wordnet数据文件整理小结

为了不被wordnet的API所限制，为了不用每次都拿着文档一个一个单位的比对，为了某某某的相似度计算不再计算的头昏眼花，为了我自己之后可能会用到wordnet。In a word，在如此强大的需求之下，我终于决定把wordnet的数据库文件解析出来，按照自己定义的模式保存在数据库中。——在这个过程中，第一次真实得感受到了传统关系数据库的局限性，不知道被热捧的XML数据库发展到什么程度了。

废话一堆，言归正传。接下来，首先将分别说一下总体的思路和wordnet数据库数据表模式的结构和关系，接着依照数据库生成的过程简单解析各张表格的结构，最后部分大概说说目前的使用以及可能的使用，包括一些纯属个人兴趣，和研究或项目没有任何关系的古怪想法。

1、总体思路和数据表模式

wordnet的数据文件分为两类：索引文件*.index和数据文件*.data。其中索引文件主要指定了某一个（字符串）单词所属的同义词集的集合，而数据文件其实是对每一个同义词集的详细解析，包括该同义词集包含的（字符串）单词，对应的周边关系和该同义词集的概念解析。

很自然的，考虑到了直接将一个数据文件映射到一个或者多个数据表上去。就是说数据文件和数据库表之间维护着单映射关系。由此，基于wordnet数据文件的结构分析，数据库的总体模式由四张表组成。分别为：索引文件*.index解析成index_term表，数据文件*.data由三张表组成，这里称之为一张主表加两张附表，主表synset主要保留了同义词集包含的词语和它自身的解析，另外两个表项relation_cnt和verb_frame_cnt分别标记该同义词集的关系数和动词组合结构数。为了最简化数据表的关系，主表和附表都是使用同义词集标记synset_id进行关联。

最终，数据表之间的模式关系可以参见下图一所示：

图一、数据库表模式关系图

2、数据库表格解析

index_term表保存了每一个（字符串）词语，以及所有所属同义词集的标记号。这里出现了刚才提到的问题，也就是关系数据库无法有效的表示这种大小可扩展的表项，在程序中synset表项可以使用一个不定长数组来表示，但是在数据库中就比较麻烦了。当然，设置好分割标记，将数组转换成字符串然后建立全文索引也是可以的，理论上来说是这样，但是这样保存的东西使用起来非常麻烦，而且也不直观。

synset表保存了一个同义词集的固有属性，表项中的index_word也是这么个问题。注意其中的relation_cnt项和verb_frame_cnt项，分别标记关系数量和动词组合结构数量。

这里假设分别要了解一个（字符串）词语和一个同义词集的相关信息，应该如何利用数据库最快的获取。

a)、（字符串）词语：首先以该词语w为查询条件在index_term表中获取它对应的所有同义词集的标记号，设为{id}，——如果所属同义词集不只一个，那么根据具体情况决定是否要将w绑定到某一个id上。这样，这个问题就转化成获取某一个同义词集的相关信息，具体见a)部分；

b)、同义词集：给定一个同义词集，用它的标记号id作为查询条件在synset表中获取属于该同义词集的所有（字符串）词语。——（字符串）词语和同义词集之间是多对多的关系。如果relation_cnt项和verb_frame_cnt项不为0，说明该同义词集具有相关同义词集和动词组合结构（只有动词的这一项才可能不为0），分别以标记号id到relation表和verb_frame表查找出对应的关系对和组合结构。

注：verb_frame表，目前想不到会有什么用，只是为了边面以后重复解析，所以解析出来了，里面有些内容没有仔细去研究。先忽略之，等以后要用到的时候再去完善。

3、一些应用，包括但不限于，未完待续…

a)、概念相似度的计算：应该说，这个是最无聊，最笨蛋，最缺乏创意的应用，不得不承认，也是用的最多的，——我们都是笨蛋。这个就不说了，或者让某某来解释一下。下文是我们最终讨论的大致算法，和最后编程实现有一些偏差，供参考。

WORDNET相似度计算算法
1、使用关系：
同义关系，is-a关系，part-of关系
2、概念之间以同义集关系进行跳转。
如果两概念之间为同义集关系，则直接计算，
否则同义集之间的关系跳转使用is-a关系和part-of关系
3、概念深度的计算考虑三种选择：
一是单关系单向从根结点开始扫描；
二是两关系（is-a关系和part-of关系）单向从根结点开始扫描；
注意事项：
1、待测试的概念对可以指定所属同义集，也可不指定，此时用所有包含该概念的同义集集合作为待测概念；
2、深度计算是从根节点单向扫描，知道获得待测的两个概念为止；


——之后的想法都比较简单，大都还停留在思考阶段

b)、如果两个概念之间有多条路径，会发生什么？

c)、不同的路径模式之间有什么关系，比如单关系路径，混合关系路径？

d)、我们是不是可以开发一套单词记忆软件，基于同义词集的单词记忆，基于关系的联想记忆？

……