32、语义信息检索：基于概念与领域关系的方法

语义信息检索：基于概念与领域关系的方法

1. 引言

在过去十年里，随着技术的进步，全球数字信息的数量持续增长。越来越多的数据在网络上发布，例如英文维基百科的文章数量如今已达到约400万页，而十年前仅为19700页。为了应对数据的爆炸式增长，搜索引擎技术有了重要的改进。然而，这些改进仍受限于关键词的使用，与“概念性”搜索的理念形成对比。在“概念性”搜索中，索引和搜索的基本元素是概念（代表一个单词或短语的含义），这种搜索范式通常被称为语义信息检索（SIR）。

利用语义来增强信息检索（IR）技术，突破基于关键词的搜索模型，是一个开放的研究课题，吸引了来自信息检索、知识表示与管理以及语义网（SW）等不同领域的众多研究人员的关注。由于该课题的研究视角多样，“语义搜索”这一表述在各种不同的任务中被使用。语义可以通过本体等形式化知识表示显式指定，也可以通过文本集合中单词的分布隐式推导（如潜在语义分析或显式语义分析）。如果使用本体，其使用方式通常取决于开发者是从SW还是SIR的视角出发。例如，在SW视角下，本体被用作可查询的知识库，将自然语言请求转换为SPARQL查询，直接在数据库中查找结果，这也可视为一种基于本体的问答（QA）形式；而在SIR视角下，本体被用作知识源，用于通过导航本体中的关系，用语义相关的概念扩展原始查询和/或文档中的概念。SIR系统还可分为针对网络或静态文本集合的系统。本文将遵循SIR视角而非SW视角。

2. 相关工作与贡献

在所有语义IR任务中，对文档中的概念进行标注是关键步骤。概念可以通过有监督或无监督方法自动识别，也可以由专家手动指定规则和/或关键词来识别。本体还可用于支持Phenote或Brat等标注工具。一旦在文本中识别出概念，就可用于以下任