盧利農(nóng) 祝忠明 張旺強 李慧佳

（中國科學(xué)院國家科學(xué)圖書館蘭州分館/中國科學(xué)院資源環(huán)境科學(xué)信息中心 甘肅蘭州 730000）

1 引言

長期以來，以保存與管理科研機構(gòu)自身知識產(chǎn)出為宗旨的機構(gòu)知識庫（Institutional Repository，IR），一直未能有效解決內(nèi)容收集難與作者唯一標(biāo)識問題。

在IR的內(nèi)容建設(shè)方面，機構(gòu)已有的知識產(chǎn)出中很大一部分都已經(jīng)被數(shù)字化，且分散保存在多個其它數(shù)字資源系統(tǒng)中，例如大型的數(shù)字出版系統(tǒng)、學(xué)科知識庫、機構(gòu)其它數(shù)字資源系統(tǒng)等。因此，在構(gòu)建IR過程中，對這些知識產(chǎn)出的重復(fù)建設(shè)勢必會造成人力、物力的浪費，其更好的解決方案是加以重用。對外部系統(tǒng)中知識產(chǎn)出的復(fù)用，一般有人工采集與機器自動采集兩種途徑。人工采集相對難度高、花費時間多，當(dāng)數(shù)據(jù)量大時，機器自動采集明顯優(yōu)于人工采集。

此外，IR從多個外部系統(tǒng)匯集知識產(chǎn)出元數(shù)據(jù)時，面臨著作者的唯一標(biāo)識問題。由于不同系統(tǒng)名稱規(guī)范、編碼方式、數(shù)據(jù)格式等的不同，普遍存在著作者同名、同一作者多個名稱的現(xiàn)象。當(dāng)前，國內(nèi)外已有一些項目對名稱規(guī)范問題展開了研究。如JISC的Names Project［1］嘗試從已有的數(shù)據(jù)源中搜集名稱方面的數(shù)據(jù)并自動產(chǎn)生相當(dāng)規(guī)模的名稱規(guī)范數(shù)據(jù)；ReasercherID［2］在全球范圍內(nèi)通過給每個注冊用戶分配一個唯一的標(biāo)識符，以解決用戶名稱的沖突問題，并支持獲取特定作者的引文信息。類似的還有國際標(biāo)準組織 ISO 的 ISPI［3］、ORCID［4］以及 OpenID［5］等。已有的名稱規(guī)范解決方案雖然一定程度起到了區(qū)分用戶主體的作用，但缺少與科研人員其他背景信息的語義關(guān)聯(lián)，在使用時過多地依賴于人工操作，無法實現(xiàn)對科研人員主體的機器自動推理、匹配，難以擴展。語義網(wǎng)技術(shù)的興起，為解決這一問題提供了可能。

本文在研究知識產(chǎn)出自動獲取方法與技術(shù)的基礎(chǔ)上，結(jié)合科研人員本體等語義網(wǎng)技術(shù)，最終將通過機器采集獲取到的知識產(chǎn)出與其作者主體間建立真正的對應(yīng)關(guān)系。

2 知識產(chǎn)出資源存儲系統(tǒng)及其采集方法分析

通過機器方式自動獲取外部系統(tǒng)中的知識產(chǎn)出元數(shù)據(jù)時，根據(jù)源系統(tǒng)是否提供了程序訪問接口可將其劃分為兩種類型，同時對應(yīng)兩種不同的采集方法。如果源系統(tǒng)提供了程序接口，采集程序可通過接口批量獲取到格式化的數(shù)據(jù)集；如果沒有，一般需要通過解析網(wǎng)頁HTML源文件來獲取元數(shù)據(jù)。

2.1 機器接口自動獲取

目前，一些主流的數(shù)字資源系統(tǒng)或出版集團已經(jīng)提供了知識產(chǎn)出元數(shù)據(jù)或全文的開放共享接口。WOS（Web of Science）的元數(shù)據(jù)共享Web Service接口，支持機構(gòu)注冊用戶使用該接口獲取WOS收錄的本機構(gòu)科研人員的知識產(chǎn)出［6］。BMC（BioMed Central）為知識庫提供基于SWORD協(xié)議的知識產(chǎn)出自動存繳服務(wù)，科研機構(gòu)首先在BMC網(wǎng)站注冊登記，之后BMC會自動將此科研機構(gòu)在BMC最新出版的期刊文章提交到機構(gòu)知識庫中［7］。arXiv為了便于機器訪問網(wǎng)站元數(shù)據(jù)，提供了無限制、基于Atom的查詢接口［8］。源系統(tǒng)的開放接口一般是基于一種或多種協(xié)議，常見的用于開放知識產(chǎn)出元數(shù)據(jù)接口的協(xié)議有 OAI-PHM、SWORD、SOAP、RESTful、Atom、SRU 等。不同的接口類型對應(yīng)的數(shù)據(jù)返回格式不一，為了實現(xiàn)程序自動采集，需要針對各個源系統(tǒng)的接口開發(fā)專門的采集程序。由于不同系統(tǒng)往往使用的元數(shù)據(jù)描述框架不同，從源系統(tǒng)獲取到數(shù)據(jù)集后，需要通過映射并轉(zhuǎn)換為當(dāng)前系統(tǒng)的標(biāo)準元數(shù)據(jù)并保存。

這些開放接口已經(jīng)被集成、應(yīng)用到很多機構(gòu)知識產(chǎn)出保存與管理系統(tǒng)中。例如，Eprints支持通過WOS、PubMed等系統(tǒng)提供的接口獲取知識產(chǎn)出數(shù)據(jù)［9］。中科院國家科學(xué)圖書館蘭州分館開發(fā)的機構(gòu)知識庫開源軟件CSpace［10］支持科研機構(gòu)從WOS中自動獲取本機構(gòu)科研知識產(chǎn)出。中國科學(xué)院OA論文知識庫［11］與BMC合作，BMC會自動將其收錄的中科院發(fā)表的文章提交到OA知識庫中。

2.2 非機器接口自動獲取

如果源系統(tǒng)沒有提供機器接口，一般可通過以下兩種方式來采集：一種是先通過爬蟲程序取得目標(biāo)源系統(tǒng)中知識產(chǎn)出元數(shù)據(jù)對應(yīng)的HTML文檔，使用抽取算法并結(jié)合自然語言處理、機器學(xué)習(xí)等技術(shù)抽取得到規(guī)范化編碼的知識產(chǎn)出元數(shù)據(jù)。另一種是根據(jù)目標(biāo)系統(tǒng)網(wǎng)頁源文件的特定格式編寫專門的獲取與解析程序。第一種方式的優(yōu)點是可以從多個數(shù)據(jù)源中快速、大批量地獲取到知識產(chǎn)出數(shù)據(jù)，但準確性及查全率一般；第二種方式則正好相反。

對于非機器接口的知識產(chǎn)出元數(shù)據(jù)自動獲取，具有代表性的項目是英國洛翰普頓大學(xué)自2007年開始，2009年結(jié)束的AIR（Automated Archiving for an Institutional Repository）［12］，該項目旨在解決機構(gòu)知識庫內(nèi)容建設(shè)難的問題，實現(xiàn)了從機構(gòu)網(wǎng)站下載包含本機構(gòu)科研人員產(chǎn)出的網(wǎng)頁文件，通過索引、知識抽取、元數(shù)據(jù)重新組織描述等步驟，將獲取到的知識產(chǎn)出數(shù)據(jù)經(jīng)科研人員輔助編輯確認后通過SWORD提交到機構(gòu)知識庫中。類似的還有Google Scholar［13］、CiteSeer（又名ResearchIndex）［14］，它們都支持從互聯(lián)網(wǎng)上檢索并抽取知識產(chǎn)出元數(shù)據(jù)。國內(nèi)中科院軟件所Field Specialist Knowledge Collection領(lǐng)域?qū)＜抑R導(dǎo)航系統(tǒng)［15］可以從多個數(shù)字知識產(chǎn)出出版系統(tǒng)中自動獲取科研人員的知識產(chǎn)出數(shù)據(jù)。

3 基于科研人員本體的學(xué)術(shù)產(chǎn)出自動獲取總體設(shè)計

基于科研人員本體的學(xué)術(shù)產(chǎn)出自動獲取主要由知識產(chǎn)出自動獲取與語義化匹配存儲兩部分組成。前者負責(zé)從多個外部系統(tǒng)中批量獲取并解析得到知識產(chǎn)出數(shù)據(jù)，后者對這些數(shù)據(jù)進行語義化描述，并實現(xiàn)作者名稱消歧及作者與知識產(chǎn)出、機構(gòu)、地址等資源間的匹配關(guān)聯(lián)（系統(tǒng)整體框架的設(shè)計見圖1）。

自動采集包括以下三種方式：

第一種針對目標(biāo)系統(tǒng)沒有提供程序接口，但每條知識產(chǎn)出對應(yīng)元數(shù)據(jù)在各Web網(wǎng)頁中有相對固定的規(guī)范化HTML DOM編碼，對于這類資源提供專門針對目標(biāo)系統(tǒng)的HTML下載器與解析器來獲取知識產(chǎn)出元數(shù)據(jù)。

第二種是使用爬蟲程序來下載到目標(biāo)系統(tǒng)的Web頁面，通過頁面分類器對原始文檔進行分類，得到知識產(chǎn)出對應(yīng)的文檔，然后結(jié)合抽取算法從中得到知識產(chǎn)出元數(shù)據(jù)。這種方式也是針對沒有提供機器接口的第三方系統(tǒng)，但與第一種采集方式針對目標(biāo)系統(tǒng)不同的是，各知識產(chǎn)出元數(shù)據(jù)在不同的Web頁面中沒有使用固定的HTML DOM編碼。

第三種針對提供了程序API接口的第三方系統(tǒng)，根據(jù)目標(biāo)系統(tǒng)共享元數(shù)據(jù)使用協(xié)議、認證方式、元數(shù)據(jù)編碼組織方式等的不同，有針對性的編寫專門采集與解析程序來獲取知識產(chǎn)出元數(shù)據(jù)。

通過以上三種途徑獲取到知識產(chǎn)出元數(shù)據(jù)后，需要對不同來源的數(shù)據(jù)進行規(guī)范化預(yù)處理，包括特殊字符過濾、數(shù)據(jù)項的合并與拆解、元數(shù)據(jù)格式統(tǒng)一等。

最后是語義化編碼與匹配存儲，系統(tǒng)依據(jù)科研人員本體模型，將知識產(chǎn)出元數(shù)據(jù)轉(zhuǎn)換為作者、機構(gòu)、知識產(chǎn)出、地址等本體實例。在保存時，先判斷系統(tǒng)中是否已存在同名作者，若存在，利用當(dāng)前作者所屬機構(gòu)、地址、關(guān)鍵詞、主題詞、合著者等信息與已有數(shù)據(jù)進行語義匹配，確定是是否為同一作者。如果是同一作者，則不創(chuàng)建新的作者實例，將當(dāng)前知識產(chǎn)出與已有的作者實例進行關(guān)聯(lián)，否則，創(chuàng)建新的作者實例。

4 科研人員本體的構(gòu)建

現(xiàn)有的本體構(gòu)建方法有很多，在對比分析幾種常見的知識本體構(gòu)建方法路線［16］基礎(chǔ)上，我們采用七步法［17］構(gòu)建科研人員本體。

首先，確定科研人員本體的目標(biāo)與邊界。通過刻畫科研人員以及相關(guān)的知識產(chǎn)出、所在單位等資源的屬性及資源相互之間的關(guān)系，實現(xiàn)對科研人員的唯一標(biāo)識與名稱規(guī)范，以及各資源實體間的精確語義關(guān)聯(lián)構(gòu)建科研人員本體的目標(biāo)。因此，科研人員本體的構(gòu)建應(yīng)結(jié)合這一目標(biāo)展開，否則有可能會造成本體過于龐大且偏離需求。

復(fù)用已有本體可以使構(gòu)建工作更加科學(xué)、快速、準確。圍繞科研人員本體應(yīng)用的需求，通過調(diào)研，我們選擇復(fù)用與科研知識產(chǎn)出相關(guān)的 foaf［18］、bibo［19］、fabio［20］、prism［21］、vivo［22］等已有本體。

以人物概念作為整個本體模型的中心，通過對科研領(lǐng)域的各種人物實體進行抽象分析，選取與人物概念相關(guān)的各種概念，確定科研人員本體模型的核心概念集?？蒲腥藛T核心概念集主要包括三部分，即科研人員、知識產(chǎn)出、機構(gòu)（見圖2）。其中，科研人員屬于某一個（或多個）科研單位、某一科研產(chǎn)出的作者為某一個（或多個）科研人員。

●科研人員的核心概念包括：姓名、性別、出生日期、Email、別名、研究領(lǐng)域、ResearcherID、所在單位、知識產(chǎn)出等；

●知識產(chǎn)出核心概念包括：作品的內(nèi)容類型（如期刊論文、會議論文、專著、專利等）、題名、發(fā)表日期、DOI、作者等；

在確定核心概念之后，使用本體建模工具Protégé建立科研人員本體模型（核心類關(guān)系見圖3）。

其中，復(fù)用的foaf:Person、foaf:Organization分別表示作者和機構(gòu)。作者與機構(gòu)之間的關(guān)聯(lián)通過vivo:current－MemberOf、vivo:hasCurrentMember兩個逆反對象屬性實現(xiàn)。作者與作者間的合作關(guān)系用對稱屬性vivo:hasCollaborator表示，機構(gòu)之間的上下級關(guān)系使用逆反屬性vivo:hasSubOrganization和vivo:subOrganizationWithin表示。

對于知識產(chǎn)出，本文暫時只考慮了期刊論文，并使用bibo:AcademicArticle表示。為了保存作者的排名，文章與作者間的關(guān)聯(lián)通過vivo:Authorship作為中介，由vivo:Au－thorship的vivo:authorRank數(shù)據(jù)屬性記錄文章的作者排名。某一篇文章與其作者進行關(guān)聯(lián)時，每個作者對應(yīng)一個vivo:Authorship實例，兩者間通過vivo:authorInAuthorship與vivo:linkedAuthor兩個逆反屬性關(guān)聯(lián)。vivo:Authorship實例與文章通過vivo:linkedInformationResource與vivo:informationResourceInAuthorship兩個逆反屬性關(guān)聯(lián)。

文章所屬期刊對應(yīng)bibo:Journal，文章與期刊間通過vivo:hasPublicationVenue、vivo:publicationVenueFor兩個逆反屬性進行關(guān)聯(lián)。

機構(gòu)的地址信息使用單獨的類vivo:Address表示，對應(yīng)的數(shù)據(jù)屬性有詳細地址、省、市、郵編等。機構(gòu)與地址間通過hasAddress、locationFor兩個逆反屬性進行關(guān)聯(lián)。

Similarity類表示兩個同名作者間的相似度，其數(shù)據(jù)屬性similarityValue記錄具體的相似值。相似度與作者間通過逆反屬性hasSimilarity與similarityWith實現(xiàn)關(guān)聯(lián)。

科員人員知識產(chǎn)出本體的主要概念及屬性如表1所示。

表1 科員人員知識產(chǎn)出本體的主要概念及屬性表

5 基于科研人員本體的學(xué)術(shù)產(chǎn)出自動獲取實現(xiàn)

下面以WOS數(shù)據(jù)庫為例介紹知識產(chǎn)出的自動獲取與作者語義匹配的實現(xiàn)。WOS提供了Web Service接口，支持科研機構(gòu)通過查詢的方式獲取機構(gòu)的知識產(chǎn)出元數(shù)據(jù)，返回數(shù)據(jù)格式為XML。系統(tǒng)使用Java+Jena+SparQL+MySQL實現(xiàn)，語義化編碼與作者匹配使用Jena與SparQL，存儲通過Jena的SDB保存到MySQL數(shù)據(jù)庫。

采集程序首先獲取并解析得到知識產(chǎn)出元數(shù)據(jù)，結(jié)合科研人員本體，將元數(shù)據(jù)轉(zhuǎn)化為本體的實例，圖4是一條知識產(chǎn)出數(shù)據(jù)對應(yīng)語義描述的關(guān)鍵片斷示意。

由于從多個外部系統(tǒng)采集知識產(chǎn)出元數(shù)據(jù)時，各系統(tǒng)使用的元數(shù)據(jù)框架不一、元數(shù)據(jù)格式不一、數(shù)據(jù)質(zhì)量不一，所以，本系統(tǒng)結(jié)合科研人員本體等語義網(wǎng)技術(shù)，使用模糊匹配的方法來實現(xiàn)作者的唯一辨識。具體方法是：在向系統(tǒng)中新增一條知識產(chǎn)出數(shù)據(jù)時，首先查詢系統(tǒng)中是否已有同名作者，如果有，則利用作者相似度變量s，對作者所屬機構(gòu)、機構(gòu)地址、作者發(fā)表文章的關(guān)鍵詞、主題詞，文章所屬學(xué)科分類以及合作作者相關(guān)信息等項進行匹配并賦不同的權(quán)值，當(dāng)各參數(shù)項相似度總和s達到某一值時，確定當(dāng)前作者與此同名作者為同一作者實體。其中s值的變化是在分析原始數(shù)據(jù)與程序?qū)嶋H測試的基礎(chǔ)上確定的（見圖 4）。

整個匹配過程包括以下六步：

第一步，若當(dāng)前作者有Email，將此Email與系統(tǒng)中作者實例的數(shù)據(jù)屬性vivo:email進行匹配，如果匹配成功，轉(zhuǎn)至結(jié)果（1）。

第二步，若當(dāng)前作者沒有Email或上一步匹配不成功，則檢索系統(tǒng)中是否有同名作者。如果存在同名作者，對作者所屬機構(gòu)項進行匹配，匹配成功s值增加20；然后，判斷是否存在上級機構(gòu)，如果存在且匹配成功，s值增加10；最后獲取作者所屬機構(gòu)對應(yīng)的地址，對于完整地址（vivo:address1），考慮到每篇文章中相同地理位置描述的不統(tǒng)一，使用字符串模糊匹配算法計算相似度（取值為0～1），當(dāng)?shù)刂废嗨贫醛}gt;=0.8時，s值增加60，當(dāng)?shù)刂珐}gt;=0.6時，s值增加30。此外，當(dāng)省、市匹配成功時，s值各增加10。

第三步，判斷s值是否大于等于100，如果是轉(zhuǎn)至結(jié)果（1），否則，判斷其值是否大于等于50，如果不是，跳至結(jié)果（2），如果是，獲取系統(tǒng)已存在同名作者發(fā)表文章的關(guān)鍵詞、主題詞、文章所屬學(xué)科分類，與當(dāng)前作者對應(yīng)項進行匹配，每次成功匹配，s值增加10。

第四步，判斷s值是否大于等于100，如果是轉(zhuǎn)至結(jié)果（1），否則，如果待添加作者在當(dāng)前知識產(chǎn)出中的合著作者已匹配成功，判斷數(shù)據(jù)庫中同名作者與此合著作者是否有合作關(guān)系，如果有，s值增加30。判斷s值是否大于等于100，如果是則轉(zhuǎn)至結(jié)果（1），否則轉(zhuǎn)至結(jié)果（2）。

結(jié)果（1）：同名作者匹配成功，認為當(dāng)前作者與系統(tǒng)中的同名作者為同一作者實體，在原有作者實例基礎(chǔ)上，關(guān)聯(lián)當(dāng)前知識產(chǎn)出相關(guān)的其他實例對象。

結(jié)果（2）：同名作者匹配不成功，為當(dāng)前作者創(chuàng)建新的作者實例。判斷s值是否大于20，如果是創(chuàng)建Similarity類實例，并與兩個作者進行關(guān)聯(lián)，將s值保存到實例的similarityValue數(shù)據(jù)屬性，以便管理員手動驗證同名作者是否為同一作者。

系統(tǒng)測試使用“單位名稱=Chinese Acad Sci”獲取到作者單位為中科院的2376條知識產(chǎn)出數(shù)據(jù)，共計16253個作者，同名作者6117個，成功合并作者3998個。表2是成功合并的前10個作者信息。

通過對此10個對應(yīng)同名作者（包括匹配成功與不成功）數(shù)據(jù)的人工檢查統(tǒng)計，準確率P（Precision）與召回率R（Recall）分別為 94.5%、91.2%。

6 結(jié)語

在知識產(chǎn)出資源管理系統(tǒng)中，如何快速、有效地從外部系統(tǒng)中集成已有的資源，以及如何將獲取到的知識產(chǎn)出與其作者實現(xiàn)唯一、準確的關(guān)聯(lián)，是包括IR在內(nèi)的很多知識資源管理系統(tǒng)共同面臨的難題。本文在分析外部數(shù)據(jù)源系統(tǒng)元數(shù)據(jù)共享方式的基礎(chǔ)上，根據(jù)各類系統(tǒng)的特點，確定了相適宜的采集方案，以減少信息資源內(nèi)容重復(fù)建設(shè)帶來的人力、物力支出。結(jié)合基于科研人員本體的語義網(wǎng)相關(guān)技術(shù)，對采集到的知識產(chǎn)出數(shù)據(jù)進行語義化編碼轉(zhuǎn)換與匹配存儲。實驗結(jié)果表明，本文的方法較好的實現(xiàn)了對同名作者的唯一辨識，相比傳統(tǒng)的人工匹配，大大減輕了系統(tǒng)管理人員的負擔(dān)，且具有較高的準確率與查全率。對同名作者的匹配，既支持將匹配度較高的作者自動合并，同時對匹配度較低作者間相似值進行保存，為管理人員人工識別提供接口。

表2 Top 10合并作者信息

與此同時，系統(tǒng)仍有很多不足之處。例如：如何保證使用爬蟲程序采集多個數(shù)據(jù)源的知識產(chǎn)出元數(shù)據(jù)時都取得比較好的采集效果；目前，系統(tǒng)的作者語義匹配主要解決了作者同名的情況，當(dāng)元數(shù)據(jù)來自多個數(shù)據(jù)源系統(tǒng)時，往往面臨同一作者有多種形式名稱的問題；此外，當(dāng)數(shù)據(jù)量逐漸增大時，會面臨效率問題，需要結(jié)合傳統(tǒng)技術(shù)與語義網(wǎng)技術(shù)做進一步的優(yōu)化。這些問題有待進一步的研究并解決。

［1］Names Project［EB/OL］.［2013-08-13］.http://names.mim as.ac.uk.

［2］ResearcherID［EB/OL］.［2013-09-20］.http://www.researc herid.com/.

［3］ISO TC 46/SC 9 N 429,Outline for ISO Standard ISPI［S/OL］.［2013-07-05］.http://www.collectionscanada.gc.c a/iso/tc46sc9/docs/sc9n429.pdf.

［4］ORCID［EB/OL］.［2012-04-12］.http://www.orcid.org/.［5］OpenID［EB/OL］.［2009-10-08］.http://openid.net.

［6］Web of Science［EB/OL］.［2013-09-25］.http://ip-science.thomsonreuters.com/info/terms-ws/.

［7］BMC［EB/OL］.［2013-09-25］.http://www.biomedcentral.c om/libraries/aad.

［8］arXiv API［EB/OL］.［2013-09-18］.http://arxiv.org/help/a pi/index.

［9］Eprints［EB/OL］.［2013-09-25］.http://www.eprints.org.

［10］中國科學(xué)院開源軟件 CSpace［EB/OL］.［2013-10-06］.http://cspace.org.cn/cspace.

［11］中國科學(xué)院 OA 論文知識庫［EB/OL］.［2013-10-06］.http://casoar.irgrid.ac.cn/.

［12］AIR［EB/OL］.［2013-09-25］.http://clg.wlv.ac.uk/project s/AIR/.

［13］Google Scholar［EB/OL］.［2013-08-15］.http://scholar.go ogle.com.

［14］ResearchIndex［EB/OL］.［2013-08-15］.http://www.rese archindex.com.

［15］中科院軟件所Field Specialist Knowledge Collection系統(tǒng)［EB/OL］.［2011-09-01］.http://124.16.136.213/medi awiki/default.php.

［16］李景,孟連生.構(gòu)建知識本體方法體系的比較研究［J］.現(xiàn)代圖書情報技術(shù),2004，(7):17-22.

［17］Natalya F.Noy,Deborah L.McGuinness.Ontology Development 101:A Guide to Creating Your First Ontology［EB/OL］.［2013-08-12］.http://protege.stanford.edu/p ublications/ontology_development/ontology101-noy-mc guinness.html.

［18］FOAF［EB/OL］.［2013-09-25］.http://www.foaf-project.org/.

［19］BIBO［EB/OL］.［2013-09-25］.http://bibliontology.com/.

［20］FABIO［EB/OL］.［2013-09-25］.http://www.essepuntato.it/lode/http://purl.org/spar/Fabio.

［21］PRISM［EB/OL］.［2013-09-20］.http://prismstandard.org/namespaces/1.2/basic/.

［22］VIVO［EB/OL］.［2013-09-16］.http://vivoweb.org/.