張云中，李佳佳（上海大學圖書情報檔案系）

國外Folksonomy與Ontology融合研究的熱點與趨勢

張云中，李佳佳（上海大學圖書情報檔案系）

以2005～2015年期間Web of science（SSCI）數據庫中有關本體與大眾分類法融合研究的相關文獻為數據來源，采用共詞分析法，以SPSS軟件為工具，對提取出的高頻關鍵詞進行聚類分析和多維尺度分析，研究各高頻關鍵詞之間的內在關系，發(fā)現并探討國外本體與大眾分類法融合研究的四個熱點與趨勢，以期為國內學界相關研究提供啟示。

本體；大眾分類法；標簽；融合；共詞分析

Folksonomy源于web2.0下網絡資源組織理論與實踐的發(fā)展，其由詞根folks和onomy組合而成，folks指人、大眾，onomy指一種系統(tǒng)、專門的學科知識，二者結合簡言之就是“由大眾所產生的一種分類知識”。更精確地解釋是“一群人自發(fā)性定義的平面非層級式標簽分類方法”，［1］國內一般譯為大眾分類法。Ontology（本體）是共享概念模型的明確形式化規(guī)范說明，旨在通過捕獲領域知識，用高度形式化的模型給出領域共享詞匯間關系的明確定義。作為知識表示與組織的新興工具，二者的優(yōu)劣形成了鮮明的互補特色。本體具有高度形式化、準確性、規(guī)范性、可復用性等優(yōu)點，但是創(chuàng)建成本高、靈活性低、不易變化等，而大眾分類法具有低成本、高靈活性、易變動等優(yōu)點，但存在非形式化、語義模糊和語義稀疏等缺點。［2］在此背景下，本體與大眾分類法的融合研究逐漸興起，如何利用本體與大眾分類法的融合優(yōu)化web2.0下的資源組織成為國內外學者們關注的熱點。國外學者自2005年起就關注二者的融合研究，相比而言，國內則起步較晚。本文旨在提取Web of science（SSCI）數據庫中2005～2015年期間發(fā)表的有關二者融合的文獻，分析梳理該主題的研究熱點及發(fā)展趨勢，希望對國內該領域的研究者提供一些啟示。

1　數據的獲取及分析

1.1數據的獲取與處理

本文主要以Web of science（SSCI）全文數據庫作為數據來源，分別以 SU=“tag and ontology”和SU=“folskonomy and ontology”為檢索式進行檢索，限定研究方向為information science library science和computer science，共檢索出文獻469篇，經過去重、無關文獻去除和無關鍵詞文獻去除后，得到文獻281篇，關鍵詞共678個，總詞頻為1410。為提高共詞分析的精準度，本文對獲取的關鍵詞做了如下處理和篩選：① 不同關鍵詞但含義相同或相近的，進行合并處理，如關鍵詞 tag、tags、social tag、social book-mark統(tǒng)一合并為tag；② 關鍵詞的大小寫和單復數不同的，統(tǒng)一成單數、小寫，如Digital library和digital libraries統(tǒng)一合并為digital library；③ 關鍵詞與研究主題關系不緊密的，進行刪除；④ 關鍵詞書寫錯誤的，進行改正。整理后的結果見表1。

表1　關鍵詞篩選表（部分）

關鍵詞處理和篩選后就可選取高頻詞，對此學界一般采用兩種方式：①根據齊普夫第二定律公式，計算得出高頻詞界限值后選?。虎谟裳芯空吒鶕I域情況自主選取。鑒于本文涉及的領域較新，文獻數量不夠龐大，故采用第二種方式，取頻次為5以上的關鍵詞作為高頻詞，共統(tǒng)計出高頻詞37條（見表2），涉及文獻254篇，占總文獻數的90.4%，因而在一定程度上能夠代表國外最近10年有關本體與大眾分類法融合研究熱點。

表2　高頻關鍵詞

1.2矩陣構建

雖然表2中關鍵詞的詞頻排序在一定程度上代表了folksonomy與ontology融合的熱點，但是這種線性排序未能反映出關鍵詞之間的關聯，因而需要進一步研究不同關鍵詞在同一篇文獻中的共現情況來發(fā)現研究熱點間的關聯，進而發(fā)現二者的融合熱點與趨勢。為此，本文構建了用于共詞分析的 37*37的共詞矩陣（見表3），并以此為基礎進行多元統(tǒng)計分析。

本文采用聚類分析和多維尺度分析結合的方式來分析二者融合研究的熱點和趨勢，為滿足這兩種分析方法對矩陣的數據結構要求并保證數據的精確性，需將共詞矩陣轉化為相似矩陣和相異矩陣。共詞矩陣轉換成相關矩陣可用計算ochiia系數來實現，計算公式為：A，B兩詞Ochiia系數=A，B兩詞共同出現的次數/。相關矩陣中對角線上的數據都為1，表示某詞自身的相關程度。一般情況下，相關矩陣中0值過多會導致較大的統(tǒng)計誤差，因而需要用“1”減去相關矩陣中的全部數據，得到表示兩詞間相異程度的相異矩陣（見表4）。相異矩陣中，數值越小，則表示關鍵詞之間的關系越近，反之亦然。

表3　共詞矩陣（部分）

表4　相異矩陣（部分）

2　高頻詞的共詞分析

2.1聚類分析

聚類分析又稱集群分析，是統(tǒng)計學中研究物以類聚問題的多元統(tǒng)計分析方法，其目的在于將對象加以聚集、分類，使得在群體內的個體的同質性很高，群體之間的異質性也很高。本文使用聚類分析的目的是把關聯程度較密切的關鍵詞聚集到一個類團中，進而協助folksonomy與ontology融合研究方向的劃分。具體做法是將表4中的相異矩陣導入SPSS軟件中，運用其中的聚類分析功能對其進行層次聚類分析，得出所要研究的高頻關鍵詞的樹狀圖（圖1）。

圖1　聚類分析樹狀圖

根據統(tǒng)計出來的聚類圖，在閾值為24.1處把關鍵詞分為4個類團，其中類團一包含的關鍵詞主要有metadata、recommender system等，涉及文獻38篇；類團二是圖中較大的一塊，包含的關鍵詞主要有ontology、folksonomy、web2.0等，涉及文獻247篇；類團三包含的關鍵詞主要有OWL、RDF等，涉及文獻25篇；類團四包含的關鍵詞主要有service discovery、information management、information extraction等，涉及文獻66篇。這四個類團共計包含文獻376篇，因為有重復統(tǒng)計，所以總數要大于實際論文數，根據各個類團所占文獻篇數可知，第二類團是目前國外關于大眾分類法和本體融合研究的一個主要熱點，也是本文第三部分所要重點闡述的內容。

2.2多維尺度分析

多維尺度分析是分析研究對象的相似性或差異性的一種多元統(tǒng)計分析方法，其目的是將研究個體之間的距離盡可能用二維或者三維的空間距離加以反映，這樣可以客觀地反映研究個體之間的相似性關系。本文利用多維尺度分析，目的是將ontology與folksonomy融合研究的高頻關鍵詞投射在一張知識圖譜呈點狀分布，并計算各個關鍵詞之間的Euciliden距離來實現關鍵詞的聚集，進而輔助folksonomy與ontology融合研究方向的劃分。具體做法是將相異矩陣（見表4）導入SPSS中，通過度量功能，對導入的相異矩陣進行多維尺度PROXSCAL分析，得出一個具有二維空間效果的可視化圖表，即多維尺度分析圖（見圖2）。根據多維尺度分析圖，二者融合的領域可大致劃分為三個區(qū)域：區(qū)域一涉及的關鍵詞包括Ontology、folksonomy、semantic等 14個；區(qū)域二涉及的關鍵詞包括web2.0、owl、RDF、metedata、reasoning等15個；區(qū)域三涉及的關鍵詞包括information management、informationenrichment等8個。

圖2　多維尺度分析圖

3　研究熱點與趨勢分析

根據2005～2015年folksonomy與ontology融合領域相關文獻高頻關鍵詞表及依托該表展開的聚類分析圖和多維尺度分析圖，本文展開如下分析。

聚類分析圖中的類團2和多維尺度分析圖中的區(qū)域1關鍵詞具有很高的重合率，且關鍵詞之間的內在關聯都反映出folksonomy與ontology之間的相互優(yōu)化，本文由此得出兩個研究熱點：熱點一是利用ontology優(yōu)化folksonomy語義，熱點二是利用folksonomy實現本體開發(fā)及演進。

聚類分析圖中的類團1及類團3和多維尺度分析圖中的區(qū)域2關鍵詞具有很高的重合率，且關鍵詞之間的內在關聯都反映出利用其它工具強化ontology與folksonomy融合的研究，此為熱點三。

聚類分析圖中的類團4和多維尺度分析圖中的區(qū)域3關鍵詞具有很高的重合率，且關鍵詞之間的內在關聯都反映出利用ontology和folksonomy融合的優(yōu)勢解決信息資源管理領域的問題，此為熱點四。

3.1熱點一：利用ontology優(yōu)化folksonomy語義

熱點一涉及的關鍵詞共14個，總詞頻為437，詞頻較高的有ontology、folksonomy、social tagging、tag、semantic web、information retrieval、collaborative tagging，占總詞頻的82.2%。從高頻關鍵詞表2可以看出，這些關鍵詞都是排在前幾位的，說明是近幾年國外學者對有關本體與大眾分類法融合研究的核心主題。該熱點聚焦于如何利用ontology提高folksonomy檢索語義，具體的實現途徑又可以分為四個分支。

（1）建立標簽與本體之間的語義映射。涉及的主要關鍵詞有tag、ontology、semantic、semanticweb、information retrieval等。國外學者普遍認為，folksonomy扁平化的資源組織和表示結構決定了其僅能揭示稀疏、模糊語義，要提高檢索的精度，就需要通過語義映射借助其他形式化的語義工具來輔助folksonomy標簽語義關系的建立。在此主導思想下，ontology成為國外學者的首選，建立標簽與本體之間的映射成為一種比較常用且有效的方法，利用本體強化folksonomy語義，使標簽與標簽之間的結構、關系更為規(guī)范、精確和豐富，進而提高檢索的精準度。該類研究中具有代表性的研究是Lezcano L等提出的利用標簽向本體映射建立混合導航環(huán)境來提高大眾分類法的檢索效率。［3］建立標簽與本體之間語義映射的難點在于如何利用統(tǒng)計、聚類等方式高效、簡潔、準確地建立映射進而清晰化標簽之間的上下位屬種關系，因而不斷探索建立二者映射的新理論、新方法就成為該類研究的必然趨勢。

（2）利用本體規(guī)范標注活動的研究。涉及的主要關鍵詞有 socialtagging、tagontology、collaborative tagging、ontology等。這類研究的主要思想是利用本體的語義控制功能在語義層次上構建標簽語義網絡，進而實現對用戶的標注行為進行標識和控制。國外學者根據不同的設計理念設計了相應的標簽本體模型，其中代表性的是三元組模型Tag ontology（user，tagging，tag）［4］和四元組模型 MOAT（user，resource，tag，meaning）。［5］在此基礎上更深入一步，分析每個標簽本體模型的異同點，整合不同的標簽本體模型將成為該思路下近年來研究的趨勢。另外，在本體輔助的基礎上實現對資源的自動標注也是國外近年來探索的新方向之一，該類研究中代表性的是Rattanapanich R等利用本體和潛在語義分析技術實現自動標注，并通過比較自動標注和手動標注，發(fā)現自動標注方法返回的結果更加精確。［6］

（3）利用本體表示用戶興趣模型實現個性化推薦。涉及關鍵詞有recommender system、ontology、tag、information retrieval等。除明晰標簽語義和規(guī)范標注活動外，為用戶推薦符合其興趣偏好的資源也是提高folksonomy檢索語義的重要途徑，國外學者由此思想衍生出了利用本體構建用戶興趣模型實現folksonomy資源的個性化推薦的研究方向。用戶興趣可在社會化標注系統(tǒng)中用戶對偏好資源的配置文件的基礎上獲得，代表性的研究是Movahedian H等在用戶配置文件基礎上改善和提出新的個性化推薦系統(tǒng)，［7］也可通過收集用戶標簽和分析用戶的標注活動等方法獲得，代表性的研究是Han X等通過收集用戶標簽構建出用戶興趣模型實現標簽推薦。［8］用戶興趣模型的結果一般用本體表示，以實現對用戶興趣模型的精確化、形式化表達。從研究趨勢看，依托數據挖掘方法從“用戶集、資源集、標簽集”獲取用戶興趣較之從用戶配置文件獲取用戶偏好更具發(fā)展前景，更能提高個性化推薦的準確性、多樣化、新穎性和動態(tài)性。另外，當前的個性化推薦大多針對單用戶，針對用戶群體的偏好資源推薦也將成為研究趨勢之一。

（4）利用本體實現跨平臺的語義關聯。涉及的主要關鍵詞有folksonomy、ontology、linked data等。從單平臺的資源檢索發(fā)展成為跨平臺的資源檢索是國外folksonomy語義檢索領域近年來研究的一步試探。實現跨平臺資源檢索的前提是必須選擇具有語義重疊的同類社會化標注系統(tǒng)，其難點在于建立不同平臺間的語義關聯，核心在于選擇實現語義關聯的工具。近年來，由于本體的平臺無關性、共享性、可復用性、形式化等優(yōu)點，國外學者普遍將本體作為實現跨平臺語義檢索工具的不二選擇，代表性的研究是Kim HL等利用跨平臺的標簽本體整合實現對網站間標注數據的共享和鏈接，通過對標注數據的整合來提高信息檢索效率。［9］另外，隨著關聯數據研究的不斷深入，利用本體和關聯數據結合實現跨平臺的語義關聯也成為不錯的選擇，代表性的研究是Passant A等提出MOAT本體和關聯數據整合方案。［10］就發(fā)展趨勢而言，關聯數據的應用為實現跨平臺語義關聯注入了新活力，關聯數據與本體結合將成為未來解決該類問題的主流方法。

3.2熱點二：利用folksonomy實現本體開發(fā)及演進

熱點二涉及的關鍵詞有folksonomy、ontology、ontology learning、ontology development和ontology enrichment等，其中后三個的詞頻依次為4、4和3，所以沒有出現在高頻關鍵詞表里，但是它們又是與該熱點緊密相連的，所以把它們也放在討論中。較之熱點一，熱點二的相關研究成果尚不豐碩，但卻正處于逐年上升的發(fā)展趨勢。該熱點主要聚焦于如何用folksonomy去實現本體開發(fā)、本體學習和本體豐富的研究，下面從兩個方面進行闡述。

（1）本體開發(fā)與構建的研究。涉及的關鍵詞主要有folksonomy、ontology、ontology development。該方向的主導思想是充分發(fā)揮二者的互補性，借助folksonomy標簽的群體性來確保本體概念的共享性，借助folksonomy大眾參與的低廉成本來縮減本體構建的高昂成本，借助folksonomy更新快速來確保本體演進的時效性，基于folksonomy實現本體構建的術語收集、概念關系確立、屬性實例填充、規(guī)則建立等環(huán)節(jié)，正如Chen W等指出，folksonomy是生成本體的潛在知識源，可以用folksonomy的基本層次概念來生成本體。［11］就本體構建的結果而言，國外學者大多傾向于構建具有折衷和融合意味的tag ontology、folksonomized ontology等，并將其應用到社會化標注系統(tǒng)中作為導航之用，該方面的代表性研究是Alves H等利用兩者的融合構建folksonomized ontology，并利用3E技術提取、豐富和評估本體。［12］該方向的研究趨勢是形成一種依托于folksonomy環(huán)境的本體開發(fā)理論和方法，作為對傳統(tǒng)依托專家知識構建本體的補充和拓展。

（2）本體學習或本體豐富的研究。涉及的主要關鍵詞有folksonomy、ontology、ontology learning、ontology enrichment和e-learning。國外學者開展本體學習或本體豐富的思路是自動或半自動地從folksonomy數據源中提取概念和關系，進而形成本體或對已有本體的概念、概念關系、屬性、實例或規(guī)則進行豐富和完善，該類研究開展仍然是建立在folksonomy與ontology融合基礎上，且本體學習和本體豐富往往一脈相承，前者作為后者的主要方法和途徑。該研究方向上具有代表性的研究是 Freddo A R等通過本體學習和本體評估技術結合的方法利用本體校正方法進行本體豐富。［13］另外，利用基于標簽的本體豐富來支持電子學習是國外學者近年來研究的一個創(chuàng)舉，Monachesi P等通過用戶評價對比了本體豐富和標簽集群在支持學習任務方面的影響，［14］認為前者更具優(yōu)勢。就研究趨勢而言，本方向仍將著眼于自動或半自動地從folksonomy標簽集中抽取概念和概念關系，因而對本體學習方法的改進，對本體學習工具的完善，對本體學習結果的評價都將是學者們關注的焦點。

3.3熱點三：利用其它工具強化ontology與folksonomy融合的研究

熱點三涉及的主要關鍵詞較多，有 metadata、knowledge representation、conceptual model、formal conceptanalysis、RDF、linkeddata、owl、wordnet等，但各詞的詞頻均不高，說明該類研究呈現多樣化、多方案的趨勢。該研究方向主要聚焦于利用其它工具最大限度地彌補和消除兩者融合的負面效應，國外學者著重關注的研究方向如下。

（1）ontology、folksonomy的異同優(yōu)劣對比。涉及的關鍵詞主要是metadata、knowledge representation等。國外學者認為，ontology和folksonomy都可視為特殊的元數據，二者在知識表示的視角下各具優(yōu)劣。開展這類研究的時期都較早，結論也很成熟，為二者融合奠定了堅實基礎，代表性的研究是Christiaens S等較早指出ontology與folksonomy作為不同元數據機制具有一定的區(qū)別與聯系，通過兩者的互補結合，借助方法論，可以解決二者的缺陷。［15］

（2）利用其它工具實現對folksonomy的輔助或優(yōu)化。涉及的關鍵詞主要有 conceptual model、formal concept analysis等。該研究方向的基本思路是利用相關理論、方法和技術消除二者融合中的標簽歧義、標簽模糊等問題，通過賦予標簽清晰的語義化概念，使標簽變成具有語義豐富的層次化結構，從而在社會化標注系統(tǒng)中能被更好地使用，其中代表性的研究有：Kim H L利用概念語義模型描述標簽的核心概念和相關特性，推導出標簽之間的關系；［16］Jschke R等利用形式概念分析發(fā)現標簽集中隱含的共享的概念及概念層次，并進行形式化的定義，實現folksonomy概念層次發(fā)現［17］等。 就研究趨勢而言，此類研究仍將呈現多元化，除去上面提到的概念模型和FCA之外，分類法、敘詞表、主題詞等受控詞表的引入，統(tǒng)計方法、聚類方法的使用，數據挖掘技術、可視化建模技術應用都會從不同角度、不同側面彌補二者融合中folksonomy自身的缺陷。

（3）利用其它工具實現對本體的輔助或優(yōu)化。涉及的關鍵詞有 RDF、owl、wordnet、reasoning等。該研究方向的主導思想是利用相關理論、方法和技術輔助解決二者融合過程中本體的形式化表示、本體概念語義關系結構的解析、本體推理等問題。RDF三元組和owl語言在目前本體形式化描述語言中仍占主流，在描述本體概念的關系、屬性與屬性之間的關系等方面仍然不可或缺。Wordnet通常被國外學者作為通用本體或語義庫用以確立同義詞集或上下位語義關系，輔助標簽語義確立或本體構建，代表性的研究是Chen R C利用wordnet識別語義，協助完成自動化的領域本體構建。［18］另外，為提高二者融合環(huán)境下資源檢索的智能性，國外學者從語義推理入手，嘗試通過豐富和完善本體推理規(guī)則解決該問題。該方向的研究仍將延續(xù)過去幾年的思路，不斷探索新的更合理的本體形式化表示方式，不斷完善類似WordNet的語義結構體系，不斷提升智能推理的水平。

3.4熱點四：利用ontology和folksonomy融合的優(yōu)勢解決信息資源管理領域的問題

熱點四涉及的關鍵詞包括 information retrieval、image retrieval、service discovery、information management、 informationextraction、 informationenrichment等。該研究方向的主導思想是既不用本體去優(yōu)化folksonomy，也不用folksonomy來豐富本體，而是將兩者放在平等地位上，充分發(fā)揮各自優(yōu)勢來解決信息資源管理領域信息檢索、圖像檢索、服務發(fā)現、信息管理、信息抽取和信息豐富等問題。folksonomy由大眾構建，技術簡易，成本低廉又具有柔性，在解決信息資源管理領域問題時方便易用，適合用于前段與用戶互動；ontology語義準確且豐富，形式化程度高，在解決信息資源管理領域問題時精準可靠，適合用于后臺作為保障。該方向具有代表性的研究有Peng X等利用眾分類法和本體融合，使數字地名系統(tǒng)能夠提供智能的數字地名信息服務，從而提高地理信息檢索的能力。［19］Bindelli S等利用整合了大眾分類法與本體的優(yōu)勢從而達到提高信息搜索與導航的目的。［20］Karimpour R等利用本體從語義上增強web服務和實現web服務發(fā)現。就研究趨勢而言，隨著web2.0實踐的不斷發(fā)展和深入，該熱點在folksonomy與ontology融合領域所占的比重將越來越高，其原因在于二者融合的終極目標不是為了融合而融合，而是為解決現實問題而融合。

［1］王爽，徐行.基于用戶分類標簽建立結構性的大眾分類法［J］.圖書館學研究，2011（9）：73-76.

［2］張云中.本體與自由分類法的融合機理研究［J］.情報理論與實踐，2012，35（2）：35-40.

［3］Lezcano L，et al.Bridging informal tagging and formal semantics via hybrid navigation［J］.Journal of InformationScience，2012，38（2）：140-155.

［4］Richard N，et al.Tag ontology［EB/OL］.［2015-04 -22］.http://www.holygoat.co.uk/owl/redwood/0.1/tags/.

［5］Passant A，Laublet P.Meaning of a tag：A collaborative approach to bridge the gap between tagging and Linked Data［EB/OL］.［2015-04-22］.http://events. linkeddata.org/ldow2008/papers/22-passant-laubletmeaning-of-a-tag.pdf.

［6］Rattanapanich R，Sriharee G.Auto-tagging articles usinglatentsemantic indexing and ontology［M］//Intelligent Information and Database Systems.Springer InternationalPublishing，2014：153-162.

［7］Movahedian H，Khayyambashi M R.Folksonomy-based user interest and disinterest profiling for improved recommendations：An ontological approach［J］.Journal of Information Science，2014：40（5）：594-610.

［8］Han X，et al.Folksonomy-based ontological user interest profile modeling and its application in personalized search［M］//ActiveMediaTechnology.SpringerBerlin Heidelberg，2010：34-46.

［9］KimHL，etal.Integratingtaggingintotheweb ofdata: Overview and combination of existing tag ontologies ［J］.Journal of InternetTechnology，2011，12（4）: 561-572.

［10］Passant A，et al.Auri is worth a thousand tags:From tagging to linked data with moat［J］.Semantic Services，Interoperability and Web Applications：E-merging Concepts：Emerging Concepts，2011：279.

［11］Chen W，et al.Generating ontologies with basic level concepts from folksonomies［J］.Procedia Computer Science，2010，1（1）：573-581.

［12］Alves H，Santanche A.Folksonomized ontology and the 3E steps technique to support ontology evolvement ［J］.Web Semantics：Science，Services and Agents ontheWorldWideWeb，2013，18（1）：19-30.

［13］FreddoAR，TaclaCA.Integrat-ingSocial Webwith SemanticWeb-OntologyLearningandOntologyEvolutionfromFolksonomies ［C］//Las Vegas：IKE'09 2009-The 2009 International Conference on Information and Knowledge EngineeringIKE'09，2009：247-253.

［14］Monachesi P，et al.Ontology enrichment with social tags for e-learning［M］//Learning in the Synergy of Multiple Disciplines.Berlin：Springer-Verlag，2009: 385-390.

［15］Christiaens S.Metadata mechanisms：From ontology to folksonomy...and back［C］//On the Move to Meaningful Internet Systems 2006：OTM 2006 Workshops. Berlin：Springer-Verlag，2006：199-207.

［16］KimHL，et al.Social semanticcloudof tags:semantic model for folksonomies［J］.Knowledge Management Research&Practice，2010，8（3）：193-202.

［17］Ja..schke R，et al.Discovering shared conceptualizations infolksonomies［J］.WebSemantics：Science， ServicesandAgentsontheWorldWideWeb，2008，6 （1）：38-53.

［18］Chen R C，Chuang C H.Automating construction of a domain ontology using a projective adaptive resonance theoryneuralnetworkandBayesiannetwork［J］.Expertsystems，2008，25（4）：414-430.

［19］Peng X，et al.A folksonomy ontology based digital gazetteer service［C］//Beijing InternationalConferenceon Geoinformatics.2010：1-6.

［20］Bindelli S，et al.Improving search and navigation by combiningontologiesandsocial tags［C］//On the Move to Meaningful Internet Systems：OTM 2008 Workshops.Berlin：Springer-Verlag，2008：76-85.

Abroad Research Hotspots and Trends of the Integration of Folksonomy and Ontology

Zhang Yun-zhong，Li Jia-jia

Taking the documents of the research on the integration of Folksonomy and Ontology in Web of Science（SSCI）in 2005～2015 as data source，this article applying co-term analysis method and SPSS to analyzes high frequency keywords so as to discover internal relationship among these keywords.Meanwhile，this article discovers 4 hotspots and trend of the integration of Folksonomy and Ontology in abroad which can serve as reference for domestic research field.

Ontology；Folksonomy；Marks；Integration；Co-term Analysis

G254.1

A

1005-8214（2016）07-0039-06

本文系上海市哲學社會科學規(guī)劃課題青年項目“自由分類法、專家分類法和本體的融合集成研究”（項目編號：2014ETQ001），上海市教育委員會科研創(chuàng)新項目“web2.0下本體與大眾分類法的互補與融合”（項目編號：14YS007）的研究成果和上海市青年教師培養(yǎng)資助計劃成果之一。

張云中（1985-），男，博士，上海大學圖書情報檔案系講師，碩士生導師，研究方向：知識組織；李佳佳（1990-），女，上海大學圖書情報檔案系碩士生，研究方向：知識組織。

2015-12-14［責任編輯］閻秋娟