云计算是继分布式计算、网格计算之后的一种新兴计算模式, 在互联网上它经常表现为提供动态更新的虚拟化资源的服务。云计算也是一种重要的技术趋势, 被认为可以重塑IT技术并改变IT市场^{[ 1]}。在云计算的环境下, 高速、安全的分布式存储技术以及高效的计算模式都被广泛运用, 这使得诸如领域本体编辑这样需要一定自动化技术、需要不同人员协同工作的任务有了新的发展可能性。大规模的本体协作编辑包括概念的提取、概念质量的控制、概念间关系的发现、概念等级结构的建立等一系列操作, 都可以在这新的环境下建立新的模式。

领域本体被认为是在传统的知识组织系统之外, 用于描述和组织网络资源的有效手段。但领域本体的构造需要大量的领域专家的参与, 领域本体的规模和发展速度受到了限制。为了扩大领域本体规模并可以与时俱进地扩展更新, 很多学者提出了提高领域本体建设自动化程度、利用普通大众创造的语料并集成筛选、专家之间远程协作创建本体等方法来优化领域本体构建的流程。其中, 形式概念分析(Formal Concept Analysis, FCA)因其在各个领域的通用性以及较高的自动化程度而被广泛研究。

FCA是由Wille在1982年提出的数学理论^{[ 2]}, 是一种利用形式背景与概念格的数据分析理论, 是从一些对象与其性质导出概念体系和正式本体的方法^{[ 3]}。它从语料出发, 定义对象、属性、关系从而定义形式背景, 利用形式背景产生概念之间的偏序关系和概念格, 构建概念的层次体系与Hasse图, 经过最终的调整与形式化描述形成领域本体。

FCA的方法直观易行, 而在其基础上出现了多种基于FCA构造本体的方法, 包括Cimiano法^{[ 4]}、GuTao法^{[ 5]}、Haav法^{[ 6]}以及Obitko法^{[ 7]}。Cimiano方法利用语料的动宾结构形成对象-属性关系对, 利用其构造概念格。GuTao法提出了本体构建的循环反馈思想, 利用FcaTab插件以及ConExp工具创建本体。Haav法提出了本体的逻辑推理, 包括概念和关系的映射过程。Obitko法设计了从空集不断添加对象属性并构造概念格的方法, 较为系统地展现了基于FCA的领域本体从无到有的构建过程。除本体构造的方法外, 国外对于FCA在本体研究、软件工程、知识发现、Web语义检索的应用有较多研究^{[ 8]}, 国内则对于FCA与Folksonomy的结合^{[ 9]}、FCA在本体构建中的应用^{[ 10]}等多方面开展研究。

虽然上述本体构造方法利用了FCA的思想并结合循环反馈、用户交互的理念实现了一定的半自动构建领域本体, 但构建本体参与的人群较少、过程较为机械, 构建的本体也较为简单, 质量有限, 较难被共享和重用, 在现有的环境下也无法有效进行并行计算、实时更新和多人协作, 因而需要新的模式对其加以改进。

FCA构建本体的第一步需要将大量的语料经过自然语言处理之后形成较为可靠的形式背景, 以达成领域知识的汇集。在云环境下, 领域本体构建主要可以使用的较为可靠的语料包括: 领域相关的文章专著、领域词典的说明词条、在维基百科等平台上领域相关的词条解释、已有的可参考的领域本体及词表等。这些语料或具有较好的结构, 或与领域知识有极为密切的联系, 在领域本体构建过程中都有较为重要的参考价值, 而提供语料的工作并不太困难, 可以由较低权限的用户完成这一过程。

上述这些不同类型的语料处理方式均有所不同: 领域本体与词表本身就有明显的结构, 只需要通过转化工具便可以自动形成相应的形式背景; 维基百科和词典词条则需要将词条内容用自然语言处理工具切词标注, 将领域相关的词汇取出作为属性, 而将词条描述的词汇作为对象, 加入到形式背景当中; 领域专著则需要标示文章的主题内容后, 根据主题词和自然语言分析结果确定形式背景。不同语料的处理方式如图2所示:

图2

	Figure Option ViewDownloadNew Window
	图2 云环境下的领域知识汇集

经过上述方法的处理, 异质信息源的大量领域相关信息集中在形式背景这一巨大的矩阵中实现存储。而为了克服矩阵规模过大的问题, 除了传统的各种数据清洗和矩阵压缩外, 还需对矩阵进行索引并切分矩阵, 在云计算环境下保留多个副本方便系统分布式调用大矩阵的内容。而且切分后的局部形式背景还可以提供给普通用户进行判断, 删除其中不合理的对象-属性对, 进一步优化矩阵的内容, 为后续步骤提供较为准确的形式背景。

在建立形式背景之后, 需要利用造格算法计算出概念格。概念格说明了概念与概念之间的偏序关系, 再根据这种偏序关系, 可以整理出概念与概念之间的等级关系, 并进一步由用户与专家判断决定概念的留存, 未命名但比较特殊的概念是否需要单独命名, 等级关系是否需要保留等一系列问题。

在云计算的环境下, 由于形式背景矩阵被划分并分布式地存储于不同节点, 造格算法在计算概念格时考虑利用MapReduce框架。首先, 在Map阶段各个节点根据本地的局部形式背景计算局部的概念格, 然后通过Reduce进行全局的概念格的合并。其中, Map的过程主要涉及矩阵划分, 利用行列的置换将矩阵中互相关系较为密切的行列重新排列到一起并划分到同一子矩阵, 使各子矩阵数据充实, 避免稀疏性问题。在Reduce的过程中, 主要需要处理概念之间的多重继承问题。由于多重继承是否正确往往需要人为判断, 在云计算框架下, 计算机应该自动将所有继承关系合并到同一概念格中, 若继承关系计算时发生冲突, 以继承关系出现次数的多少选取合适的继承关系, 从而形成统一的初步的概念格为后续的人为的概念格调整打下基础。除此之外, 由于形式背景会随着语料的增加而有所变化, 还需要考虑增量式地增加形式背景的对象和属性, 以及随之而来的概念格的增量式变化, 如图3所示:

图3

	Figure Option ViewDownloadNew Window
	图3 基于Map-Reduce的形式背景划分与概念格形成过程[ 11]

经过造格的过程, 系统得到了带有层次结构的概念格, 可以使用可视化工具^{[ 12]}将概念格可视化为Hasse图, 并将Hasse图划分出较小的可以展示的分支, 供用户与领域专家共同编辑。具体造格与可视化过程如图4所示:

图4

	Figure Option ViewDownloadNew Window
	图4 云环境下的概念格的形成与转化

经过造格运算和可视化后的概念体系依旧有非常多的计算机无法自动解决的问题, 以及大量需要调整的错误, 拥有较高权限的用户和领域专家需要根据现有的Hasse图进行改动。改动的内容主要包括概念的调整、等级关系的调整以及非等级关系的添加。

经过造格运算后的概念格中包含大量的概念, 这些概念中有些具有完全相同的外延与内涵, 这需要拥有较高权限的用户和领域专家判断这些概念是否真的完全相同。如果完全相同, 则需要删除重复的概念, 若并不相同则需要提供可以区别二者的反例, 用以重新构造概念格, 将两个概念加以区分。与此同时, 概念格中还存在一些没有具体对象的概念, 这些概念是一些拥有共同属性的对象的集合的上位概念, 但没有具体的名称, 这需要拥有较高权限的用户判断是否为这些新发现的概念命名, 若不需要则删去节点, 否则就需要添加一个新的对象及其实例。

在调整完概念后, 需要对概念之间的关系进行调整。首先要调整的是层次关系(上下位关系)。由于概念格中的偏序关系有时会因为实例不够而出现错误, 使得一些原本并列的概念因为缺乏用以区分二者的属性而成为了上下位的概念, 也有可能因为属性过于庞杂使得原本较为直接的上下位关系, 变成较为间接的上下位关系, 而这些错误都需要借助拥有较高权限的用户和领域专家进行修正。具体的修正操作包括删除不必要的上下位关系, 为平级的概念添加区别二者的属性形成上下位关系, 对不正确的关系添加更多的反例予以修正。

在层次关系调整之后, 由于FCA对非层次关系的发现并不足够, 需要借助其他方法挖掘非层次的关系。这些非层次关系挖掘方法既包括自动的方法, 如文献[13]中提到的基于关联规则挖掘的方法, 也包括由专家和用户识别出来的概念之间的关系。一般说来, 非层次关系越是丰富, 本体的可用性和复用价值就越大, 因而在概念格塑造的基础上继续添加非层次关系对于构建可用的本体意义重大。

对于上述三种基于概念格的概念、关系的调整, 在云环境下可以由用户和专家协作完成。具体的协作方法则是先由拥有较高权限的用户在线对概念、关系进行修正, 修正可以同步完成, 拥有较高权限的用户有权更改权限较低用户的更改并同步更新, 而权限相同的用户可以更改不同的本体保留多个复本。在用户更改完后, 由领域专家对修改的结果进行评定, 采纳一部分用户的更改结果并将本体修正最终确定下来, 同时领域专家需要给不同用户的工作打分, 并总结用户的表现, 赋予用户不同的权限, 便于在下次本体编辑的过程中, 水平较高态度更为认真的用户获得更高的权限, 进而产生一种激励机制, 鼓励更多用户参与到领域本体构建工作。具体过程如图5所示:

图5

	Figure Option ViewDownloadNew Window
	图5 云环境下的领域本体结构调整

经过上述的反复调整后, 领域本体初步形成。此时需要利用本体的描述工具以及描述语言, 将概念与关系描述出来。描述语言可以选择OWL语言的多个版本, 而描述工具可以选择Protégé、OntoEdit等较为有名的本体描述工具。在已有的云平台上, 也可以调用这些描述工具的接口或利用Jena这样较为成熟的本体编程环境开发程序, 将调整后的概念格转化为形式化的本体。在这一过程中, 领域专家可以对转化的结果进行检查, 判断是否还有需要调整的地方。具体过程如图6所示:

图6

	Figure Option ViewDownloadNew Window
	图6 云环境下的领域本体描述

在得到最终的领域本体后, 随着语料的增加, 形式背景与概念格的变化, 最终的领域本体每隔一个周期就要进行更新, 将新鲜的术语和新添加的关系加入本体当中, 更新的周期视语料的增长速度而定。此外, 最终的领域本体也可以作为形式背景生成的语料, 反馈到本体构建之初的形式背景构造的过程, 从而使得领域本体构建成为不断自我更新完善的循环过程。

电影是公共数字文化资源领域深受广大群众欢迎的一类视频资源, 基于本文所述领域本体的协作模式, 以构建电影本体为例, 说明本体协作构建模式的操作过程:

(1) 提供原始语料阶段。在云计算环境下, 由拥有较低权限的用户通过互联网提供与电影有关的文本, 主要以不同电影的介绍、不同电影的影评为主。在拥有文本后将每段文本描述的电影作为对象, 而将自然语言处理工具处理得到的关于电影的信息作为属性, 构建形式背景。

(2) 语料分布处理阶段。当电影文本的规模较大时, 形式背景矩阵已经无法单机存储进行处理, 这时候云计算节点便发挥作用, 可使用矩阵划分的算法将形式背景划分为众多小部分, 在不同计算节点上存储不同的电影信息并定期增量更新。而当需要进行造格运算时, 再将矩阵进行压缩合并, 构造概念格并利用可视化工具绘制出Hasse图。

(3) 概念协同优化阶段。当绘制出的Hasse图成长到一定规模时, 云计算环境下的拥有较高权限的用户会对概念图进行协同优化。通过网络, 会分配给每位用户Hasse图的一个部分, 让高权限用户对自己负责的局部概念格进行调整, 删除没有描述意义的属性, 如类似“镜头”“场景”等不具有描述意义的词, 并调整概念结构, 这些可以由不同的用户和专家完成, 而调整的结果则由领域专家检验、讨论并确定最终的领域本体。

(4) 本体交付阶段。通过上述自动化的转换过程, 逐步生成了用本体语言进行描述的检验后的概念结构, 并由领域专家监督转换过程确定最终付诸使用的电影领域本体。

电影本体构建过程如图7所示:

图7

	Figure Option ViewDownloadNew Window
	图7 电影本体构建示例