基于类词映射的我国新兴“智慧”概念国际适用性研究——针对Smart、Intelligent与Wisdom的择用困境

杨志和 王要武

(1.哈尔滨工业大学管理学院，哈尔滨，150001； 2.哈尔滨工业大学结构工程灾变与控制教育部重点实验室，哈尔滨，150090； 3.哈尔滨工业大学土木工程智能防灾减灾工业和信息化部重点实验室，哈尔滨，150090)

“智慧”概念是社会智能化的产物。智能化是“工业4.0”的核心主题，它是以智能制造为主导将社会生产系统向智能化转型升级的社会发展战略[1]。德国政府在《德国2020高技术战略》中提出了“工业4.0”，认为“智能化”是未来社会工业生产得以创造巨大价值的主要途径[2-5]。美国所提出的“工业互联网”也主张实现工业生产系统与高级计算、传感技术和互联网的深度融合，实现大规模的生产系统智能互联，最终形成社会产业的智能化变革，孕育出新的智能生产业态[6]。另外，在我国的《中国制造2025》中，着重强调了信息化与工业化的深度融合，从战略规划上明确发展智能制造系统工程，主要目标是“到2020年，制造业重点领域智能化水平显著提升，试点示范项目运营成本降低30%，产品生产周期缩短30%，不良品率降低30%。到2025年，制造业重点领域全面实现智能化，试点示范项目运营成本降低50%，产品生产周期缩短50%，不良品率降低50%”[7-9]。随着社会从信息化逐步迈向智能化，与大数据、云计算、物联网和人工智能等相关的智能互联技术得以飞速发展[10-13]，一系列“智慧”概念也随之涌现，比如：智慧城市[14-16]、智慧校园、智慧教育[17-18]、智慧交通[19-20]、智慧施工[21-22]、智慧服务和应急机构[23]，等等。

虽然这些“智慧”的概念在我国汉语表达体系中比较统一，但是当国内学界和业界面对一些“智慧”相关概念的Smart、Intelligent和Wisdom等英文表达时，往往会因语言系统差异而存在一定程度的择用困难，甚至在使用上产生分歧[24]。并且当我们借助EI、WebofScience检索平台对有关“智慧”概念文献进行检索时，常常也会有如下的选择困境：首先，在构建相关检索词时必然需要面对“智慧”概念对应的英文表达中的Smart、Intelligent与Wisdom的选择困境，例如，对于“智慧城市”，在EI、WebofScience等检索平台中构建检索式时就会有Smartcity、Intelligentcity和Wisdomcity三种选择；其次，虽然构建检索式时这种选择困境可通过布尔逻辑组配得以解决，但是当我们进行“智慧”概念A的国际论文撰写时，就会发现与“智慧”概念A相关的已有国际研究成果大概可分为SmartA、IntelligentA和WisdomA三种表达方式，这也会进一步加大国内研究者在择用英文“智慧”概念词时面临的困难。

针对以上问题，本文将构建一种基于“智慧”概念类词映射的Smart、Intelligent与Wisdom适用性判别方法，主要研究思路如下：首先，借助国内的检索平台，将所收录的系列“智慧”概念研究成果进行选择，然后挖掘出核心“智慧”概念词；其次，在外文样本数据库中挖掘出这些核心“智慧”概念词所对应的Smart、Intelligent和Wisdom三大“智慧”概念类词。第三，在将中文核心“智慧”概念词所对应的Smart、Intelligent和Wisdom三大“智慧”概念类词之间建立映射关系，并且基于这种映射关系对相应“智慧”概念类词的国际认同水平进行研究。

本文的研究内容主要有以下几方面：首先针对所提出的问题和相关研究目标进行基本因素的参数化表达，并构建相应的数学模型；其次，借助数据挖掘和文献计量统计，先挖掘出当前国内的“智慧”概念关键词，并构建相关关系网络，且通过文献计量统计确定核心“智慧”概念词；之后，构建核心“智慧”概念词与Smart、Intelligent与Wisdom“智慧”概念类词之间的映射关系；再分别从国际化分布与集中程度两个视角分析Smart、Intelligent与Wisdom“智慧”概念类词的国际适用性；最后一部分将对本研究进行总结。本研究的技术路线见图1。

图1 研究技术路线

需要特别说明的是，文中所涉“智慧”概念类词中的“类词”内涵主要来自于语言文学研究领域，已有文献对其进行了分析应用，故在本研究中不予展开。但在本研究的具体内容开始之前，将对类词映射与概念映射以及本体映射之间的区别和联系进行分析。

(1)所谓类词，顾名思义就是表达同一类概念的词语集合[25-26]。类词映射主要分析的是同类词语之间的关系，是属于语用层次的概念范畴；本文中主要是将国内研究成果中表达“智慧”这一概念的所有同类词语进行挖掘，然后再将与之表达相同概念的英文表达词汇进行映射，在本文中它们之间的这种映射是“一对多”的关系。

(2)概念映射的内涵是指词语所表达含义间的一种关系，在图书情报领域是一种基于词语应用基础上的词语形态、特征和表达含义关系(包括相近或相反含义)的统称，其外延也可表示某一本体所具有的特定属性，因而更偏向于语义层面的关系分析[27-32]。

(3)相对于类词映射和概念映射而言，本体映射的含义则更加宽泛，可以说本体映射囊括了类词映射和概念映射的所有含义[33-34]；在图书情报领域中，本体映射既包括词语的自身的形态、内容、结构等，又包括了词语的使用方法、作用对象等一切相关内容[35-37]。

本研究仅仅从语用层面出发，就如何对新兴“智慧”概念词进行正确的国际化表达进行分析，研究内容即不深入到这些新兴“智慧”概念词的语义内涵中，也不以较宽泛的“本体映射”为研究对象。

1 模型构建

1.1 “智慧”概念类词映射关系及其集合参数化表达

令中文知识服务平台(本文拟用CNKI)中挖掘出的核心“智慧”概念类词集合为Ach，与其构成映射关系的国际化知识服务平台(本文拟用WebofScienceTM核心合集)中所挖掘出的“智慧”概念类词集合为Fen时，它们之间的映射关系见图2。

图2 “智慧”概念类词之间的映射关系表达

根据上图的映射关系，当且令任意两个与预期“智慧”概念相关共现样本词为Ap和Aq时，概念类词集合元素所构成的相关系数矩阵表示为：

(1)

为了进行相似性计算，可令核心的“智慧”概念类词集合为Ach={A1,A2,A3,…,Am}。

由于英文的“智慧”概念有Smart、Intelligent与Wisdom三种表达，因此将这三类英文语词的参数化类目集分别表示为S，I和W，所构成的对应集合体系为：

(2)

同理，对应的共现词系数矩阵分别为：

(3)

1.2 “智慧”概念样本词的相关性

因样本词数量巨大，故本研究为排除样本词之间可能出现多值频次差的异常振荡可能对分析结论产生不良影响，拟采用等价系数法[38]，并将共现矩阵中的频次转化为[0,1]区间的相似矩阵，本研究中表示为：

(4)

上式中，Rpq为相似矩阵元素的值，Xpq为任意两个样本词Ap和Aq的共现频次，XP和Xq分别为任意两个样本词Ap和Aq所出现的总频次；其中，相似矩阵元素值逼近0代表关联性越弱，逼近1则代表关联性越强。

至此，我们可通过相似矩阵元素值构建出共现网络，并确定基本的概念类词范围。

1.3 “智慧”概念类词的分布特征

首先，在“智慧”概念类词的分布特征研究中，需要挖掘出核心“智慧”概念类词的年度分布特征，旨在进一步确定核心“智慧”概念涌现的时代背景。在本研究中，令第p个相关概念类词在t年出现的频次为Cpt，第q个相关概念类词在第t年出现的频次为Cqt，m为t的积累数之和；这时，可以将这些核心“智慧”概念类词与分布年度之间的关系矩阵元素值为：

(5)

其次，在构建了核心“智慧”概念类词及其对应类词间的映射关系后，还需要将核心“智慧”概念类词所对应的Smart、Intelligent与Wisdom类词进行世界范围区域分布特征的研究，它们的定义和表达方式与年度分布的表达相似，故不赘述。

1.4 “智慧”概念类词的集中性

“智慧”概念类词的集中性表现在两方面：首先，是基于样本词分析的基础上进行的集中，这种集中是属于数据统计概念上的频次累积；其次，是基于核心“智慧”概念类词国别或语言等维度上的集中，这种集中性需要依赖特定的算法来进行。在本研究中，若要确定核心的“智慧”概念类词，就需要通过算法对样本数据集进行处理；其中，在确定核心“智慧”概念类词时，需要依赖词频排列来初步确定集中性，任意词A的排列次序判定规则为：

Y=(max(XP,Xq))

(6)

通过上述词频大小判别后，可根据对应概念类词的出现频次来进一步确定核心的“智慧”概念类词，从而构建出对应的核心“智慧”概念类词集合Ach={A1,A2,A3,…,Am}。

另外，在映射关系形成的基础上，为了确定Smart、Intelligent与Wisdom“智慧”概念类词的国际认同水平，可通过构建对应的指标和算法得到其中某一概念类词在世界各国(或所使用语言维度)范围内的集中程度。

当令单位时间内第n国研究者使用某一“智慧”概念类词集为U，对应单位时间内被第n国(或者是语言，期刊等)研究者使用的其它所有相关类词集为V时，该“智慧”概念类词U在第n国(或者是语言，期刊等)的集中系数为：

(7)

上式中u为某单位时间内第n国(或者是语言，期刊等)使用的“智慧”概念类词U的数量，v是被第n国(或者是语言，期刊等)使用的所有与U相关的词出现频次，x为与U相关类词分类数，l为单位时间累积总数。

2 核心”智慧”概念词挖掘

要确定一系列“智慧”概念类词，首先需确定国内的“智慧”概念研究成果，以便从中提取出核心“智慧”概念词。本研究借助中国知网(CNKI)期刊数据库，共检索出国内“智慧”概念相关研究论文17546篇，并经过数据清洗，最终得到相关性较高的文献共计5446篇。然后借助Pajeck关系网络分析工具，将5466篇文献中的“智慧”概念相关词共现关系进行可视化，结果见图3。

图3 CNKI期刊论文集中的“智慧”概念相关词共现关系网

为保证从CNKI期刊论文集中挖掘出的“智慧”概念相关词切实合理，本研究从原始的相似矩阵中随机抽取了100对数据，并对其变量内部的收敛性和一致水平进行了分析，得到如表1所示的信度值。

表1 CNKI期刊论文集中的“智慧”概念相关词信度

由于上表1中的非标准化和标准化CronbachsAlpha系数均大于0.7，结合统计学中Cronbach’sAlpha>0.7则较可靠的原则，本文数据来源比较理想。

基于以上所挖掘出的“智慧”概念相关词共现网络，本研究依据所形成相关系数阵，提取了相关性较强的32个关键词，它们所构成的关系网络见图4。

结合以上分析结果可知：首先，物联网、云计算、大数据、信息化、智能化、RFID、传感器与所提取出的“智慧”概念词构成强相关关系，说明我国各种“智慧”概念相关产业发展需要物联网、云计算、大数据和信息化等新兴智能互联与传感技术的支持；其次，结合图3与图4的分析结果，可提取出20个核心“智慧”概念词(见表2)。

图4 核心“智慧”概念词及其关联高频词关系网

表2 核心“智慧”概念词及相关词频数

同时，结合年度分布特征计算模型，挖掘出了20个核心“智慧”概念词所对应的出现年代，并将其按出现时间进行序化与可视化表达，可构建出如图5所示的核心“智慧”概念词产生年轮。

结合图5中各核心“智慧”概念词诞生年代可知，国内核心“智慧”概念词最早出现于2000年，其中绝大多数出现在2010年前后，研究进一步表明2010年前后是我国各领域“智慧”概念词被提出的关键时期。

3 “智慧”概念类词映射关系

对比国内外的“智慧”概念相关论文后发现，“智慧”概念的英文内涵表达时往往有Smart、Intelligent与Wisdom三个词义层面上的择用偏向；因而本文在确定了国内的核心“智慧”概念词后，将借助WebofScienceTM核心合集挖掘出与这些中文核心“智慧”概念词所对应的Smart、Intelligent和Wisdom“智慧”概念类词。

通过检索，本文共挖掘出1985—2016年间与核心“智慧”概念词较相关的主题表达研究论文共计2709篇；然后提取了这些研究论文中与Smart、Intelligent或Wisdom“智慧”概念表达相关的共现词，他们所构成的共现关系网络见图6。

图5 核心“智慧”概念词诞生年轮

图6 Web of Science TM核心合集中的“智慧”概念相关词共现关系网

为保证WebofScienceTM核心合集中挖掘出的“智慧”概念相关词切实可靠，本研究从原始相似矩阵中随机抽取了100对数据，并对其变量内部的收敛性和一致水平进行检验，得到信度水平(见表3)。从中可以看到，非标准化和标准化Cronbachsα系数均大于0.7，说明数据来源可靠。

表3 Web of Science TM核心合集中的“智慧”概念相关词信度

根据前述研究挖掘的中文核心“智慧”概念词，从图6所示的共现词中提取与之相对应的所有”智慧”概念词，共得到1908个Smart“智慧”概念类词，769个Intelligent“智慧”概念类词，以及32个Wisdom“智慧”概念类词。

采用相关矩阵及相关性算法，将中文核心“智慧”概念词与上述三组WebofScienceTM核心合集中挖掘出的”智慧”概念类词之间构建映射关系，并借助Gephi平台在中文“智慧”概念与英文所对应的Smart、Intelligent与Wisdom语词关系进映射和关联，最终形成如图7所示的表达结果。其中，Smart、Intelligent和Wisdom三个基本“智慧”概念类词分别经历了20、19和24次迭代实现了如图所示的映射关系表达，具体迭代进程见图8。

从图8中可知，经过大约8次迭代后三大“智慧”概念类词映射关系趋于稳定，并且所形成的相对均衡效果良好，进而反映出本文所构建的映射关系相对稳定。

4 “智慧”概念类词的地理分布特征

4.1 “智慧”概念类词的单一分布性

结合分布特征模型的相关定义和计算方法，当把分布特征模型中的年度替换为国别时，就可以构建出“智慧”概念类词的国别分布关系矩阵，相关矩阵值的确定与年度分布计算原理一样。对WebofScienceTM平台中提取出的对应类词进行存储和分析，并借助EXCEL扩展接口将各国所对应的Smart、Intelligent和Wisdom“智慧”概念类词数据可视化在Googleearth地图中，通过可视化处理后得到如图9—图11所示的Smart、Intelligent和Wisdom“智慧”概念类词国别分布情况。

图7 “智慧”概念类词映射关系网

图8 “智慧”概念类词映射关系形成的迭代过程

图9 Smart“智慧”概念类词的国别分布

图10 Intelligent“智慧”概念类词的国别分布

图11 Wisdom“智慧”概念类词的国别分布

从图9、图10和图11中可以看出，Smart“智慧”概念类词在全球的分布范围较广，Intelligent次之，Wisdom最少。从地区偏向性上看，Smart“智慧”概念类词的地区偏向性不明显，因而具有较好的国际分布特征；但是Intelligent和Wisdom两个“智慧”概念类词有着明显的地区偏向性，均主要分布于中国。因此，可以认为Smart“智慧”概念类词在全球范围内具有良好的分布性，间接说明其更具备国际适用性。

4.2 “智慧”概念类词的整体分布性

基于前文中所构建的集合及相似性表达，将所有Smart、Intelligent和Wisdom“智慧”概念类词进一步聚合，并分别用“SmartXX、IntelligentXX和WisdomXX”三个大类来分别表示“智慧”概念词时，通过分布性算法可计算出这三类词在全球各国的整体分布系数，最终亦可通过同样的数据处理和可视化表达方式将“SmartXX、IntelligentXX和WisdomXX”三大类“智慧”概念词在全球的整体分布特征表示如图12。

图12 Smart, Intelligent和Wisdom“智慧”概念类词的全球整体分布特征

从图12中可以看出在中国之外的全球大多数国家中，以“SmartXX”类词为“智慧”概念的表达占据了主导位置。相比之下，以“IntelligentXX”与“WisdomXX”类词为“智慧”概念表达的规模在全球的分布均比较小。但是，我国例外，在我国以“IntelligentXX”类词为“智慧”概念表达的整体规模比Smart和Wisdom都要大。

图12中的全球分布特征是立足于同一类“智慧”概念类词内部集中的结果，因而分布性处理过程中也有集中性表达。另外，由于整体分布特征是单一分布特征分析的深度聚合，因而它们的研究结论会存在一致性。以上的Smart、Intelligent与Wisdom三大“智慧”概念类词的这种全球分布特征亦间接反映了全球各国对Smart、Intelligent与Wisdom“智慧”概念类词的认同水平。

5 “智慧”概念类词的集中性

事实上，借助上述的分布性亦可间接判别出各“智慧”概念类词表达在国家分布方面的集中规模，但由于缺乏直观性，并且要判别其它诸如语言偏向性等方面会存在一定局限。因而本研究构建了集中性判别模型，通过相关计算，可直接得到各“智慧”概念类词在国别、语言或其它衡量标准上的集中系数。

结合公式(7)所构建的集中性相关系数模型，本文可计算出Smart、Intelligent和Wisdom“智慧”概念类词在分布国别和使用语言上的集中系数，如图13和图14所示。

与上一节的内容相联系，可以看出Smart“智慧”概念类词在国别和语言上的集中性均比较好，Intelligent次之，Wisdom最低。它们的国家和使用语言的集中系数均值详见表4。

图13 “智慧”概念类词的国别集中系数

图14 “智慧”概念类词的语言集中系数

表4 Smart、Intelligent与Wisdom“智慧”概念类词平均集中系数均值

通过表4可直观看出Smart“智慧”概念类词在国家和语言两个维度上均具备良好的集中性，表明了Smart“智慧”概念表达占据国际主流位置。此外，结合上文中计算相关国别、语言或其它维度上的集中系数过程，还可确定出所构建的“智慧”概念类词集中性模型具备以下两个定律：

定律1：第n国别与语言(或其他划分)单位上的某一类词集中系数之和∑CUy≡1(y为概念类词分类数)，即在特定时期内，某划分单位(国别、语言或其他)上所有不同类词的集中系数之和恒等于1；同理，所有划分单位上的所有类词集中系数均值之和也恒等于1。例如，在本研究中就有：

(1)第n国或第n种语言中，∑CSmart+CIntelligent+CWisdom≡1；

(2)在国家分布或语言分布方面，(∑CSmart+∑CIntelligent+∑CWisdom)/n≡1。

定律2：集中性能够清晰反映出某一概念类词在特定区域属性上的集中程度；其中，集中系数CUn的值都是[0,1]之间的实数，越靠近1的曲线表示该类的集中优势越明显。如在本研究中，Smart“智慧”概念类词在国家和语言维度上均显现出了比较好的集中优势，说明Smart是国际惯用的“智慧”概念表达。

6 结语

“智慧”概念表达的Smart、Intelligent和Wisdom选择困境由来以久，国内研究者在进行有关“智慧”概念主题研究时也往往会受其困扰。基于现实选择中的该种困境，在相关技术路线导向下，本研究主要完成了以下三方面的研究内容：

(1)通过国内的CNKI知识服务平台，挖掘出了“智慧”概念相关样本词，然后依据相关性分析模型构建了相关关系矩阵，借助可视化表达筛选出了核心的“智慧”概念词。

(2)依据所挖掘出的核心“智慧”概念词，借助WebofScienceTM核心集中检索出的有关Smart、Intelligent和Wisdom“智慧”概念相关词，构建出了中英“智慧”概念类词映射关系网络；

(3)依据所构建的相关性、分布性和集中性数学模型，在相关系数计算的基础上研究出了Smart、Intelligent和Wisdom“智慧”概念类词在全球各国的单一分布特征与整体分布特征，以及国别与语言集中性特征。

本文的研究主要得到以下结论：

(1)我国的“智慧”概念相关研究起步于2000年左右，2010年前后是我国多领域、规模化“智慧”概念得以提出的重要时期。

(2)全球范围内，Smart“智慧”概念类词分布均比Intelligent与Wisdom广，并且可知以Intelligent和Wisdom为“智慧”概念类词表达的国家主要是中国。

(3)无论是国别还是语言方面，Smart“智慧”概念类词的集中优势均比较明显，说明以Smart为主的“智慧”概念表达占据了国际主流位置。

同时，研究发现，虽然目前我国的“智慧”概念相关研究成果丰富，但目前我国在Smart、Intelligent和Wisdom“智慧”概念择用上存在的问题在于——当前我国使用Intelligent“智慧”概念表达比重较大(见图12)，这与全球范围以Smart为“智慧”概念表达的国际主流有所偏离。

[1] 戴宏民, 戴佩华. 工业4.0与智能机械厂[J]. 包装工程,2016(19):206-211.

[2] 盛朝迅, 姜江. 德国的“工业4.0计划”[J]. 宏观经济管理,2015(5):85-86.

[3] 刘亚威. 德国“工业4.0”之“智慧工厂”计划(上)[J]. 智慧工厂,2015(11):38-40.

[4] 刘亚威. 德国“工业4.0”之“智慧工厂”计划(中)[J]. 智慧工厂,2015(12):26-29.

[5] 刘亚威. 德国“工业4.0”之“智慧工厂”计划(下)[J]. 智慧工厂,2016(1):30-33.

[6] 延建林, 孔德婧. 解析“工业互联网”与“工业4.0”及其对中国制造业发展的启示[J]. 中国工程科学,2015,17(7):141-144.

[7] 杜传忠, 杨志坤. 德国工业4.0战略对中国制造业转型升级的借鉴[J]. 经济与管理研究,2015(7):82-87.

[8] 岳孜. 中国制造2025背景下制造业智能化发展分析[J]. 社会科学战线,2016(11):261-264.

[9] 周济. 智能制造——“中国制造2025”的主攻方向[J]. 中国机械工程,2015,26(17):2273-2284.

[10] 李健旋. 美德中制造业创新发展战略重点及政策分析[J]. 中国软科学,2016(9):37-44.

[11] 贾根良. 第三次工业革命与工业智能化[J]. 中国社会科学,2016(6):87-106.

[12] 孙立. 工业大数据对智慧云制造的推动与创新[J]. 科技管理研究,2016,36(13):156-158.

[13] 王延飞, 赵柯然, 何芳. 重视智能技术凝练情报智慧——情报、智能、智慧关系辨析[J].情报理论与实践,2016,39(2):1-4.

[14] 许庆瑞, 吴志岩, 陈力田. 智慧城市的愿景与架构[J]. 管理工程学报,2012,26(4):1-6.

[15]KourtitK,NijkampP,SteenbruggenJ.Thesignificanceofdigitaldatasystemsforsmartcitypolicy[J].Socio-EconomicPlanningSciences,2016,58(2017):13-21.

[16]DrubinC.China,JapanandSouthKorealeadAsiansmartcityinitiativedeployments[J].MicrowaveJournal.2017,60(06):51-52.

[17] 杨现民, 余胜泉. 智慧教育体系架构与关键支撑技术[J]. 中国电化教育,2015(1):77-84.

[18]ReychavI,WarkentinM,NdicuM.Tabletadoptionwithsmartschoolwebsitetechnology[J].JournalofComputerInformationSystems,2016,56(4):280-287.

[19] 张新, 杨建国. 智慧交通发展趋势、目标及框架构建[J]. 中国行政管理,2015(4):150-152.

[20]OswaldKF.Abriefhistoryofsmarttransportationinfrastructure[J].Transfers-InterdisciplinaryJournalofMobilityStudies,2016,6(3):123-128.

[21] 王要武, 吴宇迪, 薛维锐. 基于新兴信息技术的智慧施工理论体系构建[J]. 科技进步与对策,2013,33(23):39-43.

[22]NiuYH,LuWS,ChenK,etal.Smartconstructionobjects[J].JournalofComputinginCivilEngineering,2016,30(4):040150701-0401507011.

[23] 李纲, 李阳. 关于智慧城市与城市应急决策情报体系[J]. 图书情报工作,2015(4):76-82.

[24] 王健. 工业人的自我觉醒与价值追求是智慧工厂的核心要义[J]. 智慧工厂,2015(11):1.

[25] 古川裕. 关于“要”类词的认知解释——论“要”由动词到连词的语法化途径[J]. 世界汉语教学,2006(1):18-28.

[26] 朴珉娥, 袁毓林. 汉韩”白”类词的语义、语法和语用特征对比研究[J]. 外语教学与研究,2015(4):496-508.

[27]NaciscioneA.Metaphorandthehistoricalevolutionofconceptualmapping[J].MetaphorandSymbol,2014,29(1):59-61.

[28]LinYT,ChangCH,HouHT,etal.ExploringtheeffectsofemployingGoogleDocsincollaborativeconceptmappingonachievement,conceptrepresentation,andattitudes[J].InteractiveLearningEnvironments,2016,7(24):1552-1573.

[29]StoyanovS,JablokowK,RosasSR,etal.Conceptmapping-Aneffectivemethodforidentifyingdiversityandcongruityincognitivestyle[J].EvaluationandProgramPlanning,2017(60):238-244.

[30] 白华. 利用标签-概念映射方法构建多元集成知识本体研究[J/OL]. 图书情报工作,2015,59(17):127-133.

[31] 邓盼盼, 常春. 基于精确匹配的概念映射关系规则研究[J]. 图书情报工作,2013,57(16):25-29.

[32] 陈辰. 叙词表概念映射研究[J]. 图书馆论坛,2015,35(1):37-42.

[33]GaoW,FarahaniMR,AslamA.Distancelearningtechniquesforontologysimilaritymeasuringandontologymapping[J].ClusterComputing-TheJournalofNetworksSoftwareToolsandApplications,2017,20(2):959-968.

[34]SiciliaA,NemirovskiG,NolleA.Map-On:Aweb-basededitorforvisualontologymapping[J].SemanticWeb,2017,8(6):969-980.

[35] 赵晋巍, 钱建军, 真溱. 本体映射系统研究综述[J]. 情报理论与实践,2010,33(5):120-123.

[36] 潘有能, 刘朝霞. 本体映射技术在关联数据中的应用研究[J]. 情报科学,2015,33(1):54-56,62.

[37] 黄福常, 于娟. 基于本体结构量化的本体概念映射方法研究[J]. 情报杂志,2015,34(11):145-149.

[38] 刘启元, 叶鹰. 文献题录信息挖掘技术方法及其软件SATI的实现——以中外图书情报学为例[J]. 信息资源管理学报,2012(01):50-58.