http://www.bipaq.com/news/newsDetail.asp?id=942
语意网,词网与知识本体:
浅谈未来网路上的知识运筹
中央研究院语言学研究所研究员 黄居仁
【摘要】:本文为「佛教知识组织管理研讨会」专题演讲稿.演讲内容分三个方向:首先介绍语意网的概念与发展,其次从语意网的发展谈到需要本体论,再由本体论谈到外相,需要用语言来表达,以及论述语言如何表达知识.本演讲并报告在「国家数位典藏计划」中所做的语言座标计划,正是这方面的一些研究.
关键词:什么是语意网(什么是Semantic Web);什么是本体论(什么是Ontology);什么是词汇网路(什么而是WordNet)
今天很荣幸有机会来与各位请教,却有点诚惶诚恐.因为刚刚谢教授已经说过语言是表相,表相要脱落,脱落完了之後又来讲表相,恐怕有点舍本逐末.不过,刚刚谢教授讲了很重要的一点,就是在知识表达上我们不能脱离语言.虽然说我个人对佛教的知识事实上谈不上管理或运筹,是一个门外汉;但到底一直从事语言学的工作,最近所关心的一些议题又跟这个会议的议题是有点关系,所以特别来跟各位请教.我注意到在今天的议题里面,有几篇文章特别跟我今天想向各位请教的专题有关,而且有更深入的讨论.譬如说阮明淑教授基本上就讨论这个本体论怎麼样在应用;欧阳彦正教授那篇文章的主题图里面也是一个本体论跟知识表达方式应用的一个实际例子,而且运用在「玄奘西域行」的一个网站里面;当然还有成大的陈玉女教授,一个很简单,很完整的佛教史本体论知识结构.由此看来,个人才疏学浅今天只能跟各位做非常大略的介绍,事实上这几篇文章也许能给各位更深入的讨论与更贴切的启发.
今天演讲的方式大概分三个方向:第一个方向,先介绍语意网的概念与发展,从语意网的发展谈到需要本体论;本体论之後,就回到本相和外相,外相需要用语言来表达,那麼语言怎麼表达知识;最後如果还有一点时间的话,就跟各位报告我们在「国家数位典藏计划」里面所做的一个语言座标计划,正是这方面的一些研究.
电脑也能看懂语意网
如果各位没有听过语意网,它就是Semantic Web.各位如果知道,那我是重复讲了,请暂且容忍.如果各位没有听过的话,这是最近一个很重要的发展,在网路上的发展.它认为电脑也能看懂语意,Semantic Web基本上是一个新的网路内容形式,能让电脑理解其中的语意,势必带来新一波的网路革命!也就是说网路走到今天,往哪里走?大家认为就是往Semantic Web走.这篇文章第一次发表是在2001年五月的Scientific American(科学美国人)上.去年(2001年)五月发表的英文原文,向全世界宣告这个新方向;今年(2002年)八月由高虹博士翻译,我做校订,出版在今年《科学人》的八月号(第六期)中〈电脑也能看懂语意网〉(The Semantic Web).所以基本上所有当今语意网的研究,所根据的就是这篇文章.作者为Tim Berners-Lee,柏纳李.他就是发明网际网路全球资讯网(World Wide Web, WWW)的人.以下的介绍主要是引用这篇文章.
语意网将成为下一代的网际网路
这是一个什麼样的发展呢?第一个,他主张并认为语意网将成为下一代的网际网路.我们刚提到他正是网际网路发明人,因此他对网路发展的宣告,不可忽视.语意网的发展方向并非没有人批评;如科技方面的人,很多人说他讲的是天方夜谭,不可能成功的,就如当初他推动全球资讯网(WWW)时,有人说不可能成功一样.也许一些他个人坚持的细节是需要保留,但是他对网路发展的远见不可忽视.把知识内容加入网路的方向是一定要走的方向,不管将来网路确切的形式为何,是不是跟他所宣告的完全一样,我们必须要来讨论说:在这个发展上面,我们网路上的人文,包括佛教,知识典藏如何因应?如果说再过十年之内,整个网路的面貌改变了,那麼我们还在谈现在网路的知识典藏,我们就会落伍,我们的知识就会被淘汰.因此,我们必须预期到网路将来的发展,而且有所因应.
从「全球资讯网」到「语意网」
那麼他认为全球资讯网和语意网有什麼不一样的呢?他认为全球资讯网仍只是人们交换文件的载体(media),其中的资讯是机器不能自动运用的;也就是说,他认为现在的网路上,我们交换文件时,只是人把文件放上去,在网路的某一端,另一个人把文件拿下来.我们用来执行工作的电脑,它不需要了解文件的内容.事实上,它完全不去了解文件的内容,但它知道这个文件的身分是什麼.它怎麼找到这个文件的呢?是根据我们的一些题目,後设资料,我们对文件其他的描述.它对文件的包裹里面,不管是文献,图形,或任何档案,里面包裹的内容是什麼?电脑是不知道的,它是把它当做一个货物来运送的.这个对於现在所谓的全球资讯网做大概的描述,是正确的,是很有效的一个载体.那麼他希望什麼样呢?他们希望说,如果我们针对电脑,增加专门提供给电脑阅读的网页,我们就可以把现有的网路转换成「语意网」.所以,他对语意网的意思就是说,如果我丢进去的资料电脑看得懂,电脑就可以做别的事情,这是他的一个想法.
电脑如何阅读语意?
电脑如何阅读语意呢?在他的想法,架构里,其实在场各位也有很多是对这个很熟悉了,第一个要利用资源描述架构(RDF, Resource Description Framework)与通用资源标志码 (Universal Resource Identifier, URI)连结到相关网页资源.这是现在网路上很多已经在用的了.大家用的HTTP的位址,就是URI的一种.很多人除了後设资料以外,也开始用资源描述架构来描述网页里的知识内容,这是一个大的架构,你要在网路上找到某个特定的资源,完全没有问题.我们规定大家用这个方式描述你的知识资源内容,那麼你找到你要的资源,并经由超连结连接到之後,最重要的阅读重点在哪里?是要利用知识本体(Ontology)来定义关键词,并做逻辑推理.
知识本体(Ontology)
重点是,每一个网页,每一个资源上面要有一个自己定义的Ontology,就是知识本体.为什麼要这样做?同一个词,在不同的领域里,不同的时代里,不同的用法上,它的意义就不一样.所以,当下网路的搜寻常会发生错误.基本上,譬如你找一个芥子,那麼也许讲的是佛教的「须弥入芥子」,你要讲的是佛教的东西,但你找到的可能是植物的东西,因为它用的是同样的语词.网路并不知道每个网页资源用的词属於哪个领域.所以不但搜寻者必须要定义这个词代表什麼意义,属於哪个领域.在任一个网页里面,每一个词的定义是什麼,代表的知识范围与架构是什麼,就是这个网页的知识本体要告诉你的.所以,他的想法是,如果网页上所有的资源都有一个宣告,告诉每一部来访的机器,这个网页里面知识的定义是什麼,知识的架构是什麼,那麼电脑就可以阅读每个网页.
我们刚才已经稍微提到知识本体是什麼;它是对任何一个网页资源知识内容及资讯架构的描述和定义.而且语意网的构想希望知识本体是用RDF的型式,或类似语言写成之文件,清楚定义概念关系和推理的逻辑规则.我们注意到这里,他认为有两个架构,第一你怎麼描述完整的知识呢?你要告诉机器,他认为这是给机器看的而不是给人看的,所以你要告诉机器,所有在这个网页或在这个资源里面,有哪些概念或全部的概念放进来. 第二是电脑如何在概念与概念之间进行逻辑推理?有些什麼规律?有哪些逻辑关系存在?这是要给它的一个知识本体.在这里同时提醒大家,请注意资讯学中把Ontology当成知识,讯息的基底架构,与哲学中本体论(一切基本义)的原定义大不相同.所以,不谈本的问题,只谈相的问题.
知识的演化
根据柏纳李的说法,知识的演化更为重要.知识本体除了在网路资讯上明显的应用外,他认为更重要的是有一个知识演化的意义存在;认为如果设计得当,语意网将有助於人类的总体知识演化.为什麼语意网会有助於人类总体知识的演化呢?因为网页的知识本体提供了不同知识体系的完整描述;也就是说,当我们在做一个佛教知识网路的时候,我们把佛教知识的一个关系和知识架构作一个描述.如果说今天假设大家已经对所谓的本体论的作法,语意网本体论的作法很习惯的时候,一些不懂佛教的人,他到佛教的网页,进入之後,经过机器的关系帮忙了解了整个知识架构後,当然就会了解佛教的知识,就可以进入佛教知识领域.或者再以《六祖坛经》为例,光看《六祖坛经》有很多人看不懂,我把它的知识本体架构建起来,不管是人或机器进入到那个知识体系里面,当然会更容易理解.因此,他认为有同样的语言,就是用URI在每个知识体系中明确描述了每个概念与语意的关系.那麼,语意网将有助於语意概念的沟通与知识体系的整合.因为每个知识体系已经有一个架构在这里了,那这些本来鸡同鸭讲的,你讲的话我听不懂,你认为你讲得很有礼貌,我认为你在跟我吵架;但如果我把我的知识体系告诉你,我的语意是这样子,我的推理是这样子得来的,你先得到我的知识体系之後,各方面应该可以更好沟通,这是他的理想.也就是说,虽然原始的设计,强调知识本体是给电脑看的;更远大的目标,却是希望这也成为人类知识的系统化整理.让知识本体可被人类所阅读使用,成为人们知识融通的桥梁.
这个当然非常棒.所以,尽管在技术上或在种种具体细节上,大家有各种不同看法,但这个方向是正确的,大概大家也会往这个方向走.大家如果想要得到语意网这方面资料,这里提供各位几个简单的入口网站:第一个网站是http://www.w3.org/2001/sw,我想大家很熟悉,就是网际网路的管理机构;接下来
http://www.semanticweb.org,有关语意网的个别标准在这里可以找到,这已经是一个语意网的独立组织,它来告诉你有什麼标准,什麼想法.另外;可以从《科学美国人》(Scientific American)网址(
http://www.sciam.com)找到2001年五月完整原文下载;但在《科学人》中文版这部分,我们虽然有翻译,但并没有在网页上提供下载(
http://www.sciam.com.tw).
关心的问题之一:语意网将会使用什麼语言?
我们既然发现网路上有这样的一个发展,而且是针对知识的内容表达方式和形容方式发展,我们会关心一些问题,我们想问语意网往哪里走?关心的第一个问题就是「语意网将会使用什麼语言?」.在WWW上,虽然有许多语言在使用;但资料最多,通用的习惯语言是英文.语意网用什麼语言呢?我给两个答案.第一个答案,用英文.为什麼这样讲呢?很简单,现在网际网路上大部分资料都用英文嘛!其实,你要选一个全世界共用的一个表达语言,那用英文就好了.因为现在都习惯了,网际网路已经教大家英文了.可是,如果我们想这个问题:十年後的网路大家是否还是都用英文呢?因为大家看得到网路上的资料大部分还是使用英文,在语意网蔚为风气之前,似乎不可能有任何语言在网路上的资源量会超过英文.可是还要考虑到几个问题,并非这麼单纯.比如对网路使用人口的预测.以下这几个预测是我们最近刚刚在台北主办的COLING2002国际计算语言学会,其中有一场中文研讨会,请大家预测十年後的网路与中文处理.朱邦复先生说:「我不要十年之内,要在五年内让九亿农民上网.」微软研究院自然语言组经理周明的预测是:「我们比较保守,认为十年之内将有五亿中国人上网.」我个人的预测是:「我不知道有多少人上网,但我想在十年之内网上的人口里面大概有四分之一是讲中文的.」如果十年内这是个事实,如果朱邦复先生的九亿农民上网,那这九亿农民里面有多少人是讲英文的?一亿了不起吧!我们以往在看网路发展的时候,因为我们看到的是在西方的发展,以及科技化国家中的发展,譬如欧洲.欧洲再多两倍的人上网,还是用英文,因为他们会学英文,会用啊!今天如果我们产生这个质变,真的让九亿农民或五亿农民上网的时候,他不会英文啊!所以,网路上不管是他制造的资料或寻找选用的资源,中文就变成很重要了.又假设再过十年,印度人口比中国人口多,有九亿印度人上网.因此,刚刚柏纳李的前提假设说:「下一个时代的网路,一定用英文.」是不见得正确的.虽然现有的东西都是用英文,但如果你增加进来的新手使用人数够多,而这些人是不懂英文的,怎麼办?当然会用他自己的语言,而所制造的资料当然就不是用英文,那麼就会产生问题了.
如果不是用英文的话,第二个答案是任何语言都可以.为什麼呢?因为语意网的前提:「是靠知识沟通,而不是靠语言沟通.」为什麼一定要用英文,知识本体谁规定一定要用英文写的呢?没有人规定啊!任何语言只要可以表达知识的体系,当然都可以.只要有知识体系在这里的时候,可以让不同语言之间,有更好的沟通,知识的交往.当然是有规定的,如有关OWL,XML……,是大家都很熟悉的.大家都认为,语意网的内容标示会用XML,这大概是没问题的.但有规定一个Ontology Language,是最近在发展中的,就是描述本体论时,应该用什麼语言.有人认为用OWL,可以上Semantic Web的网站看到.所以,这问题的两个答案都有可能,但是我们希望它是第二个答案.
关心的问题之二:既然语意网主要依靠知识本体;特定语言与文本的知识管理还有需要吗?
既然语意网主要是依靠知识本体,是知识为重,那麼特定语言或文体的知识管理还有需要吗?也就是说,既然已经是脱落了,已经看到知识了,还要表相做什麼呢?答案甲:当然是不需要.因为知识本体的存在是独立於特定语言与文本之外的.那我们今天就不需要讨论什麼佛教知识管理啦,什麼中文知识管理啦,我们只要讨论本体论就好了,我只要把本体论统一就可以了.可以做得到吗?答案乙是当然还需要.其实刚才谢老师在第一场演讲已经讲得非常清楚了,所以事实上我在这里是重复了.因为每个特定语言或文本都是一个独特的知识体系.也就是说,我们习惯用语言来表达一些东西,人是著重於表相的,必须靠这些表相才能表达我们的知识.选择一个表相表达知识的时候,就受到表相的限制;除非把所有的人类都已经了知了,都不用语言就可理解了,可以沟通了.在还没有到达这个地步之前,当然所有的资料还是在不同的语言里面,因此还是需要正确整理分析一个语言所表达的知识内容,才能够建立知识本体,还需要语言这个工具,才能达到这个知识.我个人当然还是比较趋向於第二个答案.
知识本体的变迁
知识的丰富性从何而来?各位应该都很熟悉,从文化,领域,环境,族群,社会阶层,媒体,学科,时代等……,不同文化的背景.同样讲一个佛经的故事,如佛陀讲的故事与禅宗大师所讲的故事,他用的语意,背景,故事对象都是不一样的啊!也许所表达的意义是一样的,但用的语言,譬喻都是不一样的.领域,族群,环境,社会阶层,媒体,学科,时代等等,你到每个不同的地方,它就用不同的方式讲.刚才谢老师已给我一些例子,你在两,三千年前怎麼可能讲碳,氢,氧,因为在语言知识里面,并没有碳,氢,氧这三样东西,只有讲风火水土.在一个时代里面语言有它的限制,会有不同的表达方式.组成知识本体的元素不同,就影响到元素间的意义与推论关系,进而影响知识的架构.
知识的丰富性如何体现呢?我们面对的知识真的还在变,每个时代变,每个环境变,每个语境变,每个学科变.如何表现其丰富变异,又维持内部知识表达的一致性呢?答案就是用每个特定环节中共同的语言与词汇.我们在图书馆界,资讯界讲所谓的次语言(sub-language),或讲白话就是行话嘛.每一行有行话,每一个时代有它自己的行话;领域词典,就是专业词典.由外部看,去看行话,看语言的表达方式,看它的专门词典,你就可以知道它的知识体系是不一样的.但由内部看,行话正是行内共享与沟通的依据与标准.
由(知识的)本体到语言的本体
我们知道也看到整个网路的趋向,是必须要走到一个以知识本体为中心设计的网路.整个网路要更好用,每个个别资源要更能流通应用;针对下一个时代的网路,必须对每一个资源,每一个网页,有知识本体的描述.但第一个需要跨越的门槛是不可能有一个人类共通的知识架构,即大家都同意的知识本体表达方式.因此,我认为第一步需要建构的就是语言的本体.为什麼这样说呢?因为每个语言都有其架构完善的知识本体.为什麼说每个语言有架构完善的知识本体呢?因为语言包括次语言,可以表达所有(领域内的)知识.譬如我们在这个领域里,在谈佛教知识用的一些术语,大家都能彼此了解,可以表达领域内的知识.我们所用的语言,帮助我们来沟通,说话者与听话者之间知识的交换,通常是有效而正确的.当你碰到一个史瓦济兰来的佛教徒,如果要跟他用英文谈佛教的时候,会有一点点问题,但在佛教知识小领域里面还是可以谈得很好.同样的,如果说在台湾的居士之间,都用台湾的语言当然没问题;如果到九华山去跟大陆高僧谈佛教领域内的东西,谈的时候还不错,但当谈到一些比较生活的东西时,似乎不太一样了.相对的,与台湾同胞谈生活头头是道,但如果是和不懂佛理的人谈佛,却又会很吃力.所以,每个小词汇,每个小的语言,次语言,在大语言中间有一个共通的知识架构,在这个知识架构范围之内,交换知识是没问题的.既然语言已经给我们一个自然知识架构,为什麼还要跳出语言找其他的东西呢?我们可不可以回来见山是山?所以,既然我们不知道这个世界通用的知识本体怎麼样,我们先从语言开始,起码知道,在经验中告诉我,一个语言里面,一个次语言里面,它的知识本体架构,是大家可以通用的.
第二,就是任何人工知识本体的使用者,不论数目或准确性,都不会超过语言本体的使用者.我想到目前为止,这是正确的.今天有很多人认为Ontology要怎麼表达,刚才讲表达得很漂亮的佛教史本体论,你说用这样的本体论来描述知识的人有多少?可以表达出来的有多少?这个数目绝对不会比讲中文的人多,那他所表达的知识范围,绝对不会比中文语言丰富.所以,这些是我们利用本体架构或本体的理论,用来沟通的一个手段,但是在还没有得到一个完整的理论之前,语言给我们的是最完整的,最有效的知识体系.
最後,语言本体本来就是文本典藏处理的必要资源.为什麼这麼说?因为要做任何一个文本典藏,如要做词典,要做同义词典,要做专门词典,双语辞典等,别人都做了.工作都已做了大半了,从这些基本的语言资源到现有的一个语言本体论,还是需要工作,但事实上已经是为山九仞,已经到最後一步了.
如何呈现语言的知识本体?
在前面第一部分的报告中,我希望已说服各位:知识本体在未来网路的发展上是不可或缺的,而且希望我们著手做本体时,从语言做个媒介.再来看语言媒介如何做?我们认为应该用词汇网路(WordNet)来做.
如何呈显语言知识本体?认为词汇网路是最直接的语言本体表徵.词汇网路的建构与研究已经有相当的时间,自1990年普林斯顿大学开始规划进行.词汇网路构成的元素有哪些呢?第一是某个语言内所有的词汇.请注意语言学上所谓「词汇」的定义是:任何一个词形lemma与词义sense的独特配对为一个词汇.用中文的例子来说,比如说「锁」,我们第一个想到锁是一个工具,对不对?其实锁这个字,这个词形(锁suo3,相同的音,一样的字形)它至少有两个蛮清楚不同的意义:一个指各种不同形状的锁的实体,如喇叭锁;另一个是锁的动作.这两个指的是不同的意义.所以,如果在词汇网路及语言学分析的作法,就要变成两个词汇.词汇的区辨是以意为主,以形为辅的.意义不同,不论是否共用一个词形,一定要视为两个词.意义若不分,当有一个以上可互换的词形(如异体字)时,则视为同一个词汇.若是英文就更明显了,文献中,中文的例子比较少,英文比较多.譬如英文的bank这个词,讲「银行」是写bank,讲「河岸」也是bank,讲船跟飞机倾斜的动词也是bank等等之类的,或者说你到某个银行开户等,也叫banking,to bank,动词也是bank.这麼多意义,它每一个意义跟每一个形的组合就是一个词汇.在词汇网路中,bank这个词形共有17个词义.这个就是刚刚谢老师讲的「依义不依语」这个表相,根据它的意义,每个意义是一个单位,而不因它外表的相与形状而做一个单位.不因为它是一个bank,就认为它是一个词,因为它的意义,就会把它区分开来.所以,每个语言所能表达的所有概念,就是所有词义sense的集合,正好在词汇网路中表达出来.
再来最重要的就是,一组基本的词汇语意关系.如果我再借用谢老师的话,用表相「依法不依人」;也就是我不去描述它的本体,因为我现在很难去告诉你,它的意义是什麼?我怎麼样去表达它?有些基本的概念几乎是无法定义的.但是我可以有一个办法告诉你,这些词义跟词义之间,意义与意义之间可以有哪些关系,而这个关系是固定的,有限的.也就是说,意义的本性不可说;但意义与意义间的关系是可以有规律来描述的.
词汇网路的架构
词汇网路架构的第一个准则是以词义为基准,把有相同词义的所有词汇放在一个同义词集(SynSet).这麼一来,同义词集即是表达相同概念的所有词的集合.也就是说,当一个语言(或次语言)经过这样的分析归纳之後,这个语言里所有的概念都整理出来了.可能有一个以上的方法来表达某些概念,但是当把所有的词义的集合列出来之後,这个语言里所有的概念都已经有了.除了英文的WordNet,在欧洲的EuroWordNet也已经做得差不多了,认为相当完整.但其实不可能真正完备无遗,因为语言是动态,有生命力的,不但随时会有新的意义出来,现有的语意及词汇也可能改变.但就一般使用而言,上述的词汇网路是相当完整的了.他们的同义词集或概念词集大概都有十万个左右.
下一步就是以定义过的词汇语意关系,连结所有的同义词词集.原先依义不依语,已经把概念找出来,把所有的词义找出来之後;第二步再来依法不依人,不依它的相,只依意义与意义之间一个法的关系归纳出来.我们如果还记得,刚刚讲语意网的时候,语意网的关键就是,每个网路资源的知识本体里,需要二个东西:第一就是这个网页资源里面所有的概念,再来就是跟所有概念之间的逻辑推理关系.把所有的概念找出来,把所有的逻辑推理关系连结架构出来,就是一个完整的知识本体,整个知识架构的范围就在里面了.我们之所以主张要用所谓的语言本体论关系,是因为如果利用词汇网路这样的现有语言资源,就已经有相当多的资料.把现成语言表达的所有概念中找出每个特定网路资源引用的;然後把所有概念之间的语意关系找出来,便是建立了该网页资源所有概念间的逻辑关系的雏形.当然,每个特定资源一定有超出语言一般表达的概念或关系(或有一些不在语言中表达的概念).但有了以语言为基础的丰富资料与基本架构,个别知识本体的建立才有可行性.
这里要注意到词汇关系这个法是具相当知识内容的.譬如大家熟悉的索引典,或同义词典为例,基本上会把同义词抓成一组,但对词汇网路,除了同义,反义,近义之外,更重要的是上位,下位,及功能等关系.也就是不是只讲它有相同的关系,因为意义与意义之间的关系的法,并不是只有身分相同而已.它有很多的关系,这个关系是我们真正在利用推理的时候,或者是在了解知识内容的时候,所凭藉的东西.
词汇网路提供的知识基本架构
首先再强调一次,我们认为词汇驱动的概念Synset是知识的单位.也就是说我们用语言来表达知识的时候,最小单位是一个概念.但是这个知识单位的表相是什麼呢?是—个词汇.对任何一个概念,当然不是很容易去马上描述它的本体,它的实质是什麼.你跟我描述说概念是什麼东西呢?我利用语言来表达它,但是能够把它切成一个词汇的时候,知道它是一个概念的单位.所以,这是用这个表相的单位做一个驱动的概念,达到的知识.然後知识与知识间有一些关系,它是怎麼衍生出来的呢?是用语意的关系来表达出来的.所以,这个语意关系(Semantic Relation)说明了概念连结与知识衍生的基本关系.
我们回到一个简单的问题.我们现在知道在网路上,为什麼一般搜寻不好用,会错?是因为它是按照一个词的形状去找.或如Google,在找词的时候,是依照大多数人找的词去搜寻的,也就是按照群众的行为去找.事实上我们对图书资讯界还蛮熟悉的,如果是一个专家(比如是参考图书馆员),在问一个问题的时候,要用什麼方法去找关键词找不到的资料?
词汇网路与知识运筹
在网际网路的时候,虽然它的媒体,载体改变了,但它所触及的对象还是文件,或是一个书本,一个图形档案.如果进入语意网的时候,任何要处理知识运筹的范围时,会遇到两个大问题,一是知识如何计量(How to Itemize Knowledge );二是知识如何编目(How to Catalogue Knowledge ).我可以告诉你要找哪一本书,要找一个实体,一个文件,一个document.哪一个title.这是一种实体,是在全球资讯网可以做的事情,因为它就是一个单位.我规定它是什麼单位,给它一个metadata控制资料,按照这个资料去找.但是如果进入语意网的时候,这些假设都被打破了,因为它有效的单位定义不再重要,都被打破了,只剩下知识的本体而已.我要找的东西是一个知识,不是一个特定的实体.那怎麼去计量知识?怎麼知道知识有多少?怎麼去编目知识?怎麼对知识分类?
词汇网路与(图书馆学中的)索引典
所以,稍微退一步回想,我们原来一直很熟习的做法,图书馆学或资讯界所建立的「索引典」.「索引典」的著眼点在资料与检索结果的标准化,因此建立在类别equivalence class 的概念上;并辅以类别为单位的(概念)层级架构.其目的是要可以很快找到预先设定的固定类别.因此原则上只标记同义关系(synonymy).如同个名词,有称为「佛陀」,也有叫佛祖的,等等之类.按照步骤去找,也许可把跟英文不同的其他语言,如华文,梵文等等.这麼一来可以很快找到预先设定的固定类别,也可以处理部分多语问题.只要规定它是这个类的,当然可以找到,而且找得很好.
但很有可能,我们要的那一个类并没有被定义过;而且环境会改变,如果分类定义因时制宜,因地制宜,就会有不一样.举一个是前一阵子蛮具政治性的说法,「番薯」代表台湾本地人,外省人是「芋头」.所以要找这个同义词集的时候,找本地东西索引典可能会告诉电脑也要找番薯,要找外来人的资料也要找芋头.这是政治语言上的一个东西.可是,如果你想要做植物学呢?芋头是本土植物,番薯是外来植物;番薯是从美洲印地安来的,芋头是本土的,那要找的东西不是完全相反了吗?这个分类定义法的问题,就是迷於语言的表相,但是实质呢?因为知识的内容跟意义,在不同的时,地里面不一样,我们要怎麼样找到知识的本质呢?非用语言不可.网路资源,所有表达方式,以及使用者在下检索的时候,所用的可能是同样的表相(词形),但他们可能分属不同知识本体,或在不同的架构节点上.电脑怎麼能知道呢?答案就在每个网页上,在知识的表达上面;告诉你,我的知识本体是怎麼样的架构,用了哪些概念.在植物的知识本体里面,当然,原生植物跟外来植物,引进植物,是分在不同的本体架构里面.在一个政治语言里,它又是一个不同的本体架构.只要标示它,就不会有上述的问题了.因为使用者不是因为简单的下一个「番薯」的检索或本地的检索而已.他是在一个语境底下,一个知识范围底下下的一个检索.但是前提是,要有这麼多知识吗?有多少知识才足够呢?譬如「响尾蛇」跟「饭匙倩」是相同的东西,在索引典裏是相同的.但使用者下的指令是搜寻「响尾蛇」还是(台湾的)「饭匙倩」,它的意义上又不一样了.饭匙倩它是一个台湾地区的响尾蛇,那麼它一定有特别的意义联想.比如它会在某一个诗里面,我如果写的是饭匙倩,不是响尾蛇,那麼可能是描述我在台湾生长的经验;若我写响尾蛇,我可能是写我到美国亚利桑那去旅行的经验,那个经验上的层次是不一样的,它勾起了知识的联想是不一样的.那要不要去找这个勾起的知识联想,在描述语言这个表相给你内在反应的时候,要不要这些东西呢?所以同义词永远不同义,因为在某个知识本体之下,实地的东西要知道,实地范围要知道.
第三个的例子就是说在不同的语言里,即使是被认为是对等的词汇,它表达的概念及关系很可能还是不一样.刚刚提到中文的桌子,翻译成英文是table,还是desk呢?在做跨语言的检索时,当指令是用中文下的,要找桌子;资料检索时, table,desk都要全部找回来;要找椅子时,有stool,chair,armchair,sofa等,全部都要找.或者虽讲sofa,但在这个语境里面如果只是要有个舒服的椅子坐(比如说在网路订旅馆时指定要房间内有sofa).假设某个高级大饭店房间内有很舒服的皮椅子,但他们叫它是armchair(因为是单人座),那怎麼办?这符合你的要求吗?即使在同一个语境里,在跨语言的时候,跟跨领域一样,甲语言意义在这里,乙语言的定义在那里,我们是不是能假设两个词意义完全相等,而进行搜寻与比对呢?我们的答案是在单一词汇的基础上是不行的,应该建立在每个语言共享的知识体系上才行.跨语言的知识处理,必须利用两个共享知识体系的对应才能正确又有效率.
Equivalence Classes vs. Relational Classes
同样的,当我们做一个对等类(equivalence class)的话,规定它是索引典里同一类的时候,就规定死了.在这一般的本体架构,世界上的东西有两种,实体与非实体.实体里有人造和非人造,非人造物有自然物,里面有植物,动物等等.类似的架构很多,大家都很熟悉了,也常常发现在分析时,有些东西就是哪里也丢不进去;或者说在不同的语境里面,它会有不同的意义,而且属於不同的几个类.另外,有时候一组概念或事物有同样的行为或分布,又似乎该订为一类.譬如下载,拷贝,录制,下载,拷贝,录制的对象是什麼?它们在我们的概念里面,在我们日常生活语言使用的经验里面,它是一个类.这类东西都是可以下载,拷贝,录制的.不管科技如何进步,CD取代了录音机,将来有新的机器取代CD,这一类事物的概念不会因而改变.它当然包括数位档案,电子档,机读档,程式.但是可不可以下载音乐呢?可不可以下载相片呢?可不可以录制小说呢?当然可以.在哪一个索引典里面会告诉你它是同一类?没有吧!那就完蛋了.因为,这样所有的东西都是同一类.可不可以下载贝多芬呢?可不可以拷贝李玟呢?可不可以录制Stephen King呢?当然可以啊!所以产生一个问题了,绝大部分索引典里的equivalence classes,定义固定一个类的东西,在实际使用时都被打破了.语言里面产生的一个因为事件关系而定义的类,在概念里面使用的时候,说它是同一类,并不需要另外去描述它是同一类.因为你讲的是一个有知识内容(content)的东西.因此,在下载音乐的时候,对音乐不是一个抽象的概念,是下载某一段实际的音乐,是下载某一个相片,是下载贝多芬的某一作品,一个交响曲,不是下载贝多芬这个人.那我怎麼知道不是下载贝多芬这个人呢?因为,我知道我下载的对象.这里有一个关系存在,这个动作所针对的关系,是自然的,有内容的类.所以,怎麼样从表相得到本体?语言是个表相,但它的表相是因为很多知识本体中概念与关系体现出来了,才长成这样的.我们常使用的一个例子,书,书本,这类东西最好玩了,你说书本这个文章很有趣,是讲内容;讲它很长,三万多字,不是内容,是用文字来表达;这书是绿色的,绿色的是指它的外观;这个书是精装的,是指它的装订方式;这本书花了我十年的时间,是指我写作的过程.请问书是一个概念,还是以上所提的几个概念?知识是一个本体,表相上面如果要去分,它就是一个或多个.所以,有时候不要迷於相,有时候不要迷於实质,因为根据你的理论,给你实质的定义,很可能让你错过本来相是一致的这个事实.因为书就是这麼一个东西,它是这麼多概念组合,因为书的定义对我们的知识上,就是有内容,有文字,有印刷方式等等之类的.它是一本电子书的时侯,它就是没有纸了,它就是一个电子档案,但是它是不是失去了书的本质呢?对我们来讲,对使用语言的人来说,它的本质是存在的,它还是书.所以,在这个语言里,我们把这一组概念的结合看成一个单位.从人与语言使用的观点出发,让我们知道这些在某个知识分类上跨类,因而似乎必须区分的东西,在我们的知识架构中结合成了一个单一的概念单位.是语言告诉我的,是表相告诉我,说它是一组概念,而不是一群散开的不同概念,它又是实体,又是电子档案,又是文本等等之类的.类似的,当我提到可以下载,拷贝,录制的一组事物,根据我们的语言使用与经验,可以预测大概也可以阅读,欣赏,买之类的.这样的事件行为与经验,又在知识架构上产生了一个新的概念群组.可以这样产生的类似乎无穷.但是,在知识本体上,其实有很简洁的处理方法.也就是说,这些事件(event)的分类是必须且无可避免的.但因参与事件相同而群聚的事物,则不必另立一类.他们可藉著参与事件的关系而被定义.也就是说,他们的类似关系,是在参与同一类事件的条件下产生的,而不是概念上的必然.刚提到最重要的是,在词汇网路里面,我们所看到的,不只是同义与反义的关系,很重要的是一些事件的关系性的东西指的就是这个.事件关系的定义,使知识本体上的概念关系简洁化.
词义关系
词汇网路的特色,也是最重要的标准,是在每个同义词集(即概念)上标记一组经过严谨定义的词义关系.这些词义关系的连结,构成了以词汇为节点的网路.以下先列举语意学理论中最典型的九种词义关系,及其标准中译,并加上非典型但对知识表徵非常重要的涉入(Involved)关系加以解释:
antonym 反义关系
hypernym 上位关系
hyponym 下位关系
holonym 整体-部分关系
meronym 部分-整体关系
metonym 转指关系
near-synonym 近义关系
synonym 同义关系
troponym 方式关系
同义/反义关系Synonym/Antonym
同义/反义关系.反义词,同义词.同义词当然大家已相当熟悉,不另多说.反义词在语意关系上的地位,倒是值得讨论.一般人通常以为反义词是意义相差距离最远的两个词.其实,从语言学的观点来讲,反义词是语意距离最近的两个词.打个比方,通常与最亲密的人吵架是最激烈的;比如巴勒斯坦和以色列打得你死我活,他们同是闪族人(Semite),民族血缘其实是最近的.共同的生活环境与资源需求造成利益的竞争与冲突;在需求相同後造成竞争,特性上些微的不同便造成对立.在词语中,反义词根据语意学的定义是,两个词除了对比的语意特徵外,其他所有语意特徵完全一样.也就是说,反义词的功能是在某个概念关系上的对比,而要建立这个对比,其他(语意)条件必须相同.另一个说法,对这个关系也许有帮助的,就是我们常说的「苹果怎麼跟橘子比?」反义的对比,是建立在其他语意特质相同的条件上.
以下以几个例子说明讨论.比如买跟卖是一对反义词,所牵涉的动作一样,只是方向不一样而已.胖与瘦,讲体重,一个体重的数量大,一个数量小,只有一个特质不一样.所以,从观念来讲,比如从搜寻,或其他从知识的处理来讲,会不会想到用反义词去搜寻,是成功的关键之一.假设说你要找「红」的东西,你会想到绿;红跟绿根据定义是反义词,因为它只是描述颜色的色谱不一样而已.因此,当你去搜寻红的时候,人是会有时候一个词想不出来,一个概念想不出来,会用类似的概念,会用反义词.如找叔叔,找不到,会找伯伯,或找侄子,这样的关系反义词.但是,通常的搜寻介面里是不会提供这样的功能的,因为它误认为反义词代表著完全不同的概念,忽视了反义词才是词义距离最近的.这是一个反义词的概念.
上位关系/下位关系Hypernym/Hyponym
具上位关系的词叫「上位词」,又称一泛称词.如说汽车是一种交通工具 (vehicle),这便是一个上位关系.上位关系与下位关系(即is a kind of的关系)有对应性,是成双出现的.这个关系有时候是递移性的,如吉普车是一种汽车,当然也是一种交通工具.但是有时候是非递移性的;如佛教是宗教的一种,禅宗又是佛教的一种,那麼禅宗是不是宗教的一种呢?在大部分的知识体系里,禅宗,天台宗都是佛教的一个宗派,但这个宗派的从属观念是只限於佛教的,因此不能往上传.所以,讨论上位,下位的关系,有时候还是要考虑关系本身的特性.也就是说,词义关系的界定,并不是只有一种关系存在与否那麼单纯.因此,我们有时候会把一种关系做更详细的分类,像以下介绍的整体—部分关系.
整体-部分关系Holonym
回到刚刚那一个问题,当一个专家,去寻找一个概念,一样事物的时候,就跟你自己想东西想不出来的时候,叫不出名字的时候,会用什麼方法去解决问题,逼近要找的对象?事实上就是靠语意关系.譬如你可能要找一个门,一时门讲不出来,你讲房子(整体词,因门是房子的一部分),讲窗户(反义词);利用不同的语意关系概念,想要去接近那个词,不一定是用同义词,不一定是用同形词.人们最常用到的词义关系之一就是部分—整体关系.房间有门,手有手指头,字有笔画,这些都是部分—整体关系.
我们刚提到部分—整体关系,可以做更细的分类.譬如整体跟组成元件HAS_HOLO_PART,HAS_MERO_PART,专指部分是可拆成元件的.例如:桌脚跟桌子,可以一块一块被拆出来的.第二个是集合跟成员(SET-MEMBER)的关系,例如:内政部是内阁的一部分,球员是球队的一部分;他们都是一个集合里面的一部分.第三个是整体与组成成分(PORTION)间的关系,如饭与饭粒,河流/海洋与水滴.组成部分,在英文常是一个不可数名词.下一个是部分—整体关系牵涉到材料.例如:纸张与书籍,这个也是.组成成分与材料不同的地方在於组成成分可以由整体分割回复(海可以分成无数小水滴);材料无法分割回复(书不能再变回纸).在地理区域上也有部分—整体关系,比如绿洲是沙漠的一部分.在概念上来讲,这是常用的例子.怎麼去定义一个绿洲,而不定义沙漠呢?不能说有水的地方就叫绿洲,有水的地方要在沙漠里面才叫绿洲.所以,这个词义关系已变成了词义的基本定义.
我们之所以会分这些关系,是因为我们回到刚刚提到的,就是这些细分的关系各有不同的逻辑推理关系.在部分—整体关系的基础上,有些(语意)特性是可以继承的.比如说桌子是木头的,那麼可以断定桌脚也是木头的;如果桌子是方形的,却不能断定桌脚也是方形的.所以,不同的部分—整体关系会影响不同的概念继承与逻辑推理.这带出了词义关系的标帜的另一个重要知识处理功能,就是定义各种可能的概念继承与逻辑推理.再以组成成分关系为例:若说饭很好吃,饭粒当然也很好吃;但说这碗饭煮得很松,却不能断定饭粒很松吧!原来没有想这个事情之前,会认为绿洲一定存在沙漠中这些概念属於常识(real world knowledge).事实上他们在每个人的词汇知识里确实存在,更支持词汇是语言知识本体的想法.
转指关系Metonym
转指关系,这是在现代语言里常用的.譬如「思科(Cisco)宣布裁员」,这个公司,它是一个无生命的东西,会宣布吗?其实是思科某个发言人宣布的,或者是以我个人经验而言,说「台北主办COLING2002」,台北这个城市会主办吗?当然是位於台北里面的某个成员来办这个研讨会.用一个组织/法人/地区等的名称来代替实际执行工作的一个人,这就是转指关系.有时候用大代小,有时候用小代大,是我们常用的一个语言上的东西,它的表相如此.但处理知识时,我们必须知道真正产生这样关系,真正做这个动作的是谁?
方式关系Troponym
方式关系,主要是用在动词上.在早期的理论里面,是把它当做上,下位,但是基本上现在都把它称为「方式关系」.如在物品中,桌子是一种家俱,是一种上,下位关系.但如煎,炒,炸,炖各是一种煮食的动作,这时候它与上下位关系不一样的地方在哪里呢?在语意与概念的对比里,它主要是方式不一样.譬如移动move,移动的方式词有走,跑,慢跑等等.所有这些动词移动的事件是一样的,只是事件进行的方式不一样.这不是像物品分类的关系,而是对某一种行为在方式(manner)上做更细微的区分.概念上的差异,可能在於速度,可能是工具(如手)摆动的幅度等等之类的.那麼,煎,炒,炸,炖可能是使用的工具不一样,火的温度不一样,这是事件经验的一部分.在语言表达上,就把同类的事件,用方式区分.
涉入(Involved)
普林斯顿的语意网路,最早的设计中并无涉入关系;主要原因之一是因为他的设计把不同词类的词分开处理,并不允许跨词类的语意关系.但是,人类的知识系统中并没有这样的限制.比如说,事件与参与者/涉入者的概念关系,并不因为他们一个用动词,一个用名词表达,而从知识本体中消失.更重要的,当我们考虑到事件与事物这两类实体的系统,其实很多是要靠涉入的关系来连接,来实现逻辑推理与概念继承的.因此在较晚开始的欧语词网中就加入了涉入关系.我们也采取这个较新的架构.
涉入角色,有涉入施事者,涉入经历者等.譬如厨子跟烹调,做饭.我想个人会有这样经验,你想说大厨,大厨这个名词想不出来,你会说煮饭(的人).这个事件是一类实体(或人物)的语意关系,在语言里和在知识本体里面都有很重要的地位.这个关系是经由如何去定义一个厨师而建立的,因为语言里定义厨师是煮饭,烹饪的人.但在传统语意架构里面不太表达这种关系,这是我们比较需要在词汇网路中加进来的.另外,使用什麼工具也是很重要的涉入关系.譬如我们为什麼说犁地呢?犁是一个工具,在犁地的事件中,犁这个工具是最显著的概念特徵,语言上给我们这样的证据了.
涉入的工具,有场所,动向……等,就不一一列举了.词汇网路用到的其他涉入角色,可参见EWN网页上或「语言座标」网页上文献的说明.
词汇网路(WordNet)网路资源现况
1990年普林斯顿(Princeton)开始进行做的英语词网(http://www.cogsci.princeton.edu/~wn/)是词汇网路的滥觞.目前已经是1.7版了,可以上网去检索.这是英语单语.另外,欧语词网(EuroWorNet,EWN)是在1996年开始做的(
http://www.hum.uva.nl/~ewn/).欧盟意识到如果要去处理知识的话,必须要用到词汇网路上这样的架构.然而,国际资讯界的主要研究机构,由於是企业(如IBM,AT&T,Microsoft)所支持,大概都专供有利可图的英文.然而,为欧洲的竞争力著想,又不能没有欧洲各语言的词汇网路资源.所以,欧盟组织规划并补助了多种欧洲语言词网的建构.而且把多语的资料处理分到相关的各国,技术也是共同开发.当然,与英语的连结不可少.所以,欧语词网与普林斯顿的英语词汇网路是相容的.欧语词网包括有巴斯克语(Basque),卡达兰语(Catalan),捷克语(Czech),荷语(Dutch),法语(French),英语(English),爱沙尼亚语(Estonian),德语(German),义大利语(Italian),西班牙语(Spanish),瑞典语(Swedish),挪威语(Norway),丹麦语(Danish),希腊语(Greek),葡萄牙语(Portuguese),罗马尼亚语(Romanian),立陶宛语(Lithuan),俄罗斯语(Russian),保加利亚语(Bulgarian),斯洛文尼亚语(Slovene)等等.整个欧洲语言大部分的词汇网路已经做好了.因此,我们可以这样说:西方语言大部分的词汇网路已经做好了.
在中文方面,也已有了一个类似词汇网路的资源,叫做「知网」(HowNet. http://www.keenage.com).由大陆的董振东先生在1995年自力著手进行.它是中英/英中的一个双语词汇网路.早期版是开放不用收费的.2002起新版改由中国科学院软件所管理後,就需要付费使用了.
「知网」作法的特色是独树一帜;不采用英文词汇网路的架构,只要采取他自己的架构.而且他先把世界知识本体做个定义,在这定义里再去做区分.这个由上而下的方法,与英语与欧语词汇网路由下而上的方法不同,当然有其可取之处.可惜的是,由於当年资源与讯息的限制,董振东教授与他的儿子董强,基本上是凭著信念与热诚完成「知网」的,过程中绝少外界的奥援,也并未与世界相关研究接轨.他跟他儿子花了约有七,八年的功夫来做这个事.但是,基本上跟其他语言的词汇网路连结,并无架构上的基础,而其上层知识分类,也是两人的自由心证,不能说错,却也缺乏理论的基础,面临一些与其他系统互通性(inter-operability)的问题.
因此,现在中央研究院在2000年开始做,做法是先做英中的双语词汇网路.前面的报告说英文的词汇网路把欧语的词汇网路跟普林斯顿词汇网路结合起来,大概有十万个概念的单位,我们把十万个概念的单位先一个个的看,找出最好(兼顾概念表达与语言使用)的中文翻译.这个找出最好的中文翻译,最重要的一点是双语对译不见得可找到两个表达概念完全相同的词.刚才给的这例子:table跟desk这两个英语,可能最直接的翻译就是桌子.但事实上它不是一个同义词.桌子是desk的上位词,因为桌子包括了desk跟table这两类.所以,好的翻译有时候是有上下位等的关系,必须要把语意的关系表达出来.又如orange翻译为橘子,其实橘子不只是orange,英语中还有tangerine等等之类都是橘子.我们不能说橘子不是好的翻译,却也不能说橘子在概念/知识内容上等同於orange.当做一个双语的知识转换时,必须要知道对译词间的语意关系.所以,我们把十万个WordNet的词做出来,现在正在标记,把语意关系建起来.也就是说,我们把双语的对应关系,当成语意关系处理.部分资料可参见我们的网址http://corpus.ling.sinica.edu.tw/ project/LanguageArchive.
语言座标——参考资源建置与服务概念图
结语:欢迎参加「语言座标」的建置工作
以上的图是「语言座标」这个计划的概念与关系图.这篇文章中谈到的研究,将在「语言座标」计划中实现.这个计划是在谢老师负责的「数位典藏国家型科技计划」中的一个分支计划.基本的想法是,数位典藏包罗万象;但是要去解释典藏内容知识的时候,却一定要知道原始典藏的语言.领域,时空变迁都会影响内容的诠释.因此,我们必须在时间,空间上面,根据语言来做一个标识,针对某个主题,某个领域使用它的内容是什麼.这就是语言座标.
语言座标是要描述任何典藏内容的how与what,因为要知道知识是怎麼来的;并辅以时空的when与where,语言座标协助典藏内容知识的投射与解读.针对每个时代,每个主题,每个典藏,先建不同的词汇库,在不同的词汇库上建不同的词汇网路,这就是Ontology的基础.就是在语意网路的未来发展中,数位典藏必须要经知识本体(Ontology)的媒介才能为其所用.语言座标提供了由典藏中抽取本体知识,以及在不同知识本体中建立概念转换的必要基础架构.如果慢慢建起来了,也就是在建立典藏的过程,也建立了完整的知识架构.这将是一个浩大的知识工程,需要大家共襄盛举!
後记
语言座标的「领域与知识本体双语检索介面雏型」刚在2002年底完成:http://ckip.iis.sinica.edu.tw/CKIP/ ontology/,除了可以检索中英对译外,更可以检索SUMO通用上层知识本体,英语词网的词义关系,及部分领域标记.使用者若能回馈新的领域标记,或其他资料,并将有礼品相赠,欢迎使用.
【编者按】本文为录音誊稿,经讲者拨冗审阅刊载.