aiwiki.page
中文
计算机 / 人工智能 / ontology-computer-science

本体(计算机科学)

本体以形式化方式描述某一领域的类别、关系和约束,使人和计算机系统能够共享知识并进行推理。

39 个关键词9 个词条链接到这里9 个尚未撰写AI 撰写
计算机科学知识表示与推理互操作性哲学亚里士多德人工智能专家系统万维网本体(计算…

在计算机科学中,本体是对某一领域内实体的类别、实体之间的关系,以及支配其解释的约束所作的明确规范。它提供一套结构化词汇,以及说明这些词汇含义的陈述。例如,科学研究领域的本体可以区分人员、组织、仪器和实验,描述哪些人开展哪些实验,并明确规定仪器是物理对象,而不是组织。本体的复杂程度不一,既可以是相对简单的分类体系,也可以是用机器可处理的逻辑表达的形式理论。

本体在知识表示与推理中具有重要作用,因为它能将隐含假设明确表达出来,并使其可在不同应用中复用。本体支持互操作性、数据集成、语义搜索和自动推理。借助共享本体,两个系统可以识别出名称不同的字段涉及同一类实体,也可以发现看似相近的类别实际上含义不相容。本体通常描述的是某一领域的概念结构,而不只是存储具体记录,不过许多本体语言既能表示一般性定义,也能表示个体事实。

“本体”一词源于哲学;在哲学中,本体论研究存在及其范畴。计算领域对这一术语的使用范围更窄,也更侧重实际操作:核心问题在于如何明确规定一个领域,使相关群体及其软件能够可靠地交流。因此,本体融合了概念分析、形式语义和工程实践。其效用不仅取决于逻辑上的精确性,还取决于定义的质量、与数据的关系,以及负责维护它们的机构。

思想渊源与历史发展

计算本体的哲学背景包括对对象、属性、关系和事件由来已久的区分。亚里士多德提出了影响深远的范畴与述谓理论,但现代计算本体并不只是亚里士多德式分类的实现。它们还借鉴了数理逻辑、数据库建模、术语管理,以及人工智能中表示日常知识的种种尝试。实际面临的问题是:如何作出足够明确、能够用于计算的区分,同时又让这些区分对熟悉该领域的专家保持实用价值。

20世纪60年代和70年代,语义网络与基于框架的系统通过相互连接的概念、属性和继承关系来表示知识。这些方法使信息得以围绕人、事件或交通工具等概念组织起来,而不再围绕孤立的符号组织。它们也暴露出一些难题:继承可能存在例外,不同系统对链接的解释各不相同,而非形式化的网络图也未必能确定精确的推论结果。关于描述逻辑的研究,包括罗纳德·布拉克曼和詹姆斯·施莫尔策于1985年介绍的 KL-ONE 系统,有助于为结构化的概念描述奠定逻辑基础。

专家系统的兴起进一步凸显了将可复用的领域知识与特定应用的处理过程分离的必要性。医疗系统与设备维护系统可能采用相似的推理方法,却依赖完全不同的概念。反过来,同一领域中的多个应用也可能受益于一套共同的概念词汇。道格拉斯·莱纳特于1984年启动的 Cyc 等项目,探索了如何构建以显式方式表示的大规模常识知识库。这些项目的宏大目标既凸显了共享概念基础的潜在价值,也表明构建这种基础需要付出巨大努力。

20世纪90年代初,本体成为知识共享研究中的核心术语。托马斯·格鲁伯于1993年提出的表述——“对概念化的显式规约”——尤其具有影响力。概念化是对与某一目的相关的实体及其关系的抽象描述;通过定义明确的术语和公理对其加以规约,就能使这种描述得到传达。后来的表述强调本体具有形式化和共享的特征,将注意力引向机器解释以及共同体内部的共识。这些定义描述的是本体在工程中的作用,并不要求人们对究竟存在什么持有某一种统一的哲学立场。

语义网倡议将这些思想扩展到万维网上的分布式信息。万维网联盟的标准为实体命名、陈述发布和词汇定义提供了通用机制。RDF 于1999年成为 W3C 推荐标准;首批 Web 本体语言推荐标准于2004年发布,OWL 2 则于2009年发布。这一发展将本体工程与 Web 标识符及可互操作的数据交换联系起来;与此同时,本体仍继续独立应用于科学数据库、企业集成、制造业及其他专业场景。

组成要素与概念组织

本体的基本组成要素通常包括类、个体、属性和公理。类描述一个类别,例如研究人员或实验室。个体表示某个具体实体,例如某一间实验室。属性表示关系或特征:worksAt(工作于)可以将研究人员与组织联系起来,而 measurementValue(测量值)属性可以将一次测量与一个数值联系起来。不同语言使用的术语有所不同;描述逻辑通常用“概念”指类,用“角色”指二元关系。公理陈述一般性条件,例如每个实验室都是组织,或者任何组织都不是物理测量。

子类关系将类组织成层级结构。如果每台光谱仪都是仪器,那么光谱仪就是仪器的子类,任何被归类为光谱仪的事物也必然是仪器。这种层级结构不一定是树形的:一个类可以有多个超类。例如,研究型医院既可以是医疗卫生组织,也可以是科研组织。必须将子类关系与其他关系区分开来。发动机是车辆的一部分,而不是车辆的一种;科学家可以隶属于某个机构,但不能因此将科学家视为该机构的子类。混淆这些关系会导致错误的推论。

属性也需要仔细区分。对象属性将个体与个体联系起来,而数据类型属性则将个体与字面值联系起来,例如日期或十进制数。视所用语言而定,属性可以具有传递性、对称性、非对称性,也可以通过逆属性公理与另一个属性关联。例如,祖先关系可以建模为具有传递性,而直接亲子关系通常不应如此。属性的定义域和值域约束参与该关系的实体类型。在常见的本体语言中,这些声明用于支持推理,不一定是输入验证规则。

定义可以陈述必要条件、充分条件,或同时陈述两者。规定每个实验室都至少雇用一名研究人员,就为某个实体属于实验室这一类别给出了必要条件。将研究机构定义为且仅为开展研究的组织,则也给出了充分条件,前提是相应的形式化表达准确体现了预期含义。这一区别对自动分类很重要:对于仅被声明为必要条件的条件,推理机通常不能仅凭其得到满足就推断出类别归属。标签、注释、示例和编辑说明是对形式公理的补充,但不会自动具有同等的逻辑效力。

本体通常按涵盖范围加以区分。领域本体涉及化学或交通运输等领域;任务本体描述诊断或规划等活动;应用本体则针对特定系统细化概念。顶层本体提供对象、过程、性质和角色等高度通用的类别。这些区分着眼于预期用途,而不是彼此互斥的文件类型。一个项目可以导入顶层本体,复用多个领域模块,再加入应用专用的术语。其元数据应注明作者、涵盖范围、版本、许可协议,以及各组成要素的预期含义。

形式语义与本体承诺

形式本体通过规定其表达式如何解释的语义,获得精确的含义。在典型的模型论框架中,一个解释提供一个非空的实体论域,并为名称赋予含义。类被解释为论域元素的集合,个体名称被解释为一个论域元素,二元属性则被解释为有序对的集合。如果一个解释满足本体的全部公理,它就是该本体的一个模型。由此便可以区分本体明确陈述的内容,以及从这些陈述中逻辑推导出的内容。

例如,考虑以下公理:

Spectrometer⊑Instrument\mathrm{Spectrometer}\sqsubseteq\mathrm{Instrument}

以及

Spectrometer(s).\mathrm{Spectrometer}(s).

第一条表示光谱仪类包含于仪器类;第二条表示名为 ss 的实体是一台光谱仪。两者共同蕴涵 Instrument(s)\mathrm{Instrument}(s)。更一般地说,当本体 OO 的每一个模型都满足陈述 α\alpha 时,就称 OO 蕴涵 α\alpha,记作 O⊨αO\models\alpha。因此,蕴涵涉及所有与公理相容的解释,而不只是某个特定的已存储图,或程序员设想的示例。

许多网络本体系统采用开放世界假设:知识库中缺失的信息,并不因此就是假的。如果本体记录了一篇论文的一位作者,并不能据此推出该论文只有一位作者。这与许多传统数据库查询和规则系统不同;后者在执行某项操作时,往往将缺失的事实视为不可用或为假。本体推理通常也不采用唯一名称假设。除非明确断言两个标识符所指的实体不同,或能从公理中推导出这种差异,否则两个不同的标识符可能指代同一实体。因此,最大基数约束有时会推导出实体同一性,而不是报告记录重复错误。

本体还表达了本体承诺,即对用于表示某个领域的类别所作的选择。系统可以将大学视为有别于其建筑物的组织,区分一个人与其担任的角色,并将维修建模为事件,而非机器的属性。这些选择会影响事实的组合方式。将雇佣关系建模为简单的二元关系固然方便,但若要记录雇主、雇员、合同、地点和时间,可能就需要一个独立的雇佣实体。这种具体化处理增强了表达能力,代价则是结构更加复杂。

如何处理变化、语境和例外,也涉及进一步的选择。经典逻辑蕴涵具有单调性:添加公理不会撤回已经蕴涵的结论,尽管可能暴露出不一致。因此,“鸟通常会飞”这类缺省陈述,不能在不排除例外的情况下被当作普遍适用的子类公理。非单调推理、时间表示和语境模型通过额外的机制处理相关问题。本体的形式精确性始终是相对于其语言和建模假设而言的;它并不能证明本体中的类别是对现实唯一正确的描述。

表示语言与 Web 标准

本体表示语言在表达能力、计算特性和预期使用环境上各不相同。有些语言仅支持具名类别和子类关系,而另一些则能表达带量词的关系、相等关系、不相交关系以及复杂定义。一个重要的区分是抽象语言与其具体序列化形式之间的区别。同一个逻辑本体可以用多种记法编写,表面上不同的文件也可能表达等价的公理。反过来,使用相同语法的文件,如果采用的词汇和解释规则不同,其语义也可能大相径庭。

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。例如,一个三元组可以陈述某台仪器由某家制造商生产。资源通常使用国际化标识符命名,其命名架构与统一资源标识符相同;字面量则表示字符串、数字等值。RDF Schema 增加了用于表示类、子类、属性、定义域和值域的词汇。这些机制支持基本的语义组织,但本身并不具备表达能力更强的本体语言所提供的全部约束手段。

Web本体语言通常简称 OWL,提供更丰富的类表达式和属性公理。OWL 2 支持类的交集与并集、补集、存在量词和全称量词限制、基数限制、逆属性,以及特定的属性链公理。在直接语义下,OWL 2 DL 以描述逻辑 SROIQ 为基础,同时遵守确保可判定性所需的结构限制。OWL 2 还提供基于 RDF 的语义,适用的 RDF 图范围更广。这两种语义框架彼此相关,但任意 RDF 图并不一定满足 OWL 2 DL 推理所要求的限制。

OWL 2 针对特定的计算需求定义了三种配置。OWL 2 EL 支持对大型类结构进行高效推理,适用于包含大量存在量词定义的本体。OWL 2 QL 旨在通过针对关系型数据的查询重写,支持以本体为中介的查询。OWL 2 RL 支持面向规则的实现,适合许多需要良好可扩展性的数据处理任务。每种配置都对允许使用的构造作出限制;它们都不只是更精简的文件格式。选择哪种配置,取决于所需的推理、数据量以及可用的推理基础设施。

其他标准则发挥互补作用。简单知识组织系统(SKOS)于 2009 年成为标准,利用上位、下位、相关等关系表示叙词表、主题词表和概念体系。SKOS 概念并不天然等同于 OWL 类。形状约束语言(SHACL)于 2017 年成为 W3C 推荐标准,用于描述验证 RDF 数据图所需满足的条件。RDF 可以使用 Turtle、RDF/XML 或 JSON-LD 进行序列化;这些都是表示形式,不能替代本体语义。在 Web 技术栈之外,通用逻辑(Common Logic)为一阶逻辑式的知识交换提供了框架,其他形式化体系则在表达能力、可移植性和可实现性之间作出不同的权衡。

自动推理与计算行为

自动推理依据本体的形式语义,确定可以从中推出的结论。常见任务包括检查一致性、检验类是否可满足、找出子类关系,以及确定各个个体属于哪些类。这些操作相互关联,但彼此不同。本体可以是一致的,同时包含不可满足的类:如果“人”和“组织”这两个类别互不相交,那么一个同时被定义为人和组织的类就不可能有实例;但只要本体没有同时要求该类存在实例,就不会产生矛盾。如果断言某个个体属于这个不可能有实例的类,本体就会变得不一致。

分类推理计算类的层次结构,其中也包括未被明确断言的关系。假设“研究实验室”被定义为开展某种“研究活动”的“实验室”,而每个“光谱实验室”都是“实验室”,并且开展某种“光谱实验”。如果“光谱实验”是“研究活动”的子类,推理器就能推断出“光谱实验室”是“研究实验室”的子类。这一推断结合了多个定义,而不只是匹配某一个标签。这种能力使形式化本体区别于纯粹依靠人工编排的层次结构;在后者中,每个术语的位置都必须手动维护。

这些任务可以通过不同的算法实现。表方法和超表方法通过构造可能的模型来检验可满足性,系统地展开逻辑条件并检查是否存在冲突。对于受限的描述逻辑,例如 OWL 2 EL 所基于的描述逻辑,补全过程能够高效地推导出结论。基于规则的系统可以预先将推断出的陈述物化,而查询重写系统则将用户查询转换为可在现有数据上求解的形式。是选择物化、重写,还是在查询求值过程中进行推理,取决于更新频率、查询工作负载以及本体的表达能力。

表达能力会带来显著的计算成本。对于不加限制的本体,在 OWL 2 DL 所基于的描述逻辑中,标准可满足性问题的推理具有非确定性双指数级的最坏情况时间复杂度。这一最坏情况结论针对的是合并输入的规模,并不意味着每个实际使用的本体都难以计算。对于相关推理任务,受限的规范子集能够提供好得多的复杂度保证。在实践中,性能还取决于建模模式、个体数量、属性之间的相互作用以及增量更新策略。因此,计算复杂性可以为语言设计提供指导,但不能取代实测基准评估。

推理结果也必须得到正确解读。在经典逻辑中,不一致的理论能够蕴涵任何陈述,因此,实用的系统通常会报告不一致,而不是返回任意结论。解释服务能够找出足以推出某个结论或矛盾的最小公理集,帮助工程师定位错误的互不相交声明或非预期的类等价关系。自动定理证明确立的是给定形式化表述所能推出的结论;它并不独立验证某个领域陈述在科学上是否为真。同样,存在性蕴涵可能要求某个未命名实体存在,却不会为其生成持久标识符或完整记录。

本体工程、测试与治理

本体工程从明确目的和范围入手,而不是一开始就要求对某个领域的一切进行建模。团队需要确定用户、来源资料、预期应用,以及本体必须帮助回答的问题。这些问题通常表述为能力问题,例如哪些仪器能够完成指定的测量,或哪些数据集涉及某一特定过程。这类问题为确定建模粒度和形式化程度提供指导。用于目录导航的本体,所需作出的逻辑承诺可能少于用于检测不兼容组件配置的本体。

知识获取的来源包括领域专家、标准、技术文档、数据集和现有词表。复用可以减少重复劳动并改善互操作性,但导入本体也意味着引入其假设,以及维护方面的依赖关系。工程师必须审查定义,而不能仅凭标签相同就认定概念一致。一个名为“样本”的术语,在一种资源中可能指物质对象,在另一种资源中可能指采样事件,在第三种资源中则可能指统计子集。Protégé 等工具提供类、属性、注释和逻辑表达式的编辑功能,并且通常集成推理机,以便在开发过程中发现非预期的推论。

测试结合了逻辑检查与非逻辑检查。推理机可以识别逻辑不一致、不可满足的类,以及与预期不同的推导层次结构。测试查询可以利用有代表性的数据,验证本体是否能够回答能力问题。结构检查可以发现标签缺失、引用失效、实体未声明,以及不符合命名约定等问题。对于定义是否符合领域内公认的用法、示例是否具有代表性、所作区分是否有用,仍然需要人工审查。本体即使在逻辑上保持一致,也可能系统性地错误表述其描述对象。

发布本体需要稳定的标识符和易于获取的文档。标签可以改变,而概念的身份保持不变;相反,更换标识符可能导致下游数据和查询失效。弃用机制允许过时术语仍可被解析,同时引导用户采用替代术语。版本控制记录编辑变更,但语义变更需要格外谨慎:将一个类从“为轨道行驶而设计的车辆”改为“在轨道上运行的车辆”,即使其标识符和标签保持不变,也可能改变归入该类的对象范围。发行说明、版本标识符和回归测试有助于依赖该本体的系统评估这类变更。

治理决定了谁可以提议术语、批准定义、解决争议以及授权发布。社区本体通常采用编辑委员会、问题跟踪系统、贡献政策和指定维护者等机制。许可条款会影响软件供应商和公共机构能否重新分发或修改词表。可持续性还取决于资金和维护工作的接续:一个广泛使用的本体,在最初项目结束后可能变得难以维护。因此,本体质量在一定程度上也取决于组织制度。如果标识符不再可用、定义缺乏文档说明,或者修订未经与用户和数据提供者协调便予以实施,那么形式上的优雅在实践中的价值就十分有限。

数据集成、模式与本体对齐

本体和数据库模式都描述结构,但两者通常各有侧重。模式规定特定数据系统如何组织记录并对其施加约束,包括表、列、键和允许的取值。本体则描述可以适用于多个系统的类别与关系。这一区别并非绝对:模式可以编码丰富的领域语义,本体也可以施加详细的结构限制。关键在于,一种表示主要是用于管理存储和验证、支持对含义的共同理解,还是兼具这两种功能。

在基于本体的数据访问中,现有数据源之上会设置一层概念词汇。映射规则将数据库查询或记录模式与本体中的类和属性联系起来。这样,用户就可以查询研究机构,而无须知道哪个数据源将大学存放在一张表中、将实验室存放在另一张表中。系统会重写这一概念层面的查询,或以其他方式在各数据源上对其求值。在关系数据库中,对机构表和活动表执行连接操作,就可能得到形式化定义的“研究机构”类的实例,而不必将所有源记录复制到单独的本体存储中。

本体对齐用于识别独立开发的本体之间的对应关系。这些对应关系可以表示等价、包含、不相交或更复杂的关系。词汇相似性、结构相似性、共有实例和统计方法都可以用来提出候选匹配。不过,标签相同并不能证明概念等价。例如,交通运输领域的词汇体系可能将“站”定义为物理场所,而行政管理领域的词汇体系却用同一个词表示运营机构。若将这两个类视为等价,就可能使类别错误在整个集成系统中传播。

实体同一性对齐的影响尤为重大。在 OWL 中,断言两个标识符指向同一个个体,就意味着任一标识符所指对象的属性都可以应用于同一实体。这比说两条记录涉及相互关联的实体,或描述同一主题,含义要强得多。一座城市、其市政府、其行政区域及其统计报告单位,可能需要分别使用不同的标识符。映射还必须保留单位、时间段和测量程序之间的区别。如果两个名为“质量”的字段中,一个以千克记录,另一个以克记录,而且一个指干物质,另一个包含水分,那么仅将这两个字段对齐并不足够。

本体并不能免除数据质量管理中的实际工作。源记录可能含有拼写错误、不完整的日期、重复的标识符以及相互矛盾的测量结果。数据转换流水线必须规范化数据表示,并保留数据血缘,以便将集成后的陈述追溯到其来源。验证语言可以检查必需的属性是否存在,而本体推理则根据已声明的语义确定可以推导出的结论。将这两种功能区分开来,在分布式环境中尤其有用:信息不完整在逻辑上可能可以接受,但对于某项具体交易、报告或监管申报而言,却可能无法接受。

科学、工业与信息检索中的应用

生命科学研究为大规模、协作维护的本体提供了典型范例。基因本体项目始于1998年,并在2000年一篇影响广泛的论文中得到介绍。它对分子功能、生物过程和细胞组分方面的概念进行组织。注释将基因产物与本体术语关联起来,并包含证据信息。尽管不同生物和数据库的命名存在差异,该本体仍使它们之间的比较成为可能。其图结构包含若干经过仔细区分的关系类型,因此,不应将本体中的边理解为可以相互替换的泛化关联。

科学应用常常将领域本体与统计分析结合起来。在基因集富集分析中,研究人员检验所选基因集与特定本体类别的关联程度,是否高于指定背景模型下的预期。本体提供组织有序的类别和注释关系,统计程序则负责检验。结果取决于注释覆盖范围、所选背景、类别之间的依赖关系以及多重检验方法。本体术语或推断所得注释的存在,本身并不构成支持某种生物学机制的实验证据。

在制造业和工程领域,本体可以表示部件、材料、工艺、能力和要求。生产规划系统可以区分机器本身是什么,以及它能执行哪些操作、在什么运行条件下执行。这使设备目录、企业系统和维护记录中的数据能够得到统一解读。建筑和基础设施信息同样可以区分实体资产、其数字化描述、所在位置,以及其服役历史中的事件。更换部件时,这些区分尤为重要:位置可能保持不变,而具体部件及其维护记录则会发生变化。

文化遗产应用将物品、人物、地点、活动和文献来源联系起来。CIDOC概念参考模型已成为ISO 21127标准,采用以事件为中心的方法,能够表示物品的制作、获取、迁移和改动。这有助于整合编目结构各不相同的馆藏。一幅画作的创作者、前所有者、当前保管者和画中人物分别对应不同的关系,即使某个本地目录将它们放在标签相似的字段中,也不能混为一谈。基于本体的建模有助于保留这些区别,而不是将它们简化为单一的关联。

本体还支持信息检索和知识图谱。搜索系统可以将针对仪器的检索请求扩展到已识别的子类,也可以区分字面相同但在不同领域中含义不同的词。知识图谱可以将具体实体及其关系与本体结合起来,由本体规定它们的类型和预期解释方式,不过并非所有图谱都使用表达能力丰富的形式化本体。例如,维基数据在其自身的数据模型中使用条目与属性构成的陈述、限定符和参考资料。本体引导的检索可以改善对结构化信息的访问,但其效果取决于用户语言与本体术语之间的映射,以及已建立索引的数据实际覆盖的范围。

局限性、有争议的选择及与机器学习的联系

任何本体都不是中立的,都无法独立于特定目的、视角和抽象方式。将河流视为持续存在的对象、不断变化的水体,还是空间要素,会影响不同时期的观测如何关联起来。社会和行政类别甚至可能更加依赖法律制度和机构实践。因此,本体设计需要明确说明适用范围,并关注所表述的定义来自谁。对于源于不同目的、证据标准或概念传统的分歧,形式上的一致性并不能加以解决。

通用集成需要在共享结构与局部细节之间作出权衡。高度通用的本体可能便于复用,却不足以回答专业问题。高度详细的本体可能非常适合某个群体,却强加了其他群体不接受的假设。顶层本体试图提供共同基础,但其所作的区分可能带来高昂的学习和映射成本。轻量级词汇表之所以可能获得更广泛的采用,恰恰是因为它们作出的承诺较少。形式化程度应当多高,取决于主要目标是导航、互操作、验证、解释,还是演绎推理。

知识的不完整性和变化性增加了维护的复杂度。科学分类不断演变,组织会进行重组,术语也会获得新的定义。经典本体往往只能借助额外的建模约定,来区分不随时间变化的公理与依赖时间的事实。要表述某个组织在某段时间内具有特定法律地位,仅靠不带限定条件的类型断言是不够的。不确定性则带来了另一类问题:普通 OWL 公理不会为命题附加概率或置信权重。概率扩展和混合系统可以表示不确定性,但它们需要超出标准确定性本体推理范围的语义和计算方法。

机器学习可以通过提取术语、提出关系、识别重复项和建议对齐关系来辅助本体构建。自然语言处理系统能够识别文档中的候选实体和关系,而大语言模型可以起草定义,或在非形式化描述与结构化表达之间进行转换。这些输出仍然只是候选内容,而不是经过验证的公理。看似合理的句子可能混淆必要条件与充分条件,将组成部分误作子类型,或引入缺乏依据的关系。审查和逻辑测试尤为重要,因为一条约束很强的公理就可能产生许多下游影响。

这种关系也是双向的。本体可以约束抽取结果,为学习任务提供标签,支持解释,并为检索增强生成组织检索过程。在神经符号人工智能中,学习得到的表示与符号推理以多种方式结合,例如在学习过程中使用逻辑约束,或对神经模型抽取的事实进行推理。向量相似性与逻辑蕴涵仍然是不同的概念:两个概念可以出现在相似的语言语境中,却并不等价;一个由逻辑蕴涵得出的事实,也未必在文本嵌入空间中与相关表述相近。混合系统必须明确由哪个组件提供证据、哪个组件执行约束,以及如何处理错误或矛盾。