基于知網義原信息量的詞語相似度的計算方法

　　基于知網義原信息量的詞語相似度的計算方法

　　摘要：國內利用知網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計和參數選取。根據信息論中計算兩個事物相似度的思想，利用知網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系的信息量和所有義原及其角色關系的信息量的比值來綜合計算詞語的相似度。實驗結果證明，該方法合理可行。

　　關鍵詞：義原信息量；角色關系；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，華北水利水電大學軟件學院助教，研究方向為自然語言處理；楊喜亮（1981-），男，河南鄭州人，碩士，華北水利水電大學現代教育技術中心助教，研究方向為智能信息處理。

　　0 引言

　　本文從整體性角度出發，給出一種基于義原信息量計算中文詞語相似度的方法。基于知網的分類體系（Taxonomy），將義原及其角色關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系，并依據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系的信息量和所有義原及其角色關系的信息量來綜合計算詞語的相似度。

　　1 知網義原信息量

　　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的概率。計算語料庫樣本空間中某個義原出現的概率很困難。知網作為一個以各類概念及關系為描述對象的知識系統，其分類體系本身可以看作是各個義原出現的一個樣本空間，那么僅依賴知網分類體系本身而不需其它語料庫，作為計算義原出現概率的樣本空間也是合理的。本文給出一種根據知網的分類體系來計算義原信息量的方法。

　　由義原組成的知網分類體系是一棵概念分類樹，在每類義原樹狀層次結構（以下簡稱為義原樹）中，根結點義原是分類類別，是最大的分類，其它義原都是根結點義原的子孫。可以認為，分支結點義原包含越多的子孫結點，其信息量越小。葉子結點是最小的分類，所有葉子結點的信息量是相同的。

　　在知網的知識詞典中，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：義原及其角色關系。

　　在詞語概念DEF的特性描述部分中，將義原及動態角色與特征（Event Role and Features）[9]的層次結構的組合稱為義原及其角色關系。

　　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層義原及其角色關系。

　　例如詞語“病菌”的一個概念：DEF={bacteria|微生物：domain={medical|醫}，modifier={able|能：scope={ResultIn|導致：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}”、“modifier={able|能 }”稱為DEF的第一層義原及其角色關系，其中包含兩個本層義原“medical|醫”和“medical|醫”；把“scope={ResultIn|導致}”稱為第二層義原及其角色關系，包含一個本層義原“ResultIn|導致”，將“result={disease|疾病}”稱為第三層的義原及其角色關系，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系中包含的本層義原信息量均為3.346，根據式（4）可得“病菌”的義原及其角色關系的總信息量為7.946。

　　1.3 共有義原及其角色關系的信息量

　　2 實驗結果及分析

　　綜合來看，本文方法的結果整體表現更加合理，能夠反映出詞語間語義的相似性和差異，與人的判斷結果比較一致，計算也簡單。

　　3 結語

　　基于知網義原信息量計算中文詞語相似度的方法根據信息論中計算兩個事物相似度的思想，利用知網的分類體系來計算義原信息量，并根據知網這一關系系統的特性，從保留義原間關系的角度出發，將義原及其角色關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。基于知網通過義原及其角色關系的信息量來綜合計算詞語的相似度，計算量較少，計算結果合理可行。在詞語相似度計算基礎上，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》的詞匯語義相似度的計算[C]. 臺北：第三屆漢語詞匯語義學研討會，2002，7（2）：5976.

　　[3] 董振東，董強，郝長伶.《知網》的理論發現[J].中文信息學報，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.改進的基于知網的詞語相似度算法[J].計算機應用，2011，31（11）：7590.