面向馆藏数字资源的跨学科事件知识融合研究

doi:10.3772/j.issn.1000-0135.2025.05.006

情报学报

2025, Vol. 44

Issue (5): 577-591 DOI: 10.3772/j.issn.1000-0135.2025.05.006

情报技术与应用

本期目录 | 过刊浏览 | 高级检索

面向馆藏数字资源的跨学科事件知识融合研究

王忠义, 王泽人, 李志鹏, 张杰鑫

华中师范大学信息管理学院，武汉 430079

Interdisciplinary Event Knowledge Fusion Research for Library Digital Collections

Wang Zhongyi, Wang Zeren, Li Zhipeng, Zhang Jiexin

School of Information Management, Central China Normal University, Wuhan 430079

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (7035 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要在当前大科学时代，研究人员面临的科研问题越来越复杂，跨学科研究作为解决复杂问题的主要方式逐渐发展起来，导致人们对跨学科知识服务的需求越来越迫切。因此，图书情报人员急需将解决复杂问题所需的知识从不同学科汇集起来，提供综合的跨学科知识服务，而跨学科事件知识融合则成为应对这一挑战的关键。为此，本文从跨学科事件知识融合入手，首先，提出一种基于论元语义关联的跨学科事件知识抽取模型，用于从馆藏数字资源中提取来自不同学科的相关事件知识；其次，提出跨学科线性事件知识融合和跨学科非线性事件知识融合方法，用于实现事件知识的跨学科融合，生成事理知识；最后，本文以气候变化领域为应用背景，开展实证研究，证明了本文方法的可行性和有效性。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	王忠义
	王泽人
	李志鹏
	张杰鑫

关键词 ：跨学科, 事件知识, 知识融合, 事理知识

收稿日期: 2024-05-06

基金资助:国家社会科学基金项目“大科学背景下馆藏数字资源的跨学科非线性知识融合研究”（22BTQ102）。

作者简介: 王忠义，男，1982年生，博士，教授，博士生导师，主要研究领域为知识组织、知识融合，E-mail：wzywzy13579@163.com；王泽人，男，2002年生，硕士，主要研究领域为知识融合；李志鹏，男，2001年生，硕士，主要研究领域为知识融合；张杰鑫，男，2001年生，硕士，主要研究领域为知识服务；

引用本文:

王忠义, 王泽人, 李志鹏, 张杰鑫. 面向馆藏数字资源的跨学科事件知识融合研究[J]. 情报学报, 2025, 44(5): 577-591.
Wang Zhongyi, Wang Zeren, Li Zhipeng, Zhang Jiexin. Interdisciplinary Event Knowledge Fusion Research for Library Digital Collections. 情报学报, 2025, 44(5): 577-591.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2025.05.006 或 https://qbxb.istic.ac.cn/CN/Y2025/V44/I5/577

1 吕冬晴, 阮选敏, 李江, 等. 跨学科知识融合对D指数的影响[J]. 情报学报, 2022, 41(3): 263-274.
2 王兴元, 姬志恒. 基于知识分类的跨学科交叉创新组织机制研究[J]. 理论学刊, 2012(11): 52-56.
3 王忠义, 夏立新, 李玉海. 基于知识内容的数字图书馆跨学科多粒度知识表示模型构建[J]. 中国图书馆学报, 2019, 45(6): 50-64.
4 孙传明, 陈熙, 王萍. 基于在线评论的非遗纪录片受众需求事理图谱构建研究[J]. 情报科学, 2023, 41(9): 107-114.
5 万齐智, 万常选, 胡蓉, 等. 基于句法语义依存分析的中文金融事件抽取[J]. 计算机学报, 2021, 44(3): 508-530.
6 Li Q, Ji H, Hong Y, et al. Constructing information networks using one single model[C]// Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing. Stroudsburg: Association for Computational Linguistics, 2014: 1846-1851.
7 郭鑫, 高彩翔, 陈千, 等. 面向新冠新闻的三阶段篇章级事件抽取方法[J]. 计算机工程与应用, 2023, 59(3): 150-157.
8 Zheng S, Cao W, Xu W, et al. Doc2EDAG: an end-to-end document-level framework for Chinese financial event extraction[C]// Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing. Stroudsburg: Association for Computational Linguistics, 2019: 337-346.
9 Xu R X, Liu T Y, Li L, et al. Document-level event extraction via heterogeneous graph-based interaction model with a tracker[C]// Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing. Stroudsburg: Association for Computational Linguistics, 2021: 3533-3546.
10 Gou J, Jiang Y L, Wu Y Y, et al. A new knowledge fusion method based on semantic rules[C]// Proceedings of the 8th International Conference on Signal Processing. Piscataway: IEEE, 2006: 1865-1868.
11 Xie N F, Wang W S, Yang X R, et al. Rule-based agricultural knowledge fusion in web information integration[J]. Sensor Letters, 2012, 10(1/2): 635-638.
12 Santos E, Wilkinson J T, Santos E E. Fusing multiple Bayesian knowledge sources[J]. International Journal of Approximate Reasoning, 2011, 52(7): 935-947.
13 Andrade D, Horeis T, Sick B. Knowledge fusion using Dempster-Shafer theory and the imprecise Dirichlet model[C]// Proceedings of the 2008 IEEE Conference on Soft Computing in Industrial Applications. Piscataway: IEEE, 2008: 142-148.
14 鲁慧民, 冯博琴, 赵英良, 等. 一种基于扩展主题图的分布式知识融合[J]. 吉林大学学报(理学版), 2009, 47(3): 543-547.
15 刘志辉, 魏娟霞, 张均胜. 基于知识图谱的科技创新指标自适应计算方法研究[J]. 情报学报, 2019, 38(8): 826-837.
16 张海涛, 栾宇, 周红磊, 等. 总体国家安全观下重大突发事件的智能决策情报体系研究[J]. 情报学报, 2022, 41(11): 1174-1187.
17 Hochreiter S, Schmidhuber J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780.
18 Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[C]// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook: Curran Associates, 2017: 6000-6010.
19 Devlin J, Chang M W, Lee K, et al. BERT: pre-training of deep bidirectional transformers for language understanding[C]// Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. Stroudsburg: Association for Computational Linguistics, 2019: 4171-4186.
20 张智雄, 刘欢, 丁良萍, 等. 不同深度学习模型的科技论文摘要语步识别效果对比研究[J]. 数据分析与知识发现, 2019, 3(12): 1-9.
21 周丽娜, 常笑, 胡枫. 利用邻接结构熵确定超网络关键节点[J]. 计算机工程与应用, 2022, 58(8): 76-82.
22 张诗莹, 李阳. 融合事理知识图谱与网络舆情分析的突发事件情报支持路径及实证研究——以危化品事故为例[J]. 信息资源管理学报, 2023, 13(4): 60-71.
23 于文轩, 田丹宇. 美国和墨西哥应对气候变化立法及其借鉴意义[J]. 江苏大学学报(社会科学版), 2016, 18(2): 1-6, 21.
24 Roland-Holst D. Climate action, energy efficiency, and job creation in California[R/OL]. Berkeley: University of California, (2008-09-01) [2025-03-13]. https://laborcenter.berkeley.edu/pdf/2008/CAEfficiency_Jobs_DRH080901.pdf.
25 曾以禹, 吴柏海, 周彩贤, 等. 碳交易市场设计支持森林生态补偿研究[J]. 农业经济问题, 2014, 35(6): 67-76.
26 彭红军, 徐笑, 俞小平. 林业碳汇产品价值实现路径综述[J]. 南京林业大学学报(自然科学版), 2022, 46(6): 177-186.
27 曾维忠, 刘胜, 杨帆, 等. 扶贫视域下的森林碳汇研究综述[J]. 农业经济问题, 2017, 38(2): 102-109, 3.
28 王联合, 陈凯. 本体安全与社会认同: 美国次国家行为体参与中美气候治理合作的动向探析[J]. 同济大学学报(社会科学版), 2023, 34(6): 36-46.