阮彤 王夢婕 王昊奮 胡芳槐

摘要：[目的/意義]近年來，知識圖譜技術受到學術界和工業(yè)界的普遍關注。提出數(shù)據(jù)驅(qū)動的增量式知識圖譜構建方法，為構建垂直知識圖譜提供一種新思路。同時，通過3個用例研究提供垂直知識圖譜的應用示范。[方法/過程]首先給出知識圖譜的形式化定義，然后提出數(shù)據(jù)驅(qū)動的增量式知識圖譜構建方法，重點研究構建垂直知識圖譜數(shù)據(jù)圖的細節(jié)與難點?；谠摲椒?，本文構建了中醫(yī)藥知識圖譜、海洋知識圖譜和企業(yè)知識圖譜。[結果/結論]以上垂直知識圖譜的構建證實了本方法的可行性，它們各自的垂直應用體現(xiàn)了知識圖譜的廣泛應用。

關鍵詞：知識獲取 知識融合 語義搜索 輔助開方 關系發(fā)現(xiàn)

分類號：TP391

1 引言

自從語義網(wǎng)絡的概念提出以來，大量的鏈接開放數(shù)據(jù)（Linked Open Data，簡稱LOD）和用戶生成內(nèi)容（User-generated Content，簡稱UGC）發(fā)布在互聯(lián)網(wǎng)中，互聯(lián)網(wǎng)從僅包含網(wǎng)頁與網(wǎng)頁之間超鏈接的文檔萬維網(wǎng)逐步轉變?yōu)榘罅棵枋鰧嶓w和實體之間豐富關系的數(shù)據(jù)萬維網(wǎng)。在此背景下，為改善搜索引擎效果，谷歌公司于2012年提出“知識圖譜”的概念[1]：一種描述真實世界客觀存在的實體、概念及它們之間的關聯(lián)關系的語義網(wǎng)絡。

基于知識圖譜的應用領域，本文將知識圖譜分為通用知識圖譜和垂直知識圖譜（或行業(yè)知識圖譜）。通用知識圖譜不面向特定領域，可將其類比為“結構化的百科知識”。這類知識圖譜包含了大量常識性知識，強調(diào)知識的廣度。具有代表性的大規(guī)模通用知識圖譜有YAGO[2]、DBpedia[3]、Freebase[4]、NELL[5]等，中文通用知識圖譜有Zhishi.me[6]和SSCO[7]。垂直知識圖譜則面向特定領域，基于行業(yè)數(shù)據(jù)構建，強調(diào)知識的深度。垂直知識圖譜可以看作基于語義技術的行業(yè)知識庫，其潛在使用者是行業(yè)的專業(yè)人員。

在通用知識圖譜的構建方面，已有相對成熟的技術和知識圖譜產(chǎn)品，例如各大搜索引擎公司發(fā)布的谷歌知識圖譜、百度“知心”、搜狗“知立方”等商用知識圖譜。而在垂直知識圖譜的構建方面，現(xiàn)有垂直知識圖譜常采用手工構建方式，缺乏一套統(tǒng)一的垂直知識圖譜構建方法?；诖?，本文面向垂直知識圖譜，首先對其進行形式化定義，然后提出數(shù)據(jù)驅(qū)動的增量式知識圖譜構建方法：從多種類型的數(shù)據(jù)源出發(fā)，研究知識獲取、融合過程中的細節(jié)與難點。最后，本文利用所提出的知識圖譜構建方法構建了中醫(yī)藥知識圖譜、海洋知識圖譜和企業(yè)知識圖譜，并對各自的垂直應用加以闡述，證實了本文方法的可行性和垂直知識圖譜的廣泛應用性。

2 知識圖譜的形式化定義

通用知識圖譜與垂直知識圖譜的本質(zhì)并無區(qū)別，因此本文對兩類知識圖譜統(tǒng)一地進行定義。如圖1所示，知識圖譜G由模式圖Gs、數(shù)據(jù)圖Gd及二者之間的關系R組成，即G=。模式圖Gs=，其中Ns表示類結點的集合，Es表示屬性邊的集合。模式圖Gs中的類（結點）即為知識圖譜中的概念，而屬性（邊）則對應概念之間的語義關系，包括rdfs：subClassOf、rdfs：equivalentClass這類來自語義網(wǎng)絡現(xiàn)有標準RDFS[8]的屬性和employer等用戶自定義的屬性。與此類似，數(shù)據(jù)圖Gd=中的結點集包含實例結點和字符串結點，邊集合Ed中的邊連接兩個結點表示一條三元組事實，如。此處，實例即實體，表示計算機可識別的客觀世界對象，而字符串常作為實例的某一屬性值。模式圖Gs和數(shù)據(jù)圖Gd之間的關系R由rdf：type構成，表示數(shù)據(jù)圖中的實例與所屬概念之間的關系。

知識圖譜具有多方面技術優(yōu)勢：首先，知識圖譜易于修改數(shù)據(jù)模式，具有良好的動態(tài)可擴充性。在構建知識圖譜時可以利用該特性進行增量式的數(shù)據(jù)模式設計。其次，知識圖譜的語義互操作特性和“鏈接數(shù)據(jù)”原則，使得不同來源的數(shù)據(jù)集成更為方便。此外，知識圖譜支持RDFS、OWL[9]、SPARQL[10]等現(xiàn)有標準，可以逐漸要求內(nèi)容供應商提供支持。最后，知識圖譜顯式地表達實體之間的關系，可用于開發(fā)語義檢索、自動問答等應用。

3 相關工作

在知識圖譜的構建方面，已經(jīng)積累了大量通用知識圖譜構建的工作。早期主要通過人工構建的方式，形成了WordNet[11]、ResearchCyc[12]等通用知識圖譜。此后，大量知識圖譜基于維基百科進行構建，如YAGO、DBpedia等。但由于抽取的目標數(shù)據(jù)不同，它們的知識豐富度各有差異[13]。其中，DBpedia抽取了維基百科中信息框中的所有信息和統(tǒng)計信息；而YAGO僅從維基百科中抽取其自定義的屬性，并使用WordNet進行數(shù)據(jù)整合，因而準確率更高，但知識豐富度低于DBpedia。不同于上述工具，Zhishi.me和SSCO專注于構建中文知識圖譜，除了使用中文維基百科，還額外使用互動百科和百度百科這兩個非常流行的中文百科站點。近年來，基于開放域知識抽取的知識圖譜構建項目受到關注，如KnowItAll[14]、NELL。它們使用增量迭代的方法從大量的網(wǎng)頁數(shù)據(jù)中學習出高質(zhì)量三元組來構建知識圖譜。

然而，由于垂直知識圖譜與通用知識圖譜的應用范圍不同，它們采取的構建方法也有所區(qū)別。上述通用知識圖譜采取自底向上的方式進行構建，這種方法有利于發(fā)現(xiàn)新的知識圖譜模式。而垂直知識圖譜注重知識的層次結構，通常需要預先構建模式圖。由于通用知識圖譜的構建方法不適用于垂直知識圖譜，而現(xiàn)有的高質(zhì)量垂直知識圖譜常采用手工構建的方法，本文提出了數(shù)據(jù)驅(qū)動的增量式知識圖譜構建方法，為自動地構建垂直知識圖譜提供一套通用的方法。本文通過自頂向下的方式構建知識圖譜的模式圖，自底向上的方式構建數(shù)據(jù)圖。這種方式可以保障數(shù)據(jù)抽取的質(zhì)量。在具體的構建過程中，本文借鑒了已有的通用知識圖譜構建方法：將百科知識作為一類重要的知識源，同時將增量迭代方法用于文本類型的知識抽取。

4 垂直知識圖譜的構建

4.1 總體流程

由于垂直知識圖譜強調(diào)知識的深度和整體的層次結構，在構建時常采用自頂向下和自底向上相結合的方式。其中，自頂向下的方式是指通過本體編輯器或手工構建的方法預先構建垂直知識圖譜的模式圖，進而構建數(shù)據(jù)圖。而自底向上的方式指在構建數(shù)據(jù)圖時，利用多種抽取技術獲得知識源中的實體、屬性和關系，并將這些置信度高的抽取結果合并到知識圖譜中。

正如圖1所示，知識圖譜G由模式圖Gs、數(shù)據(jù)圖Gd及二者之間的關系R組成。本文在已經(jīng)構建了垂直知識圖譜模式圖Gs的前提下，從數(shù)據(jù)源出發(fā)，采用自底向上的方式說明構建垂直知識圖譜數(shù)據(jù)圖Gd和關系R的過程。

如圖2所示，知識來源主要分為結構化知識、半結構化知識和非結構化知識。對于結構化知識，有大量的鏈接開放數(shù)據(jù)和存放在關系數(shù)據(jù)庫中的領域知識。對于半結構化知識，維基百科、互動百科、百度百科等百科網(wǎng)站提供的信息框（Infobox）是一種半結構化知識。此外，不同領域下的垂直站點包含了大量的表格、列表數(shù)據(jù)，這也是半結構化知識。非結構化知識是指網(wǎng)絡數(shù)據(jù)中大量的純文本內(nèi)容，其知識覆蓋度最廣，但抽取難度也最大。

從知識來源出發(fā)，主要通過知識獲取和知識融合兩個步驟構建知識圖譜。根據(jù)知識圖譜本身的特性，我們可以使用增量迭代的方式不斷豐富所構建的知識圖譜。這一構建過程稱為數(shù)據(jù)驅(qū)動的增量式知識圖譜構建。

4.2 知識獲取

知識獲取階段需要從知識源中獲取實體、同義詞關系、“屬性-值”關系以構建數(shù)據(jù)圖Gd，同時需要獲取實體類型以構建關系R。由于知識來源眾多，且不同知識源之間存在數(shù)據(jù)重合，因此如何針對不同的知識源類型采用合適的抽取方法，并充分利用知識源之間的數(shù)據(jù)冗余性是知識獲取階段的難點。

本文作者提出多策略學習的方法進行知識獲取[15]。多策略學習是指利用不同知識源之間的冗余信息，使用較易抽取的信息來輔助抽取那些不易抽取的信息。結構化知識和半結構化知識由于具有顯式的結構和固定的格式，屬于易抽取的信息，而無結構的文本知識屬于較難抽取的信息。如圖3所示，對于結構化知識中的關系數(shù)據(jù)庫數(shù)據(jù)，可以通過D2R（Relational Database to RDF）映射的方法將其轉化成知識圖譜中的鏈接數(shù)據(jù)。對于百科數(shù)據(jù)中的信息框、表格等半結構化知識，使用基于封裝器（Wrapper）的抽取方法。封裝器是面向某一具有特殊結構的數(shù)據(jù)源的信息抽取方法。對以上兩類知識進行抽取，并將抽取結果加入種子集中。

對于無結構的純文本知識，采用遠程監(jiān)督（Distant Supervision）[16]和基于模式的方法相結合的增量迭代抽取方式。遠程監(jiān)督是一種基于假設“如果兩個實體存在某種關系，那么任何包含這對實體的句子都很有可能表達相同的關系”、利用已知的實體關系對自動標注文本的方法。這里就可以利用種子集自動標注文本數(shù)據(jù)，然后根據(jù)標注結果自動地生成高質(zhì)量的模式。利用這些模式到文本中學習新的知識，并加入到種子集中。這一過程不斷迭代，直至沒有新的知識被學習出來。

4.3 知識融合

知識獲取階段僅僅是從不同類型的知識源抽取構建知識圖譜所需的實體、屬性和關系，形成了一個個孤立的抽取圖譜。為了形成一個完整的知識圖譜，需要將這些抽取結果集成到知識圖譜中，以進行知識融合。在進行知識融合時，需要解決多種類型的數(shù)據(jù)沖突問題，包括一個短語對應多個實體、實體屬性名不一致、實體屬性缺失、實體屬性值不一致、實體屬性值一對多映射等情況。知識融合階段主要對數(shù)據(jù)進行實體匹配和模式對齊。

實體匹配旨在發(fā)現(xiàn)具有不同標識但代表真實世界中同一對象的那些實體，并將這些實體合并為一個具有全局唯一標識的實體對象添加到知識圖譜中。目前常采用聚類的方法進行實體匹配，其關鍵在于定義合適的相似度度量。這些相似度度量常參考實體的以下特征：①字符相似：具有相同描述的實體可能代表同一實體；②屬性相似：具有相同屬性-值關系的實體可能代表同一對象；③結構相似：具有相同的相鄰實體可能指向同一個對象。

模式對齊主要包括實體屬性和屬性值的整合。對于實體屬性的整合，可以考慮的特征有屬性的同義詞、屬性兩端的實體類型，以及屬性在抽取過程中對應的模式等。當融合來自不同知識源的數(shù)據(jù)出現(xiàn)數(shù)據(jù)沖突時，還可以考慮知識源的可靠性以及不同信息在各知識源中出現(xiàn)的頻度等因素。本文作者對搜索引擎提供的知識卡片進行合并[17]，提供了一種在線知識融合的思路。該方案首先提出一種基于概率的實體評分算法找與知識卡片最相關的維基百科詞條，由此合并代表同一實體的不同知識卡片。然后，將維基百科的信息框與DBpedia本體的映射關系作為訓練數(shù)據(jù)，設計四維特征訓練出屬性對齊模型。最后使用相似度閾值對屬性值進行去重與合并，形成值簇。

5 垂直知識圖譜的用例研究

本文利用數(shù)據(jù)驅(qū)動的增量式知識圖譜構建方法分別構建了中醫(yī)藥知識圖譜、海洋知識圖譜和行業(yè)知識圖譜。下文將分別闡述這3個垂直知識圖譜的構建過程和具體應用，以說明本文方法的有效性和垂直知識圖譜的廣泛應用。

5.1 中醫(yī)藥知識圖譜

中醫(yī)藥領域已經(jīng)積累了大量專業(yè)知識的分類信息，我們可以根據(jù)這些知識構建中醫(yī)藥知識圖譜的模式圖。目前主要基于中醫(yī)病證分類與代碼（國家標準）、中華中醫(yī)藥學會提供的診療指南、上海中醫(yī)藥大學附屬曙光醫(yī)院的藥品數(shù)據(jù)庫構建了中醫(yī)藥知識圖譜的疾病庫、證庫等子庫的模式圖。對于中醫(yī)藥知識圖譜數(shù)據(jù)圖的構建，本文分別使用D2R映射方法從曙光醫(yī)院的關系數(shù)據(jù)庫中抽取藥品信息；構造Microsoft Office軟件的封裝器，從“98版證名分類標準”等國家標準以及曙光醫(yī)院以Microsoft Word格式存儲的臨床知識庫中抽取疾病、藥方等信息；利用模式和遠程監(jiān)督結合的方法迭代地學習百科和中醫(yī)藥網(wǎng)站下的純文本知識。由于從多個數(shù)據(jù)源中抽取數(shù)據(jù)，不同的數(shù)據(jù)源之間會存在重復或沖突。本文對數(shù)據(jù)源的可信度進行評分，基于數(shù)據(jù)來源以及數(shù)據(jù)在不同來源中出現(xiàn)的次數(shù)，對數(shù)據(jù)項進行排序，以解決數(shù)據(jù)沖突問題。

本文形成的中醫(yī)藥知識圖譜主要包括疾病庫、證庫、癥狀庫、中草藥庫和方劑庫?；谥嗅t(yī)藥知識圖譜可以進行中醫(yī)藥相關的自然語言問答。同時，利用推理引擎Drools[18]，可進行中醫(yī)藥輔助開方。

中醫(yī)藥方分為基礎藥方和經(jīng)驗藥方?；A藥方由疾病和證決定，經(jīng)驗藥方則需要根據(jù)病人所患癥狀確定。當醫(yī)生診斷出病人患有的疾病、證及癥狀后，經(jīng)過中醫(yī)藥知識圖譜的推理即可得到推薦藥方。如圖4所示，中醫(yī)藥知識圖譜中存儲的事實包含肝郁氣滯證的基礎藥方和經(jīng)驗藥方。推理引擎Drools將肝郁氣滯證的藥方轉化為一系列規(guī)則。當輸入的病人患有脅痛并被診斷為肝郁氣滯證，根據(jù)規(guī)則只要使用基本方即可。但是，對于同時患有“口苦口干”癥狀的病人，根據(jù)規(guī)則，還需要去除川芎，增加牡丹皮等中草藥。

5.2 海洋知識圖譜

海洋知識圖譜主要包括魚類知識、海洋經(jīng)濟知識和海島知識。其中，海洋經(jīng)濟知識由領域?qū)＜沂占⒋鎯υ贛icrosoft Word文檔中，本文使用Microsoft Word封裝器將其轉化映射成海洋知識子圖。海島知識源于舟山海洋數(shù)字圖書館提供的關系數(shù)據(jù)庫，使用D2R映射工具D2RQ[19]完成數(shù)據(jù)轉化，形成海島知識子圖。

對于魚類知識，數(shù)據(jù)源眾多，包括三大中文百科站點、臺灣魚類資料庫（fishdb[20]）、世界魚類分類階層樹狀名錄（FishBase[21]）、心食譜等行業(yè)站點，以及《中國食物成分表》（2002年版）等文本數(shù)據(jù)。為了構建魚類知識子圖的模式圖，本文利用HTML封裝器從fishdb和FishBase中抽取概念和上下位關系，從百科頁面中抽取概念的屬性，并利用多策略學習方法從以上數(shù)據(jù)源中迭代地抽取同義詞關系。在數(shù)據(jù)圖的構建上，本文從fishdb和FishBase中抽取魚類實例，采用多種方法獲取實例的屬性值。例如，使用HTML封裝器從心食譜網(wǎng)站中獲取屬性“魚類美食”的值，使用模式從《中國食物成分表》（2002年版）中獲取屬性“營養(yǎng)成分”的值。

海洋知識圖譜的構建結果經(jīng)過海洋知識專家檢查并處理數(shù)據(jù)沖突后發(fā)布，目前包含了全球已命名的3萬余種魚類和20多個屬性，提供海洋知識可視化、語義知識檢索、海洋知識推薦等知識服務。海洋知識圖譜提供車輪視圖、樹狀視圖和詳情視圖3種可視化檢索方式，分別側重展示實體間的語義關系、海洋知識圖譜的體系結構以及實體、概念的屬性詳情。此外，其提供的語義搜索服務，在為用戶輸入的自然語言問題提供直接答案的同時，還展示實體的知識卡片和相關實體，并結合圖書館的資源返回文獻搜索結果。如圖5所示，輸入的問題“小黃魚的分布”被解析出實體“小黃魚”和語義“小黃魚的分布生態(tài)系統(tǒng)”，基于此，系統(tǒng)返回語義檢索結果、“小黃魚”的知識卡片和相關實體，以及相關的文獻資源。

5.3 企業(yè)知識圖譜

企業(yè)知識圖譜數(shù)據(jù)整合了3 000萬家企業(yè)數(shù)據(jù)以及來自互聯(lián)網(wǎng)的專利數(shù)據(jù)與招投標數(shù)據(jù)。首先，領域?qū)＜覙嫿诵袠I(yè)知識圖譜模式圖，包含人物、公司、股票、專利、投資和招標等頂層概念。再者，利用D2R工具將企業(yè)提供的基于關系數(shù)據(jù)庫的企業(yè)信息轉化成RDF（Resource Definition Framework）數(shù)據(jù)，構成了基礎的企業(yè)知識圖譜。但此時的企業(yè)知識比較簡單，需要通過其他數(shù)據(jù)來源的數(shù)據(jù)進行補充。本文先增加專利與招投標信息：從中國政府采購網(wǎng)、中國專利信息網(wǎng)等網(wǎng)站抓取文本公告，基于啟發(fā)式信息定義模式抽取企業(yè)招投標信息和專利信息。然后基于百科與新聞進一步補充企業(yè)信息，包括高管信息的變動，企業(yè)兼并與收購信息等。

企業(yè)知識圖譜可以提供實際控制人查詢與關系發(fā)現(xiàn)等功能。其中，實際控制人查詢功能是指查詢對企業(yè)占股最大的自然人，由于個人對企業(yè)的控制可以是直接投資，也可以通過個人控制的企業(yè)再來投資企業(yè)，因此，算法基于圖的遍歷算法實現(xiàn)。用戶輸入一個企業(yè)，系統(tǒng)可以返回該企業(yè)的實際控制人。關系發(fā)現(xiàn)功能可以發(fā)現(xiàn)公司或人物之間的間接關系，圖6展示了“中國鋁業(yè)股份有限公司”和“中信證券股份有限公司”之間的關系，其中，箭頭代表投資關系，該圖說明，“中國鋁業(yè)股份有限公司”和“中信證券股份有限公司”的投資方，共同投資了企業(yè)B。

6 結語

本文對知識圖譜進行了形式化定義，并詳細描述了數(shù)據(jù)驅(qū)動的增量式知識圖譜構建方法。以該方法分別構建了中醫(yī)藥知識圖譜、海洋知識圖譜和企業(yè)知識圖譜，并開發(fā)了相關應用。以上3個垂直知識圖譜的構建證明了本文提出的構建方法的有效性，體現(xiàn)了圖譜在知識融合方面的優(yōu)勢；它們的相關應用反映了知識圖譜在不同領域的應用價值。

參考文獻：

[1] SINGHAL A. Introducing the knowledge graph： things， not strings[EB/OL]. [2012-05-16]. https：//googleblog.blogspot.com/2012/05/introducing-knowledge-graph-things-not.html.

[2] BIEGA J， KUZEY E， SUCHANEK F M. Inside YAGO2s： a transparent information extraction architecture[C]// Proceedings of the 22nd international conference on World Wide Web companion. Rio de Janeiro： International World Wide Web Conferences Steering Committee， 2013： 325-328.

[3] BIZER C， LEHMANN J， KOBILAROV G， et al. DBpedia-A crystallization point for the Web of data[J]. Web Semantics： science， services and agents on the World Wide Web， 2009， 7（3）： 154-165.

[4] BOLLACKER K， EVANS C， PARITOSH P， et al. Freebase： a collaboratively created graph database for structuring human knowledge[C]//Proceedings of the 2008 ACM SIGMOD international conference on management of data. Vancouver： ACM， 2008： 1247-1250.

[5] CARLSON A， BETTERIDGE J， KISIEL B， et al. Toward an architecture for never-ending language learning[C]// Proceedings of the twenty-fourth AAAI Conference on artificial intelligence. Atlanta： AAAI Press， 2010： 3.

[6] NIU X， SUN X， WANG H， et al. Zhishi. me-weaving chinese linking open data[M]. The Semantic Web–ISWC 2011. Berlin： Springer， 2011： 205-220.

[7] HU F， SHAO Z， RUAN T. Self-supervised Chinese ontology learning from online encyclopedias[J]. The scientific world journal， 2014， 2（11）：1-13.

[8] BRICKLEY D， GUHA R V.RDF vocabulary description language 1.0： RDF schema[EB/OL]. [2003-12-15]. https：//www.w3.org/TR/2003/PR-rdf-schema-20031215/.

[9] BECHHOFER S， VAN HARMELEN F， HENDLEr J， et al. OWL web ontology language reference， 2004[EB/OL]. [2004-02-10]. https：//www.w3.org/TR/owl-ref/.

[10] PRUDHOMMEAUX E， SEABORNE A. SPARQL query language for RDF[EB/OL]. [2008-01-15]. https：//www.w3.org/TR/rdf-sparql-query/.

[11] MILLER G A. WordNet： a lexical database for English[J]. Communications of the ACM， 1995， 38（11）： 39-41.

[12] RAMACHANDRAN D， REAGAN P， GOOLSBEY K. First-orderizedresearchcyc： expressivity and efficiency in a common-sense ontology[C]//AAAI workshop on contexts and ontologies： theory， practice and applications. Pittsburgh： AAAI Press， 2005： 25-34.

[13] RUAN T， DONG X， WANG H， et al. Evaluating and comparing web-scale extracted knowledge bases in Chinese and English[C]//Joint international semantic technology conference. Yichang： Springer International Publishing， 2015： 167-184.

[14] SCHMITZ M， BART R， SODERLAND S， et al. Open language learning for information extraction[C]//Proceedings of the 2012 joint conference on empirical methods in natural language processing and computational natural language learning. Jeju Island： Association for Computational Linguistics， 2012： 523-534.

[15] RUAN T， LIN Y， WANG H， et al. A multi-strategy learning approach to competitor identification[M]//Semantic Technology. Berlin： Springer International Publishing， 2014： 197-212.

[16] MINTZ M， BILLS S， SNOW R， et al. Distant supervision for relation extraction without labeled data[C]//Proceedings of the joint conference of the 47th annual meeting of the ACL and the 4th international joint conference on natural language processing of the AFNLP： Volume 2. Singapore： Association for Computational Linguistics， 2009： 1003-1011.

[17] WANG H， FANG Z， ZHANG L， et al. Effective online knowledge graph fusion[M]. The Semantic Web-ISWC 2015. Berlin： Springer International Publishing， 2015： 286-302.

[18] PROCTOR M. Drools： a rule engine for complex event processing[M]//Applications of graph transformations with industrial relevance. Berlin： Springer， 2011： 2.

[19] CYGANIAK R， BIZER C， GARBERS J， et al. The d2rq mapping language[EB/OL]. [2007-08-24]. http：//d2rq.org/.

[20] SHAO K T. Taiwan fish database[EB/OL]. [2014-11-10].http：//fishdb.sinica.edu.tw.

[21] FROESE R， PAULY D. Fishbase[EB/OL]. [2012-06-15].http：//www.fishbase.org.