数字图书馆类有关开题报告范文和领域导向的数字图书馆移动视觉搜索引擎建设*方面开题报告范文-毕业论文网

本文是一篇关于数字图书馆论文范文，可作为相关选题参考,和写作参考文献。

领域导向的数字图书馆移动视觉搜索引擎建设*

摘要：视觉大数据资源作为大数据的重要组成部分,其价值产生机理与转换规律具有高度的领域依赖性.文章从数字图书馆移动视觉搜索引擎的领域依赖性分析入手,运用模块化设计思想对其业务流程进行了分析,在此基础上,提出了一种领域导向的、自适应的、可演化的数字图书馆移动视觉搜索引擎.最后,分析了该引擎的各功能模块,并对该引擎的自适应性、可演化等特征进行了探讨.

关键词：移动视觉搜索；数字图书馆；搜索引擎；领域导向

中图分类号：G254.9

文献标识码：A

DOI: 10.1196 8/tsyqb.1003 -693 8.2016092

Research on the Construction of Mobile Visual Search Engine for Digital Library

Abstract As an important part of big data, visual big data resources he a high degree of field dependence on themechani and the law of the conversion. This article from the digital library mobile visual search engine field depen-dence analysis, using the modular design of the business process, based on this, puts forward the adaptive evolution ofdigital library can be a domain oriented, and mobile visual search engine. Finally, the function modules of the engineare analyzed, and the characteristics of the adaptive and the evolution of the engine are discussed.

Key words mobile visual search; digital library; search engine; field oriented

1引言

随着互联网和信息检索技术的飞速发展,文本、图像和视频等不同类型的视觉资源及关联信息（如评论、描述、用户行为等信息）更加紧密的融合起来,以一种全新的形式来描述视觉资源之间的语义、主题和事件,并逐渐成为各类数字图书馆重要的信息载体及各种信息搜索引擎、系统与平台的重点处理对象.据IDC于2012年发布的报告显示预计到2020年,全球数据总量将超过40ZB（约4万亿GB）,其中75%来自于互联网环境,数据类型主要是文本、图像与音视频等.面对如此庞大的视觉资源,如何对其进行有效的组织、描述、表达与处理,使用户能够便捷地找到最有价值的信息,自然就成为信息检索、数字图书馆等领域亟待解决的前沿问题.

视觉资源的价值发现需求与语义检索、移动互联网技术的跨界融合有效推动了移动视觉搜索理论、模型与技术的发展.而移动智能终端、移动互联网及移动应用等软硬件条件的迅速发展,也为视觉搜索从PC端向移动终端发展提供了软硬件支持[1].同时,各类相关技术趋于成熟,也为数字图书馆移动视觉搜索提供了全方面的技术支持.一是FRBR、RDA与BIBFRAME等可为视觉大数据资源语义本体概念模型的构建提供支持：二是链接开放数据(Linking Open Data,LOD)、关联数据(Linking Data)、资源描述框架(Resource Description Framework,RDF)等可为视觉大数据资源的组织、描述与表达提供支持；三是OpenCV、RL、ARToolKitPlus与Clmg等开源计算机视觉库可为视觉资源的分析与处理提供支持；四是Web 3.0、移动互联网、语义检索与JA-VA等可为移动视觉搜索平台建设提供支持；五是现有的Google知识图谱、百度识图、爱奇艺大脑与淘宝拍立淘等成功案例可提供经验支持.而本文的研究目的是结合已有相关理论、技术与应用成果,提出一种面向视觉大数据资源的自适应的、可演化的数字图书馆移动视觉搜索引擎.

2数字图书馆移动视觉搜索的领域依赖性与业务分析

2.1数字图书馆移动视觉搜索的领域依赖性分析

2015年9月,国务院印发了《促进大数据发展行动纲要》,目的是要提升“领域数据资源的获取和利用能力”、实现“领域信息资源的汇聚整合和关联应用”,“推动跨领域、跨行业的数据融合和协同创新”[3].2016年7月,国家自科基金委发布的重大研究计划《大数据驱动的管理与决策研究》提出,“大数据价值的产生机理和转换规律具有高度的应用领域依赖性”[4].2015年7月,国家社科规划办将“面向大数据的数字图书馆移动视觉搜索机制及其应用模式研究”列入重大招标课题[5].视觉大数据资源作为大数据重要组成部分,其价值产生机理与转换规律也必然具有高度的应用领域依赖性.

移动视觉搜索概念源于2009年12月斯坦福大学主办的第一届Mobile Visual Search研讨会,在过去的七年里,其理论与应用研究尽管有了较大发展,但受限于移动互联网环境和技术、视觉处理技术等影响,现有相关研究还具有一定局限性,已有研究重点还是集中在视觉资源处理技术[6-7]、模式探讨[8-9]、机制建设[10]、架构分析[11]与标准化问题分析[12]等方面,而忽略了数字图书馆本身的领域特性分析、移动视觉搜索引擎研究与视觉知识库构建分析等内容的研究.与大数据、互联网环境中信息资源的泛在化、非结构化或半结构化存在形式不同,各类数字图书馆均有着较强的专业性、领域性和可拓展性,且其在视觉大数据资源的语义组织、描述与表达形式等方面有着先天优势,能够较好的满足视觉大数据资源的领域依赖性处理需求.

此外,数字图书馆移动视觉搜索引擎需要处理的是各种各样的视觉大数据资源.而视觉大数据资源来源于互联网、大数据环境,视觉资源彼此之间存在着较大的语义鸿沟.其中,视觉资源的底层视觉特征大多处于高维空间,难以分析、处理、存储和计算,且高维向量还存在着稀疏性强、噪声高等问题,而这些问题处理方法极大地依赖于其所处领域.视觉资源高层语义信息主要包括其所处的视觉场景语义（如商场、街道、楼栋等）、视觉主体行为语义（如演唱、阅读、行走等）和视觉主体情感语义（如高兴、悲伤、安静等）,而这些高层语义信息的分析与处理难度更大,且涉及到的知识领域更多,领域依赖性更强.因此,目前已有研究大部分是在选择特定应用领域之后,结合其领域的专业特征,对视觉资源的中层语义建模来进行研究,通过构建视觉资源底层视觉特征到中层语义模型之间的映射,将底层高维度的视觉特征映射到中层低维度的语义空间中去,进而缓解视觉资源的底层视觉特征与中层语义之间的语义鸿沟.

2.2 数字图书馆移动视觉搜索的业务流程

文献[1][2][13]曾对移动视觉搜索给出过明确定义,即：移动视觉搜索是通过移动智能终端获取现实世界的图像或视频作为检索对象,通过移动互联网去搜索其关联信息的一种信息获取方式.并对其相关业务流程、服务模式及基本特征等问题进行过详细描述.笔者也曾对现有商业型视觉搜索产品进行过调研,根据现有商业型视觉搜索产品使用情况来看,部分产品的相关业务流程描述过于技术化,而模块化、领域化思想体现的不是很明显,而模块化、领域化的业务流程描述方法有助于体现数字图书馆移动视觉搜索引擎的可拓展性、自适应性、可演化性和开放性.目前已发布的Google知识图谱、百度识图、淘宝拍立淘等商业型视觉搜索产品,其相应体系架构、业务流程的表达与描述都具备了较强的模块化、专业化特征,而对应的应用与实践也具有较强的领域依赖性.

从模块化、领域化角度对数字图书馆移动视觉搜索的业务流程来看.当用户确定视觉搜索条件,使用移动智能终端输入待检索的视觉资源检索式或检索词后,通过移动互联网传递至服务端后,激活移动视觉搜索引擎,执行搜索任务后,将搜索结果通过移动互联网反馈至用户移动智能终端上.

通过移动视觉搜索引擎,可实现移动客户端从信息检索向概念检索、知识检索与视觉语义检索的转变,支持用户按照视觉资源、主题、知识与概念检索而不仅仅是关键词、字符串检索,从而实现真正的移动视觉搜索.领域导向的数字图书馆移动视觉搜索引擎,能以视觉资源本体、概念或主题等为检索对象,以多元知识融合方式向移动用户反馈其关联知识.其业务流程包含了3层含义：

(1)移动视觉搜索引擎本身是一个具有特定模式的关联视觉实体的多元视觉知识融合框架.从图论角度来看,移动视觉搜索引擎本质上是一种概念网络,其中的节点表示信息检索体系中的实体、关系、接口、模块与中间件,而彼此之间的各种应用关系则构成了网络中的边.

(2)移动视觉搜索引擎的研究价值在于,它是构架在当前移动互联网基础之上的底层知识服务框架,借助它可在移动互联网环境上建立视觉资源之间的链接、关联与因果关系,从而以最小的成本将视觉资源间关联信息组织起来、蕴含的价值挖掘出来、可被利用的知识融合起来.

(3)移动视觉搜索引擎的应用价值在于,它能够改变现有的信息检索模式.一方面通过视觉知识融合与关联知识推理实现视觉资源的概念检索、知识检索与语义检索；另一方面,以移动化、模块化与领域化方式向用户展示经过有效组织、分类与融合的结构化视觉关联知识.

3数字图书馆移动视觉搜索引擎功能与特征

3.1数字图书馆移动视觉搜索引擎的架构

正如Google前任研究主管2010年在《Nature》发表论文“2020 Vision”提到的：“文本、图像、视频数据及互联网用户交互信息和各种传感信息,将会给搜索引擎未来发展带来巨大挑战”[14].数字图书馆移动搜索引擎能在一定程度上为这些问题提供一些参考.

从数字图书馆移动视觉搜索引擎架构图来看,数字图书馆移动视觉搜索引擎的框架主要由视觉资源层、视觉知识库、视觉知识验证与知识计算、搜索任务执行与知识存储、搜索服务与应用等5个模块组成,而整个移动视觉搜索引擎的运营、管理与服务过程都依赖于网络环境（如移动互联网、物联网环境等）.这些模块基本实现了一个全生命周期的移动视觉搜索,从视觉资源获取与处理、视觉知识融合、验证与计算、搜索任务执行、知识存储到搜索服务与应用的移动视觉搜索处理业务流程.

3.2数字图书馆移动视觉搜索引擎模块分析

数字图书馆移动视觉搜索引擎架构,包括逻辑结构与模块结构以及构建所采用的技术（体系架构）,本文主要对前者在此加以讨论.

3.2.1视觉大数据资源层构建

视觉大数据资源层是数字图书馆移动视觉搜索引擎的基础.视觉大数据资源层主要包括各种类型的数字图书馆视觉资源库（如文本、图像、视频、古籍、拓片等视觉资源,其目标是解决数字图书馆视觉资源获取与数字化问题）与视觉大数据存储模块.在数字图书馆中,有些专业、学科或领域的视觉资源具有较强的专业性与独特性,甚至是唯一性,容易分类与标注,但难以组织、分析与表达,且视觉资源特征提取、匹配与语义检索难度较大.但大部分视觉资源的概念建模、关联数据表示、组织分析具有一定的通用性,因其相应的应用领域较广泛、软硬件技术较成熟、标准规范较统一,使其视觉资源的获取与存储难度略小.

在视觉大数据资源层中,视觉资源是以知识单元、实体单元或关系单元为单位进行存储的,存储技术主要采用现有的云计算、大数据存储技术.如Google知识图谱与百度识图都拥有丰富的视觉大数据资源,其对应的视觉大数据资源获取与存储都是以“实体一关系一实体”“实体一属性一值”“实体一关系一主题”和“实体一关系一知识”等三元组方式作为视觉搜索知识单元、视觉资源实体单元和视觉关联关系单元的基本表达方式,将存储在视觉大数据资源层中的所有视觉资源、关联信息与关联关系有效地融合起来,进而构成了庞大的视觉知识关系网络,形成视觉搜索的“知识网络”.

3.2.2视觉知识库构建

视觉知识库是在视觉大数据资源层之上,是数字图书馆移动视觉搜索引擎的核心.在视觉知识库中存储的是经过分析、组织、提炼和融合的视觉知识,通常通过视觉资源本体库来管理各类视觉资源,借助视觉资源本体库、关联数据与视觉知识融合等模块,结合移动视觉搜索服务需求、语义逻辑、关联规则、概念建模和约束条件的支持能力,来规范移动视觉搜索服务的实体、本体、关系与实例等之间的联系.视觉知识库在数字图书馆移动视觉搜索引擎中的地位相当于工业制作过程中的“模具”,将输入的各种视觉大数据资源当作“工业原材料”,经过“模具”的处理和加工后,就形成了较为规范的视觉知识库.构建科学、合理、标准的视觉知识库能够大大提高数字图书馆移动视觉搜索体系的服务效率与系统性能.

视觉知识库的构建从业务逻辑上来看,可认为其主要包括视觉知识获取和视觉知识融合两大部分.其中,视觉知识获取的主要目的是从视觉大数据资源层挖掘和提取相关的视觉资源本体、概念、关系和实例.视觉知识融合的主要目的是实现视觉知识的多源融合.视觉知识库的构建内容主要包含三部分：(1)用以获取各类视觉资源本体的视觉本体库；(2)用以存储各种通用性、常识性知识的基础视觉知识库,这些视觉知识可直接从视觉本体库或视觉大数据资源层中获取：(3)用以存储各个特定领域知识的视觉知识库（从左至右依次为领域1到领域n）.前文提到,由于每个特定领域的视觉资源、视觉知识有不同特征,故将领域视觉知识库进一步划分为三个部分：交叉的基础视觉知识库、领域基础视觉知识库和领域关联视觉知识库.其中,交叉的基础视觉知识库是指从基础视觉知识库中提取出来的,经过进一步分析和处理,并与特定领域相关的基础性视觉知识所组成的.领域基础视觉知识库是用来描述某一个或多个特定领域的相关基础知识.而为了获取特定领域最新的、最全的、最可靠的领域知识,领域关联视觉知识库就需要从开放的互联网环境或视觉大数据资源层中提取该领域最新的相关业知识.

在视觉知识库构建图中,空心节点和实心节点分别代表从互联网环境、视觉大数据资源层中提取的视觉知识,而节点之间的边代表视觉知识之间的关联关系.而伴随着数字图书馆的数据规模与类型的不断扩大与数据内容的不断更新,视觉知识库还可实现自演化、自适应增长.这些视觉知识库的构建共同为移动视觉搜索引擎的视觉知识验证与知识计算提供接口服务.此外,还可以充分利用已有的各类知识库（如Google知识图谱、DBpedia、YAGO、Wiki-Taxonomy等）实现相应的知识融合.

3.2.3视觉知识验证与知识计算

在完成视觉知识库建设过程之后,将会得到具有领域特征的显性视觉知识.除了显性视觉知识之外,通过移动视觉搜索引擎的知识计算功能,包括视觉知识计算、视觉属性计算、视觉关系计算与视觉实例计算等,进一步计算或推理得出相应的隐性视觉知识.

通过视觉知识库的构建,能够从各种非结构化、半结构化或复杂结构化的视觉大数据资源中获取大量有价值的视觉知识.但在这些获取到的视觉知识中,可能会包含大量冗余、错误或不完整的视觉知识内容,且视觉知识之间还可能存在关联关系扁平化,彼此之间的逻辑性和层次性不强等问题,因此,就有必要通过某种手段来对其进行检验、清洗和整合.为了检验视觉知识库所获取视觉知识的完整性、可靠性与关联性,以及视觉搜索服务中间件和接口的可用性与有效性,就需要对视觉知识及相关服务接口进行验证,这称之为视觉知识验证过程.主要的验证方法是通过视觉知识库中各种视觉知识、领域知识与专家知识计算方法来检查、验证或过滤相应错误的、冗余的、冲突的或不完整的视觉知识.

3.2.4移动视觉搜索任务执行与知识存储

通过视觉知识验证与知识计算模块的视觉知识,就能够满足用户移动视觉搜索需求的信息.在经过验证与处理之后,在数字图书馆移动视觉搜索引擎中,就将其分别存储在一个大规模图数据库(GDB)或大型关系型数据库中,其中,前者作为大规模非结构化和半结构化数据的存储系统,能够支持超过上百亿条视觉知识的存储,它存储的是显性视觉知识：后者作为大规模的结构化和复杂结构化数据的关系型数据存储系统,它存储的是隐性视觉知识.相比较而言,前者主要采用图论方法,通过定义存储节点和关系边的图数据模型来存储视觉知识的,对应的存储节点和关系边都有唯一的描述ID,且每一个ID对应着多个视觉属性.因此,基于这种存储模式所形成的视觉知识存储网络具备较强的自适应、可演化等特性.

各相关环节会对整个移动视觉搜索任务执行过程提供支持,移动视觉搜索任务执行会经历“搜索需求获取一搜索任务建模一搜索任务求解”过程,在任务执行过程中,为满足用户移动视觉搜索需求,会依据形式化的视觉语义关联知识对其搜索任务进行语义理解和任务需求建模,从而获得视觉知识语义层面的知识推理与知识计算方法,从而实现数字图书馆移动视觉搜索引擎的视觉知识服务资源与服务能力的最优匹配,进而为移动用户提供各种各样的移动视觉搜索服务.

3.2.5移动视觉搜索服务与应用

在传统研究中,学术界产生的理论与应用研究成果往往都需要经过很长一段时间的积累和发展之后才能慢慢进入到工业领域的实际应用中去.但移动视觉搜索作为一个有较强工业背景的理论模型,在学术界被广泛关注的同时也在工业领域得到迅速发展.同时,由于移动视觉搜索涉及到视觉大数据资源获取与处理需求,以及广泛的应用需求,因此在商业领域,工业界相较于学术界更有优势.如Google、Facebook、Microsoft、百度、淘宝和爱奇艺等自2010年就陆续开始了相关研究,在内部成立了移动视觉搜索的专门研究机构,并逐渐推出了许多相关服务.

移动视觉搜索体系推出后,便为信息搜索领域带来了新的活力,并逐渐展现出巨大的发展潜力.除了移动视觉搜索基本应用之外,还出现了移动视觉知识图谱、移动视觉购物、视觉语义移动搜索、视觉知识问答、视觉资源移动个性化推荐、移动视觉关联知识融合等多元化的拓展服务与应用.

3.3 数字图书馆移动视觉搜索引擎主要特征分析

领域导向的数字图书馆移动视觉搜索引擎有可拓展、开放、自适应和可演化等几种特征,其中开放性和可扩展性容易理解,但该引擎如何体现自适应性和可演化,就需要做进一步的理解和分析.

3.3.1自适应特征分析

数字图书馆移动视觉搜索引擎的自适应性主要体现在对视觉知识的自适应获取与分析、对视觉知识库自适应更新与融合等两方面.其中,视觉知识的自适应获取与分析的主要目的是随时随地获取相应的视觉知识,并自动进行分析和处理.其对应的获取策略是使用语义关联的过滤器中间件生成相应的语义过滤规则,进而从视觉大数据资源层中抽取相应的视觉知识[15].而过滤器中间件是在用户所提出的移动视觉搜索服务需求基础上,由语义过滤规则和视觉知识感知器组成.其中,过滤规则保证从视觉大数据资源层中抽取到的视觉知识具有一致性、完整性和关联性：视觉知识感知器则主要用于检测是否产生了新的视觉知识,从而确定是否调整相应的视觉知识获取和分析策略.

视觉知识库自适应更新与融合的主要目的是随时随地对视觉知识进行自主演化处理,并对视觉知识演化规律、规则和过程进行描述.视觉知识库自适应更新与融合主要分为两个阶段：视觉知识库的自我更新与知识融合.在自我更新过程中,其自适应特性体现在自主完成视觉知识库中的视觉知识演化的基本运算和自动完成相关知识语义推理[16].

数字图书馆移动视觉搜索引擎的自适应特征能够有效的应对移动互联网、云计算和大数据环境带来的巨大挑战.它使得移动视觉搜索引擎能够在实时获取视觉资源、信息与知识的同时,还能够依据实际需求,自动调整基本业务规则,保证视觉知识库的实时、动态更新,从而更好的满足用户移动视觉搜索服务需求.

3.3.2可演化特征分析

数字图书馆移动视觉搜索引擎的可演化特性主要体现在两个方面：一是可以从移动互联网、大数据和物联网环境中不断获取新的视觉资源、信息和知识,并能够进行自我更新和自主融合[17]；二是可以将从不同网络环境、平台和系统中获取到的视觉资源、信息和知识转化成可以供自己使用的标准形式,并融入到自身的视觉知识库和移动视觉搜索服务体系中,进而形成新的视觉知识内容、体系和网络[18].移动视觉搜索引擎可演化知识体系的演化特征构成了一个完整的全生命周期,包括演化识别与感知、演化定位、演化管理与服务、演化评价与反馈等环节.

从业务逻辑上来看,移动视觉搜索引擎的可演化特征可将其规范化为两类不同的操作,即对视觉知识网络节点和关系边的操作,在视觉知识网络中,节点代表的是提取的视觉知识,关系边代表的是视觉知识之间的关联关系[19-20].如以学科领域为例,一旦搭建了某特定学科的数字图书馆移动视觉搜索体系,在该体系中,其对应的视觉知识库中可视为一个可演化的、自适应的视觉知识网络,在该视觉知识网络中,节点的类型可定义为作者、论著、机构、领域、活动和关键词等类型,关系边则包括作者之间的学术合作关系、论著间的引用关系、机构间的从属与合作关系、领域间的交叉关系、活动间的交流关系等.此外,每个节点都会包含该作者对应的属性,如姓名、号、毕业时间、专业领域等,而关系边也会包含对应的属性,如作者合作的时间、交流地点等.

对节点的操作单元可分为节点的提取、融合和推理等三个子操作；对关系边的操作也可分为三个子操作,即关系提取、融合和推理.而这所有操作均涉及到对节点和关系边的本体、概念、关系和实例的操作,而这些操作与前面提到的视觉知识的自适应获取与分析、对视觉知识库自适应更新与融合策略又是一致的,即视觉知识节点和关系边的可演化实现了自适应视觉知识获取与分析、自适应更新与融合.因此,二者的有机融合才能使得数字图书馆移动视觉引擎具备较强的自适应演化能力.

4结语

随着移动互联网、云计算和大数据技术的飞速发展,移动视觉搜索可能会成为未来信息检索领域的基础技术之一.而移动互联网环境的不断完善、移动终端软硬件条件的迅速发展和移动应用市场的逐渐扩大,也促使越来越多的学者和互联网厂商加入到了这一研究领域.

作为最底层的视觉大数据资源,它具有时序性、多源异构性、实时性等特征,且数据类型主要以非结构化和半结构化视觉数据为主.尽管如此,但它所蕴含的丰富视觉知识含有巨大价值.如果要想深入挖掘、有效利用视觉大数据资源蕴含的价值和知识,就需要以移动视觉搜索引擎为基础,搭建相应的平台和系统,而本文就是为该平台、系统或体系的规划、建设、服务与发展提供理论参考和技术支撑.本文结合现有理论与技术研究成果,提出了一种领域导向的数字图书馆移动视觉搜索引擎.它的主要特征是开放性和扩展性强,且具备自适应性和可演化等特征,这使得该引擎能够更好地感知和处理动态变化的、多源异构的视觉知识,同时对移动视觉搜索服务需求与服务资源进行最佳匹配,并对潜在的、动态的视觉知识进行推理和融合,从而更好的为用户提供服务.

参考文献：

[1]张兴旺,李晨晖,数字图书馆移动视觉搜索机制建设的若干关键问题[J]．图书情报工作,2015,59 (15):42-48.

[2]张兴旺,黄晓斌．国外移动视觉搜索研究述评[J]．中国图书馆学报,2014(3 ):114-128．

[3]国务院．国务院关于印发促进大数据发展行动纲要的通知[EB/OL]．[ 2016-09-09]．http://www．gov.cn/zhengce/content/2015-09/05/contem_10137.htm.

[4]国家自然科学基金委员会．“大数据驱动的管理与决策研究”重大研究计划2015年度项目指南[EB/OL]．[ 2016-09-09] .http://www.nc.gov.cn/publish/portalO/tab3 8/inf049994.htm.

[5]全国哲学社会科学规划办公室.2015年度国家社会科学基金重大项目（第二批）招标公告[EB/OL]．[ 2016-09-09]．http://www.npopss-cn.gov.c n/n/2015/0706/c 219469-27261321.html.

[6] Girod B,Chandrasekhar V,Grzeszczuk R,et aI.Mobile visual search: architectures,technologies,and the emerging MPEG Standard[J].IEEE Multimedia, 2011(7 ):86-94.

[7] L.Y.Duan,J.Chen,R.R.Ji,et al.Learning Compact Visual Descriptors for Low Bit Rate Mobile Landmark Search[J].AI Magazine, 2011, 34( 2):2456-2463.

[8]刘喜球,张兴旺,移动视觉搜索：“互联网+”时代数字图书馆信息检索新模式[J].情报理论与实践,2016,39(5):58-63.

[9]张亭亭,赵宇翔,朱庆华,数字图书馆移动视觉搜索的众包模式初探[J]．情报资料工作,2016(4): 11-18．

[10]朱庆华,大数据环境下数字资源移动视觉搜索机制[J]．情报资料工作,2016(4):5．

[11]刘木林,朱庆华,赵宇翔．基于关联数据的数字图书馆移动视觉搜索框架研究[J]．情报资料T作,2016 (4):6-10．

[12]段凌宇,黄铁军,高文,移动视觉搜索技术研究与标准化进展[J]．信息通信技术,2012(6)：51-58．

[13]段凌宇,黄铁军,Alex C.K,等,移动视觉搜索技术瓶颈与挑战[J]．中国计算机学会通讯,2012,8(12): 8-15.

[14] Norvig P.,Relman D.A.,Goldstein D.B., et al.2020 Visions[J].Nature ,2010,263 (7):26-32.

[15]于来行,冯林,张晶,等,白适应融合目标和背景的图像特征提取方法[J].计算机辅助设计与图形学学报,2016 (8):1250-1259．

[16]章夏芬,张龙海,韩德志,等．白适应书法字图像匹配和检索[J]．浙江大学学报（工学版）,2016(4):766-776．

[17]陈继文,杨红娟,董明晓,等．基于本体语义块相似匹配的设计知识更新[J].机械工程学报,2014(7):161-167.

[18]刘峤,李杨,段宏,等,知识图谱构建技术综述[J]．计算机研究与发展,2016,53(3):582-600．