基于OAN的知識圖譜查詢研究

張玲玉，尹鴻峰

（1. 北京交通大學(xué) 計算機與信息技術(shù)學(xué)院，北京 100044；2. 北京交通大學(xué)海濱學(xué)院 計算機科學(xué)系，河北 黃驊 061199）

0 引言

大數(shù)據(jù)時代的到來，推動了以知識圖譜為代表的知識工程等領(lǐng)域的飛速發(fā)展。知識圖譜本質(zhì)上是一種語義網(wǎng)絡(luò)，其中節(jié)點代表各類實體和概念，邊代表實體、概念之間的語義關(guān)系，現(xiàn)有的大量開放知識圖譜，如 DBpedia[1]、YAGO[2]、Freebase[3]和Probase[4]等包含了數(shù)百萬的實體和億萬的事實。知識圖譜有豐富的語義關(guān)系，較高的質(zhì)量和覆蓋率，這些優(yōu)勢使得知識圖譜在語義查詢、知識問答、推薦系統(tǒng)等方面有了廣泛的應(yīng)用，這些應(yīng)用也為知識圖譜查詢技術(shù)的研究帶來了巨大的動力。

當前對于知識圖譜查詢算法的研究有很多，主要分為基于 RDF數(shù)據(jù)的查詢[5,6]和基于圖數(shù)據(jù)結(jié)構(gòu)的查詢[7,8,9]。然而前者多數(shù)是基于結(jié)構(gòu)化查詢語言XQuery[10]和SPARQL[11]等展開研究的，對于知識圖譜的要求很高，難以適用于在半結(jié)構(gòu)化、非結(jié)構(gòu)化或者有大量噪聲數(shù)據(jù)的知識圖譜中查詢；后者主要研究子圖同構(gòu)方法，分為精確匹配和近似匹配兩類，其中算法如SAGA[12]、SIGMA[13]等存在結(jié)果集的用戶相關(guān)度低、空間消耗比較大等問題。

為了提高查詢結(jié)果中的用戶相關(guān)度和查詢效率，提高用戶體驗，本文提出一種同時考慮節(jié)點的語義相似和結(jié)構(gòu)相似的算法OAN。知識圖譜中每個節(jié)點存在一個所屬類型的本體信息，這個信息能很好的反映節(jié)點間的語義關(guān)系，因此本文使用節(jié)點的本體信息來描述節(jié)點間的相似度。除了節(jié)點本身相似性之外，本文還考慮了節(jié)點的鄰居信息，通過知識圖譜的結(jié)構(gòu)特點進一步提高候選節(jié)點的語義相關(guān)性。

1 相關(guān)工作

在子圖匹配過程中節(jié)點相似度計算的方法有很多，其中使用最廣泛的是基于節(jié)點標簽的相似度度量[14,15]，即將節(jié)點屬性等信息作為標簽信息的方法。其中 Ness[16]中使用的節(jié)點標簽是節(jié)點的名字等單一信息，并利用信息傳播策略來度量節(jié)點的相似性。SMS2[17]則提出使用節(jié)點的多標簽信息，將多個標簽信息作為一個集合，通過集合的相似性度量來計算節(jié)點相似性。 但是由于標簽信息僅代表節(jié)點本身的相關(guān)信息，所以這些方法不能很好的體現(xiàn)節(jié)點間的語義相關(guān)性。

基于標簽相似度存在的問題，又提出了基于本體的方法，該方法在模式挖掘[18]、關(guān)鍵字查詢[19,20]等方面都有應(yīng)用，其主要是通過本體信息描述的實體類型之間的層級關(guān)系來度量相似度的。其中Ontq[21]將節(jié)點的本體信息用本體圖的形式表示，然后通過本體圖中兩個節(jié)點之間的距離信息來確定兩節(jié)點的相似度。但是其限制查詢圖和匹配結(jié)果必須是相同的圖結(jié)構(gòu)，這樣使得算法沒有表達結(jié)構(gòu)相似性，并且構(gòu)建本體圖所需空間消耗比較大。

2 算法描述

給定有向目標圖G=(NG,EG,TG,LG)，其中 NG為目標圖的節(jié)點集合，EG為邊的集合，TG為節(jié)點的類型集合，LG為邊的標簽集合；有向查詢圖Q=(NQ,EQ,TQ,LQ)，NQ和 EQ分別為查詢圖的節(jié)點集和邊集，TQ和 LQ為節(jié)點的類型集合和邊的標簽集合。OAN的查詢過程如圖1所示。第一，過濾階段，確定查詢圖的候選集，對于查詢節(jié)點u和目標節(jié)點v，利用節(jié)點的本體信息來度量兩個節(jié)點的類型相似性，相似度用simType(u, v)表示，得到每個查詢節(jié)點的候選集；在該候選集的基礎(chǔ)上，為了提高語義相似度，利用節(jié)點的鄰居信息計算查詢節(jié)點和其候選節(jié)點的結(jié)構(gòu)相似度，用simNeighbor (u, v)表示，將相似度值與給定閾值比較，若大于閾值則 v為 u的候選節(jié)點，否則不是，最終獲得查詢圖的候選集C(Q)。第二，檢測階段，結(jié)合圖中邊標簽的信息，將候選集中不滿足邊匹配的節(jié)點移除。第三，同構(gòu)排序階段，在目標圖中查找滿足邊同構(gòu)的結(jié)果集，然后結(jié)合節(jié)點的標簽相似度和結(jié)構(gòu)相似度總和，給每個結(jié)果集打分后排序，獲得最終排序后的結(jié)果集R(Q)。

圖1 OAN算法查詢過程Fig.1 The query processing of OAN

2.1 過濾階段

這個階段主要是利用節(jié)點的本體信息和鄰居信息，通過查詢節(jié)點和目標節(jié)點之間的相似性度量，確定查詢圖的候選集。其中查詢圖的候選集合用C(Q)表示，某一查詢節(jié)點u的候選集用can(u)表示，節(jié)點u的類型集合用T(u)表示，其鄰居集合用N(u)表示。

2.1.1 本體信息

本體信息作為知識圖譜的組成元素，描述了知識圖譜的數(shù)據(jù)模式，其強調(diào)概念和概念間的關(guān)系，如同義關(guān)系和上下位關(guān)系等。本體使用 rdfs:type 和rdfs:subClassOf 定義節(jié)點所屬類的層次結(jié)構(gòu)，并且允許聲明類資源繼承自其他類，而這些類型關(guān)系可以作為知識圖譜表示的邏輯基礎(chǔ)[22]。一個實體屬于一個或多個類型，這些類型集合將構(gòu)成這個節(jié)點的本體信息，可以作為對這個實體的一種語義描述。本文利用節(jié)點的本體信息來度量兩個節(jié)點的相似度，這樣節(jié)點間的語義度量就可以轉(zhuǎn)化為計算兩個節(jié)點的類型集合間的語義相似度，本文采用Jaccard方法度量集合的相似度，若相似度大于某一閾值，則為候選節(jié)點。

如圖2所示，u、v、a、b、c等為節(jié)點標識，t1、t2、t3、t4等為節(jié)點所屬類型，1?、2?、3? 、4?為節(jié)點間的邊的標簽。從圖中可知，查詢節(jié)點u的類型集合 T(u)={t1,t2,t3}，目標節(jié)點 v的類型集合T(v)={t1,t2,t4}，則節(jié)點u和v之間的類型相似度可表示為：

當simType(u, v)大于某一給定的閾值α?xí)r，則節(jié)點v可作為u的一個候選節(jié)點，否則v不是候選節(jié)點。

圖2 過濾過程Fig.2 The filter process

2.1.2 鄰居信息

通過類型相似度度量，查詢圖中每個節(jié)點有對應(yīng)的候選集，但本文不僅考慮了節(jié)點本身的類型信息，還考慮了圖的結(jié)構(gòu)相似性，從而進一步過濾一些相關(guān)度低的候選集。圖的結(jié)構(gòu)特征可以通過節(jié)點的鄰居信息來體現(xiàn)，因此本文引入Ness[16]提出的鄰居集合，其中節(jié)點v的n-hop鄰居節(jié)點集合N(v)為最多通過n步距離就可以到達v的節(jié)點。如圖2所示，查詢圖中節(jié)點u的2-hop鄰居節(jié)點集合N(u)={a,b, c}，對于目標圖中節(jié)點v的2-hop鄰居節(jié)點集合N(v)={a, b, c, e, f}，則查詢節(jié)點u和目標節(jié)點v之間的結(jié)構(gòu)相似度可用公式（2）表示：

當 simNeighbor(u, v)大于給定的閾值β時，節(jié)點v可作為u的一個候選節(jié)點，否則不是候選節(jié)點。由于節(jié)點間距離越近則節(jié)點間的相似度越高，隨著距離增大相似度也變小，所以本文只考慮 2-hop鄰居節(jié)點。

整個過濾過程如算法1描述。首先初始化候選集C(Q)；然后計算節(jié)點間的類型相似度（2-8），對于每一個查詢節(jié)點nq，遍歷目標圖中每一個節(jié)點ng，計算兩節(jié)點的類型集合相似度，若大于給定閾值α則ng為候選節(jié)點，加入nq的候選集can(nq)中，從而獲得查詢圖的初始候選集；之后計算節(jié)點間的結(jié)構(gòu)相似度（9-16），對于每一個查詢節(jié)點nq，不是遍歷整個目標圖，而是遍歷該查詢節(jié)點的候選集中每一個節(jié)點ng，計算兩節(jié)點的鄰居集合相似度，若大于閾值β，則該候選節(jié)點仍有效，否則將這個節(jié)點從候選集中移除；最后獲得最終的候選集合C(Q)。

算法1：Candidate輸入：目標圖 G=(NG,EG,TG,LG); 查詢圖Q=(NQ,EQ,TQ,LQ); G的鄰居集合NG; Q的鄰居集合NQ輸出：查詢圖候選集C(Q)1： C(Q) ← Φ;2： for each nq ∈NQ do 3： for each ng ∈NG do 4： if simType(nq, ng) ＞α then 5： can(nq) ← { ng };6： end if 7： end for 8： end for 9： for each nq ∈NQ do 10： for each ng ∈can(nq) do 11： if simNeighbor(nq, ng)＜β then 12： can(nq) ← can(nq) { ng };13： end if 14： end for 15： C (Q) ← C (Q)∪can(nq);16：end for 17：return C (Q);

2.2 檢測階段

通過節(jié)點的類型和鄰居信息相似度度量確定了查詢圖的候選集，但是以上候選集的計算并沒有考慮邊的匹配，可能存在邊信息不匹配的候選節(jié)點。本文通過邊信息檢測來移除那些不匹配點，即判斷對于一個查詢節(jié)點 nq和一個目標節(jié)點 ng，其中 ng是nq的候選節(jié)點且nq有一條邊(nq，nq1)，是否滿足：在目標圖中存在一個節(jié)點ng1，滿足ng到ng1存在一條邊并且ng1是nq1的候選節(jié)點。若滿足條件，則ng是nq的匹配點，反之，兩節(jié)點不匹配，將ng從候選集中移除。通過邊檢測得到最終的查詢圖的候選集。

2.3 同構(gòu)排序階段

獲得目標子圖后，對查詢節(jié)點和其對應(yīng)的候選節(jié)點進行子圖匹配，從而獲得匹配結(jié)果。本文利用Exq[23]提出的邊標簽同構(gòu)的方法進行子圖匹配，即數(shù)據(jù)圖D與D′ 滿足以下條件則邊同構(gòu)：若D中的節(jié)點到 D'中的節(jié)點有雙射函數(shù)h，對于 D中的邊u1→u2, D′ 中有邊h(u1)?→h(u2)，其中邊的標簽均為?。從查詢圖的某一節(jié)點u開始，遍歷節(jié)點u的每一個候選節(jié)點 v，將 v作為只包含一個節(jié)點的子圖，通過邊的同構(gòu)對子圖進行擴展從而獲得滿足邊同構(gòu)的匹配子圖。即對于節(jié)點u與其每一個一步鄰居節(jié)點u1連接的邊，記錄其邊標簽?，在目標圖中尋找v的一步鄰居且邊標簽為? 的鄰居節(jié)點，然后再訪問u1和其候選節(jié)點，以此不斷迭代，直到整個查詢節(jié)點都訪問完，從而得到一個與查詢圖同構(gòu)的結(jié)果。通過遍歷u的不同的候選節(jié)點，獲得多個結(jié)果，這些結(jié)果即為查詢圖的結(jié)果集。

由于用戶想要從大量數(shù)據(jù)中獲得自己期待的結(jié)果，所以對于得到的所有候選結(jié)果，本文只考慮與用戶語義相關(guān)性高的前k個結(jié)果，并對這些結(jié)果集進行排序。其中結(jié)果的相關(guān)性度量由類型相似度和結(jié)構(gòu)相似度共同決定，這兩個相似度計算在確定候選集的時候已經(jīng)完成。一個查詢結(jié)果的語義相關(guān)性為所有查詢節(jié)點的相關(guān)度之和，而查詢節(jié)點u和匹配節(jié)點v之間的相關(guān)度可以用公式（3）表示。其中參數(shù)λ是一個0到1的數(shù)值，越接近1，代表鄰居信息越重要；越接近0，代表節(jié)點的本體信息越重要。

3 實驗與分析

在真實數(shù)據(jù)集上測試，通過和已有查詢算法的對比，評估本文提出算法的精確度和查詢效率。

3.1 實驗設(shè)置

實驗環(huán)境：本文使用Java1.8實現(xiàn)OAN算法，在32 G內(nèi)存的Ubuntu16.04系統(tǒng)上做實驗，每次實驗重復(fù)5次，取其平均值為實驗結(jié)果。在實驗中選擇與Exq算法中相同的2-hop的鄰居信息，這樣所需內(nèi)存不大又不影響查詢效果，且對數(shù)據(jù)集排序時的λ取值為0.5。

數(shù)據(jù)集：本文采用當前在知識圖譜查詢中常用的3個開源知識圖譜。（1）Yago是一個巨大的語義知識庫，整合了Wikipedia、WordNet和GeoNames等多領(lǐng)域的知識，目前 Yago3中事實的正確率約為95%。（2） DBpedia是一個多語言的百科知識圖譜，其中的數(shù)據(jù)是從維基百科抽取出來的，多為結(jié)構(gòu)化數(shù)據(jù)，包括人物、地點、機構(gòu)、電影和專輯等很多領(lǐng)域。DBpedia中本體信息是為 8的層級結(jié)構(gòu)，其中包含529個類。（3） IMDB是一個電影評分方面的數(shù)據(jù)庫，里邊包含電影、電視節(jié)目、傳記、演員、導(dǎo)演、制片等在內(nèi)的很多實體以及之間的關(guān)系。3個數(shù)據(jù)集中節(jié)點和邊的規(guī)模如表1所示。

表1 3個數(shù)據(jù)集規(guī)模比較Tab.1 Database sizes

查詢圖：DBpedia作為鏈接數(shù)據(jù)的核心與Yago和IMDB都存在實體映射關(guān)系，且這個數(shù)據(jù)集還提供了一個實體和其屬性值對應(yīng)關(guān)系的 DBpedia tables，如在 http://dbpedia.org/page/Aristotle頁面可以看到實體Aristotle的屬性對應(yīng)的各自屬性值。每個table可以看作包含一個或多個<實體-關(guān)系-實體>的元組集合，對于每個table，我們將其中的實體手動映射到數(shù)據(jù)集中的節(jié)點，關(guān)系映射到數(shù)據(jù)集中的邊。對于table中的元組集合，將其中一個元組作為查詢圖，其余剩下的元組作為這個查詢圖的基準集，用于計算結(jié)果的精確度。

3.2 精確度對比

對于獲得的結(jié)果集，用戶關(guān)心的是顯示的前 k條記錄是否信息準確且相關(guān)性高。在本文中，通過比較查詢圖的top-k結(jié)果集和其基準集，衡量對于不同的 k值得到結(jié)果集的精確度情況，其中采用P@k(Precision-at-k)值計算其精確度，即 top-k結(jié)果集在正確的基準集合中占的百分比。

OAN、Exq和NeMa算法在3個不同數(shù)據(jù)集下做實驗，其中NeMa不考慮結(jié)構(gòu)噪音和標簽噪音，對于同一個數(shù)據(jù)集，3個算法的查詢圖是相同的，在k值分別為5、10、15、20、30情況下的結(jié)果集精確度如圖3所示。從圖3中可以看出，對于3個數(shù)據(jù)集，在不同的k值下OAN的精確度都比其他兩個算法高，如在Yago數(shù)據(jù)集中，OAN的平均精確度比 Exq高 2%，比 NeMa高 4%。這是由于雖然NeMa考慮了節(jié)點標簽和圖的結(jié)構(gòu)信息，但沒有考慮邊的標簽信息，Exq考慮了鄰居節(jié)點相關(guān)性并考慮了邊標簽，但沒有關(guān)注節(jié)點本身的本體信息，而OAN將兩者都考慮了。在每一個數(shù)據(jù)集中，三個算法都是在k為5時精確度最高，之后隨著k值的增加精確度有所下降。這是由于top-k結(jié)果集是根據(jù)相似度值排序的，相關(guān)度高的在基準集中所占比重大，而隨著k值增加，數(shù)據(jù)集的整體相關(guān)度變低。

圖3 在3個數(shù)據(jù)集下算法的精確度對比Fig.3 The accuracy results of algorithms in three datasets

圖4 在3個算法的查詢時間對比Fig.4 The query time of three algorithms in three datasets

3.3 查詢時間對比

這一部分考慮OAN、Exq和NeMa算法在以下三種情況下的查詢效率，（1）查詢圖的規(guī)模固定時，查詢時間隨著數(shù)據(jù)集的增加的變化；（2）數(shù)據(jù)集的規(guī)模固定，查詢時間隨查詢圖的規(guī)模增加的變化，其中查詢圖的規(guī)模Q(|N|,|E|)是由查詢節(jié)點個數(shù)|N|和查詢邊的個數(shù)|E|表示的；（3）數(shù)據(jù)集和查詢圖的規(guī)模都固定，查詢時間隨查詢結(jié)果集的增加的變化。

實驗結(jié)果如圖4所示。Yago數(shù)據(jù)集中算法比較如圖4（a）和（c）所示，對于4（a），在目標圖從1M到150M的過程中，三個算法的查詢時間都增加，但是OAN整體比其他兩個算法查詢效率高，并且從90M開始雖然數(shù)據(jù)集規(guī)模增加但查詢時間并沒有變化很大。這是由于前期尋找候選集的階段需要遍歷目標圖，因此隨著目標圖的規(guī)模增大遍歷時間也增加，但隨著規(guī)模增大候選集的大小趨于穩(wěn)定，使檢測后的目標子圖規(guī)模穩(wěn)定，從而使得查詢時間變化不大。NeMa由于在查詢過程中需要不斷迭代，每次迭代需要計算查詢節(jié)點和所有候選節(jié)點的損失函數(shù)，導(dǎo)致查詢時間明顯比OAN長，幾乎線性增長；而Exq更適合于邊標簽的頻率很高的查詢圖，在邊標簽頻率不高的圖中剪枝效果不明顯，查詢時間比較長。4（c）是數(shù)據(jù)集在 1M 規(guī)模下查詢圖的規(guī)模從（3,2）增加到（7,6）過程中查詢時間的變化情況，從中可以看出：（1）OAN的查詢效率總體比Exq和NeMa高，在總過程中平均查詢時間有提高15%；（2）隨著查詢圖的規(guī)模增加，三個算法查詢時間都增大，但OAN在（6,5）到（7,6）過程中查詢時間變化不大，而另外兩個算法的查詢時間還是在增加。IMDB數(shù)據(jù)集的結(jié)果如圖4（b）和（d）所示，與Yago中的結(jié)果整體一致。

評估查詢結(jié)果集的增加對查詢時間的影響，本文分別在6M的DBpedia和1M的Yago數(shù)據(jù)集上做實驗，查詢圖的規(guī)模均為Q（4,3），k值從40到200過程中的查詢時間變化如圖4（e）和（f）所示，從圖4中可以看出，隨著K值增加，三個算法的查詢時間都增加，但OAN更平緩一些。這是由于NeMa在計算排序時使用遞歸循環(huán)的方式，耗時較多；Exq中結(jié)果集的排序需要根據(jù)鄰居節(jié)點重新計算兩節(jié)點的結(jié)構(gòu)相似度；而OAN中的類型相似度和結(jié)構(gòu)相似度在過濾階段就得到了，結(jié)果打分不需要重新計算。

4 結(jié)論

本文基于傳統(tǒng)的知識圖譜查詢方法中語義相關(guān)度低、查詢效率低的問題，提出了結(jié)合本體和鄰居信息進行節(jié)點相似度度量的圖查詢方法OAN。OAN

中節(jié)點匹配利用的是節(jié)點的本體信息，用以提高節(jié)點間的語義相關(guān)性；圖的結(jié)構(gòu)匹配時考慮了節(jié)點的鄰居節(jié)點對節(jié)點本身的重要性，利用 2-hop鄰居集合計算結(jié)構(gòu)相似性。在此基礎(chǔ)上，提出邊信息檢測的方法，利用邊標簽信息的匹配，移除不滿足條件的候選節(jié)點，這樣很大程度上縮短了查詢時間。最后在3個真實數(shù)據(jù)集上進行實驗，通過與已有方法對比，本文提出的算法在3個數(shù)據(jù)集上的平均精確度有提高2%，查詢效率提高15%。

[1] Auer S, Bizer C, Kobilarov G, et al. DBpedia: A Nucleus for a Web of Open Data[M]. The Semantic Web. Springer Berlin Heidelberg, 2007.

[2] Hoffart J, Suchanek F M, Berberich K, et al. YAGO2: A spatially and temporally enhanced knowledge base from Wikipedia[C]// International Joint Conference on Artificial Intelligence. AAAI Press, 2013: 3161-3165.

[3] Bollacker K, Evans C, Paritosh P, et al. Freebase: a collaboratively created graph database for structuring human knowledge. In SIGMOD, pages 1247–1250, 2008.

[4] Wu W, Li H, Wang H, et al. Probase: a probabilistic taxonomy for text understanding[C]// ACM, 2012:481-492.

[5] Le W, Li F, Kementsietsidis A, et al. Scalable Keyword Search on Large RDF Data[J]. IEEE Transactions on Knowledge &Data Engineering, 2014, 26(11): 2774-2788.

[6] Jayaram N, Khan A, Li C, et al. Querying Knowledge Graphs by Example Entity Tuples[J]. IEEE Transactions on Knowledge& Data Engineering, 2013, 27(10): 2797-2811.

[7] Wu Y, Yang S, Srivatsa M, et al. Summarizing answer graphs induced by keyword queries[J]. Proceedings of the Vldb Endowment, 2013, 6(14): 1774-1785.

[8] Ma S, Cao Y, Fan W, et al. Strong simulation: Capturing topology in graph pattern matching. TODS, 39(1): 4, 2014.

[9] Liu J, Xu B M, Xu X, et al.. A Link Prediction Algorithm Based on Label Propagation. Journal of Computational Science. 2016(16): 43-50.

[10] Chamberlin D, Clark J, Florescu D, et al. Xquery 1. 0: an xml query language[J]. Ibm Systems Journal, 2007, 41(4):597 - 615.

[11] Prud'hommeaux, Eric, Seaborne, et al. SPARQL Query Language for RDF[J]. 2008, 4.

[12] Tian Y, Santos C, States D, et al. SAGA: A Subgraph Matching Tool for Biological Graphs. Bioinfo., 2006.

[13] Mongiovi M, Natale R, Giugno R, et al. SIGMA: A SETCOVER-BASED INEXACT GRAPHMATCHING ALGORITHM[J]. Journal of Bioinformatics & Computational Biology,2010, 8(2): 199-218.

[14] Khan A, Wu Y, Aggarwal C, et al. NeMa: fast graph search with label similarity[C]// International Conference on Very Large Data Bases. 2013: 181-192.

[15] Zhu G, Iglesias C A. Computing Semantic Similarity of Concepts in Knowledge Graphs[J]. IEEE Transactions on Knowledge & Data Engineering, 2017, PP(99): 1-1.

[16] Khan A, Li N, Yan X, et al. Neighborhood based fast graph search in large networks[C]// ACM SIGMOD International Conference on Management of Data, SIGMOD 2011, Athens,Greece, June. DBLP, 2011: 901-912.

[17] Hong L, Zou L, Lian X, et al. Subgraph Matching with Set Similarity in a Large Graph Database[J]. IEEE Transactions on Knowledge & Data Engineering, 2015, 27(9): 2507-2521.

[18] Cakmak A, Ozsoyoglu G. Taxonomy-superimposed graph mining[C]// International Conference on Extending Database Technology: Advances in Database Technology. ACM, 2008:217-228.

[19] Pound J, Hudek A K, Ilyas I F, et al. Interpreting keyword queries over web knowledge bases[C]// ACM International Conference on Information and Knowledge Management.ACM, 2012: 305-314.

[20] J. Pound, I. F. Ilyas, and G. Weddell. Expressive and flexible access to web extracted data: a keyword-based structured query language[C]// In SIGMOD, 2010。

[21] Wu Y, Yang S, Yan X. Ontology-based subgraph querying[C]// IEEE, International Conference on Data Engineering.IEEE, 2013: 697-708.

[22] Saarela S. Ontogator- a semantic view-based search engine service for web applications[C]// International Conference on the Semantic Web. Springer-Verlag, 2006: 847-860.

[23] Mottin D, Lissandrini M, Velegrakis Y, et al. Exemplar queries: a new way of searching[J]. Vldb Journal, 2016: 1-25.