海洋牧場裝備監測系統知識圖譜構建及應用

張棟 楊顏聰 劉浩晨 孟靖雅 張德林 張海瑜

摘 要： 海洋牧場裝備監測系統是海洋牧場裝備體系的重要組成部分，也是海洋牧場正常運轉和設備安全性的保障系統。為增強海洋牧場管理人員及一線操作員工對裝備監測系統的全面了解和提高設備維護水平，突破因為相關信息碎片化、知識體系不健全而形成的監管肓目性，構建了監測系統知識圖譜。采用自上而下和自下而上相結合的方法，圍繞監測系統一級設備、二級設備、二級設備功能、二級設備工作原理和二級設備使用要求5 個方面，獲取全面信息，建立知識關聯，解決海洋牧場裝備監測系統知識碎片化問題。研究中，自上而下構建模式層，通過本體建模完成知識圖譜的框架；自下而上構建數據層，實現數據獲取與知識抽取、知識表示及知識融合，并將圖譜數據儲存于Neo4j 數據庫。構建的知識圖譜為后續設計和開發海洋牧場裝備智能問答系統、智能搜索系統、故障診斷系統及智能推薦系統提供了參考依據和深度開發的基礎。

關鍵詞：海洋牧場；裝備；監測系統；知識圖譜；構建；爬蟲技術

中圖分類號：S126文獻標識碼：A文章編號：2095-1795（2023）12-0037-07

DOI：10.19998/j.cnki.2095-1795.2023.12.007

0 引言

海洋牧場作為一種新興的集約型漁業生產方式，通過運用現代工程技術和管理模式，能夠實現漁業資源的可持續利用。裝備型海洋牧場是一種通過運用現代技術裝備，融合應用養殖技術和物聯網技術，實現養殖生產的集約化、裝備化和智能化的海洋牧場[1-3]。完善的裝備體系是裝備型海洋牧場發展的基礎，監測系統作為海洋牧場裝備體系的重要組成部分，具有監控管理、數據采集和數據處理等功能，保持海洋牧場的正常運轉及保障設備的安全性。由于海洋牧場裝備監測系統組成復雜，包含設備眾多，聯接關系復雜，信息量及獲取難度都較大，目前仍缺乏系統的知識集成，知識散落于各網站、說明書及學術論文中，相關知識與數據存在碎片化、散亂化、利用率低和聚合力差等問題，導致領域知識的利用率較低，不利于海洋牧場管理人員及一線操作員工對裝備監測系統進行全面的了解。為保證高效地利用海洋牧場裝備監測系統領域知識，增強工作人員對裝備監測系統的全面了解和提高設備維護水平，可通過構建海洋牧場裝備監測系統智能化知識服務平臺，對相關知識數據進行梳理與集成。

諸多研究人員在海洋牧場裝備監測系統領域展開了相關研究，并取得了豐碩成果。邢旭峰等[4] 采用海洋環境因子及水下影像采集和傳輸技術，研發了海洋牧場環境信息綜合監測系統。花俊等[5] 以象山港海洋牧場基本海況為依托，設計了一套海洋牧場遠程水質監測系統。曾兆銘等[6] 以水質信息采集、數據中轉和數據處理中心為節點，設計出海洋生態牧場水質環境監測系統。但現有研究多集中在海洋牧場裝備監測系統的設計方面，對海洋牧場裝備監測系統知識集成方面的研究仍不充分。知識圖譜是近年來興起的智能認知技術，其特點是高效地整合海量數據信息，使之組合為一張相互關聯的網絡圖，實現知識互聯，并挖掘、梳理出知識點之間的實體聯系和有價值的信息[7]。知識圖譜實質是建立一個知識語義網絡，并用圖的形式描述現實世界中知識實體間的相互關系，使之成為互聯網能夠認知的表達方式[8]。知識圖譜具有高效率、大規模、高質量和語義豐富等優點。其特點是通過實體抽取、實體間關系抽取和實體消歧等技術，實現數據收集、篩選和再融合等功能，并按某種規則構建出完整的知識關系圖，以可視化的方式加以展示[9-14]。目前，許多研究人員在智能化裝備的知識圖譜領域展開了相關研究。ZHENG Pai 等[15] 提出了一種基于工業知識圖譜的多智能體強化學習方法來實現Self-X 認知制造網絡。慈穎等[16] 通過結合航天裝備在役考核的實際應用，提出一種基于航天裝備數據的知識圖譜體系構建技術。陳思等[17] 采用深度學習方法對相關領域知識來源進行聯合信息抽取，基于Neo4j 構建了單兵裝備人機工效知識圖譜。胡衛等[18] 通過研究軍事裝備管理數據知識圖譜構建技術，實現了裝備管理數據的分層級多視圖的可視化呈現。可以看出，研究人員已經在裝備領域知識圖譜的構建方面有了較深入地研究與應用，但在海洋牧場裝備領域的知識圖譜研究較少。鑒于此，本研究以海洋牧場裝備監測系統知識為研究對象構建知識圖譜，通過爬蟲和人工采集等方式獲取海洋牧場數據，并基于對已有數據的分析，自上而下構建模式層，基于本體建模形成的知識圖譜概念框架，自下而上構建數據層，通過數據獲取及抽取、知識表示及知識融合，將數據儲存于Neo4j 數據庫，完成知識圖譜構建，實現碎片化知識的有效集成，消除海洋牧場管理人員及一線操作員工的監管肓目性，為后續建立基于知識圖譜的海洋牧場裝備智能問答和智能檢索等系統提供數據和方法基礎。

1 構建知識圖譜

1.1 知識圖譜

知識圖譜 （Knowledge Graph） 是Google 公司用于增強搜索引擎功能的輔助知識庫，其本質是一種語義網絡，其基本構成單元為實體?關系?實體的三元組，包括實體及其關聯屬性值對，實體之間通過關系互相連接，從而形成網狀知識結構，能夠以圖形方式向用戶反饋結構化的知識，用戶不必瀏覽大量網頁，就可以準確定位和深度獲取知識[19-20]。Neo4j 是一種NoSQL的圖數據庫，其數據存儲形式主要是用節點（Node）和邊（Edge）來組織數據[21]。

1.2 本體構建方法

知識圖譜根據知識數據的領域范圍和圖譜構建方法的差別，可劃分為通用知識圖譜和領域知識圖譜[22]。通用知識圖譜常采用自下而上的方式進行搭建，側重于知識的廣度；領域知識圖譜采用自上而下的方式從某領域的專業知識中提取數據添加到知識圖譜中[23]。本研究的海洋牧場裝備監測系統知識圖譜屬于領域知識圖譜，傳統本體的建模采取自上而下的方式，人工依賴性強，所以采取自上而下和自下而上相結合的方式構建海洋牧場裝備監測系統知識圖譜[24]。自上而下是從頂層概念出發，抽取專業術語等，完成對領域知識的本體構建，構建出知識圖譜的模式層；自下而上是從各類知識源內提取實體、關系和屬性，添加到數據層，然后將數據層的知識進行歸納，最終構建模式層。

1.3 知識圖譜構建路徑

第1 步，對獲取的3 類數據分別進行整理和提取，形成本研究所需要的數據（包含節點、屬性與關系）；

第2 步，進行實體消歧、知識合并等知識融合過程；

第3 步，借助Python 的Py2neo 庫調用Neo4j，并將程序輸入的有關海洋牧場裝備監測系統知識的數據存儲于Neo4j 中；第4 步，以Neo4j 專用的Cypher 語言進行知識圖譜的設計，實現知識圖譜可視化，完成知識圖譜構建工作[25]。構建路徑如圖1 所示。

1.4 知識獲取及抽取

構建海洋牧場裝備監測系統知識圖譜所需的數據主要包括結構化數據、半結構化數據與非結構化數據。其中結構化數據主要是指儲存在數據庫中，并且可用二維表結構邏輯來表達的數據；半結構化數據包括互聯網HTML 文檔等；非結構化數據包括文本、圖形、圖像等[26-29]。本研究所獲取的數據中，結構化數據來自中集藍一號說明書，半結構化數據及非結構化數據來自百度百科、新聞網站報道、相關公司官網、中國知網、谷歌學術及萬方數據。在半結構化數據及非結構化數據方面，對于專業性較強的知識，如漁業設備的工作原理等，需從中國知網等平臺中的學術期刊及論文獲取，對于通識性較強的知識，如投餌設備的功能等，可從百度百科及一些新聞網站等途徑獲取，數據來源如圖2 所示。針對網站數據類型的多樣性，先使用爬蟲技術從網站獲取數據信息，再對包括文本數據、圖片數據等在內的數據信息進行抽取。爬蟲操作步驟以爬取百度百科中的數據信息為例：首先使用Requests 庫向目標網站發送請求，獲取網頁的HTML源代碼；然后借助Beautifulsoup4 庫對HTML 源代碼進行解析，提取出需要的信息和鏈接；最后將提取出來的數據存儲到csv、txt 等格式文件中[30]。信息抽取能夠從半結構化和非結構化數據中抽取結構化信息，并且面向知識圖譜的信息抽取主要是以三元組的形式進行[31]。

1.5 知識表示

知識表示是知識圖譜研究中的重要一環，能夠將實體?關系?實體三元組形式的知識組織起來，搭建完整的知識網絡[32]。RDF（ Resource DescriptionFramework）采用三元組集合的方式在知識圖譜中描述事物和關系，具有互操作性、可拓展性和標準化等特性，在知識圖譜的構建中被廣泛使用。海洋牧場裝備監測系統知識圖譜的構建需要完成對信息的實體、關系及屬性定義，Neo4j 中的實體、關系和屬性可與RDF 數據進行對應，并且Neo4j 可對RDF 中的數據進行存儲，遂采用RDF 三元組方式對實體、關系與屬性進行定義[33]。海洋牧場裝備監測系統的知識表示結合復雜的知識來源及監測系統的特點，確定了監測系統一級設備、二級設備、二級設備功能、二級設備工作原理及二級設備使用要求5 大方面，定義各節點標簽內實體、關系與屬性，并采用RDF 三元組方式表達。節點標簽與概念如表1 所示，海洋牧場裝備監測系統知識圖譜部分三元組如表2 所示。

由表1 可知，一級設備包含集控系統、通導系統、漁業設備、電源系統、安全系統和消防設備6 個概念；二級設備包含智能化裝備、網絡WIFI 系統、供料器、太陽能光伏板、應急安全措施和火警探測系統等概念；二級設備功能包含監控和管理、定時投喂、智能投喂、數據采集和數據傳輸等；二級設備工作原理包含通過同步齒輪帶動做等速反向旋轉等概念；二級設備使用要求包含進氣溫度、微粒雜質含量等。

1.6 知識融合

通過知識抽取操作，獲取的結果可能會包含大量的冗余信息， 因此需要進行知識融合（KnowledgeFusion）。知識融合又叫作知識整合，包括兩個部分：第1 部分為實體鏈接，第2 部分為知識合并。其中實體鏈接需要解決的一個重要問題是實體消歧[34]。在知識圖譜構建過程中，實體消歧可以解決多源性數據造成的同名異義問題，方法主要有分類方法、機器學習排序方法、基于圖的方法和模型集成方法等[35]。本研究中的雷達光電入侵偵測安防系統也稱作雷達光電融合安防系統，是應用于偵測安防的設備，進行實體消歧有助于提升知識圖譜的利用效果。為表示字符串的相似度，可采用編輯距離（Edit Distance）與杰卡德（Jaccard）相似度相結合的方法來計算兩個字符串A與B 之間的相似度[36]。

編輯距離是指兩個字符串之間相互轉換所需的最少操作數，其相似度計算公式如式（1）。

為探究式（3）的效果，以集控系統中管理層中的內容為例，包括智能化裝備、顯示器、智能網關、集控軟件、以太網交換機和視頻服務器，根據從網站爬取的信息，管理層中內容別名分別為智能裝備、顯示屏、網絡設備、集中控制軟件、交換式集線器和網絡視頻服務器。

第1 步，計算EDSim（A，B）：先調用Python 中Distance 庫，使用Levenshtein 方法，得出EDA，B 為16，最終得出相似度0.733。第2 步，計算Jaccard（A，B）：先調用Python 中Sklearn 庫中的CountVectorizer 來計算句子的TF 矩陣，然后利用Numpy 來計算二者的交集和并集，最終得出杰卡德相似度0.541。第3 步，計算strSim（A，B）：最終得出相似度0.637。

由計算結果可知，式（3）可以較好地避免式（1）和式（2）計算值過高或過低帶來較大偏差的影響，即式（3）可以較好地用于字符串相似度計算，較高的相似度說明從網站自動爬取信息得到的結果較為理想。

2 知識圖譜可視化

對海洋牧場裝備監測系統知識圖譜進行可視化能夠將其關系與屬性直觀地展示出來，本研究通過使用Cypher 語言來實現知識圖譜的可視化。進行可視化之前，先需要將三元組形式的知識儲存在Neo4j 中，對已確定的實體、關聯與屬性進行定義，共抽取502 個實體、475 條三元組數據集合，所構建的海洋牧場裝備監測系統知識圖譜選擇以監測系統一級設備、二級設備、二級設備功能、二級設備工作原理及二級設備使用要求5 個節點標簽為核心，由此生成可視化知識圖譜。海洋牧場裝備監測系統知識圖譜局部結構如圖3 所示。

由圖3 可知，所構建的知識圖譜能夠清晰地表達所設置的海洋牧場裝備監測系統節點，每一個圓形節點代表一個實體，兩個圓形節點之間的連接線代表這兩個實體之間的關系，并且關系通常是有方向的。

3 知識圖譜應用

知識圖譜具有強大的檢索功能，在AI 領域應用前景廣闊。監測系統作為海洋牧場裝備中的重要部分，具有監控管理、數據采集和數據處理等重要功能，基于該知識圖譜，可為海洋牧場裝備知識科普及裝備維護等提供相關幫助和數據支持，助力海洋牧場裝備智能問答、智能搜索、故障診斷及智能推薦等系統實現。

3.1 海洋牧場裝備知識智能問答

隨著AI 的蓬勃發展，海洋牧場裝備領域對于智能問答系統的需求已非常旺盛。智能問答功能的實現必須要有海量數據作為支撐，所以基于Neo4j 的海洋牧場裝備監測系統知識圖譜能夠對用戶輸入的監測系統相關問題內容進行充分解讀，進而提供相應的解答，如用戶查詢海洋牧場集控系統的組成，智能問答系統便會提供智能化裝備、顯示器和智能網關等概念。

3.2 海洋牧場裝備知識智能搜索

用戶借助Neo4j 圖知識庫相關領域知識的關聯節點、屬性與關系的查找功能，快速定位到相關實體或屬性上，獲取所需的海洋牧場裝備監測系統知識，提高了查詢效率。如用戶點擊“通導系統”，便會獲取信號燈系統、視頻監控系統等概念。

3.3 海洋牧場裝備故障診斷

海洋牧場裝備監測系統知識圖譜蘊含多個監控設備、設備功能、工作原理及設備的使用要求等本體之間的隱含關系，根據裝備維護人員輸入的故障現象，提供可能的故障原因，裝備維護人員也可將未發現的故障原因補充到知識圖譜中，以減少未來發生類似故障的可能性。

3.4 海洋牧場裝備知識智能推薦

用戶不僅可以對知識進行主動搜索，還能依靠系統的智能推薦服務進行主動推薦。知識圖譜通過結合用戶的知識搜索記錄、知識單元訪問頻率等信息，可利用協同過濾推薦算法分析用戶的知識需求，向用戶推薦可能需要的海洋牧場裝備中的監測系統知識，以及推送其可能感興趣的監測系統知識[37]。

4 結束語

采用自上而下和自下而上相結合的方法，從數據獲取及知識抽取、知識表示和知識融合等方面構建海洋牧場裝備監測系統知識圖譜，使用編輯距離與杰卡德相似度相結合的方法驗證從網站爬取信息的效果，并實現知識圖譜的可視化。構建的知識圖譜可以增強海洋牧場管理人員及一線操作員工對裝備監測系統的全面了解和提高設備維護水平，消除監管肓目性，并可為后續構建海洋牧場裝備智能問答系統、智能搜索系統、故障診斷系統及智能推薦系統提供參考。

參考文獻

楊紅生，章守宇，張秀梅，等．中國現代化海洋牧場建設的戰略思考[J]．水產學報，2019，43（4）：1 255-1 262．

YANG Hongsheng， ZHANG Shouyu， ZHANG Xiumei， et al． Strategicthinking on the construction of modern marine ranching in China[J]．Journal of Fisheries of China，2019，43（4）：1 255-1 262．

孫松， 臧文瀟． 海洋漁業與生態文明[J]． 科技導報， 2020，38（14）：40-45．

SUN Song， ZANG Wenxiao． Fishery and ecological civilization[J]．Science & Technology Review，2020，38（14）：40-45．

趙振營，丁金強，紀云龍，等．現代信息技術與工程裝備在海洋牧場建設中的探索實踐[J]．中國水產，2020（4）：33-37．

邢旭峰，王剛，李明智，等．海洋牧場環境信息綜合監測系統的設計與實現[J]．大連海洋大學學報，2017，32（1）：105-110．

XING Xufeng， WANG Gang， LI Mingzhi， et al． Development of acomprehensive monitoring system on environmental information in searanching[J]．Journal of Dalian Ocean University，2017，32（1）：105-110．

花俊，胡慶松，李俊，等．海洋牧場遠程水質監測系統設計和實驗[J]．上海海洋大學學報，2014，23（4）：588-593．

HUA Jun， HU Qingsong， LI Jun， et al． Design and test of marineranching remote water quality monitoring system[J]．Journal of ShanghaiOcean University，2014，23（4）：588-593．

曾兆銘，王啟銘，吳勝，等．海洋生態牧場水質環境監測系統設計[J]．智慧農業導刊，2021，1（21）：7-9，13．

ZENG Zhaoming，WANG Qiming，WU Sheng，et al．Design of waterquality and environment monitoring system for marine ecological pastures[J]．Journal of Smart Agriculture，2021，1（21）：7-9，13．

常亮，張偉濤，古天龍，等．知識圖譜的推薦系統綜述[J]．智能系統學報，2019，14（2）：207-216．

CHANG Liang，ZHANG Weitao，GU Tianlong，et al．Review of recommendationsystems based on knowledge graph[J]． CAAI Transactionson Intelligent Systems，2019，14（2）：207-216．

漆桂林，高桓，吳天星．知識圖譜研究進展[J]．情報工程，2017，3（1）：4-25．

QI Guilin， GAO Huan， WU Tianxing． The research advances ofknowledge graph[J]． Technology Intelligence Engineering， 2017，3（1）：4-25．

孫琛琛，申德榮，寇月，等．面向實體識別的聚類算法[J]．軟件學報，2016，27（9）：2 303-2 319．

SUN Chenchen， SHEN Derong， KOU Yue， et al． Entity resolutionoriented clustering algorithm[J]．Journal of Software，2016，27（ 9） ：2 303-2 319．

張秋穎，傅洛伊，王新兵．基于BERT-BiLSTM-CRF 的學者主頁信息抽取[J]．計算機應用研究，2020，37（S1）：47-49．

ZHANG Qiuying， FU Luoyi， WANG Xinbing． Information extractionfrom scholar homepage based on BERT-BiLSTM-CRF[J]．ApplicationResearch of Computers，2020，37（S1）：47-49．

MIWA M， BANSAL M． End-to-end relation extraction using LSTMson sequences and tree structures[J]．CoRR，2016．DOI：10.18653/v1/P16-1105．

寧尚明，滕飛，李天瑞．基于多通道自注意力機制的電子病歷實體關系抽取[J]．計算機學報，2020，43（5）：916-929．

NING Shangming， TENG Fei， LI Tianrui． Multi-channel self-attentionmechanism for relation extraction in clinical records[J]． ChineseJournal of Computers，2020，43（5）：916-929．

陳騫．基于關系觸發詞的微博人物關系抽取[J]．電腦編程技巧與維護，2019（4）：19-20．

REBELE T， SUCHANEK F， HOFFART J， et al． YAGO： a multilingualknowledge base from wikipedia， wordnet， and geonames[C]//The Semantic Web–ISWC 2016：15th International Semantic WebConference， Kobe， Japan， October 17–21， 2016， Proceedings，Part II 15．Springer International Publishing，2016：177-185．

ZHENG Pai，XIA Liqiao，LI Chengxi，et al．Towards self-X cognitivemanufacturingnetwork： an industrial knowledge graph-based multiagentreinforcement learning approach[J]． Journal of ManufacturingSystems，2021，61：16-26．

慈穎，秦留洋，韓惠婕．基于航天裝備數據的知識圖譜體系研究[J/OL]．計算機測量與控制：1-9．http：//kns.cnki.net/kcms/detail/11.4762.TP.20230318.1401.002.html．

CI Ying， QIN Liuyang， HAN Huijie． Research on knowledge graphsystem based on space equipment data[J/OL]． Computer Measurement& Control： 1-9． http：//kns.cnki.net/kcms/detail/11.4762.TP.20230318.1401.002.html．

陳思，王亞平，王新蕊，等．單兵裝備人機工效知識圖譜構建技術[J]．兵工自動化，2023，42（2）：6-12，31．

CHEN Si， WANG Yaping， WANG Xinrui， et al． Constructiontechodogy of knowledge map in individual equipment ergonomics[J]．Ordnance Industry Automation，2023，42（2）：6-12，31．

胡衛，趙文龍，李石磊，等．軍事裝備管理數據知識圖譜構建及應用[J]．火力與指揮控制，2022，47（10）：125-131．

HU Wei， ZHAO Wenlong， LI Shilei， et al． Research on the constructionand application of knowledge graph of military equipment managementdata[J]．Fire Control & Command Control，2022，47（ 10） ：125-131．

王浩學，王興隆．基于Neo4j 的語言學術語知識圖譜構建研究[J/OL]．中國科技術語：1-9．http：//kns.cnki.net/kcms/detail/11.5554.N.20230414.1021.002.html．

WANG Haoxue， WANG Xinglong． Graph construction of linguisticterm knowledge based on Neo4j[J/OL]．China Terminology：1-9．http：//kns.cnki.net/kcms/detail/11.5554.N.20230414.1021.002.html．

劉嶠，李楊，段宏，［20］ 等．知識圖譜構建技術綜述[J]．計算機研究與發展，2016，53（3）：582-600．

LIU Qiao，LI Yang，DUAN Hong，et al．Knowledge graph constructiontechniques[J]． Journal of Computer Research and Development，2016，53（3）：582-600．

陸楓．基于Neo4j 的人員關系知識圖譜構建及應用[J]．軟件工程，2022，25（9）：5-8．

LU Feng． Construction and application of personnel relationship knowledgegraph based on Neo4j[J]．Software Engineering，2022，25（9）：5-8．

劉悅悅，李燕．醫學知識圖譜研究綜述[J/OL]．軟件導刊：1-7．http：//kns.cnki.net/kcms/detail/42.1671.TP.20230427.1057.015.html．

LIU Yueyue， LI Yan． Review of medical knowledge graph research[J/OL]．Software Guide：1-7．http：//kns.cnki.net/kcms/detail/42.1671.TP.20230427.1057.015.html．

黃賀瑄，王曉燕，顧正位，等．醫學知識圖譜構建技術及發展現狀研究[J/OL]．計算機工程與應用：1-18．http：//kns.cnki.net/kcms/detail/11.2127.TP.20230227.1037.002.html．

HUANG Hexuan， WANG Xiaoyan， GU Zhengwei， et al． Researchon construction technology and development status of medical knowledgegraph[J/OL]． Computer Engineering and Applications： 1-18．http：//kns.cnki.net/kcms/detail/11.2127.TP.20230227.1037.002.html．

李高云，曠生玉，楊政，等．電磁目標知識圖譜構建技術[J]．電子信息對抗技術，2021，36（4）：1-5，15．

LI Gaoyun，KUANG Shengyu，YANG Zheng，et al．Electromagnetictarget knowledge graph construction technology[J]． Electronic InformationWarfare Technology，2021，36（4）：1-5，15．

劉金壘，惠小珊，張振鵬，等．基于中醫診療指南的冠心病知識圖譜構建[J]．中國實驗方劑學雜志，2023，29（7）：208-215．

LIU Jinlei， HUI Xiaoshan， ZHANG Zhenpeng， et al． Knowledgegraph construction of coronary heart disease based on traditional chinesemedicine diagnosis and treatment guidelines[J]．Chinese Journal of ExperimentalTraditional Medical Formulae，2023，29（7）：208-215．

JIA R， LIANG P． Data recombination for neural semantic parsing[J]．CoRR，2016．DOI：10.18653/v1/P16-1002．

付佳潔，謝雨辰，張德林，等．冷鮮羊肉品質檢測知識圖譜構建及可視化研究[J]．農產品加工，2023（5）：65-69．

FU Jiajie，XIE Yuchen，ZHANG Delin，et al．Knowledge map constructionand visualisation for quality testing of chilled lamb[J]． FarmProducts Processing，2023（5）：65-69．

李巍，廖雪花，楊軍．基于頻繁子樹模式的半結構化數據集聚類[J]．計算機工程與設計，2022，43（10）：2 783-2 789．

LI Wei， LIAO Xuehua， YANG Jun． Semi-structured data clusterbased on frequent subtree pattern[J]．Computer Engineering and Design，2022，43（10）：2 783-2 789．

侯本忠，張永強，尚穎，等．基于自然語言的云數據庫非結構化數據提取[J]．信息技術，2023，47（3）：57-63．

HOU Benzhong，ZHANG Yongqiang，SHANG Ying，et al．Unstructureddata extraction from cloud database based on natural language [J]．Information Technology，2023，47（3）：57-63．

程增輝，夏林旭，劉茂福．基于Python 的健康數據爬蟲設計與實現[J]．軟件導刊，2019，18（2）：60-63．

CHENG Zenghui， XIA Linxu， LIU Maofu． The design and implementationof health data crawler using python[J]． Software Guide，2019，18（2）：60-63．

周俊，鄭彭元，袁立存，等．基于改進CASREL 的水稻施肥知識圖譜信息抽取研究[J]． 農業機械學報， 2022， 53（ 11） ： 314-322．

ZHOU Jun， ZHENG Pengyuan， YUAN Licun， et al． Knowledgegraph information extraction for rice fertilization based on improvedCASREL[J]． Transactions of the Chinese Society for Agricultural Machinery，2022，53（11）：314-322．

劉玉華，翟如鈺，張翔，等．知識圖譜可視分析研究綜述[J]．計算機輔助設計與圖形學學報，2023，35（1）：23-36．

LIU Yuhua， ZHAI Ruyu， ZHANG Xiang， et al． A survey on thevisual analytics of knowledge graph[J]． Journal of Computer-AidedDesign & Computer Graphics，2023，35（1）：23-36．

高勁松，張強，李帥珂．可移動文物的知識圖譜構建及關聯數據存儲：以湖北省博物館為例[J]．現代情報，2022，42（ 4）：88-98．

GAO Jinsong， ZHANG Qiang， LI Shuaike． Construction of knowledgegraph and linked data storage of movable cultural relics： takinghubei provincial museum as an example[J]．Journal of Modern Information，2022，42（4）：88-98．

劉巍，陳霄，陳靜，等．知識圖譜技術研究[J]．指揮控制與仿真，2021，43（6）：6-13．

LIU Wei， CHEN Xiao， CHEN Jing， et al． Review on knowledgegraph techniques[J]．Command Control & Simulation，2021，43（6）：6-13．

張鵬舉，賈永輝，陳文亮．基于多特征實體消歧的中文知識圖譜問答[J]．計算機工程，2022，48（2）：47-54．

ZHANG Pengju， JIA Yonghui， CHEN Wenliang． Chinese knowledgebased question answering based on multi-feature entity disambiguation[J]．Computer Engineering，2022，48（2）：47-54．

唐思宇，李賽飛，張麗杰．基于Neo4j 的網絡安全知識圖譜構建分析[J]．信息安全與通信保密，2022（8）：60-70．

TANG Siyu， LI Saifei， ZHANG Lijie． Research on the constructionof cyber security knowledge graph based on Neo4j[J]．Information Securityand Communications Privacy，2022（8）：60-70．

侯位昭，張欣海，宋凱磊，等．融合知識圖譜及貝葉斯網絡的智能推薦方法[J]．中國電子科學研究院學報，2020，15（ 5）：488-494．

HOU Weizhao，ZHANG Xinhai，SONG Kailei，et al．Intelligent recommendationmethod combining knowledge graph and bayesian network[J]． Journal of China Academy of Electronics and InformationTechnology，2020，15（5）：488-494．