具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于 明白了解，以下结合实施例及附图对本发明的基于本体的工程数据关 键字检索方法作具体阐述。

<实施例>

本实施例的基于本体的工程数据关键字检索方法基于一台双核 E5300，2.6GHz，4GB内存的台式电脑完成，该台电脑的操作系统为 windows 7，使用Java和Protégé 4.2.0解析OWL数据，使用Lucene 2.0.0建立倒排索引，Lukeall 0.9.2查询倒排索引。

图1是本发明实施例的基于本体的工程数据关键字检索方法流 程图。

如图1所示，基于本体的工程数据关键字检索方法包括以下步 骤：

步骤S1，引入工程数据的领域本体和工程数据术语表，并对工 程数据术语表进行倒排索引生成倒排索引表，领域本体包括多个概念。

本实施例中，领域本体为相关领域中公认的概念集，工程数据术 语表为该领域本体的每一个概念所包含的行业术语的集合。具体地：

领域本体包括相关领域词汇的基本术语、关系以及基于这些基本 术语和关系构成的规则定义，该领域本体基于RDF Schema图以及扩 展RDF的OWL本体描述语言来完成，基于概念、属性以及值来描 述，RDF Schema图是一个三元组的集合，每个三元组代表一个主题 和客体之间关系的描述，包括主题、客体以及属性。

工程数据术语表用于将查询关键字映射到某些概念上。

本实施例中，使用Protégé工具建立、更新和操作领域本体，该 领域本体建立后，基于工程数据术语表对映射到概念的每个术语进行 倒排索引，生成倒排索引表。

步骤S2，对工程数据中的若干类文档进行工具处理，提取文本 信息并建立XML快照，对XML快照进行倒排索引并构建快照统计 表。

本实施例中，XML快照为对工程数据中的若干类文档处理后得 到一个标注了语义的XML文件。具体地：

XML快照的建立过程为：

首先，将若干类文档转化为文本流，并对文本流进行分词，去除 掉停用词；

然后，将分词与倒排索引表中的术语词进行匹配，若匹配成功， 则标注为对应概念的XML标签，标签的名称由从根到其对应概念上 的路径节点名称合成，若匹配失败，则标注为<unmatched>标签。

图3是本发明实施例中的工程数据文档实例片段示意图。

图4是本发明实施例中对工程数据文档实例片段提取的XML快 照片段图。

如图3以及图4所示，本实施例中，文档种类为一个pdf类型的 工程数据文档，采用PDF2TXTConverter转化为文本流。

对于XML快照中可以匹配到多个概念的词，需要确定其在原文 中表示的概念，主要采用两种方法：

第一种是根据上下文中已经确定匹配的词所标注的概念，自动标 注这种一词多义词在原文中表达的概念，使它和上下文被标注的其他 概念在语义上更紧凑；

第二种是由文档的维护人员手工进行标注。

本实施例中，使用第二种辅助第一种的方法。根据实验表明，这 种词在工程数据中并不是非常多，占10％左右。

生成一个XML快照后，对每一个XML快照基于倒排索引对其 中的信息进行统计并生成快照统计表，该快照统计表用于将来排序模 型计算查询结果。

步骤S3，基于关键字和本体概念的匹配规则，对用户提出的关 键字查询命令，通过执行引擎采用倒排索引表将关键字匹配到本体中 合适的概念上，基于本体搜索关联概念得到概念拓展集。

本实施例中，查询的关键字与本体概念的匹配程度为：

式中，Q＝{k₁,...,k_n}为关键字查询，领域本体中所有的概念集合为 C＝{c₁,...,c_m}，c_i为概念集合中的一个概念，cscore为一个关键字查询Q的 全体关键字与一个概念c_i的匹配程度。

匹配规则为计算一个关键字同一个概念之间的匹配程度，包括单 关键字的概念匹配规则以及多关键字的概念匹配规则。具体地：

单关键字的概念匹配规则为：

基于词干分析器将单关键字过滤为原形词，选择c_i的术语集中和 单关键字最相近的术语进行匹配：

当t和w完全匹配，定义匹配系数δ(w,c_i)＝1；

若只有部分匹配，则δ(w,c_i)＝|t∩w|/|t|，

式中，w为单关键字，t为选择c_i的术语集中和单关键字最相近的 术语。

对于单关键字w，记至少和它部分匹配，即δ不为0的概念集合 为则有：

式中，cmatch(w,c)为单关键字w匹配概念集合c的相似度，且单关 键字w匹配概念为0≤cmatch(w,c)≤1。

实施例中，关键字“rotates”只和图2所示中的概念Rotate中的术 语“rotate”完全匹配，和概念Schedule中的术语“overnight rotate”部分 匹配，则有：

δ("rotates",Rotate)＝1，

δ("rotates",Schedule)＝0.5，

cmatch("rotates",Rotate)＝1/1.5＝0.67,

cmatch("rotates",Schedule)＝0.5/1.5＝0.33。

当用户给出提出一组多关键字查询时，通常情况下这些关键字之 间有语义上的关联，因此基于单关键字的概念匹配规则，多关键字的 概念匹配规则为：

对查询Q＝{k₁,...,k_n}的每个关键字进行处理后，得到每个关键字k_j匹 配领域本体的概念集的一个相似度向量：

V(k_j,Q)＝(s₁,...,s_m)

式中，m是领域本体的概念集的个数，即有s_x＝cmatch′(k_j,c_x,Q)，式 中，cmatch′(k_j,c_i,Q)为多关键字查询Q时关键字k_j∈Q匹配概念c_i的相似 度，s_x为关键字k_j∈Q匹配概念c_x的相似度。

本实施例中，多关键字的概念匹配规则基于多关键字概念匹配算 法得到。

在表示本体的RDF图上(如图2所示)，如果两个概念的语义较 相关，则它们之间的距离理应很近，而cscore反映全体关键字组和概念 集的相似度，因此采用多关键字概念匹配算法用cscore去修正每个关键 字k_j和概念集的相似度。

对于cmatch(k_j,c_i)，考虑图G，如果存在距离概念c_i结点d_max以内的概 念结点c_neb(c_neb可以等于c_i)，其他关键字k_o能匹配c_neb，则k_j匹配c_i的相似 度因为k_o而加强了，也即cmatch′(k_j,c_i,Q)应该比单关键字下的cmatch(k_j,c_i)增 强，增加的幅度由下述算法给出，是影响参数。

上述图G，是图2中去掉Root结点和它连接的边后得到的图。

以下是实现多关键字概念匹配算法的源代码：

输入：本体RDF图G,Q,k_j和cmatch

输出：对于k_j,cmatch′(k_j,c_i,Q)值

以下代码计算k_j对于每个概念经过更新后的cmatch′值

以下代码是对每个cmatch′值进行归一化处理：

本实施例中，匹配的概念集由关键字基于直接映射得到，而当用 户输入查询“thing which rotates in the engine”，通过上述排序模型，包 含概念Rotate和到概念Engine的快照拥有较大的匹配程度score_c(Q,s)， 但是，用户通过这个查询，最终想获取的概念可能是Shaft，如图2所 示，从本体RDF图上可以看出，概念Shaft是连接查询直接匹配的两 个概念Rotate和Engine的中间概念。

因此，对于匹配概念还需进行拓展，而匹配概念的拓展是通过用 户输入的关键字查询命令，进一步推断出用户想要查询的结果的语义 概念。

本实施例中，基于匹配概念拓展算法得到的概念拓展集，对语义 进行适度拓展。具体地：

匹配概念拓展算法本质为图搜索算法，基于多关键字概念匹配规 则和排序模型，该算法从直接匹配的概念集出发，从本体RDF图上 搜索直接匹配的概念的中间概念，生成一个代价最小的连接所有直接 匹配概念的概念拓展集。

匹配概念拓展算法的原理是建立并维护一系列的游标，在该算法 的开始时，一些游标从各个直接匹配的概念出发，向相邻节点广度搜 索。

游标的ic属性表示这个游标已经遍历的概念集合，pos属性表示 游标当前走到的位置。

如果一个游标走到的位置已经有另一个游标走过，则合并两个游 标(保证一个位置至多只有一个游标)；

如果已经存在某一游标的ic属性包含了所有直接匹配的概念集， 则算法结束，该游标的ic属性除去直接匹配集后剩下的概念即为中间 拓展集。

以下是匹配概念拓展算法的源代码：

输入：本体RDF图G,Q匹配的直接概念集{c₁,...,c_k}

输出： 概念拓展集

步骤S4，基于倒排索引表获得与概念拓展集相关的XML快照， 构建排序模型，并由排序模型基于快照统计表的数据计算与概念拓展 集相关的XML快照的相关度得分。

本实施例中，排序模型基于语义匹配的基础以及匹配规则构建， 相关度得分为与概念拓展集相关的XML快照的相关度得分，基于快 照统计表的数据信息计算。具体地：

相关度得分的计算公式如下：

idf(w,s)＝lg(|S|/docs(w,S)) (2)

式中，s为XML快照，S为XML快照的集合，size(s)为XML快 照包含的所有词汇数，tagged_concept(w)表示在XML快照中w被标注的 概念，λ为大于1的常数，docs(w,S)表示S中出现w的快照个数，count(c,s)表示概念c在s中的出现次数，score(Q,s)表示对于查询Q，将 XML快照s与Q的相关度得分。

步骤S5，对相关度得分进行排序，找到每个XML快照对应的若 干类文档，作为查询结果集返回给用户。

本实施例中，使用两套数据集，数据集1是DBPedia，自带多个 领域的从wikipeida抽取的本体数据，大约有1830000本体实体，本 实施例中，将这些本体实体的名称作为它们所对应概念的“术语”，数 据集1并非工程数据集，本实施例基于数据集1测试算法的性能；数 据集2基于一个小范围的飞机工程数据领域本体模型，从国内飞行制 造企业收集的200多份工程文档建立的数据集，主要验证本实施例中 基于本体的工程数据关键字检索方法在工程数据上的有效性。

图5是本发明实施例中对数据集1cmatch和cmatch′执行时间对比图。

本实施例中，统计对于20组不同关键字个数进行查询，cmatch(三 角形折线)和cmatch′(方形折线，多关键字概念匹配算法)的平均计算 时间。

如图5所示，对于相同关键字数目的查询，cmatch′的计算时间要 比cmatch多，因为计算cmatch利用了倒排索引，可以很快得到每个关键 字匹配的概念数目等信息，而cmatch′则要在RDF图上进行一个距离阈 值以内的匹配概念周边的搜索。另外，当关键字数目增加的时候， cmatch′耗时增长也更明显，这是由于当关键字增加时，需要进行周边 搜索的匹配概念数目也相应增加了。

图6是本发明实施例中对数据集1进行匹配概念拓展算法所生 成的结果示意图。

本实施例中，统计对于20组不同的直接匹配概念个数，匹配概 念拓展算法生成的拓展概念平均个数(三角形折线，左y轴)和相应 的生成时间(方形折线，右y轴)。

如图6所示，直接匹配的概念越多，相应生成的拓展概念并没有 大幅度的增长，这是合理的，因为和拓展概念个数最相关的因素是直 接匹配概念之间的聚集程度(相互语义距离强弱)，而生成时间有大 幅度的增加是因为算法二初始的游标个数和算法运行过程中创建的 游标数目会因为直接匹配概念个数的增加而增加。

基于数据集2，对本实施例中的检索方法在具体工程数据上的应 用效果进行检测，使用DCG评价指标来衡量搜索首页提供的前10个 结果总体的质量，DCG比值越大效果越好。

DCG评价指标定义如下：

式中，i是该查询结果在搜索首页的位置排名，rel_i是该结果的评 分，因此，一个高质量的结果排在首页末尾和首页靠前位置，对DCG 有不同的影响，若查询结果不足10个，不足的位置的评分均计0。

图7是本发明实施例中对数据集2基于本发明的检索方法和基 于完全使用关键字匹配的传统检索方法得到的DCG比值结果图。

本实施例中，设计20组典型的查询，让3个用户对结果进行打 分并取均值，统计本实施例的基于本体的工程数据关键字检索方法和 完全使用关键字匹配的传统检索方法之间的DCG的比值。

如图7所示，当一个查询的关键字个数较少时，查询结果集较 大，完全使用关键字匹配的传统检索方法将非语义匹配的查询结果排 前的概率较大；当一个查询的关键字个数较多的时候，完全使用关键 字匹配的传统检索方法只能找到非常有限的结果，查全率受到很大影 响，而本发明实施例的基于本体的工程数据关键字检索方法都能对这 两种情况做出有效改善。

实施例作用与效果

根据本实施例提供的基于本体的工程数据关键字检索方法，该方 法首先引入工程数据领域本体和工程数据术语表生成了倒排索引表， 使得用户关键字具有了语义概念属性，同时将工程数据的不同类型的 异构文档提取为XML快照并建立了快照统计表，从而各类型的工程 数据文档能够在本发明的检索方法下统一处理。

实施例中，考虑用户查询的关键词组之间的语义关联，采用关键 字和本体概念的匹配规则消除了用户提出的关键字自身的语义混淆 的缺点。

实施例中，为了提高用户查询的关键字与本体概念的匹配度，基 于关键字和本体概念的匹配规则对用户查询的关键字通过基于本体 RDF图的匹配概念拓展算法，将用户意图查询的概念进行进一步进 行概念拓展生成概念拓展集，最终由基于排序模型对查询到的概念拓 展集和快照统计表之间匹配的概念相关度得分进行计算并排序，得以 确定最终查询结果。

本实施例的基于本体的工程数据关键字检索方法解决了语义混 淆的缺点，对用户意图查询的概念进一步拓展使得匹配检索得到的结 果相较于传统检索方法的更为精准，在工程数据检索的领域具有很大 意义。

上述实施例仅用于举例说明本发明的具体实施方式，而本发明不 限于上述实施例的描述范围。