面向學科領域的學術文獻語義標注框架研究

海量的學術文獻為科研工作者的研究帶來了困難。語義標注是實現學術文獻的快速閱讀和知識的快速獲取的基礎，因此，本文旨在構建一個面向學科領域的學術文獻語義標注框架，以規(guī)范和豐富學術文獻的標注體系。本文從三個方面進行了研究：一是學術文獻標注本體的構建，二是學科領域本體的構建，三是標注本體與領域本體的關聯實例。本文從學術文獻內容定位、概念關聯、方法流程標注及引文標注幾個方面給出了標注的實例。

1 引言

20世紀80年代起，隨著互聯網及計算機軟硬件的發(fā)展，數字出版的基礎設施逐步發(fā)展成熟，數字學術出版物應運而生，而隨之帶來的是數字學術出版物在數量上呈現爆發(fā)式增長。2015年《STM報告：科技及學術期刊出版概述》指出：截至2015年，CrossRef數據庫包含超過7100萬個DOI號，Google學術索引了1億～1.6億的學術資源(包括期刊文獻、書籍和灰色文獻)，Web of Science數據庫中包含了約9000萬條記錄；截至2017年9月，《中國學術期刊(網絡版)》共收錄接近5000萬篇中文學術文獻。在這種背景下，學術交流產生了重大的變革。

研究者可以從網絡文獻數據庫中獲取到大量的學術文獻，這為研究者的研究工作提供了非常好的基礎，但同時如此大體量的資源為學術工作的展開也帶來了困難。首先，新概念的產生或者新涉足某一領域時，研究者需要學習大量的已有知識才能跟上現有的研究進展。而且，研究者的時間是有限的，獲取到的文獻越多，分配到單篇學術文獻閱讀的時間則相應減少，Tenopir等[1]的研究就證實了這一假設研，研究者閱讀文獻不再是閱讀全文，而是獲取感興趣的內容進行閱讀：研究者通過瀏覽許多文章的部分來尋找、評估和利用一系列的信息[2]，這種閱讀方式也被稱作碎片化閱讀。因此，第一個問題就是如何快速定位到文章的有用部分。另外，學術文獻中的知識元存在大量的關聯性，如引文關聯、相關概念等，如何組織這些相關的知識元是研究者面臨的第二個問題。

因此，Renear等[3]提出了“策略閱讀”的概念，采用學科本體來表示及鏈接科學數據可以提高研究者閱讀學術文獻的效率，即需要利用學科本體對學術文獻中的相關內容進行語義標注(Semantic Annotation)。語義標注就是將本體或元數據中的概念與資源建立聯系的一個過程。其中，語義標注的核心是學科領域本體，本體最廣泛的定義是“本體是概念模型的明確的規(guī)范說明”[4]，它可以靈活地定義事物結構，以元數據的模式，提供概念受控詞表，每個概念都包括一個明確定義的機器可理解的語義，且概念與概念之間的關聯也顯式地進行了定義，這樣的結構能夠讓計算機進行推理應用。

學術文獻的語義標注就是借助領域本體，將學術文獻中的相關內容與本體中的知識元(概念或關系)進行鏈接，當讀者需要獲取文獻中知識元對應的描述時，可以借助語義本體從對應的知識庫中進行獲取。例如，Textpresso[5]就是一個與本體關聯的數據挖掘系統(tǒng)，它所包含的學術文獻集依據本體中的術語分為了33個類別，用戶輸入一個或多個標記或關鍵詞集合就可以定位到學術文獻中特定的句子，并可獲取本體中詞對應的含義，支持語義查詢。預先對學術文獻的結構、內容或引文信息進行標注后，讀者可以通過這些標注信息快速定位到文章的部分內容實現“策略閱讀”。

目前，已有一些研究針對資源語義標注框架提出了標注本體的概念，標注本體旨在針對學術文獻提出一個規(guī)范的本體框架，進而采用標注本體中的概念對學術文獻的內容進行標注。目前已有的標注本體有PAV[6]、PROV-O[7]以及AO[8]本體等。其中，PAV本體用于獲取數字科技資源的出處、作者以及版本信息，用以區(qū)別資源被獲取、轉換以及消費的過程；PROV-O是W3C小組制定的用于統(tǒng)一資源交換的本體；AO本體提供了用于標注生物醫(yī)學領域科技文獻的概念及關系。

但是，現有的研究主要集中在標注本體的制定上，而如何對學術文獻進行標注的研究比較少。為了實現學術文獻的語義標注，首先需要明確學術文獻所包含的知識元類型，在繼承已有標注本體的基礎上構建一個面向學術文獻標注的標注本體，除了包含學術文獻的一些標準元數據信息(作者、創(chuàng)建者、創(chuàng)建時間)以外，還包括了學術文獻中的主題、發(fā)現、方法論等；其次，需要構建一個與某一學術領域相關專業(yè)術語的領域本體，包含該領域的概念及概念間的關聯；最后，要將學術文獻中的內容與本體中的概念一一對應，從而可以通過標注信息實現文獻的快速瀏覽，也可以通過URI對相應概念做進一步了解。

因此，本文旨在構建學科領域學術文獻語義標注框架，提出適用于學術文獻語義標注的標注本體，以及針對學術文獻具體內容(如引文信息、內容信息等)進行語義標注的方法。本文提出的學術文獻語義標注框架也是實現文獻語義檢索的基礎，通過語義標注，給予機器可以理解的語義，讓使用者更方便更有效地利用學術文獻，另外，提出的學術文獻標注本體，可以被其他標注本體進行繼承和擴展，具有較高的實踐價值。

2 相關研究

2.1 學術文獻語義標注方法相關研究

學術文獻標注主要有兩種方法：一是社會標注，研究者在學術文獻閱讀過程中使用輔助閱讀或管理的軟件進行標注；二是采用機器自動進行學術文獻的標注。

社會標注，即folksonomies，目前已有一些面向學術文獻的標注軟件，如Utopia、Mendeley，這些軟件可以自動獲取到文章的一些元數據信息，如題名、作者、摘要、DOI、URL等，也可以獲取讀者的統(tǒng)計數據以及讀者對文章內容的標注。這類軟件有利于資源的分類和組織，標簽可以提升檢索效率，也促進了以同一興趣標簽的社交網絡生成。但是社會標注有一些缺陷，不同的表達、詞的歧義、不同粒度，都為標簽的共享和重用帶來困難。

機器學習方法進行標注可以減少人工標注的成本。Boella等[9]提出了一種結合語言學及機器學習的方法來進行語義標注，語言學方法主要依賴于POS標注以及句法分析，再將這些元素轉化為特征集，采用支持向量機來對文本進行語義標注。段宇鋒等[10]結合樸素貝葉斯和弱監(jiān)督學習方法Bootstrapping來迭代學習和標注中文物種領域的文本。Vidal等[11]提出了一種基于圖的方法來對e-Learning領域的教學資源文檔進行標注，每個相關術語鏈接到本體中的子圖，這一擴展過程中，排除與文檔主題不相關的信息，因而有一系列本體子圖標注文檔，最后取這些本體子圖的交集作為文檔的語義標注。

2.2 學術文獻元數據或標注本體相關研究

目前，針對資源描述出現了一些元數據以及標注本體。

都柏林核心元數據適用于描述和管理數字資源及館藏資源，包括題名、創(chuàng)建者、主題及關鍵詞、說明、出版者等15個廣義元數據。PROV本體(PROV-O)是針對不同系統(tǒng)不同內容生成的信息進行表示、交換或集成的本體，由W3C小組開發(fā)、管理和維護。PAV本體是用于獲取網絡資源的出處、作者以及版本信息的本體。標注本體(AO)是與標注相關的本體，包括評論、實體標注(或語義標注)、文本標注(經典標記)、筆記等用于部分或全部電子文檔(文本、圖片、聲音、表格等)的標注信息。SWAN[12]本體描述了艾滋海默癥領域的知識，它作為一個知識支撐系統(tǒng)能夠有效地支持艾滋海默領域研究，并且它與SIOC本體進行了本體對齊，為不同粒度級別的科學論述的表示提供了一個完整的模型。

SPAR本體是用于描述出版領域的本體，它為語義出版和引文提供了一套可以機讀的RDF元數據集，包括文檔的描述，文獻目錄識別，引文的類型和相關內容，書目引文，文檔的部分及狀態(tài)，個體的角色及貢獻，文獻計量學數據及工作流程。SPAR本體包括下述子本體：FaBiO是用于描述出版或者潛在出版實體的本體；CiTO是一種引文本體，用來描述引文的特性及類型，并允許標注者標記引文鏈接和引用意圖；BiRO是用于描述書目記錄及參考文獻的本體；C4O是用于描述參考文獻引文的本體，如文本內部參考文獻指針、文本被引用文獻引用的次數等；DoCO提供了文檔結構元素的詞表，如段落、節(jié)或列表等；PSO是用于描述文件出版狀態(tài)或者出版過程中不同階段的出版實體的本體，如提交、審稿中、拒稿、接收等；PRO是用于描述個體出版過程中(如作者、編輯、評審等)的角色的本體；PWO[13]是用于描述出版實體在出版過程中的步驟的本體，如文章在審稿中、印刷、發(fā)表等；DEO為文件中的修飾元素提供了一個結構化的詞表，如引言、討論、致謝、參考文獻列表、附錄等；SCoRO是用于描述學術貢獻及角色的本體；FRAPO是用于描述研究項目信息的本體，如撥款申請、資助機構、項目合作者等；BiDO是用于描述文獻數據中數字和分類的模塊本體，如期刊影響因子、作者H-指數、研究類型分類等；Five*是描述網絡期刊文章中五種屬性的本體。

對于描述學術資源的數據的規(guī)范，學術文獻語義標注本體可在繼承現有元數據和標注本體的基礎上加以擴展。

2.3 學術文獻內容提取相關研究

目前，一些研究針對學術文獻中的元數據元素、文獻結構以及引文的提取提出了方案。

Constantin等[14]設計了基于規(guī)則的系統(tǒng)PDFX，利用設計的規(guī)則和特征集進行了元數據的抽取以及標注文本片段。Kovriguina等[15]研究采用規(guī)則和模板匹配的方法從會議文獻中提取元數據。

Tkaczyk等[16]主要采用啟發(fā)式規(guī)則及支持向量機方法實現了基本結構抽取，采用支持向量機以及簡單的規(guī)則進行元數據抽取，采用支持向量機及條件隨機場模型實現了引文抽取。Han等[17]研究了采用支持向量機進行學術文獻元數據(包括題名、作者、作者機構、作者地址、致謝、版權、引文、Email、出版時間、摘要、引言、聯系方式、關鍵詞、URL、程度、出版號、頁面范圍等)的抽取，該方法通過預測類標簽進行迭代收斂來提升分類效果，再通過查找每行的塊邊界來進行元數據抽取。另一個采用支持向量機的學術文獻元數據抽取方法是等[18]提出的CRIS系統(tǒng)。

引文內容是學術文獻中引用的與之相關的資源。等[19]采用線性條件隨機場實現了參考文獻字符串的抽取。目前的研究主要是基于規(guī)則、模板和一些學習方法，但是這些方法主要是基于領域內一些手工提取的特征，為了突破這一限制，An等[20]探索了采用序列標注的深度神經網絡模型進行引文元數據抽取。

2.4 相關研究綜合述評

目前，針對學術文獻或學術資源進行語義標注的研究主要還是基于人工標注的方法，通過設計標注軟件或網頁，利用社會標注方法來對學術文獻進行標注，這類標注方法目前僅對學術文獻的一些信息(如關鍵詞、作者信息、題名等)作淺層標注，并未涉及針對學術文獻進行語義標注。相關研究主要集中在對標注本體的設計、學術文獻中一些信息(包括關鍵詞、結構信息等)進行機器自動抽取的研究。而如何實現對學術文獻的語義標注，即如何將學術文獻中的內容與領域本體進行語義關聯，目前的研究較少涉及，因此，本文提出了學術文獻的語義標注框架。

3 學科領域語義標注框架

整個學術文獻的標注流程如圖1所示，本文提出一種適合手工標注與機器自動標注的學科領域語義標注框架。整個語義標注流程如下：首先，計算機按照標注本體或者元數據對文獻中對應項進行讀取并預處理，抽取出對應的信息，將計算機確定的條目(如期刊信息、作者、題名等)抽取結果存入知識庫；其次，針對標注本體中的一些復雜項(如文獻主題、關鍵詞、研究問題、解決方案等)，計算機將領域本體中的概念或關系與對應的抽取項進行關聯，并將抽取結果提交給專家(或用戶)選擇標注；有文獻閱讀需要的用戶在閱讀文獻后，可以利用標注工具對文獻中的某些標注項進行標注，對計算機的抽取結果進行篩選，最后標注工具將用戶的標注結果提交到知識庫。

圖1 語義標注流程圖

其中，知識庫包括本體庫、標注元數據以及文獻語義標注后的知識，知識庫可以輔助機器對文檔的自動標注與標注人員的手工標注。本體庫中包含標注本體和學科領域本體，例如生物醫(yī)學領域已有較多的本體，在本體標注時可以借助已有本體進行使用，然后其他一些領域并不具備這種條件，沒有已構建好的本體，因此，需要采用本體自動構建技術對該領域進行構建。

為了實現學術文獻的語義標注，整個語義框架完成實現以下內容：

(1)面向學科領域的學術文獻，從獲取目前已有的元數據和標注本體出發(fā)，整理學術文獻相關的概念和屬性，構建標注本體。

(2)構建學科領域本體，獲取學術領域的專業(yè)術語及關系。

(3)將學術文獻中標注中的標記與學科領域本體中的概念關聯。

3.1 標注本體設計

3.1.1 標注本體設計的目標

標注本體是為了描述需要標注的對象(即學術文獻)中的元素、結構等信息，包括學術文獻中的一些元數據，如題名、作者等；學術文獻中的一些科學論述，如陳述、假設等；學術文獻中的結構元素，如章、節(jié)、段落等；學術文獻中的引文信息，如引用次數，引用文獻等；某個領域的學術文獻中的概念(專業(yè)術語)與關系。

3.1.2 標注本體中的元素

本文的標注本體繼承了一些已有的本體(SPAR本體、FOAF、OA等)，并在此基礎上進行了擴展。標注本體主要包含以下幾類概念及屬性：

(1)學術文獻相關的個體(Agent)：包括學術文獻在撰寫、出版過程、檢索利用中相關的人、機構及軟件。

(2)學術文獻相關的實體(Entity)：不同種類的學術文獻，學術文獻中的科學論述以及學術文獻中的結構部分，學術文獻參考文獻記錄及引文信息。

(3)與學術文獻相關的活動(Activity)：如撰寫、修改、提交、印刷等活動，以及與這些活動相關的時間節(jié)點或時間區(qū)間。

圖2展示了學術文獻標注本體的概念層級結構。

3.1.3 學術文獻相關的個體

在學術文獻中，有一些個體作為參與者，如人、軟件、組織及機構。針對這些元素，我們繼承了部分FOAF中的類，以一篇期刊文獻來舉例，可獲取文獻的作者，其在引用另一篇期刊文獻時，被引的文獻中包含的作者姓名也可被獲取，這些作者都作為FOAF本體中Person類的實例存在。

3.1.4 學術文獻相關的實體

1)學術文獻的種類

本文對學術文獻的種類進行了分類并總結，不同類型的學術文獻的撰寫規(guī)范、包含元素、結構、內容不一致，本文主要將學術文獻分為：書籍、文章、報告、會議文章等13個大類，并在此基礎上又進行細分，例如，文章又可以分為綜述類文章、新聞類文章、雜志文章以及期刊文章。本文的學術文獻類型繼承了Fabio本體中的一些概念，其概念層次關系如圖3所示。

圖2 學術文獻標注本體包含的概念

圖3 學術文獻類型的概念層次關系

2)學術文獻的科學論述及結構元素

學術文獻的科學論述元素是指單篇學術文獻所提的觀點，在國外稱為scientific discourse，包括斷言、提出問題、假設、支持的證據以及它們之間的論證關系，每個科學論述元素可以與學科領域本體或者社會標注中的術語或者斷言進行鏈接。斷言在學術文獻中通常指一些主觀性比較強的言論，例如對某個術語下的定義。提出問題通常是一個研究或者實驗開展的主題。學術文獻中的參考文獻及引文就為科學論述元素提供支持的證據。

學術文獻中的結構元素是組成學術文獻的部分，包括引言、背景、相關研究、方法、討論、數據等期刊學術文獻的結構，也包括前言、后記、附錄等書籍修飾部分，以及章節(jié)、段落、句子等學術文獻粒度。

為了本體的共享和重用，上述的元素繼承了doco本體、deo本體以及fabio本體，其主要概念層次關系如圖4所示。

圖4 學術文獻中的科學論述及結構元素圖

3)學術文獻參考文獻及引文元素

通常情況下，學術文獻中的參考文獻通常是與當前文章相關的研究，或者為學術文獻中的論述提供證據。關于參考文獻及引文元素主要包括參考文獻集合描述、引用行為(其屬性包括引用意圖及情感傾向)以及引文計量。

關于參考文獻及引文的集合、記錄、列表等元素繼承自biro本體中的概念及屬性。

根據學者引用文獻的意圖可以將引用行為分為：作為權威描述引用、作為數據源引用、作為證據引用、作為潛在方案引用、作為推薦閱讀引用、作為相關文章引用、作為原始文檔引用、作為信息源引用等幾類。根據學者引用文獻時對文獻的情感傾向，可將引用行為分為：同意、不同意、認為正確、批判、嘲諷、奚落、駁斥這幾類。這些概念及屬性繼承自cito本體中的一些概念及屬性。

關于引文計量的概念及屬性，如總被引次數，主要繼承自c4o本體。

3.1.5 學術文獻相關的活動

與學術文獻相關的活動主要包括學術文獻創(chuàng)造、加工、修改、使用過程中相關的活動，繼承PROV本體中的Activity類。這些活動主要有作者生產、提交、修改、接受、退回、出版、預印本發(fā)布、發(fā)行、撤回、勘誤等，主要繼承自Fabio本體。

3.2 學科領域本體構建

為了將學術文獻中的專業(yè)術語與學科領域本體中的概念相關聯，首先需要構建學科領域本體，該領域本體中包含的概念是某一學科領域中的專業(yè)術語，這些術語也可以是領域詞表中的術語轉化而來，本節(jié)介紹一種學科領域本體半自動構建方法。

(1)定義需要獲取學科的范疇，收集該學科領域相關的本體、詞表，考慮復用的可能。

(2)獲取領域內的術語：首先確定領域內術語的類型，如任務、方法、工具、資源這幾個類別。收集領域內的語料，對語料進行文本轉化、去噪、分詞(英文語料包括詞根化)、詞性標注等預處理。結合語言學、統(tǒng)計學或機器學習方法自動地從語料中抽取術語，語言學方法需要按照領域內術語的規(guī)律提煉出詞性模板，機器學習方法首先需要獲取用于抽取術語的特征。最后抽取出領域內的術語。

(3)獲取術語間的等級關系：首先定義一些等級關系的規(guī)則模板(例如，A是一種B，則A是B的子類)，從網頁或語料中獲取到等級關系概念對，再利用基于圖的方法獲取等級關系圖模型，最后利用圖剪枝方法去除冗余的關系。

(4)獲取術語間的非等級關系：針對領域內的知識，定義術語間非等級關系的類型(如部分-整體關系)；再到語料中獲取具有非等級關系的三元組，采用統(tǒng)計學方法判定非等級關系三元組中概念對、動詞與概念對之間的關聯程度，取閾值內的非等級關系三元組；再提取特征，采用機器學習的方法判斷提取三元組的類型。

最后對生成的本體進行評價，或者重復上述過程。

4 學術文獻語義標注實例

學術文獻的語義標注可以是手工標注或是機器自動標注，無論是采用何種標注方法，均是對學術文獻或者其中某一部分，添加注釋或者進行語義鏈接。本節(jié)針對學術文獻中語義標注的常見類型進行區(qū)分，并給出學術文獻語義標注的實例。

根據OA本體[21]中的規(guī)定，標注實例可以描述為類oa:Annotation的成員(實例)，包含標注主體(oa:hasBody)以及標注對象(oa:hasTarget)。針對標注實例，可以添加相關描述，如標注者、創(chuàng)建時間等，標注者是FOAF本體中Person類的實例，如圖5左部分所示。同時，可以對標注動機進行描述，本文繼承了OA本體中的oa:motivatedBy，這些動機有評論、描述、分類、鏈接、標注等。

標注對象是指學術文獻語義標注實例中需要進行標注的對象，可以是整個學術文獻或其部分。學術文獻的部分可以是學術文獻中的論述元素、某個結構部分甚至是一個句子、一個詞語。例如，圖5中右圖采用OA本體中的片段選擇器指示到PDF學術文獻中的部分片段；又如，文本類型的文檔，可以定位到文本中的某個位置的字符中間的片段或者某個具體的詞，如圖6所示。

圖5 學術文獻標注本體標注實例示意圖

圖6 學術文獻標注對象位置選擇及詞定位示意圖

標注主體是標注本身，可以是一個文本類型的注釋，如圖5左部，還可以對標注主體進行描述，如文本方向、標注目的、語言、標注類型、值等。除了針對學術文獻進行注釋以外，還可將學術文獻的部分與領域本體或社會標注中的概念或專業(yè)術語進行關聯。將文章的術語、論述元素、結構片段或者全文鏈接到領域本體或者社會標注中的一個術語或概念。例如，圖7左部分將學術文獻與領域本體中的一個主題詞術語進行了關聯，表明該術語是學術文獻的主題詞，右部分將學術文獻中的術語與領域本體中的一個概念進行了關聯。

對學術文獻的方法流程進行語義標注時，本文將其作為流程類的一個實例，繼承pwo本體中的相關概念及屬性，流程中所含的步驟單獨標出作為步驟pwo:Step類的實例，如圖8所示。

在對學術文獻的引文進行標注時，標注實例中標注主體為引用文獻指向被引文獻的引用，文本內的引用指針作為標注對象。標注學術文獻中引文的情感時，繼承cito本體中的類和屬性，標注主體為文本，采用類cnt:ContentAsText進行描述，標注對象是類cito:CitationAct的實例，如圖9所示。

圖7 學術文獻中術語與領域本體或社會標注中的本體鏈接示意圖

圖8 學術文獻中方法流程的標注概念及屬性示意圖

圖9 學術文獻中引文標注相關的概念及類示意圖

5 結論與展望

針對學術文獻進行語義標注是將學術文獻中有意義的單元進行語義化組織的過程，有利于實現學術文獻“策略閱讀”的目標。為了實現學術文獻語義標注，本文從三個方面來進行研究：一是研究學術文獻的知識類型、結構等信息，在繼承現有的標注本體元素的基礎上構建了學術文獻語義標注本體；二是獲取學科領域的專業(yè)術語和關系，構建領域本體；三是將標注本體、領域本體中的概念與學術文獻中的知識元相關聯，并且本文針對學術文獻標注過程中的片段選擇、概念關聯、方法流程及引文標注等內容給出了語義標注實例。

本文提出的學術文獻語義標注本體可由各類使用者(包括科研人員、讀者、期刊編輯等)進行學術文獻標注，標注后的數據可以采用一些本體查詢語言(如SPARQL)或者一些推理機(如SWRL)進行查詢或推理應用，該標注本體繼承了現有的本體類和關系(如AO本體、SPAR本體等)，具有可擴展性。此外，本文提出了學科領域本體自動構建的方法，能夠實現領域專業(yè)術語及其關系的自動抽取。

實現學術文獻的語義標注不僅包括標注本體、領域本體的構建，還需要針對學術文獻中的知識元進行獲取，將其與標注本體、領域本體中的概念及關系進行對應?，F有的方法主要采用用戶手工標注的形式，在未來的工作中，我們將研究學術文獻中知識元的自動抽取進而實現機器自動語義標注。并解決領域本體體量過大時，利用本體模塊化的思想來自動標注學術文獻。此外，我們將擴展學科領域本體并開發(fā)與學科領域語義標注的系統(tǒng)，方便科研人員快速有效地利用學術文獻和獲取領域知識，以便實現學術領域的知識共享。