摘要：在數(shù)字化時代，圖書館需要整合海量的數(shù)據(jù)資源，這些數(shù)據(jù)不僅形式和類型多樣，并且有著不同來源，存在結(jié)構(gòu)或格式上的差異。通過分析圖書館在多模態(tài)和異構(gòu)數(shù)據(jù)集成時面臨的諸多挑戰(zhàn)，例如：數(shù)據(jù)異質(zhì)性和復(fù)雜性、數(shù)據(jù)質(zhì)量和標(biāo)準(zhǔn)化問題、技術(shù)集成和兼容性問題等，結(jié)合當(dāng)前各種人工智能技術(shù)，如深度學(xué)習(xí)模型、圖神經(jīng)網(wǎng)絡(luò)和自然語言處理等，探討了針對各個問題的應(yīng)對方法，旨在為圖書館提供高效的多模態(tài)和異構(gòu)數(shù)據(jù)集成策略。

關(guān)鍵詞：人工智能數(shù)據(jù)集成圖書館多模態(tài)數(shù)據(jù)異構(gòu)數(shù)據(jù)

中圖分類號：G250.7

ResearchonDataIntegrationinLibrariesintheContextofArtificialIntelligence

TANGQin

GuilinLibraryofGuangxiZhuangAutonomousRegion，Guilin，GuangxiZhuangAutonomousRegion，541100China

Abstract：Inthedigitalage，librariesneedtointegratemassivedataresources，whichhavenotonlydiverseformsandtypes，butalsohavedifferentsourcesanddifferencesinstructuresorformats.Byanalyzingthechallengesfacedbylibrariesintheintegration&nHhG+HDY6j9MW72Gnb6Z1Pw==bsp;ofmulti-modalandheterogeneousdata，suchasdataheterogeneityandcomplexity，dataqualityandstandardization，andtechnologyintegrationandcompatibility，andcombinedwithcurrentvariousartificialintelligencetechnologiessuchasHpsOO2f1Cai1CdIXjVYYog==thedeeplearningmodel，thegraphneuralnetworkandnaturallanguageprocessing，thispaperdiscussescopeingapproachestoeachproblem，aimingtoprovidelibrarieswithanefficientstrategyfortheintegrationofmulti-modalandheterogeneousdata.

KeyWords：Artificialintelligence;Dataintegration;Library;Multimodaldata;Heterogeneousdata

在數(shù)字化和信息技術(shù)迅速發(fā)展的時代，圖書館作為知識和信息的中心，正經(jīng)歷著一場轉(zhuǎn)型。數(shù)字化的浪潮使得圖書館不再局限于傳統(tǒng)印刷材料的收藏與借閱，而是逐漸成為包含多元化數(shù)字資源的集散地，為了有效應(yīng)對各種類型和來源的海量數(shù)據(jù)，圖書館的多模態(tài)和異構(gòu)數(shù)據(jù)整合能力面臨著重大挑戰(zhàn)。

根據(jù)《中國圖書館學(xué)會“十四五”發(fā)展規(guī)劃綱要》，圖書館行業(yè)的發(fā)展目標(biāo)包括加強(qiáng)數(shù)字化服務(wù)能力、提升信息資源管理效率和優(yōu)化用戶體驗，特別強(qiáng)調(diào)了要利用現(xiàn)代信息技術(shù)來提升圖書館行業(yè)的數(shù)字化和創(chuàng)新能力??[1]。這就意味著圖書館需要在數(shù)據(jù)集成和應(yīng)用的技術(shù)上不斷進(jìn)步，有效整合日益增長的數(shù)據(jù)資源，滿足公眾多元化的信息需求。

隨著新興技術(shù)的發(fā)展，尤其是人工智能和云計算的應(yīng)用，為圖書館在多模態(tài)和異構(gòu)數(shù)據(jù)集成方面提供了新的機(jī)遇。本文旨在探討圖書館在多模態(tài)和異構(gòu)數(shù)據(jù)集成時面臨的主要挑戰(zhàn)，并提出基于人工智能技術(shù)的應(yīng)對策略。

1多模態(tài)和異構(gòu)數(shù)據(jù)集成綜述

1.1數(shù)據(jù)集成的概念

數(shù)據(jù)集成通常是指將不同來源的數(shù)據(jù)進(jìn)行合并，并為用戶提供這些數(shù)據(jù)的統(tǒng)一視圖[2]。數(shù)據(jù)集成在商業(yè)智能、數(shù)據(jù)倉庫、大數(shù)據(jù)分析和多個數(shù)據(jù)管理領(lǐng)域都有應(yīng)用，其核心目標(biāo)是相同的，即提供一個統(tǒng)一的數(shù)據(jù)訪問接口，使得最終用戶能夠無須關(guān)心數(shù)據(jù)實際存儲的位置和格式，就可以查詢和分析數(shù)據(jù)。在技術(shù)層面，數(shù)據(jù)集成通常涉及到多個步驟，包括數(shù)據(jù)清洗、映射、轉(zhuǎn)換和合并等，以確保數(shù)據(jù)的一致性。

1.1.1多模態(tài)數(shù)據(jù)集成

多模態(tài)數(shù)據(jù)集成是指將不同類型或形式的數(shù)據(jù)如文本、圖像、音頻、視頻等[3]，通過處理它們之間數(shù)據(jù)類型的差異來完成數(shù)據(jù)融合。由于它結(jié)合了不同類型的數(shù)據(jù)所提供的多角度視圖，在實踐中常用于數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)和人工智能領(lǐng)域。

1.1.2異構(gòu)數(shù)據(jù)集成

異構(gòu)數(shù)據(jù)集成是指將不同來源、不同數(shù)據(jù)結(jié)構(gòu)和語義的數(shù)據(jù)，融合成統(tǒng)一、可查詢、可分析的數(shù)據(jù)集，并保持?jǐn)?shù)據(jù)的完整性和準(zhǔn)確性[4]。這個過程對于提高數(shù)據(jù)的可用性和價值至關(guān)重要，尤其是在需要從多個不同數(shù)據(jù)源收集和分析信息的情況下，如科研、商業(yè)分析和醫(yī)療等領(lǐng)域。

1.2多模態(tài)和異構(gòu)數(shù)據(jù)集成研究現(xiàn)狀

njXSe6DIGL9dHJvTPUPiDw==在多模態(tài)和異構(gòu)數(shù)據(jù)集成領(lǐng)域，近年來相關(guān)的研究不斷發(fā)展。例如：將數(shù)據(jù)集成方法根據(jù)級別分為三類：數(shù)據(jù)級方法、特征級方法和決策級方法。數(shù)據(jù)級方法通常將原始的多模態(tài)和異構(gòu)數(shù)據(jù)集成為一個新的統(tǒng)一數(shù)據(jù)集，并保留原始數(shù)據(jù)信息。例如將所有數(shù)據(jù)轉(zhuǎn)換為資源描述框架（ResourceDescriptionFramework，RDF）數(shù)據(jù)格式，并輸入到數(shù)據(jù)融合框架中。特征級方法通過特征融合算法，從各種原始數(shù)據(jù)特征向量中提取并生成新的代表性特征向量，不過由于簡化了原始數(shù)據(jù)，往往在特征提取過程中伴隨著信息損失。例如將聲音的梅爾頻率倒譜系數(shù)（MelFrequencyCepstralCoefficient，MFCC）特征和使用卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks，CNN）提取的圖像特征映射到子空間，并使用歐幾里得距離進(jìn)行檢索，從而實現(xiàn)聽覺到視覺的跨模態(tài)檢索解決方案[5]。決策級方法通過找出每種模式的可信度來進(jìn)行協(xié)調(diào)和聯(lián)合決策，常用的方法有平均、投票、加權(quán)、自適應(yīng)增強(qiáng)、動態(tài)貝葉斯網(wǎng)絡(luò)等。例如：學(xué)者們提出了一種基于二元分類模型和證據(jù)理論的決策級集成方法[6]，使用邏輯回歸和支持向量機(jī)（SupportVectorMachine，SVM）模型解決二元分類問題，然后利用證據(jù)理論進(jìn)行決策混合。以上這些研究現(xiàn)狀突顯了多模態(tài)和異構(gòu)數(shù)據(jù)集成的應(yīng)用潛力，相信在人工智能技術(shù)的推動下數(shù)據(jù)集成領(lǐng)域?qū)瓉砜焖俪掷m(xù)發(fā)展。

1.3圖書館數(shù)據(jù)集成應(yīng)用的部分現(xiàn)狀

1.3.1綜合搜索和訪問平臺

為了提高讀者訪問不同數(shù)據(jù)源的便利性，很多圖書館應(yīng)用了綜合搜索平臺。這些平臺使讀者能夠通過單一的界面訪問來自圖書館圖書目錄、電子圖書、電子期刊、在線數(shù)據(jù)庫和數(shù)字檔案等信息。讀者可以在同一個搜索界面中檢索不同格式和結(jié)構(gòu)的數(shù)據(jù)源，簡單而高效地完成信息檢索過程。

1.3.2數(shù)據(jù)中臺的應(yīng)用

數(shù)據(jù)中臺作為一個集中的數(shù)據(jù)管理和處理平臺，能夠有效解決數(shù)據(jù)孤島問題，提高數(shù)據(jù)的可用性。圖書館正在建立數(shù)據(jù)中臺來整合圖書管理系統(tǒng)、數(shù)字資源庫以及外部數(shù)據(jù)源等各種數(shù)據(jù)資源，通過有效的管理和利用數(shù)據(jù)，圖書館能夠為讀者提供更加全面的信息服務(wù)，同時數(shù)據(jù)中臺還為圖書館的決策制定提供了數(shù)據(jù)支持，通過全面的數(shù)據(jù)分析來優(yōu)化資源配置和服務(wù)。

2圖書館多模態(tài)和異構(gòu)數(shù)據(jù)集成面臨的挑戰(zhàn)

現(xiàn)代圖書館作為信息管理和服務(wù)提供方面的關(guān)鍵角色，在數(shù)字化轉(zhuǎn)型過程中面臨了諸多挑戰(zhàn)，隨著信息技術(shù)的不斷發(fā)展和讀者需求的日益增長，圖書館必須面對并解決這些問題，以便更好地滿足公眾對信息獲取的需求，接下來我們將探討圖書館在多模態(tài)和異構(gòu)數(shù)據(jù)集成時會遇到的一系列挑戰(zhàn)。

2.1數(shù)據(jù)異質(zhì)性和復(fù)雜性

圖書館的數(shù)據(jù)資源通常包含文本、圖像、視頻、音頻和數(shù)據(jù)庫記錄等多種形式，數(shù)據(jù)異質(zhì)性主要表現(xiàn)在它們格式和結(jié)構(gòu)上的差別。例如：數(shù)據(jù)庫中的結(jié)構(gòu)化數(shù)據(jù)通常格式一致，而文本和多媒體等非結(jié)構(gòu)化數(shù)據(jù)格式則存在較大差異，這些數(shù)據(jù)的融合是一個很大的挑戰(zhàn)。

此外，數(shù)據(jù)異質(zhì)性在語義層面的差異也不容忽視。即使是同類型的數(shù)據(jù)，由于來源不同其語義也可能有所不同。例如：不同數(shù)據(jù)庫中相同字段名稱可能代表不同的含義。處理這種語義差異需要深入理解數(shù)據(jù)的背景和上下文，這個過程涉及到復(fù)雜的數(shù)據(jù)映射和轉(zhuǎn)換規(guī)則。因此，格式、結(jié)構(gòu)和語義上的差異增加了數(shù)據(jù)集成的復(fù)雜性，解決這些問題對于數(shù)據(jù)集成來說極為關(guān)鍵。

2.2數(shù)據(jù)質(zhì)量和標(biāo)準(zhǔn)化問題

不同來源的數(shù)據(jù)通常存在不準(zhǔn)確、不完整和不一致等數(shù)據(jù)質(zhì)量問題。例如：不同的數(shù)據(jù)源對同一對象可能提供相互矛盾的信息，某些數(shù)據(jù)源可能還存在數(shù)據(jù)丟失情況，如何確保集成數(shù)據(jù)的可靠性和有效性就成為了一個挑戰(zhàn)。

數(shù)據(jù)源之間缺乏標(biāo)準(zhǔn)化和規(guī)范化也使得數(shù)據(jù)集成面臨著挑戰(zhàn)。不同的數(shù)據(jù)源可能使用不同的術(shù)語、格式或度量標(biāo)準(zhǔn)，在數(shù)據(jù)集成過程中需要進(jìn)行復(fù)雜的數(shù)據(jù)轉(zhuǎn)換，如數(shù)據(jù)清洗和預(yù)處理、標(biāo)準(zhǔn)化格式和消除重復(fù)記錄等，并且在轉(zhuǎn)換過程中需要確保數(shù)據(jù)的準(zhǔn)確性和完整性。

2.3技術(shù)集成和兼容性挑戰(zhàn)

處理來自不同數(shù)據(jù)源的技術(shù)多樣性也是數(shù)據(jù)集成中面臨的一個挑戰(zhàn)。圖書館的數(shù)據(jù)資源一般來自于各種不同的技術(shù)平臺，如于圖書管理系統(tǒng)、傳統(tǒng)數(shù)據(jù)庫、云服務(wù)以及媒體管理系統(tǒng)等。這些平臺各有其特定的架構(gòu)、接口和操作方式，數(shù)據(jù)集成時通常涉及復(fù)雜的API調(diào)用和協(xié)議匹配，以確保各系統(tǒng)之間的流暢交互和數(shù)據(jù)一致性。

此外，不同技術(shù)平臺的兼容性問題，也是需要解決的問題。例如：不同的數(shù)據(jù)庫系統(tǒng)可能使用不同的查詢語言和數(shù)據(jù)模型，這需要在數(shù)據(jù)集成時采用標(biāo)準(zhǔn)化方法、中間件技術(shù)等。兼容性問題不僅增加了集成的技術(shù)難度，還可能引起系統(tǒng)性能問題和數(shù)據(jù)丟失風(fēng)險。

2.4性能和效率問題

在數(shù)據(jù)集成中處理大量數(shù)據(jù)時往往會遇到性能瓶頸。數(shù)據(jù)的提取、轉(zhuǎn)換和加載過程在面對大規(guī)模數(shù)據(jù)集的情況下可能變得極其耗時，這會影響系統(tǒng)整體響應(yīng)時間和終端用戶體驗。

對于需要實時或近實時數(shù)據(jù)集成的場景，保持高效率和快速響應(yīng)能力是一個挑戰(zhàn)。實時數(shù)據(jù)集成要求系統(tǒng)能夠迅速處理不同來源的數(shù)據(jù)，同時確保數(shù)據(jù)的準(zhǔn)確性和一致性。在動態(tài)數(shù)據(jù)環(huán)境中，除了實時數(shù)據(jù)處理，還要確保數(shù)據(jù)的及時更新和同步。由于數(shù)據(jù)源可能持續(xù)變化，數(shù)據(jù)集成系統(tǒng)需要能夠及時地反映這些變化，任何數(shù)據(jù)更新的延遲或失敗都可能導(dǎo)致信息過時或者數(shù)據(jù)不一致，最終影響圖書館提供的服務(wù)質(zhì)量。

3基于人工智能技術(shù)的圖書館數(shù)據(jù)集成策略

面對多模態(tài)和異構(gòu)數(shù)據(jù)集成所帶來的一系列挑戰(zhàn)，接下來我們將探討相應(yīng)的數(shù)據(jù)集成策略，其中的重點是如何利用最新的人工智能技術(shù)來有效應(yīng)對數(shù)據(jù)集成中的關(guān)鍵問題，從而提高圖書館服務(wù)的整體質(zhì)量和效率，為讀者帶來更為豐富和個性化的信息服務(wù)體驗。

3.1人工智能技術(shù)處理數(shù)據(jù)異質(zhì)性和復(fù)雜性

3.1.1深度學(xué)習(xí)和特征融合

深度學(xué)習(xí)模型，特別是卷積神經(jīng)網(wǎng)絡(luò)（CNN），能夠從原始數(shù)據(jù)中自動學(xué)習(xí)復(fù)雜的特征表示[7]。在多模態(tài)數(shù)據(jù)集成中，可以使用深度學(xué)習(xí)模型和多模態(tài)學(xué)習(xí)技術(shù)分別提取不同模態(tài)的特征，例如使用語言處理模型（如BERT、LSTM）提取文本特征[8]，使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）提取圖像特征，使用聲音處理模型（如MFCC、LPCC）提取音頻特征[9]，然后基于深度學(xué)習(xí)模型將這些提取的特征通過拼接、加權(quán)平均或更復(fù)雜的融合技術(shù)來實現(xiàn)融合[10]，形成全面的信息視圖。

3.1.2自然語言處理

自然語言處理（NaturalLanguageProcessing，NLP）技術(shù)可以處理和理解人類語言，從數(shù)據(jù)中提取出有用的信息。例如：在處理文本數(shù)據(jù)時，可以使用NLP技術(shù)（如GPT、BERT）來理解和轉(zhuǎn)換文本數(shù)據(jù)[11]，包括分詞、詞性標(biāo)注、命名實體識別等，使其更適合與其他模態(tài)數(shù)據(jù)集成。

3.1.3圖神經(jīng)網(wǎng)絡(luò)

圖神經(jīng)網(wǎng)絡(luò)（GraphNeuralNetworks，GNNs）能夠有效處理圖結(jié)構(gòu)數(shù)據(jù)，捕捉實體間的復(fù)雜關(guān)系[12]。在數(shù)據(jù)集成中，當(dāng)涉及到關(guān)系密集型數(shù)據(jù)（如社交網(wǎng)絡(luò)、知識圖譜）時，GNNs可以用來理解和利用實體間的關(guān)系。

3.2利用人工智能解決數(shù)據(jù)質(zhì)量和標(biāo)準(zhǔn)化問題

3.2.1自動化數(shù)據(jù)清洗

數(shù)據(jù)清洗是提高數(shù)據(jù)質(zhì)量的關(guān)鍵步驟，包括修正錯誤、填補(bǔ)缺失值和消除重復(fù)記錄等。我們可以利用NLP技術(shù)自動處理文本數(shù)據(jù)，使用模式識別技術(shù)自動修正數(shù)據(jù)錯誤。對于數(shù)據(jù)的缺失情況，可以通過預(yù)測模型（如決策樹、隨機(jī)森林）來估計缺失值[13]。在面對數(shù)據(jù)存在重復(fù)記錄的時候，可以利用機(jī)器學(xué)習(xí)算法（如相似性度量、實體解析技術(shù)）來識別并消除重復(fù)或非常相似的記錄。

3.2.2數(shù)據(jù)標(biāo)準(zhǔn)化和轉(zhuǎn)換

通過機(jī)器學(xué)習(xí)和NLP技術(shù)可以自動識別、分類和轉(zhuǎn)換來自不同數(shù)據(jù)源的數(shù)據(jù)。AI算法能夠?qū)W習(xí)不同數(shù)據(jù)集（如SON、XML或數(shù)據(jù)庫文件等）的數(shù)據(jù)格式和結(jié)構(gòu)特征，然后根據(jù)預(yù)定的規(guī)則或者決策樹算法來自動對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化和格式轉(zhuǎn)換，如將非結(jié)構(gòu)化文本轉(zhuǎn)換為結(jié)構(gòu)化格式，或者將不同度量單位進(jìn)行統(tǒng)一標(biāo)準(zhǔn)化。

3.2.3語義理解和映射

本體學(xué)和語義網(wǎng)絡(luò)通?？梢杂脕砝斫獠煌瑪?shù)據(jù)源的語義關(guān)系，并實現(xiàn)自動映射[14]。例如：通過NLP技術(shù)對數(shù)據(jù)進(jìn)行語義標(biāo)注和實體識別，識別出關(guān)鍵實體和概念；再利用關(guān)系抽取模型和上下文分析算法分析實體間的關(guān)系和語義上下文；最后通過本體映射和知識圖譜技術(shù)，將不同數(shù)據(jù)源中的語義實體映射到一個統(tǒng)一的本體或概念模型上，以實現(xiàn)數(shù)據(jù)的語義對齊。

3.3技術(shù)集成和兼容性問題的應(yīng)對策略

3.3.1智能接口

當(dāng)集成多個不同的技術(shù)平臺時，需要處理接口和API的兼容性問題。通過NLP技術(shù)來自動解析API文檔，識別其中的API參數(shù)和返回值，然后基于這些分析結(jié)果，利用分類和聚類等機(jī)器學(xué)習(xí)算法，自動找出不同API之間相似的功能和數(shù)據(jù)字段，并且利用規(guī)則學(xué)習(xí)來轉(zhuǎn)換不同API之間的數(shù)據(jù)格式和結(jié)構(gòu)，從而實現(xiàn)API功能的智能匹配和數(shù)據(jù)的通暢傳輸。

3.3.2跨平臺數(shù)據(jù)同步和更新

在處理異構(gòu)數(shù)據(jù)環(huán)境中，為了確保不同平臺間數(shù)據(jù)的同步和一致性，可以使用變化檢測模型、預(yù)測模型來自動識別數(shù)據(jù)的變化點，并優(yōu)化數(shù)據(jù)同步策略。基于數(shù)據(jù)變化的模式和頻率，這些模型能夠智能調(diào)整同步的時間間隔，同時識別出需要優(yōu)先同步的數(shù)據(jù)。

3.4人工智能技術(shù)提升數(shù)據(jù)集成性能和效率

3.4.1并行處理和分布式計算

大規(guī)模數(shù)據(jù)集成任務(wù)往往需要大量的計算資源，對高效的并行處理和分布式計算能力要求很高。我們可以利用分布式AI框架ApacheSpark來并行處理數(shù)據(jù)，提高數(shù)據(jù)處理和模型訓(xùn)練的效率[15]。

3.4.2實時數(shù)據(jù)流處理

在數(shù)據(jù)集成的許多應(yīng)用場景中，需要實時處理和集成數(shù)據(jù)流。此時利用流處理框架結(jié)合實時AI模型，可以快速處理和分析數(shù)據(jù)流[16]。

4結(jié)語

人工智能技術(shù)，尤其是深度學(xué)習(xí)和自然語言處理等，正在顯著增強(qiáng)圖書館在數(shù)據(jù)管理和讀者服務(wù)方面的能力。通過這些先進(jìn)技術(shù)，圖書館能夠更高效精準(zhǔn)地整合和分析不同來源的復(fù)雜數(shù)據(jù)集，從而為讀者提供更豐富和個性化的服務(wù)，滿足他們多元化的信息獲取需求。

隨著技術(shù)的不斷進(jìn)步，多模態(tài)和異構(gòu)數(shù)據(jù)集成領(lǐng)域?qū)霈F(xiàn)更多的創(chuàng)新和突破，因此圖書館也需要與時俱進(jìn)，不斷適應(yīng)新技術(shù)的變化，充分利用人工智能技術(shù)的優(yōu)勢，為未來的智慧圖書館發(fā)展打下堅實的基礎(chǔ)。

參考文獻(xiàn)

[1] 中國圖書館學(xué)會關(guān)于印發(fā)《中國圖書館學(xué)會“十四五”發(fā)展規(guī)劃綱要（2021-2025年）》的通知[EB/OL].（2021-09-06）[2023-12-15].https：//www.lsc.org.cn/cns/contents/1299/15358.html

[2] MaurizioL.Dataintegration：atheoreticalperspective[C].ProceedingsoftheTwenty-firstACMSIGACT-SIGMOD-SIGARTSymposiumonPrinciplesofDatabaseSystems.NewYork，NY，USA：AssociationforComputingMachinery，2002：233–246.

[3] 馮霞，胡志毅，劉才華.跨模態(tài)檢索研究進(jìn)展綜述[J].計算機(jī)科學(xué)，2021，48（8）：13-23.

[4] 齊艷珂，肖連，高潔.異構(gòu)數(shù)據(jù)集成技術(shù)綜述[J].福建電腦，2007（6）：35，59.

[5] LIUZ，LIUH，HUANGW，etal.Audiovisualcross-modalmaterialsurfaceretrieval[J].NeuralComputingandApplications，2019，32（18）：1-9.

[6] FANDINGM，AIHUAL，ZHIDONGL.AnEvidencetheoryanddatafusionbasedclassificationmethodfordecisionmaking[J].ProcediaComputerScience，2022，199：892-899.

[7] 周飛燕，金林鵬，董軍.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計算機(jī)學(xué)報，2017，40（6）：1229-1251.

[8] 諶志群，鞠婷.基于BERT和雙向LSTM的微博評論傾向性分析研究[J].情報理論與實踐，2020，43（8）：173-177.

[9] 余建潮，張瑞林.基于MFCC和LPCC的說話人識別[J].計算機(jī)工程與設(shè)計，2009，30（5）：1189-1191.

[10] 張紅，程傳祺，徐志剛，等.基于深度學(xué)習(xí)的數(shù)據(jù)融合方法研究綜述[J].計算機(jī)工程與應(yīng)用，2020，56（24）：1-11.

[11] 王海寧.自然語言處理技術(shù)發(fā)展[J].中興通訊技術(shù)，2022，28（2）：59-64.

[12] 徐冰冰，岑科廷，黃俊杰，等.圖卷積神經(jīng)網(wǎng)絡(luò)綜述[J].計算機(jī)學(xué)報，2020，43（5）：755-780.

[13] 高海燕，李唯欣，馬文娟.基于缺失森林模型的稀疏函數(shù)型數(shù)據(jù)修復(fù)方法[J/OL].西華師范大學(xué)學(xué)報（自然科學(xué)版）：1-9[2024-01-09].http：//kns.cnki.net/kcms/detail/51.1699.N.20231128.1035.002.html.

[14] 唐杰，梁邦勇，李涓子，等.語義Web中的本體自動映射[J].計算機(jī)學(xué)報，2006（11）：1956-1976.

[15] 付仲明.ApacheSpark分布式并行計算框架優(yōu)化技術(shù)研究[D].長沙：湖南大學(xué)，2022.

[16] 成英超.分布式流數(shù)據(jù)分析與實時機(jī)器學(xué)習(xí)理論與應(yīng)用研究[D].廣州：廣東工業(yè)大學(xué)，2021.