语义Web前景怎么样_语义Ｗｅｂ与中医药

　　中医药语义Web系统的应用表明语义Web的基本理念和很多关键技术都可以有效地应用于数据与知识密集型领域，并支持其中的知识表示、管理与问题求解。 　　中医药信息化涉及多个领域，包括: 中国传统文化、健康医疗与生命科学和信息技术。中医药是数据与知识密集型的领域。一方面，中医药经过几千年的积累，并随着中医药信息化的进步和发展，中医药领域所形成的数据规模日益增大。另外一方面，中医药知识与中国传统文化与哲学息息相关，由于中文语言在语义表达上固有的特征，导致中医药信息的描述和表达异质异构矛盾更加突出。语义描述与知识表达成为中医药领域一个突出难题。
　　中医药信息化所面临的问题根源于缺乏一种灵活而可靠的信息基础设施。中医药领域术语标准的缺位，导致中医药领域信息的质量缺陷。上述两者的共同作用，导致中医药领域信息集成的停滞，从而造成信息孤岛现象，并最终导致中医药领域信息资源的过分闲置。
　　语义Web作为新一代互联网技术的代表，为实现中医药领域的信息资源整合与管理提供了一种新的思路和方法。
　　
　　中医药与语义Web的结合
　　
　　中医药知识一般存在于古老的著作及家族流传的记录中，而这些记录或著作分布在不同的人或者组织中。由于中文语言在语义表达上固有的特征，缺乏统一的术语定义标准，导致现有的数据库资源存在严重的异质异构现象。而语义Web技术正好提供了明确定义关系数据库的语义，以及把关系型数据转换为可以轻易地被重用及合并的语义资源的机制。
　　通过给现有数据库资源进行语义映射定义可以跨数据库边界把这些数据连接起来以便可以无界限地更加直观地查询、搜索和浏览数据。领域本体可以被用来改善查询和搜索的质量，并且可以被用来解释重要规则。不仅这样，在语义层推理能力也可以被实现来增加查询的准确率以获取更加完整的答案。
　　与此同时，中医药信息化也很关注如何利用已经集成的数据资源以进行上层的数据挖掘与知识发现。与其他领域不同，中医药领域涉及的是一个复杂概念层次以及一个多关系的复杂网络。所以这些工作都受到数据库和组织边界的限制。而语义Web提供了一个巨大的网络，它使对数据做高级分析以及一体化的挖掘成为可能。
　　此外，语义Web技术在西医领域的应用获得了巨大的进展。随着传统医学的现代化，一个迫切的需求是如何用西医的理论和方法对中医进行解释。这对于中医药最终进入西方市场，得到西方社会的认可至关重要。语义Web技术可以作为连接中西医信息资源的桥梁，它使中医与西医领域知识的互连成为可能。
　　我们结合中医药领域的特性以及语义Web技术的特点，开发了中医药语义Web系统。它主要是利用语义技术集成现有的异质异构数据库，提供一个统一语义查询和搜索的接口，并且以这个平台为依托实现了上层挖掘功能。
　　
　　中医药语义集成
　　
　　中医药语义集成平台利用共享的领域本体作为中间层来融合存在于关系数据库中的信息以及知识，以便支持数据的集成、查询、搜索和浏览。其中，平台的后台以语义中间层来映射关系数据库模式到本体模式，并且前台以语义Web为入口来提供基于本体的跨数据库域的查询与搜索。
　　中医药数据集成系统利用语义技术集成了现有中医药数据库，并且提供语义查询与语义搜索功能。中医药语义查询与语义搜索系统的主要目标就是为用户提供简便、易用以及直观的中医药数据查询与搜索平台。其中，语义查询子系统主要帮助用户简便地构造对中医药数据的语义查询，并可以对所使用的本体模式进行语义浏览。语义搜索子系统在界面上类似于当前流行的关键字搜索引擎，它支持在全部数据库中进行基于语义的全文搜索。
　　
　　中医药语义图挖掘
　　语义Web可以使物理上分散、动态和异构的数据资源结成逻辑互联的复杂概念网络，该网络可以抽象为具有复杂拓扑结构的语义网络图。结合图挖掘和语义推理方法，可以在复杂概念网络上发现重要资源、规则和知识。语义图挖掘与语义Web中的其他功能组件具有密切的关系（如图1所示）。
　　
　　语义图挖掘一方面利用了本体工程所提供的大量的领域本体，另一方面可以通过本体匹配以及本体可视化等手段提高本体工程的质量。语义图挖掘可以利用生物医学语义网格提供的数据，从复杂生物医学网络中发现新颖的模式。语义图挖掘一方面通过语义查询和搜索获得语义网上的数据，另一方面可以通过资源重要性计算和语义关联的技术手段来提高语义查询和搜索的质量。学术虚拟组织在增进领域专家合作的同时，也为通过语义图挖掘方法来分析社会网络提供了数据源。
　　如图1所示， 语义网可以抽象为一个具有丰富含义的有向图，在图上的每一条边都表示了一个陈述，例如: 。任意两个语义图都可以合并成一个更大的语义图。在一个多重语义图中，每一个成员语义图都拥有一个URI作为全球标识，使我们能够跟踪任何一个资源的来源。它为跨领域整合资源提供了一个简洁的方案。基于语义图，我们还可以通过如下方法挖掘新颖的知识:
　　1. 发现重要的资源: 例如图1中的“处方实例1”将药理学的概念和病理学的概念连接起来，所以它在整个图中具有重要的中介价值，这种价值被量化为“介度”这个指标，然后通过算法来计算这一指标。
　　2. 发现重要的语义关联: 例如图1中“处方实例1”包括了方剂“四君子汤”，而后者又包含了草药“甘草”，所以“处方实例1”和“甘草”之间就具有语义关联。又如， “处方实例1”通过方剂“四君子汤”，来治疗证候“肾阳虚”，所以“四君子汤”和“肾阳虚”之间也存在语义关联。最后，“甘草”是一种草药，而草药是一种药物，另一方面“茯苓”也是一种药物，所以“甘草”和“茯苓”也是有关联的。通过算法可以快速发现所有有医学价值的语义关联，从而帮助中医专家进行治疗和研究。
　　3. 发现频繁出现的模式: 例如我们通过机器算法发现图2中出现的4种中药和2种症状经常一起出现在病例中，智能的软件将这一现象解释为: “四君子汤”包含了这些中药，“肾阳虚”包含了这些症状，而“四君子汤”经常用于治疗“肾阳虚”。