中国科技核心期刊      中国指挥与控制学会会刊     军事装备类重点期刊
Theory & Research

Research on Combat Simulation Ontology Construction

  • PENG Chao ,
  • DONG Xian-zhou ,
  • XU Hao ,
  • LE Jian
Expand
  • Academy of Military Sciences of PLA, Beijing 100091, China

Received date: 2021-08-04

  Request revised date: 2021-10-06

  Online published: 2022-05-19

Copyright

Copyright reserved © 2022

Abstract

Combat simulation can provide a series of valid means and methods for studying the complicate combat problems, such as combat tasks, combat process, combat operation, equipment effectiveness and system capacity. However, the combat simulation knowledge involves multiple domains, multiple disciplines, multiple levels and multiple military services, which leads to some problems, such as heterogeneous expressions, hard common understanding and lacks of reuse. This restricts the system development, action execution, efficiency elaboration of combat simulation. Providing the sharable, understandable, computable combat simulation knowledge model shall improve the implementing efficiency and applicable effectiveness. Hence, by combining the ontology engineering and combat simulation features, this paper studies the necessities of the combat simulation ontology, and proposes its construction principles and process, which will help construct the specific knowledge model.

Cite this article

PENG Chao , DONG Xian-zhou , XU Hao , LE Jian . Research on Combat Simulation Ontology Construction[J]. Command Control and Simulation, 2022 , 44(1) : 72 -78 . DOI: 10.3969/j.issn.1673-3819.2022.01.010

作战仿真为研究作战任务、作战过程、作战活动、装备效能、体系能力等复杂作战问题提供有效的手段与方法,是作战研究与仿真技术的紧密结合,以实物、虚拟或构造等仿真资源的有效聚合来对实际或设想的作战情况进行动态模拟与验证。同时,随着计算机技术的迅猛发展,作战仿真逐渐具备虚拟化、组件化、服务化、智能化等新特征。
由于作战问题的多样性、复杂性和综合性,作战仿真知识涉及多领域、多专业、多层次、多军兵种。目前,作战仿真的知识表达异构、共性理解困难、重用复用不足等问题越来越突出,制约着作战仿真应用的开发、活动的实施、效能的发挥。提供可共享、可理解、可计算的作战仿真知识模型能够提高作战仿真的实施效率和应用效能。
针对缺少整体性、结构性、关联性的作战仿真知识描述这一现状,本文结合本体工程和作战仿真知识特点,分析作战仿真本体的必要性,提出相应的构建原则与流程,为构建可用、易用、好用的作战仿真知识模型提供原则、方法和技术等方面的规范性指导。

1 本体相关工作

本体已经成为语义网、信息检索、人工智能、信息系统、知识工程、知识图谱等研究领域的关注核心之一。

1.1 本体定义

引用最高的本体定义是Gruber[1]在1993年提出的,认为“本体是概念化的详细规格说明”。Kendall和McGuinness[2]将本体定义为“本体是详细描述特定领域或关注区的术语、概念、命名,概念与概念、概念与实例、实例与实例之间的关系,以及区分概念、明确定义与关系的语句”。一般来说,本体具备四个特点[3]:一是概念化,抽象出客观存在的一些术语概念、实例并经过处理而得到相应本体;二是明确性,概念及概念之间的关系是明确定义的;三是形式性,采用形式化语义并可被计算机识别;四是共享性,所构建的本体是领域内专家、相关研究人员的共识,支持共享使用。

1.2 本体建模方法

作为知识共享的基础,本体需要经过精心的设计,其建模具有结构上和逻辑上的复杂性,需要规范的本体建模方法指导本体整体开发,形成便于交流的、无歧义的本体。尽管本体建模方法一直受到研究人员的关注,但是在过去十年没有特别大的改进。
Sure-Vetter等人[4]提出一种被广泛采用的本体构建方法,包括可行性分析、启动、细化、评估、应用与改进等五个阶段,能够支持开发和维护基于本体的知识管理系统。NeOn项目[5]关注本体和非本体资源的重用、合并、重建以及团队协作,通过九个场景的综合方法来建立网络化本体。Abdelghany等人[6]基于敏捷原则与实践提出本体开发的敏捷方法,使得本体开发活动可以契合到Scrum敏捷方法的阶段中。
尽管采用全人工方式构建的本体具有较高的质量,但是需要较大的人力成本和较长的构建周期。因此,以深度学习为核心的(半)自动化本体构建(也称为本体学习)越来越受到工业界与学术界的重视。Gillani Andleeb认为本体学习是一个新本体或复用本体的自动化或半自动化构建过程,并且利用最少的人力[18]。在本体学习中,存在六个层次:术语、同义词、概念、概念层次、关系和规则[19]。Al-Aswadi等人将本体学习方法分为两大类:一是基于语言学的方法,包括模式抽取、词性标注与句子解析、句法结构分析与依赖结构分析;二是深度学习方法,包括基于统计的方法和基于逻辑的方法[20]。然而,(半)自动化本体构建更适用于知识复杂度较低的领域。由于作战仿真领域知识的复杂特性,更多需要人工方式。

1.3 本体描述语言

本体描述语言提供形式化显示描述本体建模原语,提供高效率推理机制,可作为本体从自然语言到形式逻辑转换的工具。目前,使用较为广泛的描述语言是网络本体语言(Web Ontology Language,OWL),以描述逻辑(Description Logic,DL)为基础,采用资源描述框架(Resources Description Framework,RDF)和扩展标记语言(Extensible Markup Language,XML)作为语法规则。借鉴Perez等人[7]的本体分类法,OWL的基本构造块包括类、属性、个体、公理,由于采用描述逻辑作为逻辑基础,具备严格的语法、形式的语义和良好的可计算性。但是,OWL难以表达基于事实的推理关系。为此,语义网规则语言(Semantic Web Rule Language,SWRL)作为弥补这一方面的不足被提出,充分结合本体描述语言和规则标记语言各自的优势,可作为OWL的规则方面的补充。

1.4 军事领域相关本体

本体在生物医药、金融、工程、法律、文化遗产等不同领域有着重要应用[8]。下面重点介绍下本体在军事领域上的应用。
Darr等人[9]构建了作战方案(Course of Action, COA)计划本体,用于提供扩展框架建模与军种条例一致的COA计划。该本体包括一个核心本体,定义共性的COA计划概念(活动、阶段、结果、性能度量和效能度量等),以及多个领域相关本体,支持表示特别类型计划(如维稳计划、反暴动计划、信息作战计划等)。Nguyen等人[10]为军事消息系统开发了本体集合,用于标注和订阅消息,提供灵活的定位与查询功能,解耦信息发送方与接收方。李亢等人[11]提出了一种半自动化的装备领域本体的构建方法,通过人工方式构建顶层领域本体和基于自动化方式构建一般领域本体。朱杰和张宏军[12]针对仿真想定知识描述缺少统一规范,建立空间知识领域本体及其格式化描述规范,以及通过该模型在合同战斗仿真平台的应用验证构建本体的有效性。
同时,目前知识图谱技术与军事领域相结合的研究工作[13,14,15,16]大多将本体构建作为初始步骤,为后续知识图谱的构建工作提供概念或知识体系。例如,吴云超等人[16]在构建面向仿真推演的领域知识图谱的过程中,基于军事专家经验建立相应领域知识模型,主要包括作战规则、历史知识、目标部署、装备性能、作战条令、作战环境和多分辨率模型等方面的概念、实体、属性和关系。
总之,目前对于作战仿真本体构建的整体性、指导性研究尚不充分。

2 作战仿真本体必要性

构建专有的作战仿真本体能够充分利用本体的显式化、规范化和形式化等优点。以面向联合作战的作战仿真为例,可能涉及陆、海、空、天、电、网等诸多军种,飞机、雷达、卫星、舰艇、导弹等诸多装备模型,分布式作战、多域战、马赛克等诸多作战概念,陆上、海上、空中、网络进攻与防御等诸多作战样式。因此,这些不同维度、不同层面、不同角度的作战仿真知识如果能够按照结构化、形式化、关联化方式进行语义表示,能够为作战仿真相关人员提供显式的、一致的、关联的、易用的作战仿真知识,从而提高作战仿真的整体效率和综合效能。下面从不同角度来阐述作战仿真本体的必要性。

2.1 显式描述知识

作战仿真具有极强的专业性与特殊性,不同的作战仿真实验通常面向特定问题,依赖于不同的理解与描述,从而具有不同的知识框架。基于本体的作战仿真知识模型具有清晰的知识结构框架和规范化描述,可用于形成知识的纵向层级和横向联系,有助于作战仿真知识的显示描述,从而支撑相关知识的有效使用和深入挖掘。

2.2 确保共性理解

在作战仿真的应用开发、活动开展、结果分析等过程中,其知识多存在于相关人员的经验中,或隐含在程序、模型和流程中,难以理解、验证、维护。基于本体的作战仿真知识模型将知识和经验转化为统一的形式化定义,确保作战仿真全流程的知识传递、精确性的共享理解,实现人与机器、机器与机器、人与人之间的共识。

2.3 支持统一开发

作为知识生成的活动,作战仿真是知识密集型任务,包括作战仿真应用的构建、模型的开发、活动的实施,目前这些任务仍缺少顶层知识牵引。基于本体的作战仿真知识模型将提供统一的知识体系、描述与约束,可作为诸多下游应用开发的一致性知识规范,易于不同应用之间、不同模型之间的信息交互。

2.4 强化知识驱动

随着人工智能技术的发展,在仿真模型的开发、仿真系统的研制、仿真实验的设计、仿真活动的开展等方面越来越具有智能化特征。基于本体的作战仿真知识模型形成了作战仿真领域知识的形式化表示基础,使得充分利用本体的语义表达、逻辑推理等能力成为可能。进一步结合自然语言处理技术,将极大优化作战仿真资源的构建、查询与使用。

3 作战仿真本体构建原则

本体构建是针对某一领域、某一目的建立可计算的语义模型的知识加工任务,其构建活动立足于某一领域,面向特定需求,解决特定问题。因此,作战仿真本体的构建具有自身特点。
Gruber[1]提出了具有较大影响力的构建原则,主要包括:1) 清晰性原则,概念的表达应该清晰、完整、客观、明确、无歧义;2) 一致性原则,概念术语与本体推理保持一致,不应推理出不一致的事实或概念;3) 最大单调可扩展性原则,新增本体中的术语,不会修改本体原有内容;4) 最小编码偏好原则,可以采用合适的本体知识表示方法,但相关概念描述不要依赖具体的表示方式;5) 最小本体约定原则,本体约定只要能够满足特定需求即可。
结合作战仿真知识特点,我们对以上的五项原则进行扩展:
1) 模块化原则。作战仿真是对作战问题、作战活动、武器装备等多个层面的抽象或模拟,涉及多领域、多样化知识,需要建立合适的本体模块,提高本体模块的内聚度,减少本体模块之间的耦合度,并且不同的本体模块应由不同领域专家构建从而提高精确度和可用性。
2) 简单性原则。保持作战仿真本体中概念及其关系的简单性和有效性。概念及其关系越复杂,构建过程越容易出错,后续应用也将需要更多资源。
3) 形式化原则。采用语法结构良好的形式化知识表示语言,支持语法与语义检查。
4) 可扩展原则。为适应认识的深入、技术的发展而导致的知识更新与演化,作战仿真本体应该易于扩展,高效集成新的知识。
5) 可重用原则。作战仿真本体应该作为公共知识资源,易于理解,可被相关人员和系统所重用,避免重复“造轮子”。

4 作战仿真本体构建流程

作战仿真通过运行环境、仿真模型、仿真数据等作战仿真资源的聚合以及仿真活动的实施来模拟作战任务、作战活动、作战行动、作战效果等不同的方面。开展具体的作战仿真需要面向特定目的或需求设计与开发相应的仿真资源、组织与实施适合的作战仿真活动。本文结合本体工程和人工智能技术设计作战仿真本体构建流程。如图1所示,构建流程主要包括作战仿真本体需求分析、作战仿真本体设计开发和作战仿真本体评估验证三个阶段。
图1 作战仿真本体迭代构建流程
首先,第一阶段将生成作战仿真本体需求分析文档,作为后续两个阶段的指导性、规范性资料,根据作战仿真本体的设计、开发、评估和验证等过程中遇到的问题与新的思考优化需求。其次,第二阶段将开展具体的作战仿真本体设计开发,生成(初步的)作战仿真本体,这一阶段可以利用以自然语言处理、信息抽取等为代表的人工智能技术来实现自动化或半自动化构建。然后,第三阶段将结合需求分析文档对前一阶段生成的作战仿真本体进行评估验证,生成相应的报告,同时当确认本体能够满足整体需求后进行发布。最后,尽管图中未明确表示,作战仿真本体构建循环将根据其使用效果来迭代,实现面向具体应用的适应优化。

4.1 作战仿真本体需求分析

图2所示,该阶段对作战仿真本体进行需求分析,主要包括五个步骤:确定本体目标、确定本体使用、确定必要信息、确定使用人员和确定能力问题,生成需求分析文档以此来牵引指导本体设计开发。
图2 作战仿真本体需求分析流程
1)确定本体目标
该步骤将明确作战仿真本体的预期目标,要达成什么样的效果,并以自然语言、形式化语言等方式明确、无歧义地进行精炼表达。作战仿真本体是将本体引入作战仿真的结果,是对作战仿真知识的本体化,重点是解决作战仿真知识能够被各领域、各层次、各专业的利益相关者所理解,提升作战仿真知识的复用重用水平。作战仿真本体的核心目标是提供一种形式化、语义级方法使得作战仿真知识对于人和机器都是可读的、可理解的,支持领域知识的体系化、结构化、关联化。
2)确定本体使用
该步骤将明确作战仿真本体的使用目的与范围,使用本体完成哪些具体任务,以及可能的使用方式。作战仿真本体的使用主要包括六个层面:一是对各类作战仿真知识进行结构的、层次的、规范的、关联的概念化描述,实现作战仿真知识的规范管理;二是以人和机器都可理解的方式集成与发布作战仿真知识,满足人与人之间、不同仿真应用之间、人与仿真应用之间的作战仿真知识共享需求;三是采用机器可理解的关联方式对作战仿真知识进行形式化建模,使作战仿真知识能深入挖掘,辅助作战仿真各个阶段的开展与实施;四是用于不同仿真应用之间自主互操作,适合于人与人之间关于作战仿真的共性理解,作为人与人、人与仿真应用之间交流的语义基础;五是适用于关于特定作战仿真知识的形式化推理;六是支持以自动或半自动方式创建与处理作战仿真任务。
3)确定必要信息
该步骤将明确作战仿真本体必须具备哪些信息,以及这些信息的表现形式。为充分实现作战仿真知识的共性理解与重用复用,按照不同维度阐述必要信息:一是仿真对象方面,需要包括作战概念、作战体系、作战样式、战术战法、作战行动、武器装备等多类对象相关知识;二是仿真层次方面,需要包括工程层、交战层、任务层、战役层、战略层等多个层次相关知识;三是仿真应用方面,需要包括人在回路、人不在回路、实物/半实物、并行或分布式、仿真推演等多种仿真应用相关知识;四是仿真资源方面,需要包括运行环境、仿真模型、仿真数据等多类资源相关知识。
4)确定使用人员
该步骤将明确作战仿真本体涉及的相关使用人员,及其在本体的构建、使用、优化等方面的作用。作战仿真是通过作战仿真应用及其运行的作战仿真模型与数据来开展和实施。这导致作战仿真本体涉及军事需求人员、仿真想定设计者、仿真应用设计者和仿真模型设计者等诸多利益相关者。因而,作战仿真本体的设计与开发需要充分考虑不同人员的能力特性,使得构建的作战仿真本体能够符合使用需求。
5)确定能力问题
该步骤将根据形成的本体目标、本体使用、必要信息和使用人员等描述,以问句方式提出关键的能力问题并给出回答示例,作为本体设计开发、评估验证的问题牵引。利用作战仿真本体,能够回答诸如“What、Who、When、Where、Why、How、How much(5W2H)”等形式的问题。

4.2 作战仿真本体设计开发

图3所示,在需求分析的基础上,该阶段对作战仿真本体进行设计开发,主要包括三个步骤:定义知识体系、获取相关知识和形成本体描述,并生成待评估验证的作战仿真本体。
图3 作战仿真本体设计开发流程
1)定义知识体系
该步骤将对作战仿真所涉及的概念及其关系进行定义,提取概念、元素等关键词汇,利用结构框架等理论,对知识体系进行结构化描述,并采用自然语言初步描述本体相关的概念和属性,为构建本体、形式化描述知识模型提供坚实的基础。
2)获取相关知识
该步骤将基于作战仿真知识体系,采用以机器为主、人工为辅的方式获取相关知识。知识来源主要表现为三种形式:结构化数据、半结构化数据和非结构化数据。关于结构化数据和半结构化数据只需要定义好具体转换或映射规则就可以实现相关知识的获取。而对于非结构化数据的知识提取,可以采用基于人工智能的信息抽取技术。实际上,通用领域的信息抽取技术已经比较成熟,但是面向作战仿真领域会遇到诸如数据样本量少、分布不均匀、标准不统一等问题。当前,基于BERT[17]的领域适配和任务适配在解决以上问题具有较好的应用效果。BERT作为一种代表性预训练语言模型,能够通过自监督学习将大量非标注的文本充分利用,并对其中的语言知识编码,实现从海量数据中有效、高效地获得作战仿真知识。BERT的应用主要包括两个阶段:第一阶段利用通用语言模型任务,采用自监督学习方法,选择特征抽取其来学习训练模型;第二阶段针对具体的监督学习任务,采取特征集成或者微调(Fine-tuning)创建适合不同问题的模型。
3)形成本体描述
该步骤将对已收集到的相关知识进行整理,最终按照一定的概念模型,利用建模工具对知识进行形式化显式表示。完成这一阶段将会形成初始的、待评估验证的作战仿真本体。

4.3 作战仿真本体评估验证

图4所示,该阶段对生成的作战仿真本体进行整体能力的评估验证,检验构建的本体是否满足需求,主要包括两个步骤:定义指标体系和评估验证本体。
图4 作战仿真本体评估验证流程
1)定义指标体系
该步骤将建立具体明确的指标体系,用于定性或定量评估本体实现与本体目标的符合程度。指标体系建立的主要依据有:本体构建的基本原则、本体需求分析文档,以及专家经验。根据作战仿真知识特点,评价指标可能包括本体的完整性、正确性、清晰性、可理解性、使用性、一致性、有效性等多个方面。为形成整体评价,可以采用德尔菲专家调研法,对指标集进行多轮筛选,经过专家筛选与分析建立层次化指标体系,并根据不同指标对综合效能影响程度确定具体的指标权重。
2)评估验证本体
该步骤对作战仿真本体进行综合评价验证,判断是否达到相关要求。主要包括两个方面:一是指标评估,依据构建的指标体系,在语法、语义、内容等多个层面进行综合评估;二是能力评估,构建测试用例检验本体是否能够回答具体的能力问题。如果符合要求,就将该本体提交给使用者;否则,需要重新优化。

4.4 作战仿真本体参考示例

作战仿真本体参考示例主要包括仿真对象、仿真想定、仿真应用、仿真模型、仿真数据5大类,其构成与关系如图5所示。
图5 作战仿真本体参考示例
1)仿真对象
仿真对象主要包括能够模拟或仿真的武器装备、战场环境、人工设施、指挥控制等作战相关要素,用于表示作战空间内的可实体化的实验对象。仿真对象具有对象名称、对象描述等属性,明确仿真应用、仿真模型所仿真或模拟的范畴界限,以及提供特定的仿真数据。
2)仿真想定
仿真想定是在军事想定的基础上,结合具体的实验设计、仿真环境和实验目的,开发出来的脚本,提供作战仿真所需要的数据参数和行动序列。仿真想定具有想定名称、想定目的、仿真层级、起止时间、兵力部署等属性,具有仿真执行所需要的想定数据。
3)仿真应用
仿真应用指支撑作战仿真的软件类系统,具有仿真某些特定作战对象的能力。仿真应用具有应用名称、应用描述、应用性质、使用范围、典型案例等属性值,其核心构成包含仿真模型与仿真数据,支撑着仿真想定的实施执行。
4)仿真模型
仿真模型是对作战静态属性与动态过程的抽象和描述,能够反映军事系统或现象的基本特征,支持以定量分析的方法研究军事活动中的规律。仿真模型具有基本信息、配置信息、交互信息、关联信息、适用信息等属性,按照模拟的仿真对象可分为武器装备、战场环境、人工设施、指挥控制等模型种类。
5)仿真数据
仿真数据主要包括仿真基础数据、仿真初始数据、仿真运行数据、仿真结果数据、仿真分析数据等。其中,仿真基础数据是支撑仿真应用、仿真模型运行的最基础数据,如地理信息、作战规则等;仿真初始数据是开展仿真活动的相关数据,如作战背景、兵力部署、作战方案等;仿真运行数据是作战仿真过程中模型动态生成的中间数据;仿真结果数据是仿真结束后形成的态势、战果、战损等数据;仿真分析数据是对作战仿真评估分析后形成的数据。

5 结束语

作战仿真具有多领域、多需求、多层级、多样式等特征,缺少对作战仿真的共性理解,将迟滞仿真应用的开发、仿真实验的开展、仿真成果的利用,难以有效支撑基于仿真的武器装备、作战体系、战术战法等方面的验证与优化。因此,本文结合本体技术和作战仿真知识特点,研究分析了作战仿真本体的必要性,提出了具体的构建原则和构建流程,为作战仿真知识的本体化提供了可行途径。
下一步工作将构建一个具体的作战仿真本体,用于支撑两方面应用:一是支持作战仿真知识的规范管理、共性理解、关联显示、深入挖掘,为从事作战仿真的相关人员与系统提供可理解、可计算的知识模型;二是支持重用复用仿真资源、快速构建仿真应用、高效生成仿真想定等仿真活动,满足作战仿真的多样性、敏捷性、适应性等要求。
[1]
Gruber T. A Translation Approach to Portable Ontologies[J]. Knowledge Acquisition, 1993, 5(2):199-220.

DOI

[2]
Kendall E F, McGuinness D. Ontology Engineering[J]. Synjournal Lectures on the Semantic Web: Theory and Technology, 2019, 9(1):102.

[3]
徐享忠, 汤再江, 杨建东, 等. 本体理论与工程应用[M]. 北京: 国防工业出版社, 2019.

[4]
Sure-Vetter Y, Staab S, Studer R. Ontology Engineering Methodology[M]. Handbook on Ontologies, 2009.

[5]
Suárez-Figueroa M C, et al. The NeOn Methodology Framework: A Scenario-Based Methodology for Ontology Development[J]. Applied Ontology, 2015, 10(2):107-145.

DOI

[6]
Abdelghany S, et al. An Agile Methodology for Ontology Development[J]. International Journal of Intelligent Engineering and Systems, 2019, 12(2):170-181.

[7]
Gomez-Pérez A. Ontological Engineering: A State of the Art[J]. Expert Update: Knowledge Based Systems and Applied Artificial Intelligence, 1999, 2(3):33-43.

[8]
Tudorache T. Ontology Engineering: Current State, Challenges, and Future Directions[J]. Semantic Web, 2020, 11(1):125-138.

DOI

[9]
Darr T, Benjamin P, Mayer R. Course of Action Planning Ontology[C]. Ontology for the Intelligence Community Conference, George Mason University, 2009.

[10]
Nguyen D N, et al. Ontologies for Distributed Command and Control Messaging[C]. Formal Ontologies in Information Systems, 2010.

[11]
李亢, 李新明, 刘东. 面向数据语义集成的装备领域本体构建研究[J]. 系统仿真学报, 2015, 27(5):1071-1080.

[12]
朱杰, 张宏军. 基于本体的仿真想定空间知识表达模型[J]. 系统仿真学报, 2021, 33(5):1051-1061.

[13]
邢萌, 杨朝红, 毕建权. 军事领域知识图谱的构建及应用[J]. 指挥控制与仿真, 2020, 42(4):1-7.

[14]
丁君怡, 赵青松, 夏博远, 等. 基于开源数据的武器装备知识图谱构建方法研究[J]. 指挥控制与仿真, 2018, 40(2):22-26.

[15]
车金立, 唐力伟, 邓士杰, 等. 基于百科知识的军事装备知识图谱构建与应用[J]. 兵器装备工程学报, 2019, 40(1):148-153.

[16]
吴云超, 毛少杰, 周芳. 面向仿真推演的领域知识图谱构建技术[J]. 指挥信息系统与技术, 2019, 10(03):32-36,82.

[17]
Devlin J, et al. Bert: Pre-training of Deep Bidirectional Transformers for Language Understanding[J]. In: Proceedings of NAACL-HLT,Association for Computational Linguistics, 2019(1):4171-4186.

[18]
Gillani S. From Text Mining to Knowledge Mining: An Integrated Framework of Concept Extraction and Categorization for Domain Ontology[D]. Hungary: Corvinus University of Budapest, 2015.

[19]
Buitelaar P, et al. Ontology Learning from Text: An Overview[J]. In: Ontology Learning from Text: Methods, Evaluation and Applications, Amsterdam, IOS Press, 2005, 123:3-12.

[20]
Al-Aswadi F, et al. Automatic Ontology Construction from Text: A Review from Shallow to Deep Learning Trend[J]. Artificial Intelligence Review,Springer, 2020, 53:3901-3928.

DOI

Outlines

/