метаданными ресурса s (заданного с помощью идентификатора URI) называется набор простых утверждений (триплетов) Mк = {ti = s, pi, oi | i = 1, n}, где s ∊ I – это аннотируемый ресурс (субъект), o ∊ C I L – объект утверждения, p ∊ P – отношение между субъектом и объектом.
Таким образом, под набором Mк ресурса s в СЭБ понимаются утверждения о его связи с другими объектами, понятиями из общих онтологий библиотеки, таких как онтологии пользователей, онтологии ресурсов и онтологии предметных областей.
Определение 3. Контентные метаданные ресурса – это набор простых утверждений (кортежей) Mc = {tj = sj, pj, oj, vj | j = 1, m}, где s ∊ C I – это субъект утверждения, o ∊ C I – объект утверждения, p ∊ P – отношение между субъектом и объектом, а v – весовой коэффициент, который оценивает значимость данного утверждения.
Под набором Mc ресурса s понимаются утверждения о знаниях, содержащихся в самом аннотируемом ресурсе.
В СЭБ набор М(s) = Mк(s) Mс(s) будет называться семантическими метаданными ресурса s. Таким образом, все компоненты библиотеки (электронные ресурсы, пользователи, категории и т.п.) описываются метаданными, представленными с помощью RDF-триплетов на основе использования элементов некоторых онтологий. Множество триплетов, описывающих онтологию O и их экземпляры s, формирует базу знаний (БЗ, Knowledge Base) СЭБ. К этой базе знаний могут выполняться запросы, описанные на некотором языке (например, SPARQL или SERQL [8], [9]), и на основе их обработки могут решаться различные задачи, позволяющие реализовать услуги, предоставляемые СЭБ. 3 Постановка задач и их решение
Доступные функции СЭБ (семантический поиск, категоризация и формирование рекомендаций) реализуются с учетом семантики описаний ЭР. В связи с этим необходима некоторая оценка (метрика) семантической близости различных объектов. 3.1 Семантическая близость
Семантическая близость (смысловое сходство) может определяться между разными компонентами триплетов, триплетами и наборами триплетов. Существуют различные методы вычисления таких метрик [4], которые имеют свои сильные и слабые стороны. В рамках данной работы они не анализируются. В ходе выполнения исследований по созданию СЭБ авторами были разработаны новые методы оценки семантической близости, учитывающие специфику разрабатываемой системы. 3.1.1 Метод вычисления семантической близости между компонентами триплетов
Пусть Sim(α, β) – семантическая близость между элементами α и β, где α, β C I P T. Для вычисления Sim(α, β) необходимо построить неориентированный граф GO из всех имеющих триплетов в БЗ. Граф GO создаётся в соответствии со следующими правилами:
используются только триплеты, у которых значения весовых коэффициентов предикатов не равны нулю (pv ≠ 0);
вершинами графа являются субъекты и объекты триплетов, а ребра графа, соединяющие субъекты с объектами имеют веса, равные значению pv предиката того триплета, с использованием которого они были сформированы;
инверсное отношение (на основе предиката owl:inverseOf) между предикатами p1 (pv1) и p2 (pv2) добавляет в граф два ребра с весами pv1 и pv2, например: для триплета s, p1, o добавляются следующие два ребра: s, pv1, o, o, pv2, s;
симметричное отношение добавляет в граф два ребра с равными весами, например: <owl:sameAs> добавляет два ребра со значениями pv = 1.0.
Под путём PATH(α, β) между двумя вершинами α и β графа GO понимается набор рёбер (предикатов) ведущих от вершины α до вершины β, с учётом их направленности. В этом случае значение Sim(α, β) между этими вершинами вычисляется следующим образом:
Sim , max SimPATHi ( , ), (1)
i1k где k – число возможных путей графа GO от вершины α до вершины β. Значение семантической близости между элементами α и β по направлению пути i SimPATHi (α, β) определяется по следующей формуле:
hi SimPATHi ( , ) pvi, j , (2)
j1 где hi – число семантических отношений между элементами α и β на пути i, pvi,j – значение веса ребра на основе j-ого семантического предиката на пути i. На основе формул 1 и 2 можно получить окончательную формулу для определения семантической близости между вершинами α и β:
hi
Sim , max SimPATHi ( , ) max pvi, j (
i1k i1k j1 Величина Sim(α, β) удовлетворяет следующим свойствам: Sim(α, β) ∊ [0,1]; Sim(α, β) = 0 при отсутствии пути от α к β; Sim(α, α) = Sim(β, β) = 1. В исключительном случае Sim(α, β) может равняться 1, при условии существовании инверсного отношения между элементами α, β. 3.1.2 Метод вычисления семантической близости между триплетами Пусть Sim(t1, t2) – семантическая близость между триплетами t1 и t2. Близость между триплетами вычисляется на основе близостей между их компонентами. В данной работе учитываются свойства инверсного отношения между предикатами (Если два предиката p1 и p2 имеют отношение p1, owl:inverseOf, p2, то при наличии триплета s, p1, o подразумевается триплет o, p2, s) [7].
Имеются следующие две ситуации: если t1, t2 Mк: то Sim(t1, t2) вычисляется по следующей формуле:
Sim(t1,t2) Sim( p1, p2)Sim(o1, o2) (4) 3.1.3 Метод вычисления семантической близости между наборами триплетов
Семантическая близость между наборами триплетов может быть вычислена с использованием двух методов: на основе метода предложенного в работе [10] и метода косинусной меры в модели векторного пространства [11]. Для вычисления семантической близости между наборами триплетов T1 = {ti=si, pi, oi | i = 1, k} и T2 = {tj=sj, pj, oj | j = 1, h} используются следующие формулы:
max Sim(ti ,T2 ) Sim(T1,T2 ) tiT1 k max Sim(ti , t j ) i1 j1h
k Sim(T1,T2 )
T1 и T1 T2 T12 T 2
2 k h Sim(ti , t j ) i1 j1 k k h h Sim(ti , t j ) Sim(ti , t j ) i1 j1 i1 j1 где Sim(T1,T2 ) ∊ 0, 1 и Sim(ti , t j ) – семантическая близость между триплетами, вычисляемая по формуле 4 (если ti, tj Mк) или формуле 5 (если ti, tj Mс). 3.2 Семантический поиск
Как отмечалось ранее, метаописание ЭР на основе онтологической модели О рассматривается с точки зрения его контекста и контента. На основе контекстных метаданных и контентных метаданных, запрос семантического поиска q представляется в виде набора М(q) = (Mк(q), Mс(q)), а объект кандидата d (возможный результат на данный запрос) – М(d) = (Mк(d), Mс(d)). Тогда, задачу семантического поиска можно переформулировать следующим образом: Имеется запрос q с его набором М(q), тогда результатом выполнения данного запроса q будет конечный набор из k объектов знаний (ЭР) D = {di | i = 1, k}, где каждый d с набором М(d) удовлетворяет следующему условию:
Sim(M(q), M(d) = ×Sim(Mк(q), Mк(d)) + (8) β×Sim(Mc(q), Mc(d)) > ɛ, где ɛ (0, 1) – пороговое значение, α и β – коэффициенты близости по контексту и по контенту, соответственно и α + β = 1.0. Значения α и β настраиваются так, чтобы значение семантической близости корректно определяло важность контента и контекста искомого объекта. Если более важным является содержание искомого объекта (контента), тогда значение β превышает значение α и наоборот.
Кроме семантического поиска, в СЭБ также доступен и поиск по графу, который получает широкое применение в социальных сетях (например: Facebook) [13]. 3.3 Формирование рекомендаций
В данной работе под формированием рекомендаций понимается предоставление пользователям набора ресурсов, релевантных рассматриваемому ЭР. Пусть в СЭБ имеется ЭР d с метаданными М(d) = (Mк(d), Mс(d)). Задача формирования рекомендаций для документа d может рассматриваться как выполнение семантического поиска с использованием запроса q = d с наборами Mк(d) и Mс(d). Набор кандидатов R = {dri | dri ≠ d i = 1, h} на запрос q считаются рекомендуемыми для документа d если для любого dr R выполняется условие:
×Sim(Mк(d), Mк(dr)) + β×Sim(Mc(d), (
Выборы значений α, β и порогового значения ɛ делаются вручную или автоматически на основе количества триплетов метаописаний ресурса d. 3.4 Автоматическая категоризация
В СЭБ пользователь может создавать свои категории (рубрики), а система автоматически будет относить релевантные ресурсы к заданным категориям. Одна категория может включить в себя другие категории, и они структурируются в виде какой-либо иерархии (например: категория – подкатегория).
Категория k может описываться конечным набором шаблонных ресурсов Dk = {tri | i = 1, h} и каждый tri имеет своё метаописание M(tri). Любой ресурс dr Dk считается релевантным к заданной категории k при выполнении следующего условия: , (6) (7) Рис. 1. Программная архитектура системы SemDL ×Sim(Mк(Dk), Mк(dr)) + β×Sim(Mc(Dk), (13) Mc(dr)) > ɛ, где Мк(Dk) = Мк(tr1) … Мк(trh), Мс(Dk) = Мс(tr1) … Мс(trh). В качестве шаблонных ресурсов могут служить существующие ЭР или наборы триплетов (контекст и контент), созданные вручную для описания созданной категории. Кроме метода категоризации по набору шаблонных ресурсов в СЭБ выполняется категоризация по элементам используемых в СЭБ онтологий, описывающих предметные области. 3.5 Метод просмотра
В СЭБ все ЭР (экземпляры), понятия (элементы) онтологии (кроме лексических и числовых данных) имеют уникальные идентификаторы (URIs). Такими идентификаторами могут быть субъекты, объекты и предикаты триплетов в БЗ. В связи с этим имеется возможность просмотра содержания СЭБ по субъектам или объектам описаний ЭР. Реализация функции просмотра позволяет пользователям находить и просматривать все допустимые отношения (триплеты), связанные с рассматриваемым ресурсом. Например: по ссылке автора ресурса, можно найти все его публикации, его интересы и т.п., а далее по этим публикациям и интересам могут быть выполнены следующие переходы. 4 Программная реализация в SemDL
Предложенные методы решения задач по реализации описываемых функций СЭБ применены в разработанной системе SemDL [10]. 4.1 Программная архитектура SemDL
Программная архитектура системы SemDL показана на рис. 1. Она логически разделена на четыре уровня. В соответствии с этим разделением, пользователи взаимодействуют с системой с помощью веб-интерфейса и под контролем системы могут получить доступ к интересующим их функциям системы. Системные компоненты (пакеты) группируются по четырём категориям на основе их функциональности:
ПРЕДСТАВЛЕНИЯ (VIEWS): включают в себя различные разработанные теги (например, HTMLтеги) и сервлеты (servlets), которые непосредственно обрабатывают полученные запросы и возвращают ответы системы.
АННОТАЦИЯ (ANNOTATION): включает функции для работы с текстовыми документами (извлечение, индексирование). В основном, данный пакет выполняет поиска кандидатов для аннотирования ресурсов (создание метаописания ЭР). Индексирование и поиск ключевых слов возлагается на библиотеку с открытым исходным кодом LUCENE ENGINE [14], [15].
ГРАФ ОЦЕНОК (WG): данный пакет предназначен для создания и индексирования графа семантических оценок GO, и вычисляет семантическую близость между компонентами триплетов, наборами триплетов по контенту и контексту. Элементарные операции с графом осуществляется с помощью библиотеки с открытым исходным кодом JGRAPH [16]-[18].
СЕРВИСЫ SEMDL: данный пакет осуществляет доступ к базе знаний (SESAME) и выполняют различные операции с хранимыми данными, а также обеспечивают фильтрацию ресурсов по наборам триплетов контента и контекста. Для работы с SESAME используется библиотека с открытым исходным кодом OPENRDF-SESAME-API [19], [20]. 4.2 Реализация
Примеры интерфейса системы SemDL показаны на рис. 2–3. Составление запроса с использованием набора триплетов по контексту или контенту для семантического поиска выполняется с помощью рекомендации субъектов, предикатов и объектов на основе вводимых терминов (слов). Результаты поиска, рекомендации или категоризации ранжируются в порядке уменьшения оценок семантической близости. Ресурсы в результатах кратко показываются с основными свойствами (авторы, ключевые слова), по которым можно выполнять переходы к другим ресурсам. При работе с категориями и рекомендациями для получения желаемых результатов можно настраивать значения параметров α, β и ε. Значения параметров α и β по умолчанию определяются на основе количества триплетов для описания контекста и контента ресурса. 4.3 Обоснование полученного решения
Процесс семантического поиска. Схема процесса выполнения семантического поиска показана на рис. 4. Пользователь выполняет семантический поиск с помощью составленных триплетов контекста и контента M(q). На основе M(q) выполняется фильтрация возможных кандидатов (ЭР) d, которые могут быть ответом на запрос q. В результате чего получаются наборы: SPRK – набор возможных кандидатов по контексту и SPRC – набор по контенту. В дальнейшем между метаописаниями M(q) и M(d) вычисляются близости по формуле 8. Ресурсы d, которые удовлетворяют заданному запросу q, ранжируются по степени убывания значений их близости обрабатываемому запросу.
Фильтрация возможных кандидатов. Для повышения эффективности работы данного алгоритма имеется возможность выполнять фильтрацию возможных кандидатов с использованием описанных ниже методов.
Метод фильтрации по набору триплетов контекста. Пусть задан набор триплетов контекста некоторого объекта s: TK = {ti = s, pi, oi | i = 1, k}. Для любого элемента e триплета имеется непустой список связанных элементов по семантике Exs: Exs(e) = {e, ei | i = 0, h Sim(e, ei) > }, где пороговое значение близости и Sim(e, ei) вычисляется по формуле 3.
Пусть ExsP(TK) – список всех предикатов из набора TK и их связанных элементов по семантике, ExsP(TK) = Exs(p1) … Exs(pk); ExsO(TK) = Exs(o1) … Exs(ok) – список всех объектов из набора TK и их связанных элементов по семантике.
На основе списков связанных элементов по
семантике предложенный метод фильтрации по
набору TK допускает только тот ресурс prk ∊ SPRK с
набором триплетов его контекста TPRK = {tj = prk, pj,
oj | j1, h}, который удовлетворяет следующему
условию:
( tj TPRK) (pj ExsP(TK)) (oj ExsO(TK)) (
Метод фильтрации по набору триплетов контента. Пусть заданный набор триплетов контекста некоторого объекта s: TС = {ti = si, pi, oi | i = 1, k}. Для набора TС имеются следующие списки связанных элементов по семантике для компонентов всех триплетов: ExsS(TC) = Exs(s1) … Exs(sk); Exs(p1) … Exs(pk); ExsO(TK) = Exs(o1) … Exs(ok).
На основе списков связанных элементов по семантике предложенный метод фильтрации по набору TC допускает только тот ресурс prc ∊ SPRC с набором триплетов его контента TPRC = {tj = sj, pj, oj | j = 1, h}, который удовлетворяет следующему условию:
( tj TPRC) (sj ExsS(TC)) (pj ExsP(TC)) (
Условия фильтрации (14 и 15) могут описываться на языках запросов SPARQL или SERQL, которые эффективно обрабатываются сервером БЗ.
Пример шаблона запроса на языке SERQL для фильтрации возможных кандидатов некоторого объекта S по заданным наборам триплетов показан ниже. /*Запрос на фильтрацию возможных кандидатов по набору TK */ SELECT S FROM {S} P {O} WHERE P IN ExsP(TK) AND O IN ExsO(TK) USING NAMESPACE … /*Запрос на фильтрацию возможных кандидатов по набору TC */ /* CONTEXT S – триплеты контента объекта S */ SELECT S FROM CONTEXT S {Sc} Pc {Oc} WHERE Sc IN ExsS(TC) AND Pc IN ExsP(TC) AND Oc
IN ExsO(TC) USING NAMESPACE … Рис. 2. Составление триплетов для поиска Рис. 3. Интерфейс категоризации или рекомендации на основе метаописаний
M(q), Фильтрация M(q) = Mк(q) (Mc(q) кандидатов d d SPRK SPRC Вычисления близости
между M(q) и M(d) Рис. 4. Схема процесса семантического поиска
Ранжирование элетронных ресурсов d Mc(d) _:2013051402540193 _:title _:type _:hasKeyword _:hasKeyword _:hasAuthor _:hasAuthor _:Document _:Semantic_Technology _:Semantic_Digital_Library _:Ле_Хоай _:Тузовский
O № 1 2 3 4 5 Количество триплетов контекста (k): 5 ЭЛЕКТРОННЫХ 1 ОСНОВЕ rdf:type _:hasKeyword _:hasKeyword _:hasKeyword _:hasKeyword _:hasKeyword _:hasAuthor _:hasAuthor РАЗРАБОТКА БИБЛИОТЕК НА СЕМАНТИЧЕСКИХ ТЕХНОЛОГИЙ _:Article _:Semantic_Technology _:Semantic_Digital_Library _:Digital_Library _:Semantic_Search _:Knowledge_System _:Ле_Хоай _:Тузовский Для i = 1 и j = 1→8 величина p(q)1 = rdf:type, а p(d)1→8 {_:title,rdf:type,_:hasKeyword, _:hasAuthor}. Так как в используемой онтологической модели нет семантических отношений между предикатами p(q)1 и p(d)1→8 (но могут быть семантические отношения между другими предикатами), то max(Sim(t1, Mк(d)) = max (Sim(pi, pj) Sim(oi, oj) =(Sim(p1, p2)
i1, j18 Sim(o1, o2), так как Sim(pi, pj) = 0 при j≠2.
Тогда в данном случае получается следующая окончательная формула: max(t1, Mк(d)) = Sim(rdf:type, rdf:type) Sim(:_Document, _:Article) = Sim(:_Document, _:Article).
Для i = 2 и j = 1→8 получаем: max(Sim(t2, Mк(d)) = Sim(_:Semantic_Technology, _:Semantic_Technology) = 1. Sim(_:Document, _:Article) 1111 ,
5 Sim(_:Document, _:Article) 4
5 Для определения величины Sim(_:Document, _:Article) используется граф семантических отношений GO (рис. 6). Здесь символы «_:» обозначают некоторое пространство имен понятий.
В показанном фрагменте графа GO используются четыре семантических отношений:
subClassOf (подКласс), subPropertyOf (ПодСвойство), hasBroader (Уже) и hasNarrower (Шире). Отметим, что все эти предикаты отображают таксономические отношения (на практике могут использоваться и другие предикаты). В таксономической иерархии имеются два отношения, которые либо обобщают (subClassOf, subPropertyOf, hasBroader), либо детализируют (hasNarrower) понятия.
Предпочтение всегда отдаётся детализации, это означает, что при поиске некоторого понятия более важными являются те понятия, которые детализуют рассматриваемое понятие. В связи с этим можно задать значения предикатом следующим образом:
Если предикат p описывает отношение в направлении детализации, то pv > 0.5. Например, в данной работе pv(hasBroader) = 0.8.
Если предикат p описывает отношение в направлении обобщения, то pv < 0.5. Например, в данной работе pv(hasNarrower) = 0.4. s u b C l a s s O f _:Resource _:Document _:Article _:Semantic_Se
arch _:hasCreate r subPropertyOf _:Digital_Library _:Semantic_Digital_Librar y _:Semantic_Co ntext_Search _:Information_
Retrieval
hasBroader Information_S ystem hasBroader _:Knowledge_Syste
m _:Semantic_An
notation _:Metadata _:Semantic_Te chnology
hasNarrower _:hasAuthor _:OWL _:RDF _:RDFS Рис. 6. Фрагмент графа семантических отношений GO Все значения веса предикатов могут быть заданы специалистом, поддерживающим работу СЭБ, в соответствии с его пониманием онтологии предметной области.
В рассматриваемом случае pv(subClassOf) = 0.7 в направлении детализации, a в направления обобщения pv(subClassOf) = 0.3, а это значит, что Sim(_:Resource, _:Article) = 0.7, а Sim (_:Resource; _:Article)=0.3 и тогда
Sim(_:Document, _:Article) 4
5
Повышение эффективности электронных библиотек в значительной степени связано с использованием в их работе описания семантики электронных ресурсов. Для создания таких ЭБ требуется решение целого комплекса новых задач. В данной статье предложены методы описания семантики ЭР и вычисления семантической близости, рассмотрена реализация стандартных функций электронных библиотек с их использованием. Выполнение тестирования показало высокие результаты со средними значениями критерий: Точность = 100%, Полнота = 94%. Литература