朱光++杨嘉韵++吴先华++丰米宁

〔摘要〕通过对本体、形式概念分析等理论研究进行分析，提出一种以“文档——术语”为核心，形式概念分析为技术手段的气象灾害领域的本体构建方法。针对气象灾害领域知识库和主题词表的缺失，以中英文学术论文为数据源，对气象灾害领域术语的层次关系抽取和分析进行了详细阐述和论证，具体包括领域术语的抽取和筛选，文档术语矩阵的建立，主题概念格的生成，术语层次关系分析；本体OWL描述和可视化展示等过程，最后利用GATE Developer对构建本体的有效性进行了验证。

〔关键词〕气象灾害；形式概念分析；术语；概念格；层次关系；本体

DOI：10.3969/j.issn.1008-0821.2017.05.014

〔中图分类号〕G254〔文献标识码〕A〔文章编号〕1008-0821（2017）05-0079-10

Research on Construction of Hierarchy Relationship and

Ontology of Meteorological Disaster Based on FCAZhu GuangYang JiayunWu XianhuaFeng Mining

（School of Economics and Management，Nanjing University of Information

Science and Technology，Nanjing 210044，China）

〔Abstract〕Based on the analysis of ontology and Formal Concept Analysis（FCA），this paper proposed an effective ontology construction method of meteorological disaster，which was with“documents——terms”as a core and with FCA as a technological means.Aiming at the lack of knowledge base and thesaurus，the extraction and analysis of hierarchy relationship was discussed in detail.Firstly，the professional terms were extracted and filtered from academic paper documents.Secondly，the“documents——terms”matrix and concept lattice were built，then the analysis process of hierarchy relationship of domain terms was discussed.At last，the OWL description and visually displaying of ontology was proposed while the usability of constructed ontology was verified through GATE Developer.

〔Key words〕meteorological disaster；Formal Concept Analysis（FCA）；terms；concept lattice；hierarchy relationship；ontology

随着全球气候变暖，社会经济活动日益密集，极端天气事件日益频发，给我国乃至全世界造成了巨大的经济损失。因此，针对各类气象灾害（如洪水、台风、暴雪等），如何在数据融合的基础上，制定有效的应急管理措施成为全社会关注的重要问题。然而，由于我国幅员辽阔，气象灾害涉及的地域、机构和人员十分复杂，各个地区和部门所采集、存储和共享的气象灾害数据在领域术语、概念规范、数据格式上并不一致，这给气象灾害多部门协同应急决策带来了很大的困扰。在大数据环境下，如何利用本体建立一个规范的气象灾害领域术语体系，描述和融合各类多维、异构、不规范的“气象灾害大数据” 成为灾害应急管理中的基础性和紧迫性问题。

所谓本体，被引用最广泛的定义是由Gruber提出的“本体是对数据和概念模型的明确的规范说明”[1]。具体来说，本体是用来描述某个领域内的概念词表以及概念之间的关系，使得领域概念具有共同认可的、明确的、惟一的定义。在此基础上，不同地区、机构、实体乃至人机之间可以克服数据的异构性，更好地进行协同合作[2]。在大数据环境下，本体构建是一项极其繁杂的工作，人工手动构建本体需要耗费大量的时间和财力，半自动和自动的本体构建方法越来越受到国内外学者的关注和青睐。形式概念分析（Formal Concept Analysis，FCA）作为一种基于Harris假设和获取本体概念层次的方法，能够挖掘领域中隐含的概念以及概念之间的层次关系，通过构造概念格（Concept Lattice），半自动地构建本体[3]。

本文在没有外部知识库和主题词表的支持下，以CNKI和Web of Science的学术文献为数据来源，运用形式概念分析方法，提出一种以“文档——术语”为核心，形式概念分析为技术手段的气象灾害领域本体构建方法，在非结构化文本资源分词和词频统计的基础上，利用ConExp构建概念格，分析主题概念的层次关系，采用OWL语言对其进行形式化描述，并以此為基础构建目标领域本体。

1国内外相关研究

本体是近年来国内外学者普遍关注的研究热点，作为一种能在语义和知识层面描述领域术语的概念建模工具，已被广泛应用于知识工程、语义检索、智能挖掘和推理等领域。

目前已有多种本体构建方法（如TOVE法、骨架法、METHONTOLOGY法、七步法等[4]）和本体构建工具（OntoSaurus[5]、WebOnto[6]到Protégé[7]、OntoEdit[8]），运用这些方法和工具，用户不用了解本体描述语言的细节，就可以进行本体内容的组织和数据的映射。然而，这些工具提供的仅仅是本体编辑功能，通常需要基于专家的知识结构手工构建本体，耗时费力，可移植性差，也会造成概念的冗余[9]。概念格是反映对象与属性间的联系以及泛化与特化关系的一种完备的概念层次结构，通过形式化分析自动生成本体概念层次，并以此作为本体构建与生成的基础，可以有效提高本体构建效率，避免概念冗余。

目前基于概念格的本体构建方法已成功地应用于医疗、信息检索、知识发现等领域，Haav[10]提出一种基于概念格的本体构建方法，从短文本中提取形式背景，直接引用形式概念分析中的概念层次构建概念格，并通过概念格筛选和缩减从形式背景计算得到初始本体；Cimiano等[11]在文献[10]的基础上，运用自然语言解析构建概念格，并由概念格生成领域本体；Nanda等[12]从结构化的产品材料明细表中提取概念术语与属性，并运用FCA分析概念层次，最后基于概念层次结构生成概念格并构建领域本体；Juan Cigarrán-Recuero等[13]运用FCA构建概念格，对数字资源的语义注释进行有效性评估；KBalasubramaniam[14]在形式概念分析的基础上，构建一个基于混合模糊本体（Hybrid Fuzzy-Ontology）的语义检索模型，可以有效提高检索的准确率和召回率；牟冬梅等[15]针对医学领域的专业性特点，利用形式概念分析描述概念背景，通过“医学系统命名法——临床术语（SNOMED CT）”的概念表、描述表和关系表对构建概念格进行修正，在此基础上构建医学领域本体；毕强等[16]针对不同领域的异质性和语义分歧性，对异质领域本体的概念格进行解析，通过概念相似度计算建立跨本体的映射，并最终构建多本体协同知识地图；王昊等[17]以“白血病”为例，采用FCA理论将主题背景转换为领域概念格，进而分析概念属性的术语之间的上下位关联，最终形成领域术语本体；滕广青等[18]通过概念格的叠置运算，获取基于主题词表和文本两大异构资源的概念格，在此基础上构建异构资源领域本体；陆佳莹等[19]将概念格理论引入产品本体构建过程，提出的本体构建方法能够对产品和服务信息进行形式化的、通用的知识表示，从而满足企业进行信息管理的需求。

但从现有研究来看，国内外关于本体理论和技术在气象领域的应用和研究较少，Joel L C等[20]利用本体描述气象领域的关键术语，设计了一套关于气象农业的可视化服务系统；Quillon H[21]提出一个本体概念集成模型，用来整合水资源信息；Hoill J[22]等设计一个基于本体驱动的气象灾害服务模型，可以对气象灾害进行快速反应，辅助决策。在国内，何险锋等[23]提出了一种基于W3C标准的气象灾害本体化设计方法，以一阶谓词将气象灾害表达为基于气象要素的逻辑判断，并应用于本体化设计中，以此建立起气象灾害分类树、等价公理、对象属性集合和数据属性集合，最终构建得到气象灾害本体知识库；罗炜等[24]在归纳气象数据集特征的基础上，运用面向对象的方法对气象数据集元数据进行对象化，提出了包括元数据类、数据集标识信息类等10个元数据类和表示元数据元素域的代码表类的构建方法，并构建了元数据本体。综合来看，目前气象领域仅有的本体构建方法大多依赖于专家经验分析，主观因素影响较大，数据量较大时构建效率低下。

基于此，本文选取概念格理论作为研究的理论基础，以专业学术文献作为领域术语来源，运用FCA深入挖掘气象灾害领域概念之间的层次关系，提出气象灾害领域本体构建的技术方案，促进气象工作人员对气象灾害进行有效的组织和管理，实现气象灾害数据的融合共享。

2构建流程

本文将FCA理念引入气象灾害领域，在没有结构化主题词表的情况下，借助专业学术论文建立中英文气象灾害专业术语之间的概念层次关系，并进行比较，在此基础上实现本体构建和可视化展示，构建过程和实现方法如图1所示。具体包括以下3个步骤：

1）数据预处理。首先从学术论文文档中抽取标题、摘要、关键词作为领域专业术语的候选集合，然后利用分词技术找出领域核心词汇，并根据词汇的出现频次筛选领域专业术语。

2）形式概念分析。将领域专业术语看作属性集，学术论文文档看作对象集，建立“文档×术语矩阵”，用形式概念描述领域背景知识，并利用概念格算法将形式化背景转换成概念格，根据可视化的概念格模型抽取术语之间的层次和属性关系。

3）本体构建。利用OWL标准化语言描述术语之间的层次和属性关系，从而建立气象灾害领域本体，并通过GATE Developer進行语义标注验证本体的可用性。图1气象灾害领域本体构建流程

21数据预处理

本文以“气象灾害”为主题词，在CNKI数据库中检索获取核心期刊论文1 221篇，经过筛选保留1 218篇；以“Meteorological Disaster”为主题词，在Web of Science数据库中检索获取论文365篇。抽取论文的标题、摘要和关键词作为领域术语候选集合。

英文领域术语抽取的传统做法是对文档分词，去除停用词和空格后，计算术语的TF-IDF值作为术语在文档中的权重，继而根据权重阈值进行筛选[25]。而在中文领域术语抽取过程中，由于中文领域核心词汇通常是较长的短语，基于TF-IDF的权重筛选方法并不适用，因此本文使用中科院ICTCLAS 2016分词系统对论文文档进行分词处理[26]，在此基础上直接对词频进行统计。由于不同作者的写作风格、用词习惯及学术素养等方面存在差异，所以需要在词频统计过程中进行人工干预，保证抽取的领域核心词汇的一致性和准确性。筛选后的部分领域术语如表1所示，对这些术语进行形式概念分析，并建立概念格。

22形式概念分析

FCA（Formal Concept Analysis）是一种用于数据分析、表1部分领域术语词频统计结果

术语（中文）频次术语（英文）频次气象灾害2 466Disaster771农业1 483Meteorological545干旱884Drought540气候773Flood422天气459Climate362低温431Precipitation348减灾377Hazard234预报318Rainfall211高温290Storm170冻害240Weather160暴雨237Forecast160旱灾215Monitor152洪涝193Warning145旱涝169Wind135冰雹163Agriculture132

知识管理、本体构建等领域的数学方法，利用对象和属性间的映射关系来描述领域的形式化背景，并从中抽取内涵和外延的层次关系，构建概念格[27-28]。

基于FCA的术语层次分析大致分为两个步骤：

1）建立形式化背景。形式化背景可以定义为一个三元组：

F=（O，M，R）（1）

其中，O表示对象集合，M表示属性集合，R表示对象和属性间的映射关系。在本文中，形式化背景实质上就是“文档 术语”矩阵，可以定义为：

F=（Documents，Terms，I）（2）

其中，Documents表示文档集合，Terms表示术语集合，I表示术语Ti是否在文档Dj中出现或出现的频次[29]。以中文术语为例，部分术语和文档之间的关联如表2所示，表中“1”表示文档和术语存在关联，“0”不存在关联。文档集合Documents={D1，D2，D3，D4，D5，D6，D7，D8}，术语集合Terms={气象灾害，干旱，预警，气温，服务，低温，监测}。表2气象灾害领域的“文档×术语”矩阵

DocumentTerm气象

灾害干旱预警天气服务低温监测D11100100D21110100D31000100D41000101D51001010D61111000D71001101D81001110

2）建立概念格。在建立概念格之前首先给出以下定义：

在形式化背景F=（O，M，R）中，存在惟一的偏序集合与之相对应。根据集合所建立的概念格，每个节点称之为概念，定义为C（X，Y），X∈O表示概念C（X，Y）的外延，Y∈M表示C（X，Y）的内涵[30]。选取若干领域术语如表2所示，定义主题概念C1：

C1=（{D1，D2，D6}，{气象灾害，干旱}）

C1的外延为{D1，D2，D6}，内涵为{气象灾害，干旱}，该主题概念描述的是“气象灾害”和“干旱”的相关内容，文档D1、D2、D6都是关于此主题的学术论文，即术语集合中的每个术语都出现在文档集合中的每个文档中，术语集合和文档集合共同组成了一个主题概念，文档集合称为该主题概念的外延，术语集合称为该主题概念的内涵。

在此基础上，运用德国达姆施塔特科技大学开发的形式概念分析工具ConExp[31]构建概念格。ConExp可以利用概念格的形式表示一个有限形式背景的结构，并用Hasse图表示。概念格的每一个节点相当于形式概念，顶端元素的外延是具有这些属性的对象的集合，底端元素的内涵是这些对象所具有的属性的集合。根据表2的“文档 术语”矩阵所建立的概念格如图2所示。

Hasse图中圆形结点表示主题概念，圆形大小表示主题外延的个数。在层次结构中，上层为父概念，下层为子概念。最顶层概念的属性是所有对象均具有的属性，因此外延最多；相反最底层概念包含所有属性，因此外延最少。在表2中，“气象灾害”是所有对象（文档）均具有的属性（术语），出现在所有文档中，而具有所有属性（术语）的文档为空。

每个主题概念包含两个部分，上半部分代表属性，下半部分代表对象。在Hasse图中，若属性半圆为蓝色，则表示有新增属性链接到该节点上；若对象半圆为黑色，则表示有新增对象链接到该节点上。每个概念结点的属性集合是该节点上层所有属性的总和（继承父概念属性），对象集合是该节点下层所有对象的总和（覆盖子概念外延）。例如图中最左测“D4，监测”节点，其属性集合为{气象灾害，服务，监测}，对象集合为{D4，D7}，组成一个完整的主题概念：C（X，Y）=（{D4，D7}，{气象灾害，服务，监测}）。

建立概念格的目的是描述概念之间的上下层关系，即分析下层概念如何通过新增属性从上层概念衍生出来。如Hasse图所示，新增属性（术语）所在的对象（文档）是以其为根节点的下子树的外延（文档）总和。例如图2中的“D4，监测”节点，新增“监测”属性，该属性出现在文档D4和D7中。该节点的父节点新增了“服務”属性，其出现在文档D4、D7以及文档D1、D2、D3、D8中。在此情境下，包含术语“服务”的文档集合是包含术语“监测”文档集合的超集，因此，“服务”是“监测”的上位术语[32]。同理可得图2中其它术语的上下层关系，如表3所示。表3术语的上下层关系

上位术语下位术语气象灾害干旱气象灾害气温，低温服务监测服务预警

从图2和表3可以看出，基于FCA的概念格构建可以清晰地反映出术语之间的上下层关系，从而为本体描述及可视化展示奠定基础。

23本体OWL描述及可视化展示

在对领域术语进行形式概念分析的基础上，利用W3C组织发布的OWL（Ontology Web Languages）[33]对主题概念和概念之间的逻辑关联进行语义描述，从而便于计算机存储和处理。

本文将每一个术语定义为一个类，将术语之间的上下层关系定义为类间的上下位关系。OWL中描述类上下位关系的标签是owl Class和rdfs：subclassOfrdf，前者用于定义一个类，后者用于定义当前类的父类，编码方式如公式（3）所示[34]：

content

（3）

#parentclass name/>

利用OWL描述术语（{气象灾害}，{干旱}），（{disaster}，{flood}）的上下层关联，如图3所示。在术语量较大时，可通过程序自动生成类定义及编码结构。

本文采用Protégé[35]对OWL文件进行读写，并完成OWL文件到可视化图形的转化，并利用Ontograf[36]插件对本体概念进行筛选、检索、定位和展示。

图3术语上下层关系的OWL编码

3结果分析

根据上述流程，对本文的数据进行处理和分析，获取“气象灾害”领域的专业术语，并对其进行形式化分析和本体构建。

31数据预处理结果分析

在1 218篇关于“气象灾害”的中文学术论文中，经过词频统计和筛选获取57个专业术语，共存在26 117个关联。在365篇关于“Meteorological Disaster”的英文学术论文中，经过词频统计和筛选获取35个专业术语，共存在12 034个关联。以〈文档，术语，频次〉三元组形式存储以上关联，将此作为术语层次关系分析的依据。

32FCA结果分析

将中英文文档术语三元组分别转换为“文档×术语”矩阵，生成气象灾害领域的形式化背景。在中文矩阵FC=（Documents，Terms，I）中，Documents共有1 218个对象，Terms中共有57个对象，I中有26 117关联。对其进行形式概念分析，生成主题概念6 697个。在英文矩阵FE=（Documents，Terms，I）中，Documents共有365个对象，Terms中共有35个对象，I中有12 034个关联。对其进行形式概念分析，生成主题概念3 149个。由于主题概念数量较多，本文从横向和纵向两个维度对局部术语间上下层关联进行分析。图4中文术语的局部层次结构图

图4、图5分别从横向维度上显示了文档中出现频次最高的前15个中英文术语的层次结构图，在中文术语层次结构图中，生成653个主题概念，图中仅截取了部分主题概念及其层次关系。由于文档中均包含“气象灾害”术语，图5英文术语的局部层次结构图

因此该术语处于Hasse图的顶端，其下有若干下位术语，主要的上下层关系包括：

①“氣象灾害”→“农业”；

②“气象灾害”→“冰雹”；

③“气象灾害”→“旱涝”；

④“气象灾害”→“气候”；

⑤“气象灾害”→“暴雨”→“洪涝”；

⑥“气象灾害”→“干旱”→“旱灾”；

⑦“气象灾害”→“天气”→“高温”；

⑧“气象灾害”→“天气”→“低温”；

⑨“气象灾害”→“减灾”→“预报”。

同理，在英文术语层次结构图中生成683个主题概念，主要的上下层关系包括：

①″meteorological disaster″→″storm″；

②″meteorological disaster″→″drought″；

③″meteorological disaster″→″agriculture″；

④″meteorological disaster″→″climate″；

⑤″meteorological disaster″→″hazard″；

⑥″meteorological disaster″→″wind″；

⑦″meteorological disaster″→″precipitation″→″rainfall″；

⑧″meteorological disaster″→″precipitation″→″flood″；

⑨″meteorological disaster″ →″nature″→″weather″；

⑩″meteorological disaster″→″monitor″→″forecast″；

″meteorological disaster″→″monitor″→″warning″。

图6从纵向维度显示了“气象灾害”的下位术语“天气”为根节点的主题概念格，共生成38个主题概念，主要的上下位关系包括：

①“天气”→“高温”；

②“天气”→“监测”→“防治”；

③“天气”→“低温”→“冷害”；

④“天气”→“低温”→“冻害”；

⑤“天气”→“低温”→“寒害”。

同理，可以以“气象灾害”的任意一个下位术语为根节点，从纵向维度对其主题概念格进行分析。

33术语层次体系的本体描述及可视化展示

根据OWL定义的基本语法和标签，对本文获取的“气象灾害”领域中英文术语和上下层关系进行OWL编码，构建“气象灾害”领域本体，如图7所示。在此基础上，利用Protégé软件读取OWL文件，并通过Ontograf插件进行类检索和可视化展示。图8展示了“Disaster”类的层次结构，左侧以树形结构显示了本体的所有类及其层次关系，可实现本体概念的顺序浏览；右侧上方的“Search”选项可以实现本体类的定位与检索，右侧下方以树状图方式显示出了与“Disaster”类相关的主题概念，连线中箭头指向了子类方向。通过绘图区上方的工具栏可对图形进行调整，图9采用spring图对“Disaster”类的层次结构进行了展示。

34本体验证

本文采用英国Sheffield大学研发的GATE（General Architecture for Text Engineering）Developer[37]自然语言处理工具对构建的本体进行测试和验证，通过加载OWLIM Ontology、Ontology Tools等本体插件，可实现对气象灾害（Meteorological Disaster）本体OWL文件的浏览和测试，如图10所示。图10GATE对“Meteorological Disaster”本体的浏览

利用GATE Developer对30篇“Meteorological Disaster”主题的网页进行本体语义标注和验证，标注信息以可视化的高亮方式显现在文本资源中，标注实例可以提高信息的查准率和查全率。以“Hurricane Katrina”的维基百科网页为例[38]，其本体语义标注如图11所示，从而证明本文构建的本体可以在GATE中被识别，语义标注具有有效性和实用性。

4结语

本文以FCA为理论基础，以中英文学术论文为数据来源，提出一种以“文档——术语”为核心的“气象灾害”领域本体构建方法。在抽取和筛选领域专业术语的基础上，建立“文档——术语”形式化背景，进而采用FCA理论将形式化背景转换为主题概念格，并分析领域术语之间的上下层关系，最后利用OWL对术语的上下层关系进行描述，图11GATE对网页的本体语义标注

形成领域本体，为气象灾害领域知识的语义检索和可视化展示奠定了基础。本研究得到的结论有以下几点：

1）在缺乏外部知识库和主题词表的情景下，可以通过抽取学术论文的专业术语，并建立概念格来获取领域主题概念间的层次关系；

2）相对于医学等其它领域，气象灾害术语层次关系的“纵向”深度较浅，但具有较宽的“横向”广度，这是由于气象灾害领域的二级分类较多（如暴雨、干旱、台风等），每类主题的研究偏向于某一方面（如灾害评估、应急预警、系统建模等），缺乏细致和深层次的挖掘；

3）通过比较发现，气象灾害领域的英文术语相对于中文术语数量偏少，但专业性更强，准确度更高，因此信息的查准率和查全率更高。

在未来的研究中，对下列问题可以作进一步的研究：

1）减少本体构建的冗余。本文构建的本体存在一定的交叉性和重复性，在未来的工作中需要对本体的领域和范围进行界定，并通过本体间的映射完成主题的语义互联；

2）数据来源多样化。本文选取学术论文作为术语来源，在今后的工作中可以将气象灾害的网页、新闻报道、统计数据作为术语的抽取对象；

3）选取二级分类领域进行本体构建。可以对气象灾害的某个子领域（如暴雨、台风、洪水等）进行术语层次关系分析和本体构建，从而在纵向层次上挖掘术语层次关系的深度，进一步提升领域本体的实用性。

参考文献

[1]Thomas R Gruber.A Translation Approach to Portable Ontology Specifications[J].Knowledge Acquisition，1993，5（2）：199-220.

[2]Deng Z，Tang S，Zhang M，et al.Overview of Ontology[J].Acta Scientiarum Naturalium Universitatis Pekinensis，2002，38（5）：730-738.

[3]Gaihua Fu.FCA based ontology development for data integration[J].Information Processing and Management，2016，52（5）：765-782.

[4]Farquhar A，Fikes R，Rice J.The Ontolingua server：A tool for collaborative ontology construction[J].Intl Journal of Human-Computer Studies，1997，46（6）：707-727.

[5]Toward distributed use of large-scale ontologies[EB/OL].http：∥ksi.cpsc.ucalgary.ca/KAW/KAW96/swartout/Banff96final2.html，2016-08-01.

[6]Duineveld A，Stoter R，Weiden M，et al.Wonder tools？A comparative study of ontological engineering tools[J].Intl Journal of Human-Computer Studies，2000，52（6）：1111-1133.

[7]杜小勇，李曼，王珊.本體学习研究综述[J].软件学报，2006，17（9）：1837-1847.

[8]Navigli R，Velardi P，Gangemi A.Ontology learning and its application to automated terminology translation[J].IEEE Intelligent Systems，2003，18（1）：22-31.

[9]胡可云，陆玉昌.概念格及其应用进展[J].清华大学学报：自然科学版，2000，40（9）：77-81.

[10]Haav H M.A Semi-Automatic Method to Ontology Design by Using FCA[C]∥Proceedings of the 2nd International Workshop on Concept Lattices and their Application，2004：13-24.

[11]Cimiano P，Hotho A，Stumme G，et al.Conceptual Knowledge Processing with Formal Concept Analysis and Ontologies[C]∥Proceedings of the 17th International Conference on Industrial and Engineering Application of Artificial Intelligence and Expert System，2004：189-207.

[12]Nanda J，Simpson T W，Kumara S R，et al.A Methodology for Product Family Ontology Development Using Formal Concept Analysis and Web Ontology Language[J].Journal of Computing and Information Science in Engineering，2006，6（2）：103-113.

[13]Juan Cigarrán Recuero，Joaquín Gayoso Cabada，Miguel Rodríguez Artacho，et al.Assessing semantic annotation activities with formal concept analysis[J].Expert Systems with Applications，2014，41（11）：5495-5508.

[14]Balasubramaniam K.Hybrid Fuzzy-Ontology Design using FCA based Clustering for Information Retrieval in Semantic Web[C]∥Peer-review under responsibility of scientific committee of 2nd International Symposium on Big Data and Cloud Computing，2015：135-142.

[15]牟冬梅，張艳侠，黄丽丽，等.基于SNOMED CT和FCA的医学领域本体构建研究[J].情报学报，2013，32（6）：653-662.

[16]毕强，腾广青.基于概念格的多本体协同知识地图构建研究[J].情报学报，2012，31（10）：1018-1025.

[17]王昊，朱惠，邓三鸿.基于形式概念分析的学科术语层次关系构建研究[J].情报学报，2015，34（6）：616-627.

[18]滕广青，毕强.基于概念格的异构资源领域本体构建研究[J].现代图书情报技术，2011，（5）：7-12.

[19]陆佳莹，袁勤俭，黄奇，等.基于概念格理论的产品领域本体构建研究[J].现代图书情报技术，2016，（5）：38-46.

[20]Joel L C，Mara A，Claiton M S.Visual interpretation of events in petroleum exploration：An approach supported by well-founded ontologies[J].Expert Systems with Applications，2015，42（5）：2749-2763.

[21]Quillon H.Using a Model MAP to prepare hydro-meteorological models for generic use[J].Environmental Modeling & Software，2015，73（8）：260-271.

[22]Hoill J，Kyungyong C.Ontology-driven slope modeling for disaster management service[J].Cluster Computing，2015，18（2）：677-692.

[23]何险峰，张祥锋，郑利娟，等.气象灾害本体设计[J].气象科技，2012，40（6）：1007-1013.

[24]罗炜，胡友彬，孔华武.气象数据集元数据的本体推理研究与实现[J].电脑与信息技术，2012，20（2）：4-8.

[25]Qiming Luo，Enhong Chen，Hui Xiong.A semantic term weighting scheme for text categorization[J].Expert Systems with Applications，2011，38（10）：12708-12716.

[26]NLPIR汉语分词系统[EB/OL].http：∥ictclas.nlpir.org/newsDetail？DocId=387，2016-08-04.

[27]Wille R.Restructuring lattice theory：an approach based on hierarchies of concepts[C]∥Proceedings of the NANO Advanced Study Institute，Banff，Canada，1982：445-470.

[28]Xiangping Kang，Duoqian Miao.A study on information granularity in formal concept analysis based on concept-bases[J].Knowledge-Based Systems，2016，105（8）：147-159.

[29]Poelmans J，Elzinga P，Viaene S，et al.Text mining scientific papers：a survey on FCA-based information retrieval research[C]∥Proceedings of 12th Industrial Conference，2012：273-287.

[30]Chinho Lin，Ju Chuan Wu，Hua Ling Tsai.A hybrid approach to knowledge flow[J].Industrial Management & Data Systems，2013，113（5）：628-646.

[31]Concept Explorer[EB/OL].http：∥sourceforge.net/projects/conexp/，2016-08-05.

[32]Rehman Z，Kifor C V.An Ontology to support semantic management of FMEA knowledge[J].International Journal of Computers Communications & Control，2016，11（4）：507-521.

[33]OWL[EB/OL].http：∥www.w3.org/TR/owl-features/，2016-08-08.

[34]Nguyen T H，Grundy J C，Almorsy M.Ontology-based automated support for goal-use case model analysis[J].Software Quality Journal，2016，24（3）：635-673.

[35]Protégé[EB/OL].http：∥Protege.stanford.edu，2016-08-08.

[36]Falconer S.Ontograf[EB/OL].http：∥protegewiki.stanford.edu/wiki/Onto-graf，2016-08-08.

[37]GATE Developer[EB/OL].https：∥gate.ac.uk/family/developer.html，2016-08-16.

[38]Hurricane Katrina[EB/OL].https：∥en.wikipedia.org/wiki/HurricaneKatrina，2016-08-16.