陆 泉，刘 婷，张良韬，陈 静

（1.武汉大学信息资源研究中心，武汉430072；2.华中师范大学信息管理学院，武汉430079；3.武汉大学大数据研究院，武汉430072）

1 引言

大数据时代，数据的爆炸性增长让人们对于知识的需求达到前所未有的地步[1]，从多源异构的数据中发现新的知识，是人们需要解决的重要问题与挑战。知识发现是指从大量数据中获得有效的、创新的、具有价值性的以及可视化模式的高级处理过程[2]。知识主要分为两类：一类是精确知识，即确认存在的被公认的知识，可以准确的表示某种事物或事物的状态；另一类是不确定知识，即具有模糊性的不确定性知识。目前，存在着大量多源异构的不确定知识，知识融合可以将这些结构多样、不确定的模糊知识转化为统一的知识模式，通过知识推理发现新知识。

本体作为共享概念的形式化规范说明，可以对领域内的知识进行统一的有效表示，是知识融合中的一种主要知识模式。然而，当前相关的本体描述语言，如OWL（ontology web language），以及本体编辑工具，如Protégé，均无法直接实现用于描述和定义模糊本体，因此，研究者通常利用计算机处理人类自然语言的模糊性和人类思维逻辑模糊的推理，最终实现模糊本体的构建。Straccia[3]将描述逻辑和模糊逻辑相结合，提出了一种模糊描述逻辑语言Fuzzy ALC（attributive concept description language with complements）用来描述模糊本体；唐新香等[4]通过构建模糊本体定义元模型FODM（fuzzy ontolo‐gy definition metamodel）以及模糊本体建模语言FOML（fuzzy ontology modeling language），从而创建模糊本体模型。然而，上述方法均具有较高的复杂性，并且其知识的扩展性、融合性和推理性较为局限，无法对大规模多源异构的模糊知识进行知识发现。……