Введение

Википедия -одно из крупнейших хранилищ информации. Данные Википедии используются в таких задачах как разрешение лексической многозначности, категоризация текста, вычисление семантической близости, машинный перевод. Для автоматической обработки информации из Википедии требуется средство ее структурирования.

Система категорий -основной инструмент структурирования информации в Википедии. Категории хранят статьи, объединенные общей темой.

Категории бывают двух видов:

• Категории-множества, например C:Cities, которая содержит статьи про конкретные города (Москва, Казань, Лондон, Урюпинск и т. д.).

• Категории-топики, например C:City, которая содержит статьи по городской тематике (Городское планирование, Урбанизация, История городов, Городская культура и т.д.).

Каждая категория может содержать подкатегории и самой находиться в родительских категориях. Таким образом, система категорий представляет собой ориентированный граф без циклов.

Категории могут группироваться с использованием мета-категорий, например C:Writers → C:Writers_by_nationality → C:Russian_writers.

Согласно правилам Википедии, статья должна находиться в наиболее специфичной категории в иерархии. Например Цель данной статьи -проанализировать проблему нарушения транзитивности в системе категорий Википедии и предложить подход к ее решению. Она построена следующим образом. В разделе 2 кратко перечислены другие средства структурирования данных Википедии и отмечены их ограничения. В разделе 3 система категорий исследована с помощью классических методов онтологического моделирования и выявлены причины потери транзитивности. В разделе 4 предложен подход, который исправляет систему категорий, удаляя из нее нетранзитивные цепочки. В Разделе 5 описаны направления будущей работы.

Связанные работы

Существует множество проектов по извлечению структурированных данных из Википедии [1,2]: DBpedia [3][4][5], YAGO [6][7][8], WikiTaxonomy [9][10][11], WikiNet [12][13][14], ORA: The Natural Ontology of Wikipedia [15,16], WiBi [17], MENTA [18], BabelNet [19][20], WiSiNet [22], KOG: Kylin Ontology Generator [23], а также проектов выравнивания системы категорий и WordNet [24][25][26][27][28]. Однако данные проекты не являются универсальными и не применимы к категориям-топикам.

Анализ причин нарушения транзитивности

Проанализируем систему категорий с помощью методологий онтологического моделирования и выявим причины потери транзитивности.

Систему категорий можно рассмотреть в качестве тезауруса [29,30]. Категории будут соответствовать концептам, а отношения между категорией и подкатегорией -стандартным онтологическим отношениям:

• Отношение класс → подкласс: Задача нахождения релевантных подкатегорий для заданной категории соответствует стандартной задаче расширения поискового запроса (query expansion).

C:Northern_American_countries → C:United_States → C:American_people → … → C:George_Lucas → C:Star_Wars → … → Galac- tic_Empire_(

Подход к устранению нарушений транзитивности

В данном разделе мы предложим метод, который устраняет не транзитивные цепочки и оставляет только транзитивные.

Основная идея (и ее теоретическое обоснование)

Как было показано в предыдущем разделе, одна из основных причин нарушения транзитивности состоит в том, что некоторые категории связаны с подкатегориями ассоциативным отношением, которое в общем случае не является транзитивным.

Существующие методы извлечения структурированной информации из системы категорий (например, YAGO или WikiTaxonomy) выявляют ассоциативные связи между категориями и просто устраняют их. Недостатком данных методов является то, что они исключают даже те ассоциативные связи, которые не нарушают транзитивность. В связи с этим возникает потребность в методе, который устраняет ассоциативные отношения, нарушающие транзитивность (например, Статистика → Демография), но сохраняет не нарушающие (например, Образование → Учитель). Опишем основные принципы этого метода.

Предлагаемый метод основан на подходе, который применяется в тезаурусе РуТез для установления ассоциативных отношений между концептами [30,[34][35][36][37]. В соответствии с этим подходом ассоциативное отношение между двумя концептами является транзитивным, если между концептами существует отношение онтологической зависимости.

Для формализации отношения онтологической зависимости [38][39][40][41] в РуТезе используется так называемый модально-экзистенциональный подход (modal-existential account): объект A зависит от объекта B тогда и только тогда, когда необходимо, что если существует A, то существует и B [42,43].

Модально-экзистенциональный подход имеет ряд преимуществ, среди которых -простота и математическая строгость. Недостатком этого подхода является то, что его применение требует участия человека. В связи с этим в исходном виде он не применим для решения поставленной нами задачи.

Кроме того, модально-экзистенциональный подход был подвергнут критике с чисто онтологической точки зрения. К. Файн (Kit Fine) показал, что данный подход является слишком грубым приближением к понятию онтологической зависимости и имеет ряд контрпримеров [44,45]. В качестве альтернативы Файн предложил эссенциальный подход (essential account). Согласно этому подходу, A зависит от B, если A является неустранимой компонентой сущности B. При этом сущность объекта (essence) понимается как набор утверждений, истинных в силу идентичности данного объекта. Эти утверждения, в свою очередь, образуют реальное определение объекта (real definition) [44,45].

Понятие быть истинным в силу идентичности объекта (to be true in virtue of the identity of) требует пояснения. В соответствии с интерпретацией самого Файна, основанной на позиции метаонтологического реализма, данное понятие выражает объективно существующее, примитивное и неопределимое отношение между утверждением и объектом. Мы предлагаем другую интерпретацию, основанную на подходе Э.Л. Томассон (Amie L. Thomasson). Согласно Томассон, условиями существования и идентичности некоторого объекта A являются условия применения/повторного применения термина "A" (application/co-application conditions) [46][47]. В соответствии с нашей интерпретацией, утверждение является истинным в силу идентичности объекта A, если оно является частью условий применения/повторного применения термина "A". И соответственно, объект A онтологически зависит от объекта B, если условия применения/повторного применения термина "A" включают в себя условия применения/повторного применения термина "B". Наша интерпретация показывает, что эссенциальный подход не требует принятия конкретных философских предпосылок.

Таким образом, использовав эссенциальный подход, мы получили следующий критерий определения онтологической зависимости: X онтологически зависит от Y, если Y неустранимым образом входит в определение X. Данный критерий гораздо лучше подходит для автоматического применения.

В качестве аппроксимации определения объекта, соответствующего той или иной категории, мы брали аннотации главной статьи данной категории и этой статьи на других языках. Факт вхождения объекта в определение другого объекта моделировался как наличие гиперссылки между определениями.

Опыт реализации

Экспериментальная реализация предложенного подхода выглядит следующим образом:

• Определяем, является ли отношение между категорией и ее подкатегорией ассоциативным. Полагаем, что отношение является ассоциативным, если в нем участвует категория-топик. Тип категории определяем с помощью метода из проекта WikiTaxonomy [11].

• Если отношение является ассоциативным, то с помощью описанного выше критерия проверяем отношение онтологической зависимости между подкатегорией и категорией. Если зависимость имеется, то сохраняем отношение между категориями, если не имеется, то устраняем.

• Если отношение является не ассоциативным, а таксономическим, то используем уже существующий ресурс YAGO, содержащий очищенные таксономические отношения. В случае, если отношение присутствует в YAGO, сохраняем его и удаляем в противоположенном случае.

Оценка

Мы провели предварительное оценивание нашего метода на категории C:Mathematics. Выбор этой категории был обусловлен решением практической задачи по связыванию онтологии OntoMath Pro [48][49][50] с DBpedia [3][4][5]

Заключение

Мы проанализировали причины нарушения транзитивности в системе категорий Википедии и предложили подход к их устранению.

В дальнейшем мы планируем доработать данный подход. В частности, предполагается извлекать определения из других страниц категории, а также использовать контекст ссылки внутри определения.

Мы планируем применить разработанный подход для извлечения тезауруса из системы категорий Википедии. В отличии от тезаурусов, построенных вручную (таких как РуТез или WordNet), данный тезаурус будет содержать не только общие понятия, но и большое число именованных сущностей. В отличии от других тезаурусов, автоматически извлеченных их системы категорий Википедии, данный тезаурус будет содержать не только иерархические отношения, но и подмножество ассоциативных отношений, сохраняющих свойство транзитивности.

Извлеченный тезаурус будет интегрирован в RuThes Cloud, многоуровневый ресурс Лингвистических открытых связанных данных (LLOD) для русского языка и языков народов России [51].

Благодарности. А. Кириллович благодарит проф. Сорена Ауэра (Sören Auer) из Боннского университета (Universität Bonn) за доброжелательность и ценные советы на ранней стадии работы над данным проектом.

Работа выполнена за счет средств субсидии, выделенной Казанскому федеральному университету для выполнения гос. задания в сфере научной деятельности, проект 1.2368.2017/ПЧ, а также при поддержке правительственной программы повышения конкурентоспособности Казанского федерального университета.