中医药学语言系统研究综述

于彤　贾李蓉　刘静　杨硕　董燕　朱玲

摘要：中医药学语言系统（TCMLS）是由中国中医科学院中医药信息研究所联合全国13家中医药科研单位和高等院校于2002年开始研制的大型术语系统。它是在统一医学语言系统（UMLS）的基础上，根据中医药领域的语言特点及学科体系特色，采用本体（ontology）的设计理念和方法研制而成。经过10余年的发展，TCMLS的技术体系日趋成熟，相关研究也越来越深入和系统化。通过回顾TCMLS的发展历程，对相关研究文献进行综述，分析存在的问题和未来的发展方向。

关键词：中医药；语言系统；中医药学语言系统；本体

中医药学经过几千年的发展，在临床实践和医学研究过程中产生了大量的概念和术语。朝代更迭、语言变迁、地域差异、学科融合等多种因素的综合影响，使中医药学术语体系变得极为复杂。针对中医药文本中大量存在的同物异名、同名异物等现象，中医药工作者往往无法做出正确判断。通过建立一个完整、准确的语言系统，能够有效处理词义模糊、一词多义、一义多词等复杂的语言现象，可以解决长期困扰中医药信息化领域的术语使用不规范、术语组织不系统、信息检索效能低下等问题。为此，中国中医科学院中医药信息研究所（以下简称“信息所”）联合全国13家中医药科研单位和高等院校，从2002年开始研制中医药学语言系统（traditional Chinese medicine languagesystem，TCMLS）。本文回顾了TCMLS的发展历程，对相关研究文献进行综述，分析存在的问题和发展方向，为中医药学语言系统的研究、编制和使用人员提供参考。

1概述

TCMLS原名为中医药一体化语言系统。它是参照统一医学语言系统（LMLS），根据中医药领域的语言特点及学科体系特色，采用本体（ontology）的设计理念和方法研制而成的大型术语系统。其目的在于利用现代信息技术，逐步建立规范化的中医药术语体系，从而支持中医药信息资源的合理组织和有效检索。

TCMLS主要包括语义网络（semanticnetwork）和基础词库两大部分。其中，语义网络定义了中医药领域最基本的语义类型（semantictype）和语义关系（semantic relation），构成TCMLS的顶层框架。基础词库则以概念为单位对中医药术语进行系统梳理和准确诠释，建立科学合理的概念分类体系以及概念之间的语义关系。经过10余年的研发，TCMLS的技术体系日趋完善，建立了成熟的术语采集系统；组建了由300多名专家组成的术语加工团队；收录了约12万个概念、30万个术语和127万条语义关系，涵盖了中医药学科体系及与之相关的生物、化工、哲学等学科的专业术语，在文献检索、文本挖掘、术语集成等方面得到了实际应用。

2中医药学语言系统发展历程

从20世纪90年代开始，本体技术在医学领域得到广泛应用，在知识获取、知识管理和信息检索等方面发挥了积极的作用。UMLS是其中的一个代表性本体，它集合了来自100多个词表中的100多万个概念，用于提高计算机“理解”医学信息的能力，促进医学信息系统之间的互操作。注意到UMLS在医学领域取得的成功，中医药工作者开始考虑将本体技术引入中医药领域，以中医药学科为主导且遵循中医药发展思路，研发基于本体的大型术语系统。2002年，信息所联合全国13家单位正式启动了TCMLS的建设工作。TCMLS从建立之初到目前为止，大体经历了3个阶段。

2.1建设初始阶段（2002—2005年）

在建设初期，尹爱宁等提出了建立TCMLS的方法学，制定了TCMLS的技术标准。Zhou XZ等则从信息技术角度提出了TCMLS的技术方案。这些研究为TCMLS的建设给出了科学合理的顶层设计和路线图，为其长期健康发展奠定了基础。在此阶段，各单位加工人员采用单机版的Protege软件分别加工各自的部分，再由信息所统一汇总。这一加工模式促成了多单位数百人协同共建，但所加工的数据难免有所重复和矛盾。

2.2迅速成长阶段（2005—2009年）

从2005年开始，基于万维网（Web）的加工平台成功部署并投入使用。各单位加工人员得以在统一的网络平台上协同共建，免去了数据汇总的环节。基于网络的协作方式显著提升了加工效率，使TCMLS的规模得以迅速增长。但加工人员的主观性和专业水平差异等因素造成TCMLS的数据存在很多质量问题，因此数据质量保证和数据清洗技术成为研究重点之一。在系统建设的同时，学者们也针对系统设计和架构等问题进行了反复研讨，提出了一系列调整和改进方案。

2.3稳定发展阶段（2009—2014年）

经过上一阶段的大规模数据加工，TCMLS已收集了现代中医药文献中出现的大部分概念和术语，其数据增量开始逐年放缓。在2009年，信息所与维思比科技（北京）有限公司合作，在成熟的商业软件的基础上，搭建了更为稳定的网络加工平台。在完成平台改造和数据清洗等工作之后，TCMLS系统的数据质量得以显著提升。随着TCMLS的发展成熟，其在文献检索、文本挖掘、术语集成等诸多方面的应用研究渐趋活跃。TCMLS的设计理念和成功经验，也在中医古籍语言系统、传统针灸知识体系语义网络等系统的建设中得以推广。

3中医药学语言系统相关研究

中医药术语系统具有鲜明的语言、文化和学科特色，没有现成的解决方案可以照搬。在TCMLS的建设中，从中医药特点和需求出发，开展了许多创新性的研究工作。下面从方法学研究、标准化研究、分析与评价研究以及应用研究等方面，对相关文献进行综合分析。

3.1方法学研究

学者们针对TCMLS的建设，开展了系统性的方法学研究。尹爱宁等提出“复杂度约定与限定方法”“多学科交融与碰撞方法”以及“本体论与诠释论关联应用方法”等3种方法，为TCMLS的设计和构建提供了新思路和新方法。尹爱宁等还完成了TCMLS的顶层设计，包括概念分类框架、语义类型以及语义关系等内容。方青、曾召、谢琪也针对TCMLS的设计理念、设计原则、系统架构和构建方法开展了研究和讨论。

学者们还针对TCMLS所涉及的信息科学方法与技术开展了研究。Zhou XZ等、方青提出了TCMLS的技术方案，包括系统架构、数据存储、概念编码方式、编辑工具、查询服务等内容。汤萌芽研发了基于Web的TCMLS加工平台，支持多单位大量人员的协同加工。Mao YX等针对TCMLS的管理和维护开展研究，提出了基于子本体模型的本体演化方法，以支持大型本体的重用。崔蒙等研究如何通过自动化方法逐步提升TCMLS的数据质量，提出了基于语义网络的数据清洗策略。

3.2标准化研究

为协调多机构大量人员的编审工作，需要建立科学合理的技术标准。早在2003年，尹爱宁等就为TCMLS制定了包括收词原则、收词标准、一级类目、语义类型、语义关系在内的技术标准。这项标准在系统建立过程中发挥了重要作用。但其适用范围仅限于TCMLS，其他中医药本体均不完全符合这套标准，由此造成本体系统之间的异构性。可见，为使一套技术规范具有广泛的影响力和约束力，需要在权威的标准化组织的框架下开展工作。

鉴于此，信息所于2008年，代表我国向国际标准化组织（ISO）健康信息学技术委员会（TC 215）提出了技术规范“Health informatics Semanticnetwork

framework of traditional Chinesemedicine language system”的项目提案，致力于在ISO框架下推进TCMLS语义网络框架的国际标准化工作。该项目于2012年得到成功立项，于2013年3月形成草案并进入评审和投票环节，并于2014正式发布。它在多术语系统融合、术语服务以及术语系统互操作等领域将发挥基础性作用。

3.3分析与评价研究

学者们针对TCMLS各方面进行分析与评价研究，以期发现其中存在的问题，促进TCMLS的发展与完善。例如，贾李蓉等对TCMLS中语义类型的使用情况进行分析，找出不合理的语义类型并建议删去。杨阳等、贾李蓉、曹莉等针对TCMLS语义关系进行了深入的分析和探讨。贾李蓉还建议对TCMLS语义关系进行调整，如增加“开窍于……”“与……相表里”等中医特有的语义关系。李莎莎指出TCMLS分类框架存在问题，提出了分类指导原则以及改进的分类框架，使TCMLS词库分类更加合理。贾李蓉等从术语的收词范围、术语完整性等方面对基础词库进行了分析，提出了改进意见。

2012年，贾李蓉等针对TCMLS开展了较为全面、系统的评价研究。结果表明，该系统学科分类非常合理，语义分类基本合理，系统完整性较好，但语义关联的准确性较差。可见，TCMLS设计合理且具有相当规模，适合开展应用研究，其数据质量问题可在实际使用中逐步完善。

另外，谢琪、曾召等先后对TCMLS与UMLS进行比较分析。结果表明，TCMLS虽然借鉴了UMLS的设计方法，但其结构和内容均有鲜明的中医药特色，从而充分肯定了TCMLS的独特性和创造性。

3.4应用研究

TCMLS作为中医药学规模最大的本体，在中医药信息化的发展中发挥着重要的作用。如何利用如此大规模的术语资源成为现阶段研究的重点问题。TCMLS在文献检索、文本语义关系发现、术语集成等方面已经取得了实际应用，初步验证了TCMLS的实用性。

3.4.1文献检索 TCMLS能解决中医药学中同一概念具有不同表达形式、同一种表达形式表达意思不同的问题，从而改进文献检索的效果。贾李蓉等研发了基于TCMLS的中医药文献检索服务平台，它能提供术语检索、文献检索及互联网资源检索等服务。该平台利用TCMLS的术语信息实现了同义检索、相关概念检索等高级功能，提升了检索结果的全面性和准确性。

3.4.2文本语义关系发现 在中医药文献中蕴含着大量的关联性知识，体现为概念之间的关联关系。若能实现从文献中自动抽取语义关系的技术，则可大幅提升知识获取的效率。陶金火等、张小刚、于彤等开展了基于TCMLS从文本中发现语义关系的一系列尝试。挖掘出来的语义关系可与TCMLS的语义关系相结合，得到更为全面、准确的语义关系，从而扩充TCMLS的数据。

3.4.3术语集成 术语系统的应用实践表明，单个术语系统往往难以满足科研或临床应用的需求，多术语系统的融合已成为实现术语系统实用化的先决条件之一。鉴于此，于彤等采用本体技术研发中医药术语集成系统，将TCMLS、中医古籍语言系统等多个术语系统集成在同一个平台中，通过Web提供一站式的术语信息检索与访问服务，支持语言学家对语义网络进行归纳、浏览和比较研究。

4中医药学语言系统发展方向

TCMLS已趋于成熟并取得成功应用，但仍存在许多值得研究的问题。例如，随着TCMLS系统规模的扩大，如何对本体进行有效管理？如何通过自动化方法提升TCMLS的数据质量，逐步实现数据规范化？TCMLS等中医药本体皆自成体系、互不兼容，如何实现各系统之间的关联、协调与融合？现就TCMLS加工及应用2个方面讨论其研究思路及发展方向。

4.1大规模本体工程协作

TCMLS是由全国多家单位、数百名领域专家合作加工的大型本体系统，如何支持多机构的大规模协作始终是一个重要的技术问题。TCMLS建设之初，使用Protege进行加工。Protege是由斯坦福大学研制的一款本体编辑软件，具有开源免费、安装方便、用户界面友好等优点，因此得到了广泛使用。但它是一款单机版的软件，需要各单位人员分别加工，再将数据统一汇总，这一加工方式导致数据合并时出现大量重复和不匹配的问题。随着系统规模逐渐扩大，这个问题变得越来越严重。

2005年，浙江大学研发了基于Web的TCMLS加工工具，使各单位人员可以通过网络进行实时同步加工，从而提升了加工效率和数据的一致性。此后，网络化加工工具经过多次升级，与之配套的审校机制也不断完善，形成了相对成熟的虚拟协作模式。

在未来的研究中，可将单机版Protege与Web平台相结合，进一步优化大规模本体工程的协作模式。未来可实现TCMLS的模块化，使用Protege开发独立的本体模块，使用Web平台维护共享的本体框架。用户可将个人开发的本体模块导入Web平台中，与共享本体相融合；也可从平台中导出本体模块，通过Protege进行编辑、推理和查询。简单知识组织系统（simple knowledge organizationsystem，SKOS）为本体在Web上的发布和交换提供了一项推荐标准，能支持上述目标的实现。将TCMLS转换为SKOS本体，为在Web平台上完成本体发布、导入导出、本体融合等任务奠定了基础。

4.2推进中医药学语言系统实际应用

TCMLS在中医药信息化中具有巨大的应用潜力。中医药领域已积累了大量的数据库和海量文献，但仅提供简单的检索功能。如何基于TCMLS整合中医药数字资源，建立一站式知识服务平台，面向中医药工作者和社会大众提供完整、准确、智能的知识服务，是TCMLS应用研究的核心问题。

近年来，谷歌知识图谱（Google knowledgegraph）的巨大成功，使“知识图谱”成为知识服务领域的新的研发热点。TCMLS的大型语义网络为构建大型中医药知识图谱奠定了基础。在今后的研究中，可基于TCMLS将中医药领域主要的术语系统和数据库集成在一起，形成以“语义网络”为骨架的大型知识图谱。知识图谱是TCMLS的一种自然的扩充，其知识内容更加丰富，因此更具服务价值。

在知识图谱的基础上，可进一步搭建语义维基系统，面向网络用户提供百科全书式的知识服务；并参考维基用户的编辑结果和反馈意见，不断完善和丰富TCMLS的内容，进而实现一站式的知识检索服务，为用户提供异构数据库和文献库的统一检索。在此基础上，可逐步实现知识推荐、知识地图、知识问答、决策支持、关系推理等高级服务。

5小结

TCMLS是基于本体技术研制的大型术语系统，它对中医药领域的概念和术语进行了系统梳理，为中医药术语规范化提供了基础性工具。目前，TCMLS已初具规模，其应用推广工作也在稳步进行之中。TCMLS的建立是一项创新性工作，对于中医药术语标准化以及信息数字化的实现具有重大意义。TCMLS的成功表明，本体能很好地处理中医药领域中各种复杂的语言现象，是构建中医药术语系统的有效手段。在国内外尚缺乏构建本体的成熟流程、方法和技术规范的情况下，TCMLS也为本体工程方法学的发展与完善做出了贡献。