义原驱动下领域本体模型动态更新

Dynamic Updating of Domain Ontology Model Driven by Semantic Primitives

摘要

针对部分静态本体不能满足领域知识的动态更新需求与系统化表示的问题，提出一种义原驱动的本体模型构建与更新方法。首先，运用通用信息抽取（UIE）技术与依存句法分析技术，分别获取事件集合与成分三元组集合；其次，采用词性标注与名称相似性计算方法，对两组集合中特定元素判断词性与名称相似性，得到触发词匹配集合、事件论元匹配集合与未匹配集合；再次，义原相似度被计算以提取集合中候选词与辅助词集的公共义原，通过度中心性计算对义原排序，选择最合适义原作为预选的新增本体；最后，借助Protégé本体构建工具，以城市信息和地理兴趣点两个不同本体模型为例进行动态更新，验证了方法的有效性、鲁棒性与通用性。

Abstract

Aiming at the problem that some static ontologies cannot meet the dynamic update requirements and systematic representation of domain knowledge, a semantic primitives-driven method for ontology model construction and update is proposed. Firstly, by using universal information extraction (UIE) technology and dependency syntactic analysis technology, the event relation set and the component triplet set are obtained respectively. Secondly, by using the methods of part-of-speech tagging and name similarity calculation, the part-of-speech and name similarity of specific elements in the two sets is judged to obtain the matching set of trigger words, the matching set of event arguments and the unmatched set. Then, the similarity of semantic primitives is calculated to extract the common semantic primitives of candidate words and auxiliary word sets within the set. These primitives are then sorted through degree centrality calculation, and the most suitable ones are selected as the preselected new ontology. Finally, with the aid of the Protégé ontology construction tool, dynamic updates are carried out by taking two different ontology models of urban information and geographical points of interest as examples, verifying the effectiveness, robustness and universality of the method.

Graphical abstract

关键词

领域本体 / 本体更新 / 义原 / 知识抽取 / 相似度

Key words

domain ontology / ontology updating / semantic primitives / knowledge extraction / similarity

本体（Ontology）概念源于哲学领域，表示对客观事物的系统描述。而在计算机科学和信息科学领域中，本体被视为一种特殊类型的术语集，它通过对某一领域知识进行高度抽象，形成概念模型的形式化规范说明^[1]。义原是所有词语概念中最基本、不可继续分割的最小语义单位，是构成概念描述的核心部件，HowNet便是一个包含数千个义原的精细语义描述体系^[2]。通过本体对相关概念、属性和关系进行逻辑描述与组织，可以实现对知识信息的共享与重用。但在实际操作中，面对不断增加的海量知识，静态本体已逐渐无法满足领域知识的更新与系统化表示需求。因此，需要建立一套能够在垂直领域进行知识本体建模与动态更新的方法，从而解决相关人员对所需领域知识的个性化搜索推荐和隐含知识的推理需求。

近年来，学者们在实现垂直领域本体的构建与更新方面做出了诸多研究。张婉晨等^[3]在已有的本体模型基础上，通过音形码与字符相似度结合的匹配算法实现对原本体模型的动态更新；李墈婧等^[4]通过定义军事领域的形式背景，构建了一套随着信息变化自动更新的面向军事领域的本体构建技术，实现本体概念的自动更新；王恒等^[5]提出了基于形式概念分析构建制造业动态本体知识库的思路与方法，证明了该方法相较于传统的本体构建方法，准确率与执行速率均有所提升；Shen等^[6]提出了一种改进的事件本体建模方法，通过分析事件的特征和关系，构建出矿山安全领域的本体语义网络，为矿山安全知识的表示、检索和推理提供了重要支持；文献[7]提出了一种概念抽取方法，利用半自动本体构建工具定义自闭症趋势分析领域内的主题及其名称，通过将文档自动分配给相应的主题，以支持动态本体构建过程中所需概念和关系的提取与发展；Single等^[8]通过自然语言处理方法与Web技术，从化学事故数据库与网页通告中提取或抓取结构化的事件条目信息，半自动地创建并填充到预定义的本体结构中。上述研究表明，目前各垂直知识领域本体的构建与更新均有了一定的进展，但仍存在限制本体更新的数据格式、难以选取更精细化的词语概念描述实体、动态化更新的本体结构需人工参与等问题。

义原作为最小的语义单元，可近似对词语本身的概念进行描述。通过义原推荐排序方法在非结构化的文本数据中选取最符合当下语义背景的词语的义原，可视为词语对抽象本体的映射。据此本文提出了一种基于相似义原的领域本体模型构建与更新方法。首先，通过通用信息抽取（Universal Information Exteraction, UIE）模型与依存句法分析技术，对初步构建的本体进行事件抽取与成分三元组提取，以获取语料中存在的事件关系集合；在此基础上，计算集合中元素的名称相似性得到各成分相似匹配集合；结合义原相似性和度中心性等计算方法与辅助词集，通过义原计算得到在各匹配集合映射的本体结构，并筛选未被初始本体模型收录的部分；最终对本体模型进行扩展与优化。基于该领域本体模型构建与动态更新方法，能够扩充本体更新时数据源类型，在非结构化语料中自动抽取实体，使得本体更新结果更加完善；以义原作为本体更新的基础词汇，能够提高被更新本体的精细化程度，同时通过度中心性计算确定新增的本体词汇，减少人工参与的过程，提高更新效率。

1 本体模型构建及义原的相关概念

1.1 本体模型构建基本流程

领域本体作为垂直领域的形式化概念体系，是对专业类知识图谱标签的抽象映射，在实现资源语义的精确描述、逻辑推理、系统间互操作性以及机器自动识别等关键过程中起到了至关重要的作用^[9]。

目前，骨架法、TOVE法、Methontology法、七步法等是被广泛采纳且具标志性的本体构建技术^[10]。本文对这些方法的优势与局限进行比较，最终选定七步法来构建初始本体模型。同时，采用业界广泛认可的Protégé本体构建工具，Protégé软件具备可扩展、模块化设计、易操作、支持逻辑推理与多本体语言等特点，适合作为领域本体语义网构建的核心开发工具^[11]。

本文使用网络本体语言（Web Ontology Language, OWL）作为本体描述语言，严格遵守“清晰性、一致性、适用性、可扩展性”的基本原则^[12]，依据以下七步法流程对本体进行构建：1）明确构建目的，确定本领域的边界和范畴；2）收集现有本体并考查可复用性；3）列出重要本体术语并规范整理；4）定义类和类的层次体系；5）定义类的属性；6）定义属性的分面；7）创建本体实例。

1.2 “词语—义项—义原”关系网络推荐框架

HowNet是一个揭示概念与概念、概念与属性间关系的语言资源数据库，旨在为自然语言处理（Natural Langure Processing, NLP）提供语义知识支持，它在语义相似度计算^[13]、文本分类^[14]等领域都有广泛应用。在HowNet中，对概念的处理并非简单地将每个概念映射到树状概念层次体系中对应的节点，而是通过具有特定含义的义原作为最小单元描述义项的语义特征。义项作为词语（上位）与义原（下位）之间的关联，对词语的各类概念进行了详尽的刻画与系统的表述，最终从下至上编织成一个层次分明、组织严密的树状义原层次架构，即“词语—义项—义原”关系网络。

因此，当期望寻找词语在语料语境中最相符的语义时，便可通过“词语—义项—义原”树状关系网络，发现词语的概念并为其推荐相关义原，如图1所示，“\left.\mathrm{a}\mathrm{p}\mathrm{p}\mathrm{l}\mathrm{e}\right|苹果”一词拥有多个义项，一个义项又可以由一个或多个义原来表示^[15]。

2 领域本体模型动态更新

本体构建是一个典型的语义分析过程，本体更新即在本体构建的基础上，将新发现的本体结构增加到初始本体模型中的过程^[16]。

本文使用UIE事件抽取模型、依存句法分析技术与Protégé工具，通过词性标注对比、名称相似度、义原相似性、度中心性等计算方法，实现了本体模型的动态更新，具体流程如图2所示。

域本体模型动态更新方法可分为以下3个部分：1）知识抽取与成分匹配。原始语料通过UIE抽取框架与依存句法分析技术，分别得到事件关系集合<触发词，事件论元>与成分三元组<主语，谓语,宾语>。判定两个集合中相应元素的词性和名称相似度，根据计算结果作为划分不同匹配集合的依据。2）义原相似性判定。引入辅助词集对候选词进行辅助判定义原依次计算候选词与辅助词在义原层面的义原集合相似度，寻找公共义原；若词汇不存在义原又频繁出现，则定义词汇的义原为其本身。3）义原排序与本体更新。对公共义原计算度中心性并排序，选出最可能作为语义背景下该词的义原，并将该词所在三元组集合映射为新的本体结构，得到更新后的新本体模型。

2.1 领域信息知识抽取与成分匹配

UIE框架知识抽取得到事件关系集合U={触发词|事件论元}，依存句法分析得到成分三元组集合P={主语，谓语，宾语}。对P中标注为主语成分的实体与U中的触发词或事件论元，根据所在的原文段落进行词性标注并判断词性，若词性相同则计算名称相似度，根据相似度计算结果分为3种匹配结果集合：主语成分与触发词匹配集合E₁、主语成分与事件论元匹配集合E₂={主语:事件论元，谓语，宾语}、其他集合E₃。对E₁中宾语成分与事件论元部分进行词性判定与名称相似度计算，若三元组中宾语成分与事件论元同样相似，表明E₁中该子集所包含的关系映射出的本体结构已存在于现有本体模型中，剔除后得到新的宾语成分未与事件论元匹配集合E₄={主语:触发词，谓语，宾语}。

2.1.1 UIE模型事件抽取

本体模型更新的关键环节之一是进行知识抽取。知识抽取的目标是运用NLP技术，从非结构化或半结构化数据中提取出知识信息^[17]。

UIE框架整合了实体抽取、关系抽取、事件抽取等多种任务，具有开箱即用、多场景适配的特性。UIE模型在处理具有复杂语义关系的非结构化语料时有较好的性能表现，能够保证语义信息的完整性。以语句“太古地产行政总裁彭国邦在2023年宣布将‘成都远洋太古里’更名为‘成都太古里’”为例，UIE总体框架与知识抽取方式的任务处理过程如图3所示。

在利用UIE技术进行实体事件抽取时，抽取规则为{[spot]触发词[asso]事件论元[text]文本}。其中：触发词按照构建的初始本体模型中各级父节点的顺序依次遍历选取；事件论元则对应所属节点下各个本体子节点；文本内容为选取补充信息语料。最终得到所抽取的事件关系集合U，如式1所示。正式来说，UIE将SSI(s)和文本序列(x)作为输入，并生成一个SEL(y)：

\begin{array}{l}y=\mathrm{U}\mathrm{I}\mathrm{E}\left(s\oplus x\right)=\mathrm{U}\mathrm{I}\mathrm{E}\left(\left[s_{\mathrm{1}},s_{\mathrm{2}},\cdots ,s_{|s|},x_{\mathrm{1}},x_{\mathrm{2}},\cdots ,x_{|x|}\right]\right)=\\ \mathrm{U}\mathrm{I}\mathrm{E}\left(\left[\left[\mathrm{s}\mathrm{p}\mathrm{o}\mathrm{t}\right],\cdots ,\left[\mathrm{s}\mathrm{p}\mathrm{o}\mathrm{t}\right],\cdots ,\left[\mathrm{a}\mathrm{s}\mathrm{s}\mathrm{o}\right],\cdots ,\left[\mathrm{a}\mathrm{s}\mathrm{s}\mathrm{o}\right],\cdots ,\left[\mathrm{t}\mathrm{e}\mathrm{x}\mathrm{t}\right]\right.\right.,\end{array}

\left.\left.x_{\mathrm{1}},x_{\mathrm{2}},\cdots ,x_{\left|x\right|}\right]\right)（1）

式中：s=[s₁, s₂, …, s_|s| ]是结构化schema指导器；x=[x₁, x₂, …, x_|x| ]是文本序列；y=[y₁, y₂,…, y_|y| ]是SEL序列；[spot]，[asso]，[text]用于组织结构化模式前缀，[text]后为待抽取语料。

2.1.2 依存句法分析

依存句法分析（Dependency Parsing, DP）作为一种深入探究语言内在结构的手段，其主要目的是梳理出句子中各个成分之间的依赖性，揭示句子的句法结构，进而挖掘富含语义信息的三元组结构，如表1所示。

“主谓关系”反映了句子的核心动作与执行者之间的联系，“动宾关系”揭示了动作与受动对象之间的相互作用，“并列关系”表明了连接与前面的协调连接词之间的关系，“定中关系”则是体现名词短语内部属性与被修饰实体之间的从属联系。

本文采用哈尔滨工业大学开发的语言技术平台（Language Technology Plantform, LTP）作为技术支持，实现对非结构化文本中三元组的有效提取。三元组P以{S, R, O}形式表达，其中：S和O分别代表句子中的主语成分与宾语成分；R是连接主宾之间的谓语成分。

2.1.3 基于元素名称相似度的匹配集合判定

为避免领域术语歧义对匹配结果的影响，本文对集合元素进行词性对比以实现语义消歧。LTP除能够进行依存分析外，还可用于词性标注，对UIE抽取到的事件关系集合U、依存分析得到的成分三元组P所在的原语句进行词性标注，保证E₄与U的每个元素都能在原始语境中词性标注正确。当词性判断相同后，再计算元素名称相似度进行匹配。

在判断名称相似性时，本文使用了一种相似度算法加权融合计算的方法，对三元组P中标签为主语成分与事件关系集合U中的触发词或事件论元进行名称相似性匹配。

方法参考了余弦相似度（Cosine Similarity）与莱文斯坦距离（Levenshtein Disatance）的算法特性，在保证计算一些英文或中英文混杂的字符串时能够良好适用的同时，又尽可能避免了字符串的先后语序带来的影响。

余弦相似度是通过度量两个向量之间角度的余弦值来衡量两个个体的相似程度，该算法并不需要考虑字符串的先后语序问题。莱文斯坦距离通过计算将源字符串m转换成目标字符串n使用的最小编辑操作次数评估相似性程度。元素名称相似度S_name由余弦相似度S_c与莱文斯坦距离相似度S_L加权所得，各计算公式如下。

S_{\mathrm{c}}=\frac{\mathit{A}\cdot \mathit{B}}{‖\mathit{A}‖‖\mathit{B}‖}=\frac{{\displaystyle \sum _{i=\mathrm{1}}^n}{\mathit{A}}_i{\mathit{B}}_i}{\sqrt[]{{\displaystyle \sum _{i=\mathrm{1}}^n}{\mathit{A}}_{\mathit{i}}^{\mathrm{2}}\sqrt[]{{\displaystyle \sum _{i=\mathrm{1}}^n}{\mathit{B}}_{\mathit{i}}^{\mathrm{2}}}}}（2）

S_{\mathrm{L}}=\mathrm{1}-\frac{L(m,n)}{\mathrm{m}\mathrm{a}\mathrm{x}(\mathrm{l}\mathrm{e}\mathrm{n}(m),\mathrm{l}\mathrm{e}\mathrm{n}(n))}（3）

S_{\mathrm{n}\mathrm{a}\mathrm{m}\mathrm{e}}={\omega }_{\mathrm{c}}\cdot S_{\mathrm{c}}+{\omega }_{\mathrm{L}}\cdot S_{\mathrm{L}}（4）

式中： A 、 B 为计算相似度的两个向量；L(m, n)为将m转换成n使用的最小编辑操作次数；len(m)、len(n)为m、n的字符长度；ω_c、ω_L分别为余弦相似度与莱文斯坦距离相似度的权重值。

2.2 基于义原相似度的辅助词判定

义原更新策略是将E₂、E₄中每个元素最符合语义环境的义原，映射为本体子节点并更新到相应本体结构下。然而一个词语往往对应着多个义原，这导致在为词语选择正确的义原属性时存在困难。

词语的表述基于概念定义，一个词语对应多个概念，概念又由义原组合描述^[18]。因此本文引入辅助词集与词语义原集合相似度计算方法，辅助词集来源于原始语料中的所有实体，为触发词匹配集合与事件论元匹配集合中的宾语候选词提供在相似概念下的另一解释。在同一语义背景下，义原词集相似度越高，意味着两个词的概念越相似，则表明两组词汇可以视为等价词，在进行本体映射时，可将这类词汇合并后用义原代表其本身新增至原有本体。由此便将概念相似度计算转化为义原相似度计算。判断E₂、E₄集合中每个候选词与辅助词的义原集合相似度，继而再通过对它们的公共义原进行度中心性估量，完成义原推荐排序。

借助OpenHownet计算已匹配集合中候选词语X₁与辅助词X₂之间的义原集合相似度HownetDict.calculate_word_similarity(X₁，X₂)，将超过阈值的词组计入词语匹配集合W。词语义原集合相似度l_sim由关系相似度R_sim与义原相似度S_sim加权计算所得，各计算公式如下。

R_{\mathrm{s}\mathrm{i}\mathrm{m}}=\frac{\sum _{(c_{\mathrm{1}},c_{\mathrm{2}})\in M}\mathrm{s}\mathrm{i}\mathrm{m}\left(c_{\mathrm{1}},c_{\mathrm{2}}\right)+\delta \cdot \left(\left|U{M}_{\mathrm{1}}\right|+\left|U{M}_{\mathrm{2}}\right|\right)}{N-\left|M\right|}（5）

S_{\mathrm{s}\mathrm{i}\mathrm{m}}=\mathrm{s}\mathrm{i}\mathrm{m}\left(c_{\mathrm{1}},c_{\mathrm{2}}\right)=\frac{\alpha }{d+\alpha }（6）

l_{\mathrm{s}\mathrm{i}\mathrm{m}}={\beta }_{\mathrm{r}}\cdot R_{\mathrm{s}\mathrm{i}\mathrm{m}}+{\beta }_{\mathrm{s}}\cdot S_{\mathrm{s}\mathrm{i}\mathrm{m}}（7）

式中：c₁和c₂分别代表节点1和节点2的子节点；N是节点1和节点2两个节点的子节点的总数；\left|M\right|是匹配的子节点对数；\left|U{M}_{\mathrm{1}}\right|和\left|U{M}_{\mathrm{2}}\right|分别是节点1和节点2中未匹配的子节点数；δ是未匹配子节点的惩罚系数；d表示两个义原在义原树中的距离；α是一个可调参数；β_r和β_s是计算权重。

2.3 义原中心性排序与本体动态更新

利用词语义原集合相似性的计算，为候选词找到概念相同义原集合相似的辅助词。为确保候选词能在两词的义原集合中找到最符合的义原，本文引入了度中心性与义原排序的概念。依据义原节点的权重计算方法，对两个词的义原树中的公共义原进行加权计算度中心性后，依据结果从大到小对义原进行排序，选取结果最高的义原作为该候选词的本体，并将该词所在的三元组集合映射为新的本体结构，以实现本体模型结构的动态更新。

在“词语—义项—义原”关系网络中，义原的重要性可以通过中心性的度量方法进行评估，中心性衡量义原网络中节点和边的重要程度，度中心性（Degree Centrality）是网络分析中最基础的中心性衡量方法。一个节点的节点度越大，其度中心性也就越强，表明该节点在网络中的地位越为关键。度中心性计算如下：

D_i=\frac{k_i}{N-\mathrm{1}}（8）

式中：k_i 表示现有的与已选节点i相连的边的数量；(N-1)表示节点i与其他节点都相连的边的数量。

根据每个义原节点的度中心性结果排序，得到了触发词匹配集合E₄与事件论元匹配集合E₂中候选词的推荐义原集合。推荐义原集合中度中心性最高的义原词语将作为该候选词的本体映射，匹配集合中的每一个候选词e_i 被转化为本体结构中的类或属性。

其中，E₄对应的本体结构被映射至集合中触发词所在的本体节点下，映射规则即触发词的本体节点—关系（谓语）—特征词最推荐义原为本体节点；E₂对应的本体结构被映射至集合中事件论元所在的本体节点下，映射规则即事件论元的本体节点—关系（谓语）—特征词最推荐义原为本体节点。最后对更新后的本体结构进行复核，确保没有冲突和冗余。

3 实验验证

本体动态更新能够精确地反映特定领域的知识结构，是维护数据准确性和相关性的关键。本体动态更新算法设计需秉持鲁棒性与通用性原则，以便适应不同领域和场景的需求。因此，本文设计了城市信息领域与兴趣点领域两个本体模型，对义原驱动下的领域本体动态更新方法分别进行鲁棒性、通用性验证，为知识管理的持续发展和优化提供了强有力的支持。

3.1 城市信息本体模型动态更新与实现

3.1.1 初始城市信息本体模型

城市信息是指与城市相关的各类数据、知识和情报的集合，涵盖空间信息、经济数据、公共事件以及政策法规等多个层面^[19]。根据第1.1节中提出的本体模型构建流程，本研究选取城市信息领域作为本体更新对象，爬取各类政府或权威机构网站发布的网页，筛选后选取570条语料数据作为本体更新的数据支撑，依托目前已有城市信息领域本体与相关知识，构建初始城市信息领域本体模型如图6所示，后续将根据语料数据对其进行扩充更新。

3.1.2 城市信息本体模型动态更新

对获取的语料数据使用UIE技术进行实体关系抽取。以初始本体模型的各级父节点为UIE事件抽取的触发词T={管理机构，城市部件，活动事件，…}，父节点下的各子节点为事件论元A₁={(\left.T_{\mathrm{1}}\right|管理者，管理部门)，(\left.T_{\mathrm{2}}\right|城市功能区，城市属性)，(\left.T_{\mathrm{3}}\right|持续范围，开始时间，活动时间，地点)…}，A₂={(\left.T_{\mathrm{11}}\right|职务，办公电话，邮箱)，(\left.T_{\mathrm{12}}\right|办公电话，部门网址，办公地址)，…}，设置抽取标准Y={(管理机构：管理者，管理部门)，…，(活动事件：持续范围，开始时间，活动时间，地点)，…}。同样对语料数据进行依存句法分析，提取出语料数据中的三元组P，以某语料样本数据为例，处理结果如表2所示。经计算，余弦相似度权重值ω_c设为0.32，莱文斯坦距离相似度权重值ω_L设为0.68，名称相似度S_name判定阈值设为0.75，OpenHowNet的词语义原集合相似度l_sim判定阈值设为0.6，其中权重β_r、β_s分别设为0.3、0.7，义原的度中心性得分按照从大到小依次排序。

对事件关系集合U与三元组P中元素进行名称相似度匹配，得到分类结果E₁、E₂与E₃。对E₁中宾语成分与事件论元进行名称相似度计算，未匹配的结果为E₄，判断匹配集合流程如下：

1. E₁ = Ø, E₂ = Ø, E₄= Ø //初始化集合

2. FOR EACH ep IN EP DO

3. sim_trig = CALCULATE_SIMIL (sub, trig)

4. //计算主语与事件论元的相似度

5. sim_argu = CALCULATE SIMIL (sub, argu)

6. IF sim_trig >= THRESHOLD THEN

7. E₁ = E₁∪{eu} //添加到匹配触发词集合

8. ELIF sim_argu >= THRESHOLD THEN

9. E₂ = E₂∪{eu} //添加到匹配事件论元集合

10. //计算谓语与E₁事件论元相似度

11. FOR EACH ea IN et.EVENT_ARGUMENTS DO

12. sim_obj_argu= CALCULATE_SIMIL (obj, ea)

13. IF sim_obj_argu > THRESHOLD THEN

14. E₄=E₁ \ {et}

15. BREAK

16. RETURN E₁, E₂, E₄

引入辅助词集与E_t 、E_E 中的候选词判定义原集合相似度，找出相似概念的词组，计算公共义原的度中心性，选取中心度最高的义原作为该词的抽象本体，所在的三元组映射为新的本体结构并加入到初始本体模型中，复核并使用Protégé工具进行本体可视化。

与原模型相比，实验得到新增本体节点共49个，经人工核验正确节点为40个，模型更新算法正确率81.6%；使用余弦相似性判别算法进行本体更新的基线方法，共判断出新增本体节点56个，经人工核验，更新后本体存在多处相似重复节点，如“网址”与“网站”、“邮编”和“邮政编码”等具有相似义原的词语重复出现在本体中。经剔除后有34个新增节点符合更新要求，算法更新精准率为 60.7%。相较于仅使用字符相似度判别方法进行更新，本章提出的义原驱动下的本体更新方法能够有效合并概念相似的重复本体，具有一定的高效性与精确性。

相较于初始本体，更新后的本体模型新增“活动事件—发布渠道、活动事件—活动举办方”等4个二级子节点，“许可文件—公示时间、许可文件—公示渠道、决策部门—业务范围”等24个三级子节点，“商业区—人口密度、商业区—业务类型、商业区—区域范围”等12个四级结构，经动态更新后的城市信息领域本体模型结构更加精细准确，更符合实际需求，满足鲁棒性特点。将更新后的本体结构放入Protégé工具进行可视化，得到新的城市信息领域本体模型如图7所示。

3.2 兴趣点本体模型动态更新与实现

为验证研究方法在不同领域的通用性与准确性，选取地理信息领域中具有代表性的兴趣点数据进行本体更新，充分验证并表达现实世界中的知识动态变化。根据兴趣点结构化属性与相关经验设计了初始地理兴趣点本体模型，如图8所示。

实验方法同第3.1.2节，获取并筛选兴趣点相关的语料信息共计290条，设置UIE抽取标准R={(营业信息：营业时间，联系信息，人均消费)，(位置地址：详细地址，经度纬度)，…}，同样对语料数据进行依存句法分析，提取三元组P。

更新后本体模型加入至Protégé可视化工具，如图9所示。与初始本体相比，新本体模型增加二级子节点“位置地址—占地面积、营业信息—用户评分、扩展信息—平台名称”等5个，三级子节点“详细信息—社区、联系信息—网址”等4个，四级子节点“文化教育—大学、交通出行—火车站”等7个。这些新增节点的成功引入，不仅丰富了地理兴趣点本体模型的结构，增强了其表达领域知识的能力，同时表明本研究方法在不同领域具有通用性、普适性的特点。

4 结束语

借助词语概念能够通过相应的义原描述其语义特征的特点，提出了一种基于相似义原的领域本体模型构建与更新方法，通过元素名称相似度计算、义原相似性与度中心性判定等方法与Protégé本体构建工具，明确了本体层次结构与动态更新步骤，并在实际操作中，以城市信息领域与地理兴趣点领域为例，使用相关专业的结构化与非结构化数据，验证了基于义原驱动下本体结构动态更新方法的可行性、准确性、鲁棒性与适用性。该方法不仅能够提高信息处理的准确性和效率，还能为相关从业人员提供更加精准的数据支持。随着语料规模的增长，文中部分算法可能会带来较高的计算成本，在未来的研究中，可向算法轻量化方向继续研究，或通过具有强大语言理解能力的大模型，实现对语料中事件关系集合抽取与语义理解寻找义原，以期提高本体动态更新方法的有效性与灵活性，探索其在更多场景下的应用价值与现实意义。

参考文献

[1] JI S X， PAN S R， CAMBRIA E， et al. A survey on knowledge graphs： representation， acquisition， and applications［J］. IEEE Transactions on Neural Networks and Learning Systems， 2022，33（2）：494-514.

[2] 白宇，田雨，王之光，等.面向新词义原推荐的相似性判别方法［J］.中文信息学报，2024，38（1）：36-44.

[3] 张婉晨，郭黎，张毅，等.动态本体的知识图谱构建技术［J］.信息工程大学学报，2024，25（4）：417-422；498.

[4] 李墈婧，胡建军，吴迪，等.面向军事领域的动态本体构建技术研究［J］.现代防御技术，2023，51（6）：52-61.

[5] 王恒，杨淑群.基于形式概念分析的制造业动态本体知识库构建［J］.制造业自动化，2021，43（4）：136-140.

[6] SHEN Q， WANG Y. Application of event ontology construction method in the field of mine safety［J］. Applied Mechanics and Materials， 2014，614：102-106.

[7] MACEDONI LUKSIC M， URBANCIC T， PETRIC I， et al. Autism research dynamic through ontology-based text mining［J］. Advances in Autism， 2016，2（3）：131-139.

[8] SINGLE J I， SCHMIDT J， DENECKE J. Knowledge acquisition from chemical accident databases using an ontology-based method and natural language processing［J］. Safety Science， 2020，129：No.104747.

[9] 张茜.基于语义网的非遗元数据本体构建与可视化研究［J］.江苏科技信息，2024，41（17）：75-80.

[10] 李慧敏，刘新贵，闫旭强，等.领域本体构建与关系推理［J］.信息工程大学学报，2023，24（3）：321-327.

[11] 薛孟武，吴晓芳，黄振铭.面向电子对抗领域装备知识图谱的本体构建［J］.空天预警研究学报，2024，38（5）：331-335；341.

[12] GRUBER T R. Toward principles for the design of ontologies used for knowledge sharing？［J］. International Journal of Human-Computer Studies， 1995，43：907-928.

[13] 刘群， 李素建.基于《知网》的词汇语义相似度计算［J］.中文计算语言学，2002，7（2）：59-76.

[14] 程玉胜，梁辉，王一宾，等.基于风险决策的文本语义分类算法［J］.计算机应用，2016，36（11）：2963-2968.

[15] 崔卓，李红莲，张乐，等.一种融合义原的中文摘要生成方法［J］.中文信息学报，2022，36（6）：146-154.

[16] 黄振铭，吴晓芳，薛孟武.雷达知识图谱构建方法及应用［J］.空天预警研究学报，2024，38（3）：178-183.

[17] 陆青梅.基于语义分析的网络舆情研究［D］.武汉：武汉大学，2019：1-125.

[18] 孙润志，于放.基于《知网》的词语相似度计算方法［J］.计算机系统应用，2015，24（7）：155-158.

[19] 刘阳，付云洁，洪志佳，等.基于城市信息模型的大连市智慧城市建设［J］.测绘通报，2024（）：212-215.

基金资助

智慧地球重点实验室开放基金(KF2023ZD02-04)