Ontology研究综述

0　引　言

    近些年来,随着计算机应用需求的不断增强,计算机科学与技术的发展日新月异。然而在这种快速发展的同时,也面临着种种的困难。主要的困难包括:知识的表示、信息的组织、软件的复用等。特别是由于因特网的快速发展,面对信息的海洋,如何组织、管理和维护海量信息并为用户提供有效的服务也就成为一项重要而迫切的研究课题。为了适应这些要求,Ontology作为一种能在语义和知识层次上描述信息系统的概念模型建模工具,自被提出以来就引起了国外众多科研人员的关注,并在计算机的许多领域得到了广泛的应用,如知识工程、数字图书馆、软件复用、信息检索和Web上异构信息的处理、语义Web等。

    本文对Ontology及相关的应用和研究进行了系统的分析,希望对相关领域的同行有抛砖引玉的作用。首先,第二节系统地阐述了Ontology的定义、建模元语、Ontology的描述语言、Ontology的分类及其构造规则。其次,第三节对当前有关Ontology的理论研究、在信息系统中的应用以及在语义Web中的作用进行了分析,并总结了当前Ontology在信息系统中的应用模式,指出在语义Web中Ontology、XML和RDF三者之间的关系。最后,第四节给出了本文的总结。

1　Ontology

    本节首先给出Ontology的定义,然后介绍Ontology的建模元语,接着阐述了Ontology的描述语言,并分析了Ontology的分类体系,最后介绍Ontology建模的规则。

1.1  Ontology的定义

    Ontology最早是一个哲学上的概念,从哲学的范畴来说,Ontology是客观存在的一个系统的解释或说明,关心的是客观现实的抽象本质。在人工智能界,最早给出Ontology定义的是解释或说明,关心的是客观现实的抽象本质。在人工智能界,最早给出Ontology定义的是Neches等人,在文献[1]中,他们将Ontology定义为“给出构成相关领域词汇的基本术语和关系,以及利用这些术语和关系构成的规定这些词汇外延的规则的定义”。

    1993年,Gruber给出了Ontology的一个最为流行的定义[2],即“Ontology是概念模型的明确的规范说明”。后来，Borst在此基础上,给出了Ontology的另外一种定义[3]:“Ontology是共享概念模型的形式化规范说明”。Studer等对上述两个定义进行了深入的研究,认为Ontology是共享概念模型的明确的形式化规范说明。这包含4层含义[4]:概念模型(conceptualization)、明确(explicit)、形式化(formal)和共享(share)。“概念模型”指通过抽象出客观世界中一些现象(Phenomenon)的相关概念而得到的模型。概念模型所表现的含义独立于具体的环境状态。“明确”指所使用的概念及使用这些概念的约束都有明确的定义。“形式化”指Ontology是计算机可读的(即能被计算机处理)。“共享”指Ontology中体现的是共同认可的知识,反映的是相关领域中公认的概念集,即Ontology针对的是团体而非个体的共识。Ontology的目标是捕获相关领域的知识,提供对该领域知识的共同理解,确定该领域内共同认可的词汇,并从不同层次的形式化模式上给出这些词汇(术语)和词汇间相互关系的明确定义。

1·2　Ontology的建模元语

    在文献[5]中,Perez等人认为Ontology可以按分类法来组织,他归纳出Ontology包含5个基本的建模元语(Modeling Primitive)。这些元语分别为:类(classes),关系(relations),函数(functions),公理(axioms)和实例(instances)。通常也把classes写成concepts。

    概念的含义很广泛,可以指任何事物,如工作描述、功能、行为、策略和推理过程等等。关系代表了在领域中概念之间的交互作用。形式上定义为n维笛卡儿乘积的子集:R:C1×C2×…×Cn。如:子类关系(subclass-of)。函数是一类特殊的关系。在这种关系中前n-1个元素可以惟一决定第n个元素。形式化的定义如下:F:C1×C2×…×Cn-1→Cn。例如Mother-of关系就是一个函数,其中Mother-of (x,y)表示y是x的母亲,显然x可以惟一确定他的母亲y。公理代表永真断言,比如概念乙属于概念甲的范围。实例代表元素。

    从语义上分析,实例表示的就是对象,而概念表示的则是对象的集合,关系对应于对象元组的集合。概念的定义一般采用框架(frame)结构,包括概念的名称,与其他概念之间关系的集合,以及用自然语言对该概念的描述。基本的关系有4种:part-of,kind-of,instance-of和attribute-of。part-of表达概念之间部分与整体的关系;kind-of表达概念之间的继承关系,类似于面向对象中的父类和子类之间的关系,给出两个概念C和D,记C′={x|x是C的实例},D′={x|x是D的实例},如果对任意的x属于D′,x都属于C′,则称C为D的父概念,D为C的子概念;instance-of表达概念的实例和概念之间的关系,类似于面向对象中的对象和类之间的关系;attribute-of表达某个概念是另外一个概念的属性。例如概念“价格”可作为概念“桌子”的一个属性。在实际的应用中,不一定要严格地按照上述5类元语来构造Ontology。同时概念之间的关系也不仅限于上面列出的4种基本关系,可以根据特定领域的具体情况定义相应的关系,以满足应用的需要。

1·3　Ontology与语义网络

    作为知识表示工具,Ontology与语义网络非常相似。它们都是表示知识的形式,并且均可以通过带标记的有向图来表示,适合用于逻辑推理。但从描述的对象或范围而言,Ontology与语义有所区别。Ontology是对共享概念模型的规范说明,这里所说的“共享概念模型”指该模型中的概念是公认的,至少在某个特定的领域是公认的。一般情况下,Ontology是面向特定领域,用于描述特定领域的概念模型。语义网络从数学上说,是一种带有标记的有向图。它最初用于表示命题信息,现广泛应用于专家系统表示知识。语义网络中节点表示物理实体、概念或状态,连接节点的边用于表示关系。语义网络中对节点和边没有其他特殊的规定,因此语义网络描述的对象或范围比Ontology广。例如,语义网络可以表示一句话,如“我的汽车是红色的”。但是Ontology显然不适合于这类的表示,它侧重于表现整体的内容,如团体组织(学校)的内部构成等。在表示的深度上,语义网络不如Ontology。语义网络对建模没有特殊的要求,但是Ontology却有5个要素:元语、类、关系、函数、公理和实例,其中公理可以看作是Ontology中的约束。Ontology通过这5个要素来严格、正确地刻画所描述的对象。语义网络的建立可以不要求有相关领域的专业知识,因此比较容易建立。而Ontology的建立必须要有专家的参与,相对而言更加的严格和困难。需要专家的参与是目前Ontology主要缺点之一,如何通过知识挖掘手段自动获取Ontology是目前,也是今后研究的重点。

1·4　Ontology的描述语言

    在具体的应用中,Ontology的表示方式可以多种多样,主要可分为4大类[6]:非形式化、半非形式化、半形式化、形式化语言。可以用自然语言来描述Ontology,也可以用框架、语义网络或逻辑语言等来描述Ontology。虽然具体描述Ontology的方法很多,但是目前使用最普遍的方法是Ontolingua[7]、CycL[8]和Loom[9]等。

    Ontolingua是一种基于KIF(knowledge interchange format)的,提供统一的规范格式来构建Ontology的语言。Ontolingua为构造和维护Ontology提供了统一的、计算机可读(可处理)的方式。由Ontolingua构造的Ontology可以很方便地转换到各种知识表示和推理系统,使得对Ontology的维护与具体使用它的目标表示系统分离开来。可以把Ontolingua转换成Prolog、CORBA的IDL、CLIPS、LOOM、Epikit、Algernon和标准的KIF。目前,Ontolingua主要是作为Ontology服务器上提供的,用于创建Ontology的语言。另外有不少项目使用Ontolingua作为实现Ontology的语言。

    Cycl是Cyc系统的描述语言,它是一种体系庞大而非常灵活的知识描述语言。该语言在一阶谓词演算的基础上,扩充了等价推理、缺省推理等功能,而且具备一些二阶谓词演算的能力。在该语言的环境中配有功能很强的可进行逻辑推理的推理机。

    Loom是Ontosaurus的描述语言,是一种基于一阶谓词逻辑的高级编程语言,属于描述逻辑(Description Logic)体系。它具有以下的特点:(1)提供表达能力强、声明性的规范说明语言;(2)提供强大的演绎推理能力;(3)提供多种编程风格和知识库服务。该语言后来发展成为PowerLoom语言。PowerLoom是KIF的变体,它是基于逻辑的,具备很强表达能力的描述语言,采用前后链规则(backward and forward chainer)作为其推理机制。

1·5　已有的Ontology及其分类

    目前被广泛使用的Ontology有如下5个:Wordnet[10]、Framenet[11]、GUM[12]、SENSUS[13]、Mikrokmos[14]。Wordnet是基于心理语言规则的英文词典,它以synsets为单位组织信息。所谓synsets是在特定的上下文环境中可互换的同义词的集合。Framenet也是英文词典,采用称为Frame Semantics的描述框架,提供很强的语义分析能力,目前发展为FramenetII。GUM、SENSUS和Mikromos都是面向自然语言处理的。GUM支持多语种处理,包含基本的概念及独立于各种具体语言的概念组织方式。SENSUS为机器翻译提供概念结构,包括7万多个概念。Mikromos

也支持多语种处理,采用一种语言中立的中间语言TMR来表示知识。

    为了对Ontology进行有效的分类,Guarino在文献[15]中提出以详细程度和领域依赖度两个维度作为对Ontology划分的基础。详细程度是相对的、较模糊的一个概念,指描述或刻画建模对象的程度。详细程度高的称作参考(reference) Ontologies,详细程度低的称为共享(share)Ontologies。依照领域依赖程度,可以细分为顶级(top-level)、领域(domain)、任务(task)和应用(application) Ontologies等4类。其中:

     顶级Ontologies描述的是最普通的概念及概念之间的关系,如空间、时间、事件、行为等等,与具体的应用无关,其他种类的Ontologies都是该类Ontologies的特例。

     领域Ontologies描述的是特定领域(医药、汽车等)中的概念及概念之间的关系。

     任务Ontologies描述的是特定任务或行为中的概念及概念之间的关系。

     应用Ontologies描述的是依赖于特定领域和任务的概念及概念之间的关系。

    1999年,Perez和Benjamins在分析和研究了各种Ontologies分类法的基础上,归纳出10种Ontologies[16]:知识表示Ontologies、普通Ontologies、顶级Ontologies、元(核心)Ontologies、领域Ontologies、语言Ontologies、任务Ontologies、领域-任务Ontologies、方法Ontologies和应用Ontologies。这种分类法是对Guarino提出的分类方法的扩充和细化,但是这10种Ontology之间有交叉,层次不够清晰。

1·6　构造Ontology的规则

    目前已有的Ontologies很多,出于对各自问题域和具体工程的考虑,构造Ontologies的过程也是各不相同的。由于没有一个标准的Ontology构造方法,不少研究人员出于指导人们构造Ontologies的目的,从实践出发,提出了不少有益于构造Ontology的标准,其中最有影响的是Gruber于1995年在文献[17]中提出的5条规则:

明确性和客观性:即Ontology应该用自然语言对所定义术语给出明确的、客观的语义定义。

     完全性:即所给出的定义是完整的,完全能表达所描述术语的含义。

     一致性:即由术语得出的推论与术语本身的含义是相容的,不会产生矛盾。

    最大单调可扩展性:即向Ontology中添加通用或专用的术语时,不需要修改其已有的内容。

    最小承诺:即对待建模对象给出尽可能少的约束。

    当前对构造Ontology的方法和方法的性能评估还没有一个统一的标准,因此,还是一个需要进一步研究的方向。不过在构造特定领域Ontology的过程中,有一点是得到大家公认的,那就是需要该领域专家的参与。

2　Ontology的研究与应用

    Ontology的研究与应用主要包括3方面:(1)理论上的研究,主要研究概念及其分类、Ontology上的代数; (2)在信息系统中的应用,主要包括处理信息组织、信息检索和异构信息系统互操作问题; (3) Ontology作为一种能在知识层提供知识共享和重用的工具在语义Web中的应用。

2·1　Ontology的理论研究

    Ontology的理论研究包括概念及概念分类、Ontology上的代数等,其中最有代表性的是Guarino等人对概念及其分类进行的研究工作。

    Ontology的本质是概念模型,表达的是概念及概念之间的关系。长期以来,Ontology应用的一个常见的问题是分类结构不明确,没有一个统一的分类标准,或者说一个分类理论。不同的应用从各自的角度出发,无限制地使用包含关系,对概念进行各种分类,使得概念分类的一致性和合理性难于得到控制。Guarino等人在文献[15,18]对概念的分类做了深入细致的研究,从一般的意义上来分析什么是概念、概念的特性、概念之间的关系及概念的分类,提出了一套用于指导概念分类的可行理论。在该理论的基础上,他进一步提出了Ontology驱动的建模方法,从而在理论上为建模提供了一个通用的模式。

    概念和概念之间的差别,不仅体现在概念的定义(内涵)上,同时也体现在概念的某些特性上。比如,概念Person(“人”)和概念Student(“学生”)之间不仅有明显的内涵上的区别,同时也有概念本身特性上的区别。一般知道对于概念Person的任何一个具体的实例,例如张三,张三是人,那么张三永远都是人;但是对于概念Student的实例却没有上述特性。例如李四是学生,并不代表李四永远都是学生。Guarino等人正是从概念本身的特性出发,归纳出概念的元特性(最基本的特性),进而用逻辑公式给出元特性严格的形式定义。在此基础上,他们讨论元特性之间的关系和约束,最终把研究结果作为概念分类的基本理论工具并提出一套完整的概念分类体系结构。

    概念分类理论的基础是概念的元特性。以概念的元特性为出发点,按照一定的规则,把具有相同元特性组合的概念归为一类,进而给出一般意义上的概念分类体系。概念的基本元特性包括:持久特性、非持久特性、反持久特性、半持久特性、载体标识特性、支持标识特性及外部依赖特性等。

    持久特性的严格定义如下: xΦ(x)→□Φ(x)。其中Φ代表某个概念,Φ(x)代表x是Φ的一个实例,□表示其后的断言永远为真,满足上述定义的概念被称之为具有持久特性,例如Person就具有持久特性,而Student就不具有持久特性。非持久特性、反持久特性和半持久特性都是在持久特性的基础上建立起来的。非持久特性表达的是对某概念而言,存在某些实例不会永远属于该概念,例如Student就具有非持久特性。反持久特性表达的是对概念的任何一个实例,这个实例不会永远属于该概念,比如Youth(青年人)。显然每个青年人都不可能永远年轻。半持久特性是非持久特性与反持久特性的差集,也就是说半持久特性是非持久特性,但不是反持久特性。很显然,非持久特性包含半持久特性和反持久特性,半持久特性和反持久特性是不相交的。

    载体标识特性和支持标识特性反映的是概念区分其中个体的能力。比如Person就具有支持标识特性,因为它的每个实例相互之间是可区分的,人与人之间的差别可由标识(如人的指纹)来区分。而Student就不具备支持标识特性,但是具备载体标识特性。显然一般知道学生张三和学生李四是不同的学生,但是他们之间的差别不是作为学生来区分的,而是作为人来区分的。

    外部依赖特性表达的是一个概念对另外一个概念的某种依赖关系。概念A对概念B的外在依赖关系表现为对概念A中的任何一个实例a,必蕴涵存在属于概念B的实例b,而b不是a的一部分。例如:Parent就外在依赖于Child,某个人是父母就蕴涵他(她)有小孩,他的小孩当然不是他身体的一部分(对父母而言,小孩是外部的)。

    Guarino等人提出的概念分类体系,不仅从理论上澄清了概念分类上存在的模糊和混淆的现象,同时为实际应用中Ontology概念模型的建立提供了良好的分析、设计和评估的手段。

2·2　Ontology在信息系统中的应用

    自上世纪90年代以来,随着计算机在人类社会和生活的各个方面的广泛应用,数字信息的共享和利用已不再是研究人员的专利,大众对数字信息的需求也越来越强烈,众多的信息系统被开发出来,为用户提供其感兴趣的内容。数字信息一方面为人们的日常工作和生活带来了帮助,另一方面,大量的信息又使人们不知所措。如何组织和提供信息就成为信息系统要解决的关键问题。

    目前,信息检索技术可分为3类[19]:全文检索(Text retrieval)、数据检索(Data retrieval)和知识检索(Knowledge retrieval)。全文检索的特点是把用户的查询请求和全文中的每一个词进行比较,不考虑查询请求与文件语义上的匹配,这种方式虽然可以保证查全率,但是查准率却大大地降低了。数据检索的特点是查询要求和信息系统中的数据都遵循一定的格式,具有一定的结构,允许对特定的字段检索(例如:作者=“王刚”)。数据检索需要有标识字段的方法。数据检索的性能取决于所使用的标识字段的方法和用户对这种方法的理解,因此具有很大的局限性。数据检索支持语义匹配的能力也较差。知识检索强调的是基于知识的、语义上的匹配,因此在查准率和查全率上有更好的保证。目前知识检索是信息检索研究的重点,特别是面向Web信息的知识检索。

    常规的直接基于关键词的信息检索技术已不能满足用户在语义上和知识上的需求,寻找新的方法也就成为目前研究的热点。Ontology具有的良好的概念层次结构和对逻辑推理的支持,因而在信息检索,特别是在基于知识的检索中得到了广泛的应用[19,20]。基于Ontology的信息检索的基本设计思想可以总结如下:
    (1)在领域专家的帮助下,建立相关领域的Ontology。
    (2)收集信息源中的数据,并参照已建立的Ontology,把收集来的数据按规定的格式存储在元数据库(关系数据库、知识库等)中。
    (3)对用户检索界面获取的查询请求,查询转换器按照Ontology把查询请求转换成规定的格式,在Ontology的帮助下从元数据库中匹配出符合条件的数据集合。

    (4)检索的结果经过定制处理后,返回给用户。

    需要说明的是,如果检索系统不需要太强的推理能力,Ontology可用概念图的形式表示并存储,数据可以保存在一般的关系数据库中,采用图的匹配技术来完成信息检索。如果要求比较强的推理能力,一般需要用一种描述语言(如:Loom,Ontolingua等)表示Ontology,数据保存在知识库中,采用描述语言的逻辑推理能力来完成信息检索。由于Ontology能通过概念之间的关系来表达概念语义的能力,所以能够提高检索的查全率和查准率。

    目前Ontology应用在信息检索中的著名项目包括(Onto)2Agent[21]、Ontobroker[22]和SKC[23]。这3个项目也分别代表了3个方向。(Onto)2Agent的目的是为了帮助用户检索到所需要的WWW上已有的Ontology,主要采用了参照Ontology。参照Ontology是以WWW上已有的Ontology为对象建立起来的Ontology,它保存有各类Ontology的元数据。Ontobroker面向的是WWW上的网页资源,目的是为用户检索到所需要的网页,这些网页含有用户所关心的内容。SKC是一个正在进行的项目,其目标是解决信息系统语义异构的问题,实现异构的自治系统之间的互操作。该项目希望通过在Ontology上建立一个代数系统,用这个代数系统来实现各Ontology之间的互操作,从而实现异构系统之间的互操作。

2·3　Ontology与语义Web

    Web从1991年出现以来,经过10年已经发展成为一个巨大的全球化信息资源库。Web上的信息量以几何级数的速度增长,使得用户发现其所需要的信息变得非常困难。在这种情况下,如何有效地检索Web信息也就成为一项重要的研究课题。提高Web信息检索的质量包括两方面内容:一方面是如何在现有的资源上设计更好的检索技术;另一方面是如何为Web上的资源附加上计算机可以理解的内容,便于计算机更好地处理,也就是给出一种计算机能理解的表示资源的手段。针对后一种情况,Berners-Lee于2000-12-18在XML2000的会议上正式提出了语义Web[24]。语义Web的目标是使得Web上的信息具有计算机可以理解的语义,满足智能软件代理(Agent)对WWW上异构和分布信息的有效访问和搜索。Berners-Lee为未来的Web发展提出了基于语义的体系结构-语义Web体系结构。该体系中从底层到高层分别

为[25]:UNICODE和URI、XML、RDF、Ontology、Logic、Proof、Trust。第一层是UNICODE和URI。该层是整个语义Web的基础,其中Unicode处理资源的编码,URI负责标识资源。第二层是XML+NS+xmlschema,用于表示数据的内容和结构。第三层为RDF+rdfschema,用于描述Web上的资源及其类型。第四层为Ontology vocabulary层,它用于描述各种资源之间的联系。第五层到第七层是在下面四层的基础上进行的逻辑推理操作。其中核心层为XML、RDF、ONTOLOGY,这3层用于表示Web信息的语义。

    XML作为一种资源描述语言,由于其良好的可扩展性和灵活性,适合于表示各种信息,因而被广泛接受,已被认为是未来Web上数据交换的标准。XML不仅提供对资源内容的表示,同时也提供资源所具有的结构信息。但是,从方便信息搜索的角度看来,仅有XML是不够的。因为XML页面中还包含大量其他信息,如图片、音频资源、视频资源和说明性的文字内容等等,这些信息很难被智能软件代理(agent)处理。因此,需要提供描述XML资源的元数据。元数据是关于数据的数据,也就是对所描述对象结构或内容所做的规范说明。RDF是W3C推荐的用于描述和处理元数据的一个草案,能为Web上的应用程序之间交互提供机器能理解(处理)的信息。它独立于任何语言,适用于任何领域,是处理元数据的基础。

    XML与RDF都能为所描述的资源提供一定的语义。例如XML中可以用“<Author>TOM </Author>”表示TOM是作者。而“<rdf:Description about=“http://www.w3.org/Home/Lassila”><s:Creator>Ora Lassila</s:Creator></rdf:Description>”这个RDF片段描述了Web页http://www.w3.org/Home/Lassila的创建者是Lassila。问题是XML中的标签(tags)集和RDF中的属性(properties)集都没有任何限制,比如上面的Author和Creator,完全可能用Writer来代替。另外,用XML和RDF并不能解决如下问题:如果某个医院和某个大学的Web页面上都有〈Doctor〉,那么Doctor代表的是医生还是博士?因此,XML和RDF在处理语义上存在两个问题:(1)同一概念有多种词汇表示;(2)同一个词有多种含义(概念)。

    为了解决上述两个问题,很自然地需要引入Ontology。Ontology通过对概念的严格定义和概念与概念之间的关系来确定概念精确含义,表示共同认可的、可共享的知识。对于Ontology来说,Author,Creator和Writer是同一个概念,而Doctor在大学和医院分别表示的是两个概念。因此在语义Web中,Ontology具有非常重要的地位,是解决语义层次上Web信息共享和交换的基础。

    Ontology的具体表示需要用描述语言来实现。目前有多种基于一阶逻辑的Ontology描述语言,如Ontolingua、Loom等。对于Web上的应用程序而言,需要一个通用的标准语言来表示Ontology,以避免在各种描述语言之间的转换。由于XML已被认为是Web上数据交换的标准语言,因此,一些研究人员开发了基于XML语法的描述语言。这些语言包括[26]:SHOE、OML、XOL、Riboweb、RDFS和OIL。

    语义Web是一个新兴的研究方向,Ontology在其中的应用也仅仅是刚刚开始,还有许多的问题需要研究和解决。目前有许多著名的大学和科研机构在从事这方面的研究,著名的项目有OIL、SHOE、DAML[27]。

3　结束语

    Ontology自90年代初提出以来,在国外就引起了众多科研人员的关注,并在计算机及相关领域得到了广泛的应用,而国内相关的研究和应用却很少见。本文作者在973项目“网络环境下海量信息的集成、分析处理与服务”以及北京大学数字图书馆工程的智能导航系统研究中,发现Ontology是一种很有前景的方法。本着抛砖引玉的目的,本文给国内计算机界同行系统地描述了Ontology内容以及目前的应用与研究状况。希望能对相关领域的研究人员在各自的研究中有所启迪和帮助。本文作者正在运用Ontology技术在图书分类体系和主题词表的基础上建立概念模型,并利用该概念模型进行智能导航。

参考文献
1 Neches R,Fikes R E,GruberTR,et al.EnablingTechnology forKnowledge Sharing.AIMagazine,1991,12(3):36~56
2 GruberTR.ATranslation Approach to Portable Ontology Specifications.Knowledge Acquisition,1993,5:199~220
3 Borst W N.Construction of Engineering Ontologies for Knowledge Sharing and Reuse.PhD thesis,University of
Twente,Enschede,1997
4 Studer R,Benjamins V R,Fensel D.Knowledge Engineering,Principles and Methods.Data and Knowledge Engineer
ing,1998,25(1-2):161~1975 Perez A G,Benjamins V R.Overview of Knowledge Sharing and Reuse Components:Ontologies and Problem-Solving Methods.In:Stockholm V R,Benjamins B,Chandrasekaran A,eds.Proceedings of the IJCAI-99 workshop on Ontologies and Problem-Solving Methods (KRR5) 1999,1~15
6 Uschold M.Building Ontologies:Towards AUnified Methodology.In expert systems 96,1996
7 Ontolingua.http://www.ksl.stanford.edu/software/ontolingua/
8 CycL.http://www.cyc.com/tech.html#cycl
9 Loom.http://www.isi.edu/isd/LOOM/LOOM-HOME.html
10 Wordnet.http://www.cogsci.princeton.edu/~wn/
11 Framenet.http://www.icsi.berkeley.edu/~framenet/
12 GUM.http://www.darmstadt.gmd.de/publish/komet/gen-um/newUM.html

13 SENSUS.http://www.isi.edu/natural-language/resources/sensus.html
14 Mikrokmos.http://crl.nmsu.edu/Research/Projects/mikro/
15 Guarino N.Semantic Matching:Formal Ontological Distinctions for Information Organization,Extraction,and Integration.In:Pazienza MT,eds.Information Extraction:AMultidisciplinaryApproach to an Emerging  InformationTechnology,Springer Verlag,1997,139~170
16 Perez A G,Benjamins V R.Overview of Knowledge Sharing and Reuse Components:Ontologies and Problem-Solving Methods.Workshop on Ontologies and Problem-Solving Methods:Lessons Learned and Future Trends (IJCAI99),de Agosto,Estocolmo,1999
17 GruberTR.Towards Principles for the Design of Ontologies Used for Knowledge Sharing.International Journal of Human-Computer Studies,1995,43:907~928
18 Guarino N,Welty C.A Formal Ontology of Properties.In:Dieg R,Corby O,eds.the Proceedings of the 12th Interna-
tional Conference on Knowledge Engineering and Knowledge Management (EKAW’2000),Springer Verlag,2000,
97~112
19 Guarino N,Masolo C,Vetere G.OntoSeek:Content-Based Access to the Web.IEEE Intelligent Systems,1999,14(3):
70~80
20 Shun S B,Motta E,Domingue J.ScholOnto:an Ontology-based Digital Library Server for Research Documents and Discourse.Intl J Digital Libraries,2000,3(3):237~248
21 Arpirez J,Perez A G,Lozano A,et al.(Onto)2agent:An Ontology-based WWW Broker to Select Ontologies.In:Go-
mez-Perez A,Benjamins V R,eds.Proceedings of the Workshop on Application of Ontologies and Problem-Solving
Methods UK,1998,16~24
22 Ontobroker.http://ontobroker.aifb.uni-karlsruhe.de
23 SKC.http://www-db.stanford.edu/skc
24 Berners-Lee and the Semantic Web Vision.http://www.xml.com/pub/a/2000/12/xm1200/timbl.html
25 Semantic Web Architecture.http://www.w3.org/2000/Talks/1206-xm12k-tbl/slide10-0.html
26 Ontologies.http://www.semanticweb.org/knowmarkup.html#ontologies
27 DAML.http://daml.semanticweb.org

来源：北京大学学报(自然科学版),第38卷,第5期,2002年9月

作者：邓志鸿　唐世渭 张　铭　杨冬青　陈　捷 (北京大学计算机系,北京大学视觉与听觉处理国家重点实验室,北京,100871)