计算本体以明确且可由机器处理的方式,描述某一领域中的实体类别、实体之间的关系,以及约束其解释的规则。它使软件系统不仅能够表示数据,还能表示赋予这些数据的部分含义。在计算机科学中,这一术语与本体的含义大体重合,但更强调形式化表示、计算应用,以及从模型中可以推导出的结论。
计算本体在知识表示与推理、语义数据集成以及多种人工智能技术中发挥着核心作用。例如,制造业本体可以区分机器、部件、生产过程和维护事件,定义这些类别之间的关系,并让推理系统识别出符合某种维护分类的设备,即使此前并未明确记录这些设备属于该分类。
本体既不是对现实的完整描述,也不一定代表人们对现实结构的普遍共识。它是在明确的假设下,为特定目的构建的一种表示。其有效性取决于预期含义、形式语义、所提供信息的质量,以及用于解释本体的计算服务之间的关系。
思想起源与历史发展
本体一词源于哲学,在哲学中涉及哪些事物存在,以及存在的事物归属哪些范畴。哲学对实体、属性、关系、事件和共相所作的区分,影响了后来的计算建模。然而,计算本体还有一项实际要求:这些区分必须以软件能够存储、交换、检查或用于推理的形式来表示。哲学论述可以在一定程度上停留于文字阐释,而可执行的知识模型则必须明确表达至少一部分自身所作的基本承诺。
计算本体的直接技术背景是二十世纪的符号人工智能。语义网络以节点和边表示概念及其关系,而框架系统则围绕对对象和情境的结构化描述来组织知识。马文·明斯基于1975年提出将框架用作知识表示的基本结构。罗纳德·布拉赫曼和詹姆斯·施莫尔策于1985年介绍的KL-ONE系统,推动确立了这样一种观念:表示语言应当具有精确定义的语义,并支持自动分类。这些发展促成了描述逻辑的兴起。
在20世纪80年代和90年代,知识共享研究日益注重将可复用的领域模型与各个程序的处理过程分离。专家系统往往将专门知识嵌入特定应用的规则中,导致这些知识难以迁移。本体工程致力于识别底层词汇及概念结构,使不同系统能够一致地解释信息。道格拉斯·莱纳特于1984年主持启动的Cyc项目,力求对常识知识进行广泛的表示。其他项目则侧重于范围较窄的科学或工程领域。
托马斯·格鲁伯于1993年将本体表述为“概念化的显式规约”,这一定义产生了广泛影响。后来的表述进一步强调形式化与共享性。在这一语境中,概念化是对某个领域的抽象描述,而不只是词语清单。规约意味着对相关概念、关系和假设作出足够清晰的表达,使其能够接受检验并得到实现。共享并不意味着所有潜在用户都必须认同,而是指参与的系统或社群拥有共同认可的基础,据此解释这种表示。
语义网的发展将本体研究与万维网的基础设施联系起来。与蒂姆·伯纳斯-李相关的研究工作,推动了采用全局标识的资源以及机器可解释的描述。万维网联盟于1999年将RDF确立为标准,随后分别于2004年和2009年将Web本体语言和OWL 2确立为标准。这些标准提供了共同的技术基础,同时并不要求所有领域都采用同一个通用本体。此后,本体逐渐成为科学资源库、企业信息系统和互联知识服务的组成部分。
概念结构与本体论承诺
计算本体通常包含类、关系和公理,也可以包含个体。类表示一个类别,例如泵、研究论文或化学反应。个体表示某个特定实体,例如某一台泵或某一篇出版物。关系连接实体,而数据属性可以将实体与字面值相连接,例如温度测量值或出版日期。公理陈述在本体的形式化解释下必须成立的条件。
子类关系按包含关系组织类别。如果每一台离心泵都是泵,那么离心泵就是泵的子类。这不同于实例断言:某一台已安装的泵是离心泵的实例,而不是它的子类。部分与整体的关系又有所不同。叶轮可以是泵的一部分,却不是泵的一种。混淆子类关系、实例关系和部分与整体的关系,会使模型虽然在图示中看似合理,却支持无效的推理。
本体的本体论承诺,是指它所采用的区分与假设。交通运输模型可以将车辆视为随时间持续存在的对象,将行程视为随时间展开的事件。金融模型可以区分作为法律主体的组织及其商号、注册记录和实体办公场所。这些区分会影响两条记录是否指向同一实体、如何表示变化,以及允许哪些关系。仅仅选择一种文件格式或绘制一个层级结构,并不能解决这些问题。
本体的范围与深度各不相同。领域本体描述材料工程等特定领域。任务本体描述规划或故障诊断等活动。应用本体为特定系统组合选定的领域概念与任务概念。顶层本体或基础本体则提供旨在跨领域复用的宽泛类别。例如,基本形式本体区分随时间持续存在的持续体与随时间展开的发生体。DOLCE提供了另一种基础本体方案,关注人类概念化与语言所依托的类别。这些框架为建模提供了严谨的选择,但采用其中任何一种,都不会自动消除特定领域内的分歧。
本体与相近知识组织工具之间并没有截然分明的界限。术语表定义术语;分类体系组织类别;叙词表记录词汇关系与关联关系;数据库模式规定所存储数据的组织方式。本体通常在此基础上增加明确的解释和逻辑约束,以支持对含义的共同理解或推理。知识图谱可以包含由一个或多个本体组织的实例层面事实,不过有些知识图谱只有轻量级模式。无论是图结构,还是详尽的词汇体系,单凭自身都无法保证本体模型的内在一致性。
形式语义与公理的含义
形式语义说明本体中的表达式意味着什么,而不依赖于特定的软件实现。一种常见的方法是模型论方法:解释为本体指定一个由实体构成的论域,并为其中的名称赋予含义。类名被解释为集合,个体名被解释为论域中的元素,二元关系名被解释为有序对的集合。当一个解释满足本体的全部公理时,它就是该本体的一个模型。
例如,每位外科医生都是医生这一公理可以写成
它的含义是,赋予 Surgeon 的集合必须包含于赋予 Physician 的集合。如果断言名为 Lee 的个体是一位外科医生,那么这些陈述的每个模型也都会将 Lee 解释为医生。因此,该本体蕴涵了这一分类结论。蕴涵关注的是在每个模型中都成立的推论,而不是看起来可能成立的情况,也不是某个特定数据文件中恰好记录的内容。
许多本体语言以一阶逻辑或经过审慎限制的片段为基础。描述逻辑提供用于描述类和关系的构造算子,同时控制推理的计算性质。至少包含一个电动机作为部件的泵所构成的类,可以表示为
这一等价关系同时给出了必要条件和充分条件:每台电动泵都满足该描述,而每台满足该描述的泵都属于所定义的类。单向的子类公理则只能给出必要条件。
一个关键区别在于 OWL 及相关形式体系采用的开放世界假设。本体中未包含的信息并不会自动被视为假。如果已知某台泵包含某个电动机作为部件,系统并不一定需要知道这个电动机的名称。模型中的一个未命名实体就可以满足这一存在性要求。同样,两个不同的个体名也不会自动被解释为不同的实体。要确立这种区别,可能需要显式的不等关系或其他公理。
这些语义不同于人们熟悉的数据库行为。规定某个部件至多有一家制造商的基数限制,可能会使两个具名的制造商被推断为同一实体,而不是立即产生数据录入错误。属性的定义域和值域通常会产生分类结论,而不只是用于拒绝类型不符的输入的指令。经典本体推理通常还具有单调性:增加前提不会撤销先前的蕴涵。默认规则和例外需要采用其他处理方式,包括非单调推理。这些区别解释了为什么本体公理、数据库约束和业务操作规则并不总能相互替代。
表示语言与 Web 标准
资源描述框架将信息表示为由主语、谓语和宾语组成的三元组。三元组可以断言某个特定组件由某家特定制造商生产,或属于某个类。资源通常使用统一资源标识符命名,使标识符能够在不同文档和系统之间共用。RDF 提供的是图数据模型,而非完整的本体构建方法。仅仅使用 RDF,并不能确保定义详尽、建模选择合理,也不能确保数据发布者之间达成共识。
RDF Schema 增加了用于描述类、子类关系、属性、定义域和值域的基本词汇。Web本体语言通常简称为 OWL,它增加了更丰富的构造,包括类的等价与不相交、属性特征、基数限制和属性链。OWL 2 有多种具体语法,包括函数式语法和曼彻斯特语法,本体也可以通过 RDF 格式进行序列化。语法决定本体如何书写,语义则决定其中的表达式具有什么含义。因此,两个表面形式不同的文件可以表达相同的公理。
OWL 2 DL 施加了一些结构限制,使其在直接语义下仍能保持推理的可判定性。当表达能力较强的属性公理与基数约束相互作用时,这些限制尤为重要。OWL 2 还定义了三种面向不同计算需求的配置。EL 支持包含大量存在量词限制的大型类层次结构。QL 旨在通过查询重写,支持对大型数据集进行高效的查询应答。RL 则支持面向规则的实现。这些配置都是经过形式化定义的语言片段,而不只是建议编写更简单本体的非正式指导。
在 Web 上使用本体还依赖其他配套标准。SPARQL查询语言为 RDF 数据提供查询语言和协议;其查询结果取决于所用的数据集,以及系统采用的蕴涵机制。形状约束语言(SHACL)用于表达验证 RDF 图时所依据的条件,例如必须具备的值或允许的取值数量。SKOS用于表示叙词表、分类体系等概念体系,提供上位、下位以及首选标签等关系。SKOS 概念层次结构并不天然具有与 OWL 类层次结构相同的语义。
其他表示方式则满足不同的需求。通用逻辑已被制定为 ISO/IEC 24707 标准,支持更广泛的一阶逻辑框架。逻辑编程和规则语言可以表达操作性蕴涵,但它们处理变量、否定和递归的方式可能与 OWL 不同。XML和 JSON-LD 等序列化技术解决的是表示与交换问题,而不是取代本体的概念内容。因此,选择语言时需要分别考虑几个相互独立的问题:必须陈述什么、必须推断出什么、数据将如何交换,以及需要哪些计算方面的保证。
自动推理与计算行为
本体推理机依据指定的语义,计算公理所蕴涵的结论。重要的推理任务包括检查本体是否一致、判断某个类能否有实例、检验一个类是否被另一个类包含,以及对个体进行分类。分类也可以指计算本体所蕴涵的完整子类层次结构,其中包括未明确断言的关系。这些服务使本体不再只是一张静态图表:一个经过形式化定义的类别,可以通过推理获得子类和成员。
一致性与类的可满足性相互关联,但并不相同。本体可以包含一个不可能有任何实例的类,而整体仍然保持一致。例如,假设将 Sensor(传感器)与 SoftwareProcess(软件进程)声明为互斥类,同时将 HybridSensor(混合传感器)设为两者的子类,那么 HybridSensor 就必须为空。如果本体还断言某个个体属于 HybridSensor,就会产生不一致。推理机可以揭示这类冲突,却无法判定问题究竟出在互斥声明、子类断言,还是对领域的预期解释上。
表演算及相关过程通过尝试构造模型来进行推理,在展开类描述所蕴涵的条件的同时检测矛盾。基于补全的方法对某些表达能力较弱的语言尤其有效,其中包括 EL 族逻辑。面向规则的方法可以通过反复应用推理规则来推导结论。查询重写方法则将语义查询转换为可由关系数据库求值的形式。不同方法利用表示方式和工作负载的不同特征;不存在一种对所有本体都最优的实现策略。
表达能力直接影响计算复杂性。表达能力很强的描述逻辑,其最坏情况下的推理复杂性可能极高,尽管许多实际本体仍可处理。衡量复杂性时,可以让本体和数据都随输入变化,也可以固定本体,只考虑数据量的增长。这一区别有助于解释:为什么某种方法能够支持大型数据集,却在模式本身较为复杂时付出高昂代价。结构限制、索引、模块化、缓存和专用算法都会影响实际性能。
推理结果还取决于实现所覆盖的范围。对选定规则进行物化的工具,未必能计算出表达能力较强的本体语言所允许推导的全部结论。可靠性意味着工具报告的结论在预期语义下成立;完备性则意味着原则上能够获得所有相关结论。资源限制或不受支持的构造,可能使完全推理的预期落空。仅仅因为推理机报告本体一致,并不意味着该本体就为周边软件提供了形式验证。正确性仍然取决于领域需求如何转化、所提供的事实、推理服务的保证,以及应用程序使用其输出的方式。
本体工程、测试与维护
本体工程首先要确定范围,而不是追求尽可能庞大的词汇表。项目需要明确预期用户、要表示的实体类型、可用的信息,以及系统必须回答的问题。能力问题将这些需求明确表达出来。例如,维护领域的本体可能需要回答:哪些机器包含某家制造商供应的部件,或者哪些检查涉及在指定时段内运行的设备。这类问题能够揭示缺失的关系,并帮助明确是否需要时间、空间或来源信息。
开发工作通常需要结合领域知识与形式化建模知识。领域专家负责解释现有数据集中可能未体现的区别;本体工程师则负责识别将这些区别编码后会产生的逻辑后果。对于术语,需要给出定义、实例和反例,并就边界情况作出判定。现有本体可以通过导入、选取模块或建立有详尽文档说明的映射来复用。复用有助于提高兼容性,但导入本体也会引入其假设和依赖。不能仅仅因为某个物理部件本体的标签与本地零件目录中的名称相似,就认为可以放心采用它。
反复出现的建模问题可以通过本体设计模式来解决。要表达“部件安装在机器中”,直接使用二元关系就足够了;但一次安装事件还可能涉及日期、安装人员、地点和检查状态。将该事件表示为一个实体,就能将这些参与者和属性有条理地关联起来。测量也存在类似问题:仅有一个数值,并不能确定所测量的属性、单位、对象、时间或方法。这类模式可以减少歧义,但其引入的额外结构必须有实际应用需求作为依据。
测试既包括逻辑检查,也包括非逻辑检查。推理机可以检测不一致、不可满足的类,以及意料之外的推断分类结果。查询测试可以验证系统能否回答能力问题。结构检查可以发现定义缺失、标识符格式错误、编修依赖中的循环或缺少文档说明的术语。回归测试则记录预期能够蕴涵和预期不能蕴涵的命题。在开放世界语义下,后两者的区别十分重要:无法蕴涵某个命题,并不等于能够蕴涵该命题的否定。因此,除了逻辑测试,还必须进行专家审查,并利用有代表性的数据开展验证。
本体同样需要生命周期管理。稳定的标识符将实体的身份与标签区分开来,标签则可以更改或翻译。弃用机制使过时术语仍可被理解,同时不再建议在新的使用场景中采用。发布说明、依赖控制和版本控制用于记录变更。看似微小的修改,例如添加一条不相交公理或更改某个属性的定义域,都可能改变下游的许多推理结果。因此,本体维护与软件工程相似,但还需要额外关注一点:兼容性不仅涉及文件格式或可调用接口,还涉及语义的保留。
数据集成、映射与同一性
计算本体的主要用途之一是实现语义互操作性:让内部结构不同的系统能够交换信息,并对信息形成足够一致的理解。两个数据库可能都包含名为“客户”的字段,却采用不同的定义。一个数据库可能将请求过报价的组织也纳入其中;另一个则可能只包含已完成购买的实体。反过来,名称不同的字段也可能指向同一类实体。因此,仅匹配名称和数据类型,并不足以实现可靠的数据集成。
本体可以在数据源模式与使用数据的应用程序之间提供一个概念层。映射规定数据源中的记录如何对应到类、关系和值。在基于本体的数据访问中,信息可以保留在原有数据库中,而查询则使用本体词汇来表达。系统结合本体公理与映射,将这些查询改写为底层数据库引擎能够执行的形式。这种方法不要求将所有信息复制到同一个物理存储库中,但其正确性取决于映射的质量和数据源的实际行为。
本体对齐用于识别独立开发的本体之间的对应关系。对应关系可以断言等价关系、包含关系,或更有限的关系。词汇相似性、结构上下文、实例数据和领域知识都可以提供依据。然而,等价是一项很强的断言。为统计报告而定义的地理“区域”,并不一定等同于名称相近的行政区域。映射错误可能通过推理不断传播,导致远超最初匹配对象范围的错误分类。
同一性问题尤其影响重大。在 OWL 中,断言两个名称指代同一个体,意味着在整个逻辑解释中都可以用其中一个替换另一个。这比声称两条记录相似、描述相关实体,或涉及同一宽泛主题要强得多。公司、公司的网站、品牌,以及登记机构维护的组织记录,不应仅仅因为具有相同的标签就被合并。主键和局部标识符也隐含着唯一性假设,而这些假设在原系统之外未必成立。
来源信息与上下文有助于保留这些区别。集成后的信息可能需要记录其来源、观测时间、转换历史和权威依据。数据血缘说明结果是如何产生的,而采用命名图进行组织可以将不同的 RDF 断言集合分开;但二者都不会自动提供完整的信任或上下文逻辑。单位、时区、分类版本和时间有效性方面的差异,可能需要通过显式转换来处理。因此,以本体为中介的数据集成并不只是统一模式,而是在保留足够信息以便解释结果的同时,对含义、同一性和假设进行受控协调。
科学、工业与信息领域的应用
创建于 1998 年的基因本体展示了本体在科学数据整合中的应用。它对分子功能、生物过程和细胞组分的描述进行组织。研究人员和数据整理人员将基因产物与本体术语关联起来,并附上证据和来源信息。借助共享的标识符和关系,相比使用未经规范的术语,不同生物和不同实验的结果能够得到更系统的比较。该本体并不是基因目录,而一条注释也并非仅仅断言某个基因名称与某个生物过程同义。
科学分析可以利用这类本体的结构。富集分析检验:在给定的统计模型下,某些类别在选定的一组基因产物中出现的频率是否高于预期。类别之间的关系会影响注释如何传播,以及如何解读结果。多重检验、背景总体的选择、证据质量和注释覆盖程度,仍然是统计和方法上的重要问题。形式化组织能够提高一致性,但既不能消除实验中的不确定性,也不能保证据此得出的每一种科学解释都正确。
在医疗信息系统中,SNOMED CT 提供了一套综合性的临床术语体系,具有形式化的概念模型和基于描述逻辑的关系。其结构支持跨软件系统一致地表示和检索临床含义。不过,术语体系、患者记录与临床断言之间的关系仍需谨慎处理。一个表示某种疾病的概念,本身并不意味着某位患者目前患有该疾病。否定、既往情境、不确定性以及观察所针对的主体,可能由信息模型的其他部分表示。
工业领域的应用包括产品全生命周期管理、设备维护、供应链整合和工程资产描述。本体可以区分产品设计与实际制造的单件产品、计划执行的操作与已经发生的事件,以及标称规格与观测到的测量值。这些区分支持对原本相互独立的工程系统和运营系统进行跨系统查询。例如,系统可以将已安装设备、部件类型、制造商文档和维护记录关联起来,同时保留部件类别与每个具有独立序列号的在役部件之间的区别。
文化藏品和信息服务也是另一个重要的应用领域。CIDOC CRM 是为文化遗产信息开发的本体,着重表示实体以及制作、入藏和所有权等事件与关系,使各机构的记录无需采用完全相同的编目结构也能相互关联。在信息检索中,本体可以支持查询扩展、基于概念的导航和同义词归一。WordNet 词汇数据库提供了对语言应用有用的词汇语义关系,但词汇数据库与领域本体的用途并不相同。在上述各种应用场景中,收益来自明确的区分和可复用的标识符,而不只是形式化本身。
局限、不确定性及与机器学习的关系
本体在形式上的精确性,不应被误认为知识的完备性或唯一正确性。许多领域都存在有争议的类别、相互交叠的用途,或依赖具体情境的边界。一个组织如何区分雇员、承包商和外部协作者,可能取决于其所在的司法管辖区及报告要求。同一地理对象在导航、行政管理和生态分析中可能有不同的边界。形式上一致的本体,也可能无法恰当地刻画这些区别;而在局部情境中有用的模型,也未必能稳妥地迁移到其他场景。
时间与变化始终是难点。机器可能从一家工厂转移到另一家工厂,组织可能与其他组织合并,科学分类也可能被修订。如果表示某种关系时不加时间限定,就可能错误地暗示它是永久成立的事实。相关建模方法包括引入事件、带时间索引的断言、时间部分或显式状态,但这些方法也会引入额外的实体和推理需求。如何选择,取决于应用是否需要回答历史问题、区分计划中的事件与实际发生的事件,或重建某个特定时刻人们所持的认识。
模糊性与不确定性带来的问题相互关联,却又有所不同。在经典逻辑中,类成员关系在每个模型中都被解释为真或假,而“大”之类词语的边界则可能随语境而变化。证据的不确定性涉及对某项断言的置信程度,并不一定意味着其含义模糊。已有研究提出模糊扩展和概率扩展,但它们的语义与推理机制不能与标准 OWL 推理互换。将数值形式的置信度作为元数据附加到断言上,并不会自动使经典推理器进行概率推理。
机器学习可以从文本和数据集中提出术语、关系、本体对齐或分类建议,辅助本体构建。自然语言处理支持实体识别和关系抽取,而大语言模型可以生成候选定义和公理。这些输出仍须依据领域证据、建模要求及其形式化后果进行核查。语法有效的公理,仍可能缺乏依据、概括过度,或与预期模型不一致。反过来,本体已有的词汇可以约束抽取过程,并为基于学习的系统提供结构化目标。
本体也用于神经符号人工智能和检索增强生成。系统可以通过能够利用本体的查询来检索事实,使用类限制评估候选输出,或将学习得到的预测与符号规则相结合。这些方式能够将某些假设和推理路径显式呈现出来,但并不会自动消除人工智能幻觉产生的断言,也不能保证正确理解自然语言。评估时,必须分别考察本体、源数据、学习组件及其接口。当前仍在积极研究的技术问题包括:针对不断变化的数据集进行可扩展推理、建立可靠的跨本体映射、表示情境,以及在符号组件与统计组件交互时保留形式化保证的方法。