基于证据理论的产品情报知识元多属性融合方法研究

孙琳

〔摘 要〕[目的/意义]产品情报的有效获取能够帮助企业及时掌握市场动态及竞争态势，并有利于提升产品竞争力。对产品情报及其知识需求呈现跨领域、跨行业、多主体的综合性及深度挖掘商业价值的迫切性。[方法/过程]构建细粒度的产品情报知识元模型，通过基于证据理论的多属性融合过程，实现产品情报知识元属性集与关系集描述空间的扩展以及知识元属性关系网络的生成。[结果/结论]实例研究从业务和竞争力两个视角，实现产品情报知识元属性集的融合与深加工，为产品情报的隐性关联知识发现提供相对完备的知识基础。证明了基于证据理论的多属性融合方法对产品情报知识元融合的可行性和有效性。

〔关键词〕产品情报；多属性融合；知识元；证据理论；属性关系网络

DOI：10.3969/j.issn.1008-0821.2018.10.010

〔中图分类号〕N99 〔文献标识码〕A 〔文章编号〕1008-0821（2018）10-0065-08

〔Abstract〕[Purpose/Significance]Effective acquisition of product intelligence can help enterprises timely grasp market dynamics and competitive situation，as well as improve product competitiveness.Product intelligence and knowledge needs show not only the comprehensiveness of cross-domain，cross-industry and multi-subject，but also the urgency of deep exploration of business value.[Method/Process]A fine-grained knowledge element model of product intelligence was constructed.Through the multi-attribute fusion process based on evidence theory，the description space of the attribute-set and relation-set of product intelligence was extended，and the corresponding knowledge element attribute-relation network was generated.[Result/Conclusion]From two perspectives of business and competitiveness，the case study realized the fusion and deep processing of the attribute-set of product intelligence knowledge element，which provided a relatively complete knowledge base for the discovery of implicit association knowledge of product intelligence.It also proved the feasibility and effectiveness of multi-attribute fusion based on evidence theory for fusing product intelligence knowledge elements.

〔Key words〕product competitive intelligence；multi-attribute fusion；knowledge element；evidence theory；attribute-relation network

產品被视为企业成功的关键因素之一，产品情报是企业竞争情报分析与利用的重要领域。对产品情报的跟踪与融合还能够帮助决策者更加全面深入地了解市场需求动态，认清竞争形势，不断提升产品的竞争力。Amarouche K等[1]综述了现有产品竞争情报挖掘研究的主要研究成果；Mariadoss B J等[2]对销售人员的产品知识、竞争情报的行为和表现之间关系进行建模和测试；Xiao S等[3]提出了一种计量经济偏好度量模型用于从在线产品评论中提取总体消费者偏好。虽然大量的研究将产品竞争情报成功地应用于解决不同领域的商业决策，但几乎仅支持单一的应用领域，鲜有研究给出一个能够描述跨领域、跨行业、多主体的复杂情报要素的描述和综合解析，从而影响了产品情报辨识及其知识表示的通用性和全面性。

基于知识元模型可以实现企业产品的细粒度共性知识描述，为产品情报的关联知识融合提供基础。然而，受到认知局限性、领域差异性等因素影响，需要通过高效的融合方法实现情报先验知识生成及情报描述对象的概念、属性及其关系的深入解析，以实现产品情报知识元的完备描述。相较于其他知识融合方法，证据理论[4-5]能够在不需要提供先验概率信息的条件下，对不确定性问题进行决策[6-7]，且即便仅有少量信源证据依然能够得到不确定性度量结果[8]。近年来，证据理论也被扩展以进一步支持组合型特征证据的多属性融合计算[9]。

本文提出了一种基于证据理论的产品情报知识元多属性融合方法，通过不断收集的产品情报素材中的情报元属性要素描述，实现产品情报共性知识的属性集与关系集描述空间的扩展。通过情报知识元属性关系网络的融合，实现产品情报知识元的深加工，为产品情报的隐性关联知识发现提供相对完备的知识基础。

1 产品情报知识元与情报元

作为知识发现和推理的基本元素，知识元[10]从事物本原视角构建细粒度的知识单元，将复杂知识抽象化、形式化以描述客观事物的共性特征[11]，并通过事物属性关系揭示微观规律[12]。其有利于综合诠释跨领域、跨行业、多主体的产品情报，为产品情报融合提供相对完备的知识结构。

1.1 知识元模型

知识元（Knowledge element，KE）是对客观事物的主观抽象模型的知识表示，可以通过三元组来描述客观事物[10]。

1.2 产品情报知识元

基于知识元模型，企业各类竞争情报均可建立细粒度的结构化描述，分别进行概念集、属性集和关系集的界定和刻画。情报知识元实现了多主体、跨领域、跨行业的竞争情报综合诠释，提升了情报的可组织性，有利于知识的重用和共享。由于产品在企业参与市场竞争的全域全过程中占据不可替代的核心地位，在竞争情报知识元体系中，产品情报知识元是构建情报知识元网络的中心节点。

产品情报知识元描述竞争产品的共性知识结构，不仅支持产品特性分类的层次结构描述，同时也满足产品异质特征的个性化描述。对于产品情报知识元属性的描述可以从不同视角展开。比如，从情报收集的渠道视角，公开的产品情报属性特征包括产品名称、产品描述、所属类别、上市时间、功能参数、价格、目标客户、市场定位、产品特性、销售渠道、促销、服务等；非公开的产品情报属性特征可能包括生产资料、加工工艺、原材料、核心技术、现有商业关系、营销策略、销售量、销售总额、成本、利润、市场占有率等。

1.3 产品情报元及映射元

对产品情报描述对象的具体属性状态的刻画过程，就是按照对应的产品情报知识元结构进行信息重构以及相关特征要素的内容描述或状态赋值，即构建产品情报描述对象的情报元（Intelligence Element，IE）。也就是说，产品情报元是将产品情报描述对象按照所属知识元的结构进行属性的定量化或定性化描述，从而构建更高层次的概念和复杂的语义关系，为逻辑推理和情报隐含关联关系融合提供情报数据支持。

从多个情报源中收集的情报素材代表了对情报描述对象的不同属性特征描述。所谓产品情报映射元是指从情报素材中抽取的针对产品情报描述对象的属性要素描述全集，与属性的状态描述无关。换言之，映射元相当于对情报描述对象属性要素共性知识描述的半成品，其与对应的情报知识元属性集描述间既可能存在交叉，也可能蕴含新的要素，被视为情报知识元融合的知识储备。

2 产品情报知识元多属性融合框架及融合触发过程

产品情报的知识元体系为高效开展隐性知识发现提供了知识基础。然而，受到认知局限性、领域视角的差异性等因素的影响，产品情报知识元的属性集和关系集在构建之初并非具有完备的描述。随着情报素材的不断积累和知识储备的丰富，借助于高效的多属性融合方法，产品情报知识元描述将得到不断完善。

2.1 基于证据理论的产品情报知识元融合框架

基于证据理论的产品情报多属性融合框架如图1所示。从情报源中辨识和收集高价值的产品情报有赖于构建精准的情报先验知识。所谓情报先验知识，是指基于产品情报知识元体系构建的一系列情报主题特征要素的集合，其不仅包含了情报收集目标的对象主体的名称描述，甚至细化至主体的属性要素描述，是判别情报是否具有收集与分析价值的主要依据。

经辨识被抽取的产品情报元，将以映射元形式作为知识储备，成为完善产品情报知识元体系的情报素材。加之从其他途径收集到的相关产品属性特征、属性关系描述的专业资料，围绕各个产品情报描述对象将形成多批知识储备。当满足触发条件时，相关知识储备中的属性集将在多属性融合决策框架下作为证据，通过合成规则求解得出融合决策结果，即知识元属性集、关系集的共识描述。

随着产品情报素材及知识储备的不断丰富，情报描述对象属性的识别框架规模将得到不断扩展，经过多属性融合后的决策结果将使得产品情报知识元属性集、关系集的描述日趋完备。

2.2 产品情报知识元的多属性融合触发过程

每收集到新的产品情报素材就执行一次知识元多属性融合是不可取的。一方面，若映射元中出现了未纳入对应情报知识元中的新要素，则识别框架容量将增大，继而提高了融合计算的工作量；另一方面，即便未有新属性产生，一个情报素材中映射元的数量也不可小觑，由此产生的融合计算工作量也较为繁重。因此，需要设计一个合理的产品情报知识元多属性融合处理触发策略，通过触发阈值的设定，有效控制知识元属性集描述框架更新的范围和频率，提升融合的效率和效果，具体过程如下：

步骤1：在产品情报知识元库中，获取对应知识元的知识储备量，设So为已积累的待映射元数量，则现有知识储备量为So+1。

步骤2：判断知识元的知识储备量So+1是否达到触发阈值（设为Sm，由用户给定），若So+1

步骤3：进行Sm个产品情报映射元与匹配知识元的多属性融合计算，更新知识元属性集描述，So重置为零。

步骤4：按照对应知识元的属性集描述框架生成情报元，完成属性状态赋值。

3 产品情报知识元的多属性融合方法

情报知识元从事物本原的细粒度视角深入刻画情报描述对象要素的构成方式，对事物属性特征、事物内在属性间的映射关系、以及不同事物间的属性关联关系等进行情报知识要素的构成形式与关联机制的描述和呈现。利用情报知识元的多属性知识融合方法，有利于完善多主体、跨领域、跨行业的情报共识知识描述，为面向决策的情报隐含关联知识融合提供日益完备的知识基础[13-14]。

一方面，进行产品情报知识元属性集融合的目的是对产品情报描述对象的属性描述提供完备的知识表示。當某产品情报知识元满足多属性融合触发条件时，知识元及相关映射元各属性的名称所构成的集合是进行多属性融合计算的对象；另一方面，进行产品情报知识元的属性关系网络融合的目的是对产品情报描述对象间的直接关系描述提供完备的知识表示。通过知识元间的输入和输出属性要素的匹配关系，自动建立产品情报描述对象间复杂关联关系网络的知识描述。

3.1 基于证据理论的情报知识元多属性融合方法

人类对世间万物的认知始于对事物的概念及属性的描述。知识元以揭示微观本原规律的视角进行对事物认知的知识表示。受到认知的主观性、领域视角和语言习惯等因素影响，知识元属性描述如何客观反映共识性认知仍是未解难题。充分利用丰富的数据和共享知识资源，开展知识元多属性融合[9]能够进一步完善对描述对象属性要素全集的认知描述。同时，通过高效的融合方法识别事物的关键属性特征及关联关系还有助于实现数据潜在价值的深度挖掘[15]。

3.1.1 辨识框架

情报知识元多属性融合的最终目的就是找到一个命题Xf满足mα（Xf）=Max[mα（Xi）]的组合型证据为决策结果。如果无法获取基准数组，则可直接求解每个命题的综合支持度，融合结果满足Sup（Xf）=Max[Sup（Xi）]即可。该方法能够保证融合结果Xf的要素互斥继承性，且不需要对描述要素间可能存在的复杂语义关系进行预处理[9]。

3.2 产品情报知识元的属性集融合

将新收集的产品情报映射元的属性集描述A1={a11，a21，…，an11}作为新增的知识储备，当相关知识储备A2，…，Ap达到如2.2触发条件时实施融合。设对应的产品情报知识元属性集描述为A0={a1o，a2o，…，aqo}，则确定该产品情报描述对象的属性识别框架为θ=A0∪A1∪A2∪…∪Ap。其中，设w=θ-q为新增属性要素个数。新的幂集空间2θ={，{a1}，{a1，a2}，…，{a1，…，aq+w}}，待融合证据为A0，A1，…，Ap。那么，多属性融合的最终结果A′={a′ 1，…，a′ m}（其中，a′ i∈θ，1≤i≤m）即为该产品情报知识元的属性集描述，从而完成了知识元属性集的更新。

事实上，依据情报素材进行产品情报知识元的属性集扩展时可能存在一个现象，即映射元并不一定是对相应产品情报知识元属性集要素的全面描述。产品情报映射元可能由于描述视角不同而仅仅提及了部分属性，甚至由于缺失基准数组要素而影响了该证据的可靠性判断。此时，若已知情报素材的可信度，则取信源的可信度b与该证据的覆盖度指数β的最大值进行融合计算的权重分组自动加载。

综上所述，在领域专家、情报知识建立者以及决策者的知识和经验进行产品情报知识元属性集的初始描述基础上，不断汲取来自于开放信源中的同类描述知识，利用多属性融合方法能够一定程度上实现产品情报知识元属性集的智能更新，以克服情报知识元描述的主观性和局限性，为深度解析和综合诠释产品情报中隐藏的商业价值提供了日益完善的知识结构。

3.3 产品情报知识元的属性关系网络生成

情报知识元属性关系网络可划分为同一知识元的属性间关系网络以及不同知识元的属性间复杂关系网络。情报知识元属性关系网络的生成揭示了情报描述对象属性间的联系机理，为深层次的隐含关联知识融合提供了基于本原视角的知识元关系网络支持。情报知识元关系集通过将描述对象的外部输入属性纳入到自有属性集，借助关系知识元的属性集实现知识元网络节点关系的描述，从而使知识元网络的自动生成得以实现，并保证了其完整性与可扩展性[16]。

产品情报知识元的属性关系网络融合是在产品情报知识元属性集更新的基础上实现的。产品情报知识元关系集就是对相应知识元属性关系网络构成的结构化知识呈现，其目的是为产品情报描述对象的属性关系刻画提供完备的知识表示。

设某一产品情报知识元的初始属性集表示为A0={AI0，AS0，AO0}，则知识元网络的生成机理本质上就是根据新收集的相关情报元的输出属性集（例如AO1={a11，…，ap1}，AO2={a12，…，aq2}）中的属性与AS0中属性的直接关联关系的描述，最终确定AI0的描述，即AO1和AO2中的哪些属性直接影响了AS0中的哪些属性状态。由公式（1）和公式（3）可知，产品情报知识元的关系集需要界定r∶AIr→AOr（r∈R），本质上可以归结为输入属性集AIr与输出属性集AOr间的多属性融合问题。

但是，显然在一个关系集中，AIr和AOr需要成对出现才能够明确界定关系函数fr的描述。因此，在进行产品情报知识元的关系集融合时不能分别进行AIr和AOr的多属性融合。又由于在知识元属性集中存在隐含特性AOAS，而输入属性集AI会影响属性状态集AS，因此AI也对AO具有影响。由此，需要针对合并后的输出属性集AO=AO1∪AO2中每一属性要素，筛选所有与之有关的输入属性集作为证据，进行多属性融合求解并最終合成具有共识认知描述的AI。

关系集融合处理也需要满足如2.2的触发条件，即满足一定的知识储备之后方可进行。以下仅以两个产品情报知识元间的关系集融合为例，设产品情报知识元和新获取的情报元的输入、输出属性集分别为AI1={a1，a2}，AO1={a6，a9}和AI2={a1，a4}，AO2={a6，a7}，则关系集融合过程如下：

步骤1：求解AS={a5，a6，a7，a8}，且有AO=AO∪AO={a6，a7，a9}。

步骤2：得到以a6为输出的证据为X1={a1，a2}和X2={a1，a4}，以a7为输出的证据为X3={a1，a4}，以a9为输出的证据为X4={a1，a2}。a7和a9只有单一证据不需要融合，对a6处理如步骤3。

步骤3：对应a6这一输出属性要素，基于证据X1和X2构建识别框架开展多属性融合，求解Xf以确定唯一对应于a6的输入属性集。假设基准数组B={a1，a2}，则Xf={a1，a2}。

步骤4：合并所有输入属性集，则AI=Xf∪X3∪X4={a1，a2，a4}。

步骤5：更新A={AI，AS，AO}={{a1，a2，a4}，{a5，a6，a7，a8}，{a6，a7，a9}}。

步骤6：更新R={r1，r2，r3}，其中，r1∶{a1，a2}→a6，r2∶{a1，a4}→a7，r3∶{a1，a2}→a9。

综上所述，本文将基于证据理论的多属性融合方法应用到产品情报知识元的属性集和关系集融合中，通过产品情报知识元的属性集融合与关系集融合，支持产品情报知识元属性关系网络的生成，完成了基于证据理论的产品情报知识元多属性融合，为面向商业决策的企业产品情报融合提供了坚实的知识基础。

4 实例研究

开展产品情报知识元的融合实例研究，聚焦于产品情报知识元的属性集融合进行基于证据理论的多属性融合模型的深入分析，以验证本文提出的基于证据理论的产品情报知识元融合方法的有效性，为产品情报的隐性关联知识发现提供相对完备的知识基础。

4.1 数据源的选取及数据预处理

本实例聚焦于产品情报知识元属性集描述，通过Web（取于B2C和C2C官网）收集产品的推介信息及CNKI专业数据库文献资料中产品属性要素描述等，进行产品情报知识元多属性融合分析，以求完善对产品知识元属性集的知识描述。

由于对产品属性描述的细分类别、特点以及对其展示用途、文字表达等的差异性，开展属性集融合分析前对各样本的相关特征要素进行了归类预处理，10个样本的属性描述如表1所示，仅选择产品概要信息和生产、市场营销两类业务的相关属性进行分析，并分别加粗标记了每一分类下的基准数组作为融合证据可靠度权重判断的依据。表中红色加粗字体标注了完全匹配类证据Xm（满足XmXB）。

更进一步，企业高度关注竞争产品情报的最终目的是要进行产品的竞争力评价分析，比较市场同类产品或替代产品的优劣势，并进行相应的竞争战略决策制定或调整。因此，本实例还以产品竞争力评价的视角，从CNKI数据库的科学文献以及百科类网站搜集了10个样本的产品竞争力评价情报素材，进行相关的产品属性特征要素的抽取，结果如表2所示。除特别标记了基准数组外，还对样本中各属性要素的提及频次进行了计数统计。

正如2.2所述，只有当满足多属性融合的触发条件时才开展融合计算。因此，本实例将出现频率小于阈值（设定μ=0.25）的属性要素过滤掉。在表2中，计数统计项中红色标记属性要素均未分配英文字母标识，不作为融合的识别框架要素参与分析计算。

分别对表1产品情报知识元属性描述样本的3个细分业务的特征要素进行识别框架定义，记为θ1={A，B，C，D，E，F，G，H，I，J，K，L，M，N，O，P，Q}，θ2={A，B，C，D，E，F，G，H，I，J，K，L}，θ3={A，B，C，D，E，F，G，H，I，J，K，L，M，N，O}，基准数组分别为B1={C，F，L}，B2={B，C，F}，B3={E，G，J}。英文标识与属性要素的对应关系如表1所示，其中红色标注了完全匹配类证据。同理，对表2基于产品竞争力评价的产品知识元属性描述样本的特征要素进行识别框架定义，记为θ={A，B，C，D，E，F，G，H，I，J，K，L，M}，基准数组B={A，B，G}。

4.2 融合结果及分析

概要信息、生产、销售以及产品竞争力的产品属性融合结果如表3所示，结果取概率分布的最大值且以蓝色粗体突出标记。由此，在现有的情报素材知识储备下，关于产品情报知识元的概要信息属性集A1={产品编号，产品名称，所属类别，上市时间，产品特性，品牌，产地，规格}；生产业务属性集A2={加工工艺，原材料，包装，库存量，质量，供应商，标准}；销售业务属性集A3={市场定位，目标客户群体，地区，销售渠道，现有客户，价格，销量，客户满意度，服务，配送}；而基于产品竞争力视角的属性集A={质量，价格，客户满意度，关键技术，品牌，服务，设计，产品特色}。

可见，基于竞争力的属性集A中，绝大多数特征取自产品业务类属性特征。因此，基于业务属性描述的产品知识元更适于本企业产品情报知识元构建；而基于产品竞争力的属性集更适合描述其他市场参与者的产品情报知识元。此外，融合结果还体现了基于证据理论的产品情报知识元多属性融合方法的以下特点[1]：

1）融合结果取自证据。多属性融合方法认为证据中必存在唯一的共识属性全集。实例中，各融合结果对应的证据样本在表1中用蓝色填充突出标记。

2）融合结果中不存在语义冲突要素。多属性融合方法假设语义冲突要素不会在证据内部出现，但不同证据间可能出现语义冲突要素。比如，概要信息中“产品编号”和“型号”（对应标识A和K）存在语义交叉，但由于两要素并没有在证据中被同时提及，因此融合结果也不会同时存在A和K。

3）证据的聚焦性对融合结果的影响。出现频率远高于其他组合证据的證据称为焦点。没有出现焦点说明对该描述对象的观点比较分散。如果储备证据中存在焦点，那么其是否属于完全匹配证据对融合结果的影响存在如下规律：

①若焦点为完全匹配类证据，则融合结果快速收敛于该焦点。如产品的生产属性存在样本X7=X10={BCFHIKL}，概率分配值m=0.7107。为此，增加X7数量则融合结果如表4。随着X7数量的增加，融合结果如图2无限接近于1。

②若焦点为非完全匹配类证据，则融合结果逐渐向该焦点倾斜。如产品的销售属性存在样本X9=X10={ABCDGHJKO}，概率分配m=0.0582并非融合结果。增加X9数量，融合结果如表5。可见，随着X9数量的增加，其融合概率分配增长较缓，仅在强烈聚焦情况下扭转融合结果如图3。

此外，如图5比较了计数统计、多属性融合的权重组内概率以及交融合处理后的各证据概率分布情况。如表2按照属性在证据中的出现频次，“市场占有率”和“销量”概率较高，但并没有最终被收入到融合决策结果中。

综上，多属性融合方法不仅能够克服频次统计带来的割裂集合要素间共现、互斥等关联关系的弊端，体现组合型证据的内聚力和外部排他性特点，同时解决了高冲突、不可靠证据的有效融合，能够为产品情报知识元的属性集扩展提供科学合理的融合方法，为商业决策提供相对完备的情报知识基础。

5 结 论

充分利用知识经济和大数据的发展机遇，积极开发和深度挖掘具有潜在商业价值的产品情报以支持管理决策已成为企业应对激烈竞争的必然选择。产品情报知识元模型有利于应对多主体、跨领域、跨行业竞争情报的共性知识表示难题，有利于对产品情报资源进行概念分析和知识推理。

为进一步整合产品情报共识知识描述，不断提升情报知识元构建的科学性，本文提出了基于证据理论的产品情报知识元多属性融合方法，从知识元属性集和属性关系网络融合两个层面实现产品情报知识的深加工，为面向决策的产品情报隐性知识发现提供完备的知识结构。实例研究结果一定程度上体现了该融合方法的科学性、可行性和智能性，为探索竞争情报在企业产品管理与决策层面提供知识支持的相关研究提供借鉴。

参考文献

[1]Amarouche K，Benbrahim H，Kassou I.Product Opinion Mining for Competitive Intelligence[J].Procedia Computer Science，2015，73：358-365.

[2]Mariadoss B J，Milewicz C，Lee S，et al.Salesperson Competitive Intelligence and Performance：The Role of Product Knowledge and Sales Force Automation Usage[J].Industrial Marketing Management，2014，43（1）：136-145.

[3]Xiao S，Wei C P，Dong M.Crowd Intelligence：Analyzing Online Product Reviews for Preference Measurement[J].Information & Management，2016，53（2）：169-182.

[4]Dempster A.Upper and Lower Probabilities Induced by Multivalued Mapping[J].Annals of Mathematical Statistics，1967，38（4）：325-339.

[5]Shafer G.A Mathematical Theory of Evidence[M].Princeton University Press，Princeton，New Jersey，1976.

[6]Soundappan P，Nikolaidis E，Haftka R T，et al.Comparison of Evidence Theory and Bayesian Theory for Uncertainty Modeling[J].Reliability Engineering and System Safety，2004，（85）：295-311.

[7]Lin G，Liang J，Qian Y.An Information Fusion Approach by Combining Multigranulation Rough Sets and Evidence Theory[J].Information Sciences，2015，314：184-199.

[8]Comber A，Carver S，Fritz S，et al.Different Methods，Different Wilds：Evaluating Aalternative Mappings of Wildness Using Fuzzy MCE and Dempster-Shafer MCE[J].Computers，Environment and Urban Systems，2010，（34）：142-152.

[9]Sun L，Wang Y Z.A Multi-attribute Fusion Approach Extending Dempster-Shafer Theory for Combinatorial-type Evidences[J].Expert Systems with Applications，2018，96（4）：218-229.

[10]王延章.模型管理的知識及其表示方法[J].系统工程学报，2011，26（6）：850-856.

[11]陈雪龙，董恩超，王延章，等.非常规突发事件应急管理的知识元模型[J].情报杂志，2011，30（12）：22-26.

[12]王宁，郭玮，黄红雨，等.基于知识元的应急管理案例情景化表示及存储模式研究[J].系统工程理论与实践，2015，35（11）：2939-2949.

[13]Nov O，Ye C，Kumar N.A Social Capital Perspective on Meta-knowledge Contribution and Social Computing[J].Decision Support Systems，2012，53（1）：118-126.

[14]Scally J R，Cassimatis N L，Uchida H.Worlds as a Unifying Element of Knowledge Representation[J].Biologically Inspired Cognitive Architectures，2012，（1）：14-22.

[15]Bolón-Canedo V，Sánchez-Maroo N，Alonso-Betanzos A.Recent Advances and Emerging Challenges of Feature Selection in the Context of Big Data[J].Knowledge-Based Systems，2015，86：33-45.

[16]马创新.论知识表示[J].现代情报，2014，34（3）：21-24，28.

（责任编辑：陈 媛）