基于知網(wǎng)義原信息量的詞語相似度的計算方法
基于知網(wǎng)義原信息量的詞語相似度的計算方法
摘要：國內(nèi)利用知網(wǎng)計算中文詞語相似度通常采用基于義原距離的方法，這些方法依賴于公式設(shè)計和參數(shù)選取。根據(jù)信息論中計算兩個事物相似度的思想，利用知網(wǎng)的分類體系來計算詞語所包含的義原信息量，將義原及其角色關(guān)系的信息量作為詞語相似度計算的基本單位，通過計算兩個詞語的共有義原及其角色關(guān)系的信息量和所有義原及其角色關(guān)系的信息量的比值來綜合計算詞語的相似度。實驗結(jié)果證明，該方法合理可行。
關(guān)鍵詞：義原信息量；角色關(guān)系；詞語相似度；信息處理
中圖分類號：TP391
作者簡介作者簡介：李國佳（1986-），男，山西大同人，碩士，華北水利水電大學(xué)軟件學(xué)院助教，研究方向為自然語言處理；楊喜亮（1981-），男，河南鄭州人，碩士，華北水利水電大學(xué)現(xiàn)代教育技術(shù)中心助教，研究方向為智能信息處理。
0 引言
本文從整體性角度出發(fā)，給出一種基于義原信息量計算中文詞語相似度的方法�；谥W(wǎng)的分類體系（Taxonomy），將義原及其角色關(guān)系整體作為詞語相似度計算的基本單位，保留了描述詞語概念的各個義原間的關(guān)系，并依據(jù)信息論中計算兩個事物相似度的思想[4]，用兩個詞語共有義原及其角色關(guān)系的信息量和所有義原及其角色關(guān)系的信息量來綜合計算詞語的相似度。
1 知網(wǎng)義原信息量
1.1 義原信息量
其中，P（A）表示義原A在某個語料庫樣本空間中出現(xiàn)的概率。計算語料庫樣本空間中某個義原出現(xiàn)的概率很困難。知網(wǎng)作為一個以各類概念及關(guān)系為描述對象的知識系統(tǒng)，其分類體系本身可以看作是各個義原出現(xiàn)的一個樣本空間，那么僅依賴知網(wǎng)分類體系本身而不需其它語料庫，作為計算義原出現(xiàn)概率的樣本空間也是合理的。本文給出一種根據(jù)知網(wǎng)的分類體系來計算義原信息量的方法。
由義原組成的知網(wǎng)分類體系是一棵概念分類樹，在每類義原樹狀層次結(jié)構(gòu)（以下簡稱為義原樹）中，根結(jié)點義原是分類類別，是最大的分類，其它義原都是根結(jié)點義原的子孫�？梢哉J為，分支結(jié)點義原包含越多的子孫結(jié)點，其信息量越小。葉子結(jié)點是最小的分類，所有葉子結(jié)點的信息量是相同的。
在知網(wǎng)的知識詞典中，每個詞語由DEF來描述其概念。將DEF分為兩部分：主類義原和特性描述部分。
定義1：義原及其角色關(guān)系。
在詞語概念DEF的特性描述部分中，將義原及動態(tài)角色與特征（Event Role and Features）[9]的層次結(jié)構(gòu)的組合稱為義原及其角色關(guān)系。
定義2：主類義原。
在詞語概念DEF中，把描述詞語概念最左邊的第一個義原稱為主類義原，也稱為第0層義原及其角色關(guān)系。
例如詞語“病菌”的一個概念：DEF={bacteria|微生物：domain={medical|醫(yī)}，modifier={able|能：scope={ResultIn|導(dǎo)致：result={disease|疾病}}}}。在“病菌”的`DEF中，將“bacteria|微生物”稱為主類義原，其它部分是特性描述部分。在特性描述部分中，將“domain={medical|醫(yī)}”、“modifier={able|能 }”稱為DEF的第一層義原及其角色關(guān)系，其中包含兩個本層義原“medical|醫(yī)”和“medical|醫(yī)”；把“scope={ResultIn|導(dǎo)致}”稱為第二層義原及其角色關(guān)系，包含一個本層義原“ResultIn|導(dǎo)致”，將“result={disease|疾病}”稱為第三層的義原及其角色關(guān)系，包含一個本層義原“disease|疾病”，依次類推。
其中，I（pj）表示r所包含的第j個義原pj的信息量。
例如在詞語“病菌”的DEF中，每層的義原及其角色關(guān)系中包含的本層義原信息量均為3.346，根據(jù)式（4）可得“病菌”的義原及其角色關(guān)系的總信息量為7.946。
1.3 共有義原及其角色關(guān)系的信息量
2 實驗結(jié)果及分析
綜合來看，本文方法的結(jié)果整體表現(xiàn)更加合理，能夠反映出詞語間語義的相似性和差異，與人的判斷結(jié)果比較一致，計算也簡單。
3 結(jié)語
基于知網(wǎng)義原信息量計算中文詞語相似度的方法根據(jù)信息論中計算兩個事物相似度的思想，利用知網(wǎng)的分類體系來計算義原信息量，并根據(jù)知網(wǎng)這一關(guān)系系統(tǒng)的特性，從保留義原間關(guān)系的角度出發(fā)，將義原及其角色關(guān)系作為計算概念相似度的基本單位，更能全面反映詞語語義的相似性和差異�；谥W(wǎng)通過義原及其角色關(guān)系的信息量來綜合計算詞語的相似度，計算量較少，計算結(jié)果合理可行。在詞語相似度計算基礎(chǔ)上，進一步研究句子間相似度計算方法，則有待下一步研究。
參考文獻：
[2] 劉群，李素建.基于《知網(wǎng)》的詞匯語義相似度的計算[C]. 臺北：第三屆漢語詞匯語義學(xué)研討會，2002，7（2）：5976.
[3] 董振東，董強，郝長伶.《知網(wǎng)》的理論發(fā)現(xiàn)[J].中文信息學(xué)報，2007，21（4）：39.
[6] 夏天.漢語詞語語義相似度計算研究[J].計算機工程，2007， 33（6）：191194.
[8] 王小林，王義.改進的基于知網(wǎng)的詞語相似度算法[J].計算機應(yīng)用，2011，31（11）：7590.