摘" 要： 為挖掘旗袍服飾要素的關(guān)聯(lián)關(guān)系與隱藏價(jià)值，構(gòu)建一個(gè)基于電商數(shù)據(jù)的細(xì)粒度旗袍知識(shí)圖譜，并開(kāi)展實(shí)證研究。旗袍知識(shí)圖譜采用自底向上逐層構(gòu)建的方法，首先根據(jù)先驗(yàn)知識(shí)設(shè)計(jì)細(xì)粒度本體模型，為后續(xù)工作提供邏輯基礎(chǔ)；然后采集并預(yù)處理原始數(shù)據(jù)，通過(guò)知識(shí)抽取、知識(shí)融合規(guī)范化數(shù)據(jù)，進(jìn)行實(shí)例填充，完成數(shù)據(jù)層設(shè)計(jì)；最后將數(shù)據(jù)存儲(chǔ)到圖數(shù)據(jù)庫(kù)，實(shí)現(xiàn)可視化。在此基礎(chǔ)上，圍繞旗袍、服飾要素以及用戶人群開(kāi)展深度挖掘、知識(shí)推理，借助圖分析算法在社區(qū)檢測(cè)、相似度和要素關(guān)聯(lián)上展開(kāi)實(shí)證研究。結(jié)果表明：旗袍知識(shí)圖譜蘊(yùn)含服飾要素之間隱藏的關(guān)系，能夠挖掘內(nèi)在的語(yǔ)義信息；旗袍服飾要素和用戶人群之間存在一定的知識(shí)關(guān)聯(lián)性，進(jìn)而輔助設(shè)計(jì)與銷售決策。

關(guān)鍵詞： 知識(shí)圖譜； 旗袍； 電商數(shù)據(jù)； 細(xì)粒度； 知識(shí)抽??； Neo4j圖數(shù)據(jù)庫(kù)

中圖分類號(hào)： TN911?34； TS94.19" " " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " " 文章編號(hào)： 1004?373X（2024）08?0025?06

Construction and empirical research of cheongsam knowledge graph for

e?commerce domain

SONG Dan1， ZHANG Yinping2， WU Hongjian2， YUAN Lijian2

（1. College of Computer and Communication， Hunan Institute of Engineering， Xiangtan 411100， China;

2. College of Textile and Clothing， Hunan Institute of Engineering， Xiangtan 411100， China）

Abstract： In order to explore the association relationship and hidden value of cheongsam clothing elements， a fine?grained cheongsam knowledge graph based on e?commerce data is constructed and empirical research is carried out. The cheongsam knowledge graph is constructed layer by layer from the bottom up. A fine?grained ontology model is designed based on a priori knowledge to provide a logical basis for the subsequent work. The raw data is collected and pre?processed， and they are normalised and filled by means of knowledge extraction and knowledge fusion to complete the design of the data layer. The data are stored in the graph database to achieve the visualisation. On this basis， deep mining and knowledge reasoning are carried out around cheongsam， clothing elements and consumer populations， and the empirical research is carried out with the help of graph analysis algorithms on social detection， similarity and element association. The results show that the cheongsam knowledge graph contains hidden relationships between clothing elements， and is capable of mining the intrinsic semantic information; there is a certain degree of knowledge correlation between the dress elements of cheongsam and the consumer population， which can assist in design and sales decisions.

Keywords： knowledge graph; cheongsam; e?commerce data; fine grain; knowledge extraction; Neo4j graph database

0" 引" 言

《“十四五”信息化和工業(yè)化深度融合發(fā)展規(guī)劃》指出：要加快推動(dòng)數(shù)據(jù)賦能全產(chǎn)業(yè)鏈轉(zhuǎn)型，形成以市場(chǎng)為主導(dǎo)、以企業(yè)為主體、以用戶為中心的價(jià)值創(chuàng)造格局[1]。受此影響，旗袍等服飾行業(yè)進(jìn)入蓬勃發(fā)展階段，電商市場(chǎng)規(guī)模逐漸擴(kuò)大，積累了海量數(shù)據(jù)，特別是服飾要素?cái)?shù)據(jù)。服飾要素?cái)?shù)據(jù)具有價(jià)值突出、來(lái)源廣泛等特點(diǎn)，因此，高效管理和利用服飾要素?cái)?shù)據(jù)有助于電商企業(yè)進(jìn)行服裝設(shè)計(jì)和銷售決策。

知識(shí)圖譜是一種用結(jié)構(gòu)化表示人類知識(shí)的方式，具有“圖”“數(shù)”的雙重性質(zhì)與特征。與傳統(tǒng)數(shù)據(jù)技術(shù)相比，知識(shí)圖譜具備更強(qiáng)的發(fā)現(xiàn)和關(guān)系表達(dá)能力，能夠揭示實(shí)體隱含的規(guī)律和趨勢(shì)，產(chǎn)生新知識(shí)，增強(qiáng)數(shù)據(jù)分析能力，提供智能化、即時(shí)性服務(wù)[2?3]。

知識(shí)圖譜最早由Google公司于2012年5月發(fā)布，旨在實(shí)現(xiàn)從文檔互聯(lián)到實(shí)體互聯(lián)的轉(zhuǎn)變，增強(qiáng)用戶搜索質(zhì)量和體驗(yàn)，近年來(lái)，知識(shí)圖譜已從單一語(yǔ)言發(fā)展到多語(yǔ)言和多模態(tài)，并得到了廣泛應(yīng)用[4]。在個(gè)性化推薦上，Wen等在服裝知識(shí)圖譜的基礎(chǔ)上，利用Apriori和Top?N算法生成服裝推薦結(jié)果，解決冷啟動(dòng)和數(shù)據(jù)稀疏問(wèn)題[5]；張理想等構(gòu)建粗粒度女裝知識(shí)圖譜，為用戶提供搭配靈感和決策信息[6]。在故障風(fēng)險(xiǎn)分析上，董曉輝等利用知識(shí)圖譜整合故障數(shù)據(jù)，為礦井提升機(jī)故障診斷提供支撐[7]；T. Takko等提出一個(gè)網(wǎng)絡(luò)風(fēng)險(xiǎn)知識(shí)圖譜和知識(shí)挖掘框架，以供安全專家預(yù)測(cè)和衡量網(wǎng)絡(luò)風(fēng)險(xiǎn)[8]。在智能檢索和問(wèn)答上，鞠斐等設(shè)計(jì)版刻古籍紡織圖像知識(shí)圖譜，實(shí)現(xiàn)跨模態(tài)數(shù)據(jù)整合和應(yīng)用[9]。

由于從服飾要素這一視角構(gòu)建細(xì)粒度旗袍知識(shí)圖譜的研究較少，故本文探索構(gòu)建有價(jià)值、可復(fù)用的旗袍知識(shí)圖譜模型。本文主要工作有：

1） 根據(jù)先驗(yàn)知識(shí)設(shè)計(jì)細(xì)粒度本體模型，構(gòu)建領(lǐng)域術(shù)語(yǔ)表，明確實(shí)體和關(guān)系的類別和定義。

2） 爬取實(shí)時(shí)電商數(shù)據(jù)，通過(guò)預(yù)處理獲得樣本數(shù)據(jù)，并對(duì)其進(jìn)行知識(shí)抽取和知識(shí)融合，規(guī)范語(yǔ)義表示，獲得實(shí)例數(shù)據(jù)并填充。

3） 使用Neo4j圖數(shù)據(jù)庫(kù)存儲(chǔ)旗袍知識(shí)圖譜，并借助圖分析算法展開(kāi)實(shí)證分析，挖掘更深層知識(shí)，為企業(yè)提供輔助設(shè)計(jì)與銷售決策，捕捉用戶意圖。

1" 旗袍知識(shí)圖譜的構(gòu)建

電商場(chǎng)景的研究過(guò)程涉及調(diào)研、電商數(shù)據(jù)抓取、處理以及存儲(chǔ)等。旗袍知識(shí)圖譜從層次上可劃分為模式層、數(shù)據(jù)層與存儲(chǔ)層三層。模式層是描述某一領(lǐng)域的抽象模型，提供知識(shí)圖譜框架和邏輯基礎(chǔ)；數(shù)據(jù)層是對(duì)模式層的實(shí)例化，負(fù)責(zé)存儲(chǔ)所有實(shí)體、屬性和關(guān)系的實(shí)例數(shù)據(jù)；存儲(chǔ)層是開(kāi)展下游任務(wù)的關(guān)鍵。旗袍領(lǐng)域知識(shí)具有較強(qiáng)的專業(yè)性，故本文選擇自底向上構(gòu)建旗袍知識(shí)圖譜[10]，構(gòu)建流程如圖1所示。

1.1" 模式層設(shè)計(jì)

模式層通常是用本體模型進(jìn)行管理，以形式化方式明確實(shí)體和關(guān)系，并說(shuō)明如何在圖譜中組織、鏈接以及更新實(shí)體和關(guān)系。本體模型應(yīng)滿足無(wú)二義性、易用性和可讀性的要求，使數(shù)據(jù)在廣度和深度上無(wú)冗余。首先結(jié)合旗袍領(lǐng)域先驗(yàn)知識(shí)確定領(lǐng)域術(shù)語(yǔ)，構(gòu)建領(lǐng)域術(shù)語(yǔ)表[11?13]；然后以“旗袍本體”為父級(jí)概念，逐步細(xì)化下一級(jí)概念和聯(lián)系。

旗袍知識(shí)圖譜的本體模型如圖2所示。

實(shí)體與關(guān)系的類別和定義分別如表1和表2所示。

1.2" 數(shù)據(jù)層設(shè)計(jì)

1.2.1" 數(shù)據(jù)采集和預(yù)處理

以“旗袍”為關(guān)鍵詞，抓取淘寶平臺(tái)前100頁(yè)的旗袍數(shù)據(jù)，有針對(duì)性地采集相關(guān)參數(shù)，剔除存在缺失值的異常數(shù)據(jù)。如圖3所示，付款量數(shù)據(jù)量級(jí)差異大，分布集中在[0，1 000]。

由于大量級(jí)與常量級(jí)數(shù)據(jù)不易進(jìn)行對(duì)比，因此對(duì)數(shù)據(jù)進(jìn)行歸一化處理，將其映射到[0，1]。以單品熱度指數(shù)為量綱，經(jīng)過(guò)聚類算法將單品分成低熱度、中熱度和高熱度，并把高熱度單品作為研究樣本，聚類結(jié)果如圖4所示。單品熱度指數(shù)的計(jì)算公式為：

[x*=x-xminxmax-xmin，" xlt;1" 0001，" " " " " " " " " " x≥1" 000] （1）

式中：[x]表示單品每月付款量；[x*]表示單品熱度指數(shù)。

1.2.2" 知識(shí)抽取

與通用知識(shí)圖譜面向粗粒度不同，旗袍知識(shí)圖譜面向細(xì)粒度，對(duì)實(shí)體、關(guān)系以及屬性的刻畫(huà)較為精確，而提供更具體的語(yǔ)義關(guān)系，需要人工注釋。知識(shí)抽取包括實(shí)體抽取、關(guān)系抽取和屬性抽取。實(shí)體抽取即從數(shù)據(jù)中獲得實(shí)體信息。實(shí)體實(shí)例通過(guò)商家定義或者商品詳情頁(yè)的介紹來(lái)確定，表述不清或者缺失部分則由人工進(jìn)行補(bǔ)充。關(guān)系抽取是發(fā)現(xiàn)實(shí)體之間的語(yǔ)義關(guān)系，將關(guān)系映射到實(shí)體關(guān)系三元組上。屬性抽取也是一種特殊的關(guān)系抽取，因?yàn)閷傩允且环N特殊的實(shí)體，是對(duì)實(shí)體的完整描述。屬性類型有名稱、商品ID、所屬店鋪、商品價(jià)格、所屬類別等。

1.2.3" 知識(shí)融合

知識(shí)融合是在語(yǔ)義層次上對(duì)知識(shí)進(jìn)行組合、推理與創(chuàng)新的過(guò)程。上一步抽取結(jié)果存在歧義性、多樣性、模糊性，不能直接利用，因此需要知識(shí)融合來(lái)提高知識(shí)復(fù)用度。知識(shí)融合需要解決的問(wèn)題有同義不同構(gòu)和主被動(dòng)關(guān)系。同義不同構(gòu)是由于中文語(yǔ)法結(jié)構(gòu)和詞匯用法的特點(diǎn)存在含義相同而實(shí)例不同的情況，通常需要人工統(tǒng)一處理，避免冗余知識(shí)的出現(xiàn)，提高圖譜質(zhì)量。例如，“袖型”以長(zhǎng)度劃分類別，而“中袖”和“五分袖”同義，將兩者進(jìn)行對(duì)齊，僅保留后者。此外，主被動(dòng)關(guān)系是成雙存在的，例如“包含”與“從屬于”等，因此在關(guān)系抽取時(shí)僅保留單向關(guān)系，便于后續(xù)的分析任務(wù)。

1.3" 存儲(chǔ)層設(shè)計(jì)

存儲(chǔ)層采用類型表和關(guān)系表的結(jié)構(gòu)對(duì)數(shù)據(jù)進(jìn)行純文本化存儲(chǔ)，并持久化為CSV文件，使用“LOAD CSV”包將數(shù)據(jù)導(dǎo)入Neo4j圖數(shù)據(jù)庫(kù)，實(shí)現(xiàn)可視化。旗袍知識(shí)圖譜的局部可視化界面如圖5所示。

2" 基于旗袍知識(shí)圖譜的圖分析算法

旗袍知識(shí)圖譜具有網(wǎng)絡(luò)聚集成群的特征，本文選擇合適的圖分析算法重點(diǎn)挖掘旗袍和服飾要素的關(guān)系及用戶人群信息，推理在電商場(chǎng)景下關(guān)于旗袍領(lǐng)域的更深層知識(shí)。

2.1" 社區(qū)檢測(cè)

通過(guò)社區(qū)檢測(cè)揭示旗袍知識(shí)圖譜的網(wǎng)絡(luò)特征，從而劃分用戶人群。社區(qū)檢測(cè)采用魯汶算法來(lái)獲得最優(yōu)社區(qū)模塊度[14][Q]，具體公式如下：

[Q=12mijAij-didj2m，" "ci=cj0" " " " " " " " " " " " " " " " " " " " " " " "] （2）

式中：[m]是邊的數(shù)目；[Aij]為節(jié)點(diǎn)[i]到節(jié)點(diǎn)[j]邊的權(quán)重；[d]為節(jié)點(diǎn)度數(shù)；[c]為節(jié)點(diǎn)社區(qū)標(biāo)簽。

2.2" 相似度分析

相似度分析是根據(jù)節(jié)點(diǎn)空間距離來(lái)挖掘風(fēng)格相似旗袍之間的知識(shí)關(guān)聯(lián)性。由于文本數(shù)據(jù)是離散型，100個(gè)節(jié)點(diǎn)代表100維空間，難以直接計(jì)算，因此采用快速隨機(jī)投影方法進(jìn)行相似度分析?？焖匐S機(jī)投影是一種基于隨機(jī)映射矩陣的嵌入方法，將高維向量映射到低維空間，保留向量之間的拓?fù)浣Y(jié)構(gòu)和語(yǔ)義信息[15]。將高維向量映射到二維空間的計(jì)算公式如下：

[Nt=D-1?St×d2mβ×R] （3）

式中：[S]為鄰接矩陣；[D]為節(jié)點(diǎn)度矩陣；[t]為迭代次數(shù)；[R]為隨機(jī)映射矩陣；[β]為歸一化強(qiáng)度，平衡節(jié)點(diǎn)度對(duì)嵌入結(jié)果的影響。

由此，節(jié)點(diǎn)的二維向量表示為[Ntm，1，Ntm，2]，空間距離[l]的計(jì)算公式為：

[l=Ntj，1-Nti，12+Ntj，2-Nti，22] （4）

2.3" 要素關(guān)聯(lián)分析

要素關(guān)聯(lián)分析用于判斷整個(gè)網(wǎng)絡(luò)或者子網(wǎng)絡(luò)中服飾要素的關(guān)聯(lián)情況，從而推理出消費(fèi)趨勢(shì)。要素關(guān)聯(lián)分析采用特征向量中心性或度中心性這兩個(gè)衡量指標(biāo)[16]，若要素節(jié)點(diǎn)具有較高中心性，則與其他要素節(jié)點(diǎn)耦合關(guān)系較強(qiáng)。

度中心性[Cdegree]和特征向量中心性[Ceig]計(jì)算公式如下：

[CdegreeVi=dVij=1nSi，j] （5）

[CeigVi=λ-1j=1nSi，jCeigVj] （6）

式中：[V]為節(jié)點(diǎn)；[λ]為常數(shù)；[CeigVi]為節(jié)點(diǎn)[i]所有相鄰節(jié)點(diǎn)的中心性加權(quán)和。

3" 實(shí)證分析

3.1" 社區(qū)劃分

面向電商服務(wù)，對(duì)旗袍知識(shí)圖譜進(jìn)行社區(qū)檢測(cè)，其中一個(gè)子社區(qū)代表一種用戶人群。將所有節(jié)點(diǎn)和邊投影到GDS圖，計(jì)算最大模塊度[Q=6]，即有6種用戶人群。

3.2" 旗袍相似度分析

使用快速隨機(jī)投影來(lái)生成從圖中捕獲拓?fù)湫畔⒌墓?jié)點(diǎn)嵌入，并計(jì)算每一旗袍實(shí)體對(duì)的距離值。對(duì)距離值較近的旗袍實(shí)體對(duì)進(jìn)行分析，對(duì)應(yīng)圖像如圖6所示。實(shí)體對(duì)A（旗開(kāi)得勝，迷宮格）的距離值為0.001 7，兩者色彩紅艷，十分喜慶；其次是實(shí)體對(duì)B（錦鯉折桂，錦鯉記夢(mèng)），距離值為0.044 9，兩者在細(xì)節(jié)有所差異，前者緣飾為一緄一嵌，盤扣為小花蕾扣以及一字扣，后者為嵌細(xì)條、葫蘆扣，但紋樣均為錦鯉和桂花，寓意錦上添花。根據(jù)原始材料，實(shí)體對(duì)A和B中四款旗袍是圍繞高考主題推出的，因此針對(duì)考生家長(zhǎng)群體，具有美好寓意的紋樣和喜慶色彩的旗袍更容易成為暢銷單品。

3.3" 核心要素關(guān)聯(lián)分析

以要素標(biāo)簽為約束條件，檢索每一類要素子圖，分別計(jì)算子圖節(jié)點(diǎn)的特征向量中心值，結(jié)果如表3所示。

通過(guò)總體分析可知，服飾要素中心值前5名分別為高圓領(lǐng)、分身分袖、大圓襟、一字扣和印花，中心值分別為0.681、0.670、0.640、0.635和0.602。這說(shuō)明領(lǐng)型、結(jié)構(gòu)、襟型、盤扣以及表現(xiàn)手法能夠有效影響用戶購(gòu)買旗袍的行為。分別對(duì)要素分析可知：從領(lǐng)型、襟型和盤扣上，一般默認(rèn)采用高圓領(lǐng)、大圓襟和一字扣，極少采用其他類型；從結(jié)構(gòu)上，大多用戶不追求古法無(wú)省結(jié)構(gòu)，而是喜歡分身分袖；從色彩上，綠和白等淺色系深受用戶喜愛(ài)；從紋樣上，有花紋、竹紋、樹(shù)葉紋等植物題材，其中花紋應(yīng)用最廣；從袖型、衣長(zhǎng)和開(kāi)衩位置上，一般選擇四分袖、過(guò)小腿和高開(kāi)衩，方便活動(dòng)；從紋樣和面料上，多為非天然的印花面料；從緣飾上，選擇緄邊和嵌細(xì)條的簡(jiǎn)單工藝，追求實(shí)用。因此，針對(duì)主流消費(fèi)群體，在設(shè)計(jì)和生產(chǎn)旗袍時(shí)，考慮以{高圓領(lǐng)、大圓襟、一字扣、分身分袖、淺色系、花紋、四分袖、過(guò)小腿、高開(kāi)衩、印花面料、緄邊}的組合，以滿足日常生活需求為出發(fā)點(diǎn)，工藝不必追求復(fù)雜，兼具舒適度和美感。

3.4" 子社區(qū)要素關(guān)聯(lián)分析

在消費(fèi)多元化與個(gè)性化趨勢(shì)下，除考慮主流趨勢(shì)外，更要關(guān)注小群體需求。無(wú)袖受眾度不高，是小群體偏愛(ài)的服飾要素。以無(wú)袖的社區(qū)標(biāo)簽為約束，查詢同一子社區(qū)的所有節(jié)點(diǎn)，無(wú)袖、素襟、珠扣、無(wú)緣飾、水滴領(lǐng)和過(guò)小腿具有較高的度中心性，分別是9、8、7、6、6和6，從而推理出無(wú)袖用戶畫(huà)像，即喜歡{無(wú)袖、素襟、珠扣、無(wú)緣飾、水滴領(lǐng)、過(guò)小腿}。由此可見(jiàn)，針對(duì)喜好無(wú)袖的小眾群體，可設(shè)計(jì){無(wú)袖、素襟、珠扣、無(wú)緣飾、水滴領(lǐng)、過(guò)小腿}的要素組合。

因此，對(duì)于多樣化的小眾群體，可以依據(jù)群體偏好，結(jié)合子社區(qū)要素的關(guān)聯(lián)關(guān)系進(jìn)行定制化設(shè)計(jì)與服務(wù)。

4" 結(jié)" 語(yǔ)

知識(shí)圖譜蘊(yùn)含領(lǐng)域知識(shí)與拓?fù)浣Y(jié)構(gòu)，提供了一種數(shù)據(jù)管理和整合的新途徑。本文基于電商數(shù)據(jù)，從中抽取并融合旗袍領(lǐng)域知識(shí)，逐層向上構(gòu)建了細(xì)粒度旗袍知識(shí)圖譜，利用圖分析算法展開(kāi)實(shí)證研究。結(jié)果表明：

1） 在用戶人群分析中，社區(qū)劃分能幫助刻畫(huà)用戶畫(huà)像，進(jìn)而為精準(zhǔn)營(yíng)銷、個(gè)性化服務(wù)提供支撐；

2） 在市場(chǎng)分析中，根據(jù)旗袍風(fēng)格相似度可預(yù)判單品未來(lái)趨勢(shì)；

3） 在旗袍服飾設(shè)計(jì)中，側(cè)重全局核心要素，迎合主流群體喜好；挖掘子社區(qū)核心要素的關(guān)聯(lián)關(guān)系，滿足小眾群體的需求。由此可見(jiàn)，旗袍知識(shí)圖譜與數(shù)據(jù)有機(jī)融合，在應(yīng)用上能為企業(yè)提供旗袍服飾設(shè)計(jì)與營(yíng)銷決策支持。

未來(lái)研究將聚焦旗袍服飾領(lǐng)域，利用不同來(lái)源和產(chǎn)業(yè)鏈不同環(huán)節(jié)之間的數(shù)據(jù)構(gòu)建多層次知識(shí)圖譜，實(shí)現(xiàn)知識(shí)圖譜互聯(lián)互通，打破數(shù)據(jù)孤島效應(yīng)，更好發(fā)揮“圖”“數(shù)”之間的協(xié)同促進(jìn)作用。

注：本文通訊作者為宋丹。

參考文獻(xiàn)

[1] 工業(yè)和信息化部.“十四五”信息化和工業(yè)化深度融合發(fā)展規(guī)劃[EB/OL].[2021?11?17].https：//www.gov.cn/zhengce/zhengceku/2021?12/01/content_5655208.htm.

[2] JI S， PAN S， CAMBRIA E， et al. A survey on knowledge graphs： representation， acquisition， and applications [J]. IEEE transactions on neural networks and learning systems， 2021， 33（2）： 494?514.

[3] 封皓君，段立，張碧瑩.面向知識(shí)圖譜的知識(shí)推理綜述[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2021，30（10）：21?30.

[4] HOGAN A， BLOMQVIST E， COCHEZ M， et al. Knowledge graphs [J]. ACM computing surveys， 2021， 54（4）： 1?37.

[5] WEN Y， LIU X， XU B. Personalized clothing recommendation based on knowledge graph [C]// 2018 International Conference on Audio， Language and Image Processing. Shanghai： IEEE， 2018： 1?5.

[6] 張理想，李沛儒，夏明.基于知識(shí)圖譜的女裝相似款匹配及搭配推薦[J].北京服裝學(xué)院學(xué)報(bào)（自然科學(xué)版），2023，43（1）：41?49.

[7] 董曉輝，郭庭甫，朱海江，等.面向礦井提升機(jī)的故障知識(shí)圖譜構(gòu)建與應(yīng)用[J/OL].計(jì)算機(jī)工程與應(yīng)用：1?10[2023?11?16].http：//kns.cnki.net/kcms/detail/11.2127.TP.20230713.1324.012.html.

[8] TAKKO T， BHATTACHARYA K， LEHTO M， et al. Knowledge mining of unstructured information： application to cyber?domain [EB/OL]. [2023?04?18]. https：//www.xueshufan.com/publication/3198600300.

[9] 鞠斐，王強(qiáng).以版刻古籍紡織圖像為核心的知識(shí)圖譜設(shè)計(jì)與應(yīng)用[J].圖書(shū)館論壇，2023，43（10）：126?138.

[10] 付雷杰，曹巖，白瑀，等.國(guó)內(nèi)垂直領(lǐng)域知識(shí)圖譜發(fā)展現(xiàn)狀與展望[J].計(jì)算機(jī)應(yīng)用研究，2021，38（11）：3201?3214.

[11] 王賽賽，陳敏之.基于本體的連衣裙款式檢索研究[J].絲綢，2021，58（9）：67?72.

[12] 劉詠梅，韓天琪，張向輝，等.無(wú)省旗袍的結(jié)構(gòu)設(shè)計(jì)方法[J].紡織學(xué)報(bào)，2020，41（6）：99?104.

[13] 朱博偉，劉瑞璞.旗袍三個(gè)發(fā)展時(shí)期的結(jié)構(gòu)斷代考據(jù)[J].紡織學(xué)報(bào)，2017，38（5）：115?121.

[14] BLONDEL V D， GUILLAUME J L， LAMBIOTTE R， et al. Fast unfolding of communities in large networks [J]. Journal of statistical mechanics： theory and experiment， 2008（10）： P10008.

[15] CHEN H， SULTAN S F， TIAN Y， et al. Fast and accurate network embeddings via very sparse random projection [C]// Proceedings of the 28th ACM International Conference on Information and Knowledge Management. [S.l.]： ACM， 2019： 399?408.

[16] NEGRE C F A， MORZAN U N， HENDRICKSON H P， et al. Eigenvector centrality for characterization of protein allosteric pathways [J]. Proceedings of the national academy of sciences， 2018， 115： E12201?E12208.

作者簡(jiǎn)介：宋" 丹（1976—），男，湖南長(zhǎng)沙人，博士，教授，研究方向?yàn)檎J(rèn)知智能、智能優(yōu)化建模與分析。

章銀萍（1997—），女，廣東潮州人，碩士研究生，研究方向?yàn)橹形男畔⑻幚怼⒅R(shí)圖譜。

伍洪?。?997—），男，湖南婁底人，碩士研究生，研究方向?yàn)樯疃葘W(xué)習(xí)、圖像處理。

袁理?。?001—），男，湖南株洲人，碩士研究生，研究方向?yàn)橹形男畔⑻幚?、知識(shí)圖譜。