如何构建一个权力知识和调度数据图吗?

文摘

知识图是一种语义网络信息检索。如何构建一个知识图,可以服务于电力系统基于调度程序的行为的数据是一个热门研究课题在电力领域的人工智能。在本文中,我们提出一个方法来构建电网的调度知识图。通过利用在电力调度数据域,该方法首先提取实体,然后确定调度行为关系模式。更具体地说,该方法包括三个步骤。首先,我们构造一个语料库电力调度行为半自动标注。然后,我们提出一个模型,称为BiLSTM-CRF模型,提取实体和识别调度行为关系模式。最后,我们构建一个知识图的电力调度数据。知识图提供了一个自动化的基础知识模型电力调度和相关服务,帮助调度程序执行更好的电力调度在调度过程中知识检索和其他操作。

1。介绍

智能电网的研究取得了重要进展和集成的调度自动化系统(1]。根据相关单据如电力调度控制规则和调度员的经验,连同调度系统数据和电网的运行状态,调度员法官电力系统当前的运行状态是否需要分派和什么样的调度执行行为。在实际的电力调度场景、电力调度任务仍高度依赖于调度程序的业务知识和分派经验。大多数调度程序只了解当地业务知识(2),不能有效应对其他调度业务或全球业务。

持续集成的多个调度服务、专家的专业知识或调度程序也需要集成的需要同时处理复杂的多项电力调度问题。为调度员提供调度程序参考,数字电源专家写了电力调度的文献,总结和包含全球电力调度业务的各个方面。因此,研究全球调度文本知识组织方法,构建知识模型基于多个调度行为,并实现知识表达,灵活和清晰表达业务逻辑将有助于提高调度系统的自动化程度和提供全球知识支持智能电网调度。

电力调度的文本的特征是知识密集型和丰富的知识类型,它是一种非结构化数据。与结构化数据与严格的格式和规范相比,电力调度文本的表达方式更灵活、更难以阅读和理解。因此,有必要探索自然语言处理方法调度文本和行为知识组织方法,适用于电力调度行为的特点。

解决这些问题,我们使用电力调度的知识图组织知识的行为。传统的关系数据库面临的问题重复数据,更新疲弱数据关系和困难。相比之下,图拓扑的知识图组织知识,哪个更符合电力系统的结构。它把人际关系作为一种重要的知识元素,它可以更好地描述知识实体及其关系等力量环境,分派角色、和电力调度的行为。其知识的存储和检索更灵活。首先,我们分析的文本电力调度行为,结合自然语言处理技术,建立一个权力领域词典,我的力量领域短语,并确定基于域的短语和域实体字典实现算法。然后,我们分析的文本特征调度行为,定义和组织电力调度行为之间的关系,并使用图结构来存储实体和关系,从而构建一个知识图的力量调度行为。

本文的其余部分组织如下。部分2介绍了相关的工作。部分3描述知识图的构造方法的电力调度的行为。部分4介绍了实验和评估结果,数据集,实验设计,实验细节,和实验结果。部分5介绍一个实验总结和未来的工作前景。

2。相关工作

谷歌在2012年首次提出知识的概念图(3),正式描述事物及其相关关系在现实世界中。知识图使用<实体、关系、实体>三元组存储知识,和它使用的实体作为节点,构建知识网络关系作为边,这符合一般主体的行为规则,行动,和操作对象,使用图结构来描述这种关系。目前,许多著名的知识图项目组织大量数据,提取知识的组织和管理,为用户提供高质量的智能服务,如理解的语义搜索和提供更准确的答案。近年来,由于发展的众包(4)和开源生态系统(5- - - - - -7),构建知识的相关研究众包和知识图图形的软件已成为新的研究课题领域的知识图,图也表明,知识组织领域知识的灵活。

实体是知识图的基本单位,包括属性、属性值和相关实体之间的通信。王(8)设计了一个基于文本的命名实体识别系统结构特性。这种方法需要单独设计文本的特点在不同的领域,这不是普遍的。随着数据规模的增长,对多层体系结构和深度学习的研究是非常重要和必要的9]。为了减少人工规则和提高模型的泛化能力,基于深度学习的许多方法近年来被用于命名实体识别。例如,Lample et al。10)提出了一种基于双向LSTM神经网络结构和CRF实体识别。该方法不依赖于人工特性和特定领域的知识和具有良好的通用性。在同一时期,赵和尼科尔斯(11)提出了一个双向LSTM和CNN混合模型的自动检测单词和字符级功能,消除大多数特性工程的必要性。要克服的问题失踪中国信息提取方法在使用英语时的关系,汉族et al。12]中国关系提取大规模数据集生成基于中国百科全书和提出了一个基于实体的注意模型字符特征提取方法在中国关系。愣,江13)提出了一种改进的SDAE实体关系模型提取。该方法消除了需要手动标注的关系,可以通过上下文特征自动提取实体之间的关系。

有许多类型的电网设备和设备的类型之间的关系是复杂的。几乎没有研究图表电网领域的知识。唐(14)合并现有多源异构电力设备相关数据构建一个电力设备知识图提高数据存储效率和提取的过程。鉴于压扁的问题和有效利用的电力资产信息,杨(15]提出构建专业知识的一般流程图表在电力领域,提出了一种多源异构电力资产基于知识融合的信息融合方法。李等人。2),基于底层的数据和业务逻辑数据的智能电网调度控制D5000系统,使用自顶向下和自底向上的方法构造一个调度知识图。这些权力知识图等施工方法基于电力系统数据调度管理系统面临着一些挑战:巨大的数据大小,复杂的数据类型,不同的知识内容,低价值密度,和较低的数据质量。因此,研究文本数据与高价值密度近年来引起了人们广泛的关注。王等人。16)提出了一个实体识别的方法,提取算法,关系基于电气设备缺陷记录和自动构建的知识图电气设备缺陷提高检索质量的电气设备缺陷记录。现有研究通常处理非结构化文本根据不同的文本类型和模式在他们的应用程序场景中,他们中的大多数并不是普遍的。因此,有必要研究和设计知识图施工方法为电力调度行为基于电力调度文本。

3所示。方法

在这一节中,本文将介绍电力调度的知识图构造方法的行为,及其技术路线图如图1。首先,基于互信息的一个短语抽取算法和左右熵是用来提取功率域短语,构造一个专业词典电力调度和准备一个语料库的权力分派的行为。然后,BiLSTM-CRF模型建立培训带安全标签的数据时,识别和提取电力调度域的实体。最后,通过分析和总结了实体关系,电力调度行为关系提取,图形数据库用于存储和构建一个知识图结构。

3.1。语料库建设

建设一个高质量的域文本语料库是一个获取知识实体电力调度行为的先决条件。然而,缺乏带安全标签的数据调度领域的权力,和手动标记消耗很多能量。它是影响域实体类别的复杂性和标签的专业性人员。因此,本文基于互信息的提取算法使用一个短语和左右熵候选短语和手动选择并注释得到高质量的注释数据。

3.1.1。词提取算法基于互信息熵和左和右

大部分的电网调度实体是嵌套多个单词的组合。因此,在传统的语料库标注过程中,最初的语料库必须先分段澄清边界的话说,这是方便以后手动标签。现有的分词工具,如jieba分词工具,主要使用基于词典的分词方法。跨域一般使用的字典词典,其中大部分常用词汇和缺乏权力领域的专业词汇。例如,“操作指令票”一词将被分为三个字“操作”,“指令”,和“票”当使用一般的字典。如果我们使用原始的语料库电力调度领域的直接部分单词,这种方法的效果并不令人满意。因此,在语料库标注的冷启动的阶段,为了获得标注语料库,本文运用一种新颖的无监督词发现算法,这是一种基于互信息的提取算法和左右熵。

该算法首先计算语料库中的词之间的互信息。公式如下:

在公式1, 两个词出现的概率,是一个词出现的概率。我们用具体的例子来解释这一点。有三个调度行为的话:“省级调度”,“值班调度员,”和“省级调度值班。“省级调度”的“如果词频是10,频率”这个词值班调度员”是20,和词频的“省级调度值班”是5,单词的总数N和双字的总数米,那么我们有以下公式:

互信息可以反映两个词之间的关系。互信息值越高,相关性越高X和Y是,越有可能吗X和y形式的短语。相反,互信息值越低,降低之间的关系X和Y更有可能有一个短语之间的界限X和y。

互信息表明这两个词的相关性。另外,我们需要计算这个词的自由度。自由度是指相邻的单词出现在的程度的多样性这个词的左右。如果候选词的左右两边是不同的单词在不同的句子,较小的之间的连接词和句话说,内在联系候选人越大的话,也就是说,候选词边界的可能性就越大,一个字。

我们使用左右熵测量自由度。熵可以描述信息的不确定性。在信息理论学习,correntropy一直是广泛使用的非线性相似度测量方法由于其鲁棒性(17]。左右熵和熵越大的候选人,更不确定的话,可能会出现左右的候选人和自由度越高。左右熵计算公式如下:

以左边的熵为例,假设“值班调度员”有几种搭配:“国家值班调度员,”“省值班调度员,”和“临时值班调度员,”然后左边熵“值班调度员”这个词如下:

最后输入结果是一系列的单词的分数。分数的计算公式如下:

这些分数从高到低排序。我们将前100个单词添加到jieba分词词典,然后进行分词处理的原始语料库文本便于手动标记词在后期的作用。

3.1.2。人工注释

由于汉字的模糊边界和大量cross-nesting结构网格调度实体,识别任务的复杂性增加。此外,本文的数据集包含多个类别的实体。因此,根据分词结果的无监督短语抽取方法,分词结果需要手动检查后回到原来的语料库。然后,我们使用BMESO标签机制,把它转换成所需的输入格式模型,最后得到一个标记的训练数据集。BMESO标注模型的定义如表所示1。

我们使用的标签工具是耶达。命名实体的电力调度领域,我们已经总结了很多单据和调度术语表分类方法。然后,许多合作者组成一个团队合作来审查和确定调度行为实体,最后他们分类如下:(1)调度机制(SM):包括中国五大发电集团、区域发电集团、国家电网公司中国区域电网公司各级管理机构和部门(2)调度人员(SP):包括各种组织的领导、各级技术人员,各级调度人员值班(3)调度操作(所以):包括但不限于调度操作相关保护装置(4)设施(Fac):如变压器、母线、线路、断路器、开关、刀闸阀、保护装置、主要设备、辅助设备、机电设备、锅炉设备、蒸汽(水、气)轮机设备,电力传输设备、传输设备、转炉设备、电力系统、化学处理、燃料运输(5)管理需求(先生):包括调度管理范围(设备名称)、调度管理模式,和调度指令(6)电力数据(环保署):如权力相关文档、系统和操作票(7)调度条件(SC):权力下的客观条件确定的调度性能,如停电的状况和发电厂或变电站两边的线(8)设备状态(ES):如操作、维护、待机、充电,电力传输,电源故障和其他设备

3.2。实体提取

在过去的几年里,机器学习的快速发展吸引了许多研究者的关注18]。为了识别和提取知识实体,本文使用了一个双向长短期记忆(BiLSTM)模型和条件随机域(CRF)模型作为一个命名实体识别模型。我们使用上面的标注语料库的标注数据模型训练和知识的提取实体电力调度领域的行为。BiLSTM模型由LSTM向前和向后LSTM。LSTM模型可以记住句子的长期依赖,但不能从回到前面编码信息。与单一LSTM模型相比,BiLSTM模型可以获得双向语义依赖和获得更全面的文本信息。然而,BiLSTM模型并不能保证每个输出层的预测结果是正确的,和一些预测结果不符合训练集的约束可能会出现。因此,CRF模型可以学习引入约束规则,从而减少模型的输出一个非法序列的概率。上面的标注语料库构建准备建设一个实体识别模型。同时,带注释的数据用于模型训练识别实体与电力调度行为的领域知识。

BiLSTM + CRF模型主要由三层,和模型的示意图如图2。第一层是嵌入层。这个词向量是由输入pretrained字符训练向量和向量,并在前面获得的词典语料库标注过程添加到生成的词向量更能够表达语义。

第二层中间是向前和向后LSTM层。为了充分利用词义和词订单信息,输入序列的特征向量和这个词向量匹配字典受到功能融合通过网络计算。

BiLSTM层自动提取句子特征,使用char嵌入序列( )句子的每个单词Bi-LSTM每个时间步的输入,然后使用隐藏状态序列( )输出由正向LSTM和反向LSTM ( )。隐藏的状态输出在每个位置缝合的位置来获得一个完整的隐藏状态序列: 。

这一层的输出是一个词的得分为每个标签通过选择得分最高的标签的标签。

最后,介绍了CRF层能序列注释语句。CRF层的参数(k+ 2)×(k+ 2)矩阵,k是标签的数量的标签集,和Aij代表转移得分我th标签的jth标签。标签位置时,您可以使用的标签标记。添加2的原因是添加一个开始状态句子的开始和结束状态结束的句子。添加CRF层可以考虑标签之间的顺序输出Bi-LSTM层的话,最后添加一些约束预测标签确保预测的标签是合法的。

介绍了辍学的机制来防止过度拟合。防止过度拟合的辍学机制随机删除网络中隐藏的神经元有一定概率的。在输入层和输出层的神经元网络的保持不变。这样,隐藏的神经元删除在每个迭代周期是不同的,这就增加了网络的随机性,提高网络的泛化能力。代码显示在算法模型1。

3.3。关系抽取

为了我的电力调度行为之间的关系,本文需要分析电力调度的关系描述的语言特征的文本。由于电力调度的文本是一个非结构化的自然语言文本用中文写的,汉语语法的特点和电力领域。其具体特征如下。

这个句子包含了大量的电力领域实体。在一个句子相关调度行为,可能会有三个或三个以上的行为主体和对象在同一时间。形成的关系网络句子中的任何两个实体之间的关系是复杂的。然而,实体关系类别相对简单,和实体之间的关系受限制实体类别大多属于一个类别。

每个句子在调度文本对应于一个调度行为,每段对应一个类型的调度与各种场景。理解调度语句需要专业知识的电力,和非专业人士很难学习。中国语法结构比英语更灵活和复杂,许多语法现象等条件,序列,因果关系,和被动。不同的作家有不同的语言习惯,不同的调度行为也将使用不同的表情。目前,有一个缺乏足够的语法知识规则库领域的电力。

调度的调度文本的基础行为是基于实际调度行为的总结。内容精炼,数据量不足,缺乏标记数据。句子中的多个实体的特点使它具有挑战性的标签实体关系数据。机器学习算法常用的一般领域往往需要大量的带安全标签的数据时,不能直接应用于电力调度短信。

基于以上特点,我们定义了电力调度行为关系的类型,如表所示2。在知识图,表示关系的边缘有方向,不同方向的边缘的关系可能有不同的关系类型。

根据上述定义,大多数的两个实体只有一个类型的关系。如果两个实体出现在一般的句子及其实体类型符合预定义的关系,它可以被认为有一个预定义的两个实体之间的关系。提取实体关系,如果有多个相同类型的实体在一个句子,可能有这些实体之间的特殊关系,如工会。在分析电力调度行为的句子,单词如“常见,”“平行”,“,”和”或“中经常使用的句子表达的顺序,平行和其他关系。如果有相关的单词在句子中的代表特定的句型,如并列,否定,和时间,可以确定这个句子有特殊关系和特殊的关系类型。调度和调度操作实体,两种类型的实体之间的关系类型是根据位置判断特征实体的句子。如果调度员实体分派之前操作的实体,箭头的关系是由调度员的调度操作。否则,箭头的关系是由调度决定。调度员的操作指导。因此,本文整理和提取电力调度实体关系的行为。

3.4。知识图结构和检索

后提取电力调度行为实体和关系,我们用图形数据库来存储实体和属性信息和依赖实体关系连接实体节点之间的边,从而构建一个知识图结构。我们使用图形数据库查询语言提供了一个基于知识的检索方法图。Neo4j数据库是一个比较流行的图形数据库,具有良好的性能和一个友好的用户界面。我们使用Neo4j数据库作为存储数据库构建一个知识图电力调度和使用提供的声明式图形查询语言数字Neo4j图检索数据库知识。

4所示。实验

基于上面的知识图施工方法,介绍了实验工作的标注语料库建设、知识实体提取和知识图建设电力调度行为与电力调度文本数据集。在本节中,我们将详细的实验设计、实验细节,和实验结果。

4.1。数据集和数据预处理

在这篇文章中,我们爬29文档等相关电力调度行为电网调度程序、调度的基本知识,和处置计划调度的失败。这些专业的电力调度程序写的文件,这些文件充分描述了电力调度业务流程调度需求和调度行为调度员的调度过程。本文上述文档用作实体提取原始语料库和知识图建设实验。为了方便后续工作,我们统一文档格式,删除文档中的空间和数字,只留下字符类型数据。

4.2。实验和结果分析

4.2.1。准备建设电力调度行为标注语料库和实体提取

有大量的未标记的实体领域的词汇电网调度在获得权力分派文本数据集。由于专业领域问题,这些文件没有明显的单词边界。然后,我们使用一个基于互信息的短语抽取算法和左右熵提取领域词汇和使用提取的领域词汇作为中国的自定义词典分词工具叫“jieba”协助文档分割。可以看到从图的分词结果3,使用这个词提取算法可以提高质量的分词和独立电源领域的专业词汇,如湖南电力系统和继电保护。

根据电力调度行为的实体类别定义在这篇文章中,我们完成标注语料库的建设电力调度行为通过手动标注语料库分词之后。如图3,我们使用代码构建BiLSTM-CRF模型,使用带注释的语料库作为训练集,实现电力调度实体识别文本的行为。最终的识别效果模型如图4。实体提取方法在本文中可以提取电力调度行为的实体词汇从电力调度的句子和分类实体。可以看出本文实体提取方法可以提取电力调度行为的实体词汇从电力调度的句子和分类实体。

4.2.2。建设知识图的力量调度行为

根据上述关系提取方法,我们提取的实体关系电力调度行为基于电力调度文本和实体识别结果与实体,形成三元组对。Neo4j图数据库用于存储数据,构建一个知识图结构。知识的结果图如图电力调度建设行为5。

的节点,不同的颜色代表不同的实体类别的实体。实体由定向边缘相连,表示实体之间的关系形成的知识图的图结构。知识图可以存储知识等信息知识实体和关系。很容易看到,相比之下,其他形式的原始文本和表等数据库知识图表链接离散数据,和知识表示和知识存储更直观和高效,不需要中间数据转换和处理。

本文将“调度场景”属性添加到知识的关系图,以方便查询可能的调度行为在某种调度场景图的知识。的调度场景“non-full阶段操作发生在断路器操作”作为一个例子,我们执行数字neo4j数据库的查询语言进行查询。特定的查询语句如下:

根据查询语句得到电力调度行为的知识在这个场景中,查询结果显示在图6。从一个简单的检索示例可以看出,电力调度行为知识图构建本文既有语义信息和关系信息,可以获取更丰富的信息和返回直观的可视化结果。除了检索方法的例子中,知识图查询方法非常灵活,可以查询基于实体节点的属性,关系属性,路径深度、等,以获得更丰富的知识信息。面对复杂的电力调度业务知识图构建本文将提供相关业务的调度行为知识,有效地帮助调度员进行调度。

5。结论

本文探讨了施工方法的知识图基于电力调度的行为。为了获得标注语料库,一个短语基于互信息的提取算法和本文左右熵是用来标注语料库,语料库的构建半自动地。基于双向长时间运行和短时间记忆网络和条件随机场模型中,实体是训练和识别。实体的关系是根据文本中提取电力调度行为,来存储数据和构建电力调度的知识图的行为。

根据所构造的知识图,我们可以搜索更有效的知识与力量调度行为,为调度自动化系统提供底层知识模型,并进一步提高电力调度的智能。也有一些问题和威胁。我们使用的数据集是小,知识内容的多样性需要更多的知识数据的支持。此外,由于缺乏更新的数据,我们不能学习知识图的更新过程,以及提取方法在这篇文章的关系取决于文本模式和规则。在未来,我们将进行进一步的研究和改进存在的问题,继续探索更有效的提取和自动关系模型,研究更有效的施工方法基于电力调度图的知识。

数据可用性

网格调度规则的数据集包含了一些书籍出版的中国国家电网公司及其子公司,如“湖南电网调度监管”为中国的湖南省。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

对于本文,Shixiong风扇的构思和设计研究;刘Shixiong粉丝,参会辽、广东,陈应收集的数据;参会Shixiong粉丝,广东Liu廖,应陈,益气赵设计方法和实验;Shixiong粉丝,广东Liu Ying Chen,益气赵,惠民罗完成实验;Shixiong风扇和Haiwei风扇进行应用程序部署;应陈、益气赵和惠民罗最初写和修改论文;参会辽、Ying Chen和惠民罗修订。所有作者已阅读及同意发布版本的手稿。

确认

这部分工作是支持基本的电网(没有未来的项目。部分5442 dz180017)和有关的科学技术研究基础(5442 dz180024-i)。

引用

1. 王x, y Bi, l .江和l .崔”设计和调查面向服务的架构的智能电网调度和控制系统中,“电力系统自动化,39卷,不。2、92 - 99年,2015页。视图:谷歌学术搜索
2. x, j .徐z郭,w .宁和z王”的建设和应用知识图的电力调度自动化系统中,“中国电力,52卷,不。2、70 - 77年,2019页。视图:谷歌学术搜索
3. t·施泰纳,“谷歌知识图添加实时报道,”第11届国际语义Web研讨会论文集(ISWC 2012)美国,波士顿,MA, 2012年9月。视图:谷歌学术搜索
4. 张曾z z廖,y, x粉丝,“数据驱动的游戏开发人员在软件众包理论战略:一个案例研究中,“应用科学,9卷,不。4 p。721年,2019年。视图:出版商的网站|谷歌学术搜索
5. 李y, z z辽、吴,y, x的粉丝,和j .吴”Core-reviewer推荐基于拉请求主题模型和合作者社交网络,”软计算,24卷,不。8,5683 - 5693年,2020页。视图:出版商的网站|谷歌学术搜索
6. z辽、赵,s .刘et al。”项目寿命的预测模型在开源软件生态系统,”移动网络和应用程序,24卷,不。4、1382 - 1391年,2019页。视图:出版商的网站|谷歌学术搜索
7. z辽、l .邓x风扇et al .,”评价模型和方法的实证研究开源生态系统的可持续性,”对称,10卷,不。12,747页,2018年。视图:出版商的网站|谷歌学术搜索
8. n .王”在中国金融领域,公司名称标识”《中国职业ces的信息,16卷,不。2、1 - 6,2002页。视图:谷歌学术搜索
9. 李罗x, y . w . Wang x禁令,黄永发。王,w .赵”,一个健壮的多层极端的学习机器使用内核的风险敏感性丧失标准,“国际期刊的机器学习和控制论,11卷,不。1,第216 - 197页,2020年1月。视图:出版商的网站|谷歌学术搜索
10. g . Lample“神经结构命名实体识别,”2016年,https://arxiv.org/abs/1603.01360。视图:谷歌学术搜索
11. j.p.赵c和e·尼克尔斯,”与双向LSTM-CNNs命名实体识别,”计算语言学协会的事务4卷,第370 - 357页,2016年。视图:出版商的网站|谷歌学术搜索
12. 张x, y, w·张,t·黄”一种引起模型使用中文字符组成的实体关系抽取,”信息,11卷,不。2,p。79年,2020年。视图:出版商的网站|谷歌学术搜索
13. j .愣,p .江”,从交互上下文关系提取深度学习方法在社会生产模式,”以知识为基础的系统卷,100年,第199 - 188页,2016年。视图:出版商的网站|谷歌学术搜索
14. y唐”,增强电力设备管理使用知识图,”学报2019年IEEE创新智能电网Technologies-Asia (ISGT亚洲)IEEE,成都,中国,2019年5月。视图:谷歌学术搜索
15. 杨y”,多源异构信息融合的电力资产基于知识图,”学报2019年IEEE国际会议服务操作和物流、和信息(独唱)2019年10月,IEEE,郑州,中国。视图:谷歌学术搜索
16. H.-F。王”,一个错误识别方法对电力设备缺陷记录基于知识图技术,”前沿的信息技术和电子工程,20卷,不。11日,第1577 - 1564页,2019年。视图:出版商的网站|谷歌学术搜索
17. 王罗x, j .太阳,l . et al .,“短期风速预测通过堆叠与广义correntropy极端的学习机器,”IEEE工业信息,14卷,不。11日,第4971 - 4963页,2018年。视图:出版商的网站|谷歌学术搜索
18. x y . m . Chen Li罗,w . Wang l . Wang和w·赵”小说人类活动识别方案智能健康使用多层极端的学习机器,”IEEE物联网》第六卷,没有。2、1410 - 1418年,2019页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Shixiong风扇等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。