宋代是中国传统文化与学术发展的鼎盛时期, 其时诸家并起、百家争鸣, 王国维亦称“宋代学术, 方面最多, 进步亦最著”^[1]。南宋文哲朱熹在中国思想史上第一次提出了“道统”之说, 学术传承的梳理自此成为儒家学术发展的重要话题, 一直延续至今。

中国历代人物传记资料库(China Biographical Database Project, CBDB)^[2], 收录了中国各朝代人物及人物关系, 为研究我国传统社会提供了重要的数据参考。CBDB数据库中宋代时期的数据包含6万余条人物基本信息和百万余条人物关系信息, 其中学术关系达82种, 亲属关系多达479种, 体量庞大且缺乏概念整合的数据为用户的理解和查询带来困难。此外, CBDB以关系型数据结构建模存储, 致使多人物间的间接关系查询处理较为复杂, 制约了深层的知识发现和可视化应用的开发。

本文以CBDB数据库中的宋代人物为研究对象, 应用知识图谱对宋代人物间的师承关系数据进行语义化描述, 并以可视化方式呈现。语义化过程将“面向关系”转化为“面向对象”, 每一位人物的属性和关系都可以看作一个独立的数据单元, 由此能够更便捷地实现多人物多层次的关系查询, 同时人物关系的语义化定义也为基于知识图谱的语义推理和查询建立了基础。

随着文献处理技术和文本、图像分析能力的进步, 数字人文领域在国内外迅猛发展, 并得到越来越多的关注。目前针对中国历史文化的数字人文研究多处于数字化及数据构建阶段^[3]。在数据建设方面, 出现了一批面向中国历史数据的数字系统及数据库, 例如中国历代人物传记资料库(CBDB)从非结构化的文献中提取元素并以关系型数据库组织存储; 中国历史地理信息系统(CHGIS)^[4]、中华文明之时空基础架构(CCTS)^[5] 等整合时空概念, 并结合GIS工具提供分析手段。这些数据资料的建设为人文领域学者的研究带来极大便利。在数据分析方面, 多数研究基于非结构化文本展开, 按照研究问题大体可以分为两类:

(1) 第一类为针对文本挖掘算法的研究, Liu等^[6]关注于古文本文献信息的实体抽取和挖掘分析, 尝试利用语言模型和CRF模型从古文原文中抽取实体并补充至CBDB数据库中; 王东波等^[7]以部分先秦时期文献为语料, 对其中的人名、地名、时间等实体进行内部数量统计和外部特征分析, 并构建特征模板进行测试。

(2) 第二类研究借助文本挖掘技术对文本内容展开分析, 例如欧阳剑^[8]开发了统计分析平台, 实现对大规模古籍文本的特征提取和统计分析; 还有研究更加聚焦于特定话题, Allen等^[9]利用主题模型分析汉典古籍中的话题和词语分布, 并着重讨论了“阴阳”的演化; Nichols等^[10]将“遥读”与“细读”相结合, 利用主题模型对比孔子、孟子与荀子著作的词语分布。此外也有研究直接将数据分析建立在结构化处理后的数据上, 例如严承希等^[11]基于CBDB中的人物政治关系数据, 利用社会网络分析的方法解读宋代党争关系, 探究宋代政治格局。

应对人文领域数据内涵多样、数据关系繁杂的特点, 知识图谱的方法逐渐被应用于人文数据。一部分研究者关注于利用本体组织特定问题中的概念和关系, 为知识、实体、事件建立具备逻辑内涵的描述体系, 例如Kyvernitou等^[12]提取美术品的抽象审美特征构建了女性内容表达本体; Huang等^[13,14]基于文本驱动的方法从中国唐代诗歌和宋代诗人苏轼的作品中提取概念并构建关于动植物实体的本体。还有研究者和研究机构着眼于以“关联数据”组织大规模开放数据, 建立关联数据平台及分析工具^[15,16]。

以语义化的方式组织某一领域中来源多样、数量巨大、结构复杂的数据是整合领域知识的常见手段^[17,18]。例如欧洲生物信息学学会(European Bioinformatics Institute, EMBL-EBI)开发的EBI数据平台^[19]通过复用本体将ChEMBL、BioModels等6个数据库中的数据以关联开放数据的形式发布, 并为所有RDF数据提供SPARQL检索的端口^[20]。与之相似的, Linked Science^[21]平台所维护的巴西亚马逊热带雨林关联数据^[22]记录了热带雨林的森林退化率及相关观测信息, 为相关研究提供了数据支持。

在数字人文领域, 知识图谱平台通常在数据存储管理功能的基础上集成数据探索工具^[23,24], InPhO^[25]项目建立了哲学本体并通过平台提供可视化交互; 上海图书馆依托其丰富的华人家谱资料建设了家谱关联数据服务平台^[26], 支持对家谱信息的语义检索和基于时空的可视化查询。国内的关联数据应用平台还包括“华东师范大学方志库”^[27]、“唐诗别苑”^[28]等。

为有效组织数据并呈现人物学术关系, 本研究遍历了从数据处理、组织到应用的完整过程, 全部建构工作可以分为4个层次: 概念层、本体层、语义数据层和应用层。概念层的工作为知识图谱的需求解析, 包括对相关文献资料的调研以及结合数据库底层架构的概念分析; 本体层结合CBDB数据库架构和公用本体概念完成本体设计; 语义数据层实现基于本体的数据处理和数据转化; 应用层旨在为用户提供便捷的知识图谱应用, 以可视化的方式展示知识图谱的结构并提供数据检索入口。各层次间的工作流如图1所示。

宋代学术师承本体的实体构建以人物为核心, 围绕“时间”、“空间”和“人物”三个维度构建本体结构。为了增加本体的可读性和普适性, 本体构建中尽可能多地复用已有本体, 定义及复用列表如表1所示。

知识图谱中的关系定义基于CBDB数据结构, 对其中的部分关系进行概念整合和重定义。

CBDB中人与人之间的关系分为两类: 社会关系与亲属关系。社会关系包括社会关系(笼统)、学术关系、朋友关系、政治关系、著述关系等10类, 该10类关系与其下的小类共同形成社会关系的树状等级列表。总计462种社会关系, 13万余条关系数据。在整合和处理社会关系时发现以下问题:

(1) 数据库中的关系名称直接提取自原材料, 因此存在关系名称不同但概念相同的情况, 例如“为···之弟子”与“为···之学生”均表示师生关系, 需在本体中统一;

(2) 时代变迁或应用场景的不同导致同一个关系名可能具有多种关系含义, 如“政治关系”与“学术关系”下均包含“批评”关系, 需予以区分;

(3) 由于体系设计的视角不同, 且CBDB数据库中的社会关系结构存在概念重合的现象, 与学术传承相关的关系可能分散在多个社会关系中。例如 “学术主题相近”中的“论学”关系与“学术交往”中的“指教”关系在某种程度上也可被归入“学术交往”和“师生关系”类, 需在本体关系设计时进行整合;

(4) 为了明确主被动关系, CBDB对大多数关系做了双向定义, 例如“指教······”与“被······指教”等, 在生成本体数据时需要剔除冗余信息。

面向宋代学术师承关系, 本研究仅提取社会关系中的学术关系, 并尤其关注“学术关系类”下的“师生关系”与“学术交往”类目。通过对10种“师生关系”和30种“学术交往”关系的语义辨析, 将学术关系分为学术师承与学术交往两类。学术师承关系要求关系人双方在学术领域具有比较明确的传承和教授的关系, 学术交往意味着关系双方在学术层面有一定的交流或影响。在学术师承关系下, 又根据师生双方的教学关系, 进一步细分师生关系、指教关系与传承关系。

考虑到宋代文人家学传承与学术发展的密切关系, 本研究将亲属关系引入学术师承知识图谱。CBDB数据库中的亲属关系包含历史资料中具有亲缘或抚养关系的信息, 关系类型共479种, 关系数据48万余条。

亲属关系处理过程中需要解决的问题有:

(1) 数据中存在大量含义重复或相互包含的关系, 例如“子”与“三子” , 又如“同父异母姊妹”与“同父异母姊”。

(2) 一些关系名称包含的信息对本研究的本体构建没有意义, 例如“唯一幸存的儿子”。因此需要基于以上问题进一步清理CBDB中的亲属关系, 使其更加简明清晰。

参考schema: Person词表中关于亲属关系的属性定义, 本研究将所有亲属关系划分为两个大类: 直系亲属关系与非直系亲属关系。直系关系包括父母、配偶、子女、兄弟姐妹、同父异母姊妹、继女等, 每一个直系关系均有唯一的本体关系与其对应, 例如schema:spouse代表配偶关系; 而非直系关系, 例如三世祖、侄女、叔伯等, 统一以“kv:relative”表示。

除人物类间关系外, 知识图谱中还包括人-地关系, 如出生地(kv:birthplace)、祖籍地(kv:nativeplace); 地-地关系即政治区域划分等。最终生成的知识图谱中共包括5个类, 39个关系, 各关系描述及数量如表2所示。

基于前面知识图谱构建工作, 在应用层设计了宋代学术语义网络平台(http://dh.kvlab.org/cbdb_kg/), 旨在借助可视化方法描述宋代学术关系知识图谱的基本结构, 并实现对数据的可视化检索。

本文应用知识图谱组织和呈现宋代的学术师承和亲属关系, 所构建的语义化网络为历史学相关问题的研究提供了直观、高效、易用的新工具。一方面本体和关联数据的构建过程对CBDB数据库的关系整合和知识图谱建设具有借鉴意义; 另一方面, 本研究所开发的宋代学术语义网络平台达到了实用水平, 能满足宋代人物学术关系的查询和知识发现, 为历史研究者和爱好者检索并了解历史人物间的复杂关系提供了新的视角和方法。

本研究的关注点在于学术师承的关系发现, 但用户可以基于平台中整合的数据和关系自主发掘其他主题的信息, 例如某一个家族的人物关系等。目前的数据范围为CBDB数据库中的宋代数据, 关系限于学术传承关系和亲属关系。未来可探索CBDB中其他学术与社会关系的本体化和语义化, 并开发集成化可视化查询界面, 满足深层次的知识浏览和知识发现需求。