知识管理自学习案例平行结构体方面相似度模型.doc

知识管理自学习案例平行结构体方面相似度模型
知识管理自学习案例平行结构体方面相似度模型*
张建华 【摘 要】摘 要 为建立知识管理系统的自学习与自组织机制，本文将基于案例 推理的技术思想引入知识管理自学习子系统，对知识管理自学习案例的平行结 构体方面相似度进行系统而深入地研究。首先，论文对相关文献进行述评，阐 明了本文研究的出发点，诠释了知识管理自学习案例平行结构体方面的内涵及 其特征；继而，分七种状况深入讨论了平行结构体方面维度相似度的计算方法， 并在此基础上提出了方面相似度的计算策略；最后，通过算例分析了相关技术 策略与实施细节。 【期刊名称】情报杂志 【年(卷),期】2021(000)010 【总页数】6 【关键词】关键词 知识管理系统 方面相似度 案例推理 平行结构体方面 自学习 ·其 他· 人类熟悉世界、改造世界的过程，就是其文明继续累积与传承的过程。20 世纪 后期，在霍顿(F. W. Horton)、马钱德(D. A. Marchand)以及德雷尔(W. Durell) 等人的推动下，信息资源管理(Information Resources Management, IRM)的 概念与理念迅速为人们所接受和推崇。美国《文牍削减法》提出了联邦政府的 IRM 蓝图，推动了 IRM 在全社会的普及与发展。IRM 以“对资源的有效利用〞 为出发点，不仅注重信息资源本身，还关注处理信息资源的各种活动及其关系； 不仅注重相关“技术〞因素，还关注“社会〞因素(如管理因素、人文因素 等)[1]。IRM 主张以系统化视野将信息资源到价值转化过程中的各种因素进行

综合合计，谋求协同管理，以最大化信息资源的应用价值[2,3]。这为各类组织 的 IRM 施行奠定了理论基础，信息技术(IT)的普及与发展则为人类信息资源的 数字化管理与应用提供了技术保证。 随着后工业经济向知识经济转型，在德鲁克(P. F. Drucker)、维格(Wiig)以及野 中 郁 茨 郎 (Ikujiro Nonaka) 等 人 的 努 力 下 ， 知 识 管 理 (Knowledge Management, KM)从理念走向施行。传统信息资源管理与社会科学、人工智 能 (AI) 、 数 据 仓 库 (DW) 、 知 识 发 现 (KD) 、 商 业 智 能 (BI) 等 有 机 整 合 ， 强 调 以 “人〞为本，谋求提升知识工的工作效益及其所在组织的应变能力，提升 知识共享、应用与革新水平。在企业管理领域，人们开始强调对信息资源的深 度挖掘与再组织，强化对企业相关知识资源的有效管理与应用[4]。KM 成为知 识经济背景下企业革新运营管理模式、重塑其核心竞争力的有效途径[5-7]。企 业知识管理系统(Knowledge Management System, KMS)是其 KM 赖以实施 的支撑平台，知识管理自学习案例是保证 KMS 柔性与自组织特性的知识基础。 相似度模型是知识管理自学习案例匹配与应用的实施前提，并进一步影响到 KMS 知识共享、应用与革新的综合效益。
1 文献述评与本文出发点
作为复杂巨系统，KMS 的要素与结构尚处于动态演进、继续完善之中，其系统 实施涉及诸多要素及其间的复杂关系[8-9]。20 世纪末，Sanchez Ron 等就指 出，KM 实施过程应保证其系统具有较高的柔性和较强的自学习能力，以此提 升 知 识 管理 系 统相 关于 环 境 变化 与 主体 必须求 的 动 态匹 配 水平 [10] ； Delen Dursun 和 Aleksic Veljko 等则进一步认为，自学习子系统是知识管理系统不 可或缺的基础子系统，系统自学习能力在 KM 项目实施关键成功因素中占有重

要位置[11-12]。在国内，彭纪生、赵步同将自组织理论引入 KM 实施过程，从 系统形成并走向自组织的条件入手，探讨了推动知识管理系统不断走向更高有 序态的相关策略[13]；吴应良、肖万程、王舒军与钱建农基于自组织理论，从 开放性、非线性、远离平衡和涨落的角度，提出了促进知识管理系统向前演化 的建设思想[14]；刘仲英、吴冰、徐德华与张新武在分析环境不确定性的基础 上，建立知识管理系统与环境特征间的匹配模型，测度并分析其间的匹配差异， 进而提出了增进知识管理系统适应性的相关策略[15]。 前述研究成果在一定程度上奠定了 KMS 自学习子系统研究的理论基础，对 KMS 研究与施行具有重要意义。不过，源于系统的复杂性以及相关主体研究精 力与研究时间的有限性，现有成果仅在思想策略层面进行了简单探讨，尚未触 及知识管理自学习子系统的具体工作机理，亦未能制定并实现功能完备、适应 性强、可操作性好的系统架构和施行系统。 基于案例推理(Case Based Reasoning, CBR)是人工智能领域有关机器学习 (Machine Learning)的重要分支学科。CBR 系统以案例(Case)形式将知识主体 的经验类知识(显性知识与隐形知识的融合体)存储于知识库(案例库)，而后通过 类比推理实现对知识主体所遇新问题的求解支持，从而提升问题求解的效率和 有效性；同时，知识库在 CBR 系统应用过程中实现扩充与自组织，保证了优良 的系统自学习功能[16-19]。案例相似度(Case Similarity)表征 CBR 案例库中既 有案例之间以及既有案例与用户待解问题之间的接近程度[20-22]。它是案例检 索以及 CBR 系统推理与自学习的基础，直接影响到 CBR 系统的问题求解效益 及其自组织性能。案例相似度涵盖原子级的方面相似度(Aspect Similarity)以 及在此基础上计算得到、支撑案例匹配的视图相似度(View Similarity)，前者
决定了后者计算的效率与精度。 在知识经济背景下，以“客户、竞争、变化(3C)〞为主体特征的市场环境驱使 企业的信息/知识资源管理主体拓宽视野，在更大范围内谋求资源共享与能力整 合。随着管理对象的横向拓展以及管理层次的纵向拉伸，KMS 要素关系的复杂 度陡然增加。是故，较之于一般 CBR 系统的案例结构，知识管理自学习案例更 为复杂，平行结构体方面(Parallel Structure Aspect)成为其常见的组成部分。 然而，业内学者大多关注对案例检索算法的研究，对案例相似度则研究较少(在 中国知网仅能查到 12 篇相关论文)，更鲜有对平行结构体方面相似度的研究成 果，尚不能满足 KMS 自学习子系统的建模要求。 有鉴于此，笔者将 CBR 的技术思想引入 KMS 自学习研究领域，将 KMS 的每 一次应用过程所对应的完备的知识结构描述为知识管理自学习案例，探讨知识 管理自学习案例平行结构体方面相似度的计算机理，以期对提升 KMS 自学习、 自组织效能有所裨益。
2 平行结构体方面特征
知识管理自学习案例是由假设干方面(Aspect)构成的多面体结构，其构成方面可 以是数值型、字符型、布尔型、枚举型等基本类型，也可以是分类树、平行结 构体等复合类型。类型不同，方面相似度的计算方法各异。源于知识协同与整 合思想，平行结构体方面是具有平行多维度的复合结构，对应于相对复杂的知 识应用必须求，有助于提升知识匹配与应用效率。平行结构体方面的每一维度代 表了知识主体对既定对象的一种认知角度，各维度之间为平行而非次序关系。 在每一认知维度上，平行结构体方面既可能为有限值，也可能为无限值；既可 能为连续值，也可能为离散值；既可能为简单的数值型、字符型、布尔型、枚

举型，也可能为相对复杂的分类树型。在实际操作中，知识管理自学习案例的 平行结构体方面可能同时在多个维度上取值。如图 1 所示，“知识类型〞方面 为平行结构体型。它具有平行分布的 9 个维度，该方面可能同时在不同分类维 度上取值。例如，当该方面值为“外源的显性知识〞时，便是在“来源渠道〞、 “明晰程度〞两个维度上同时取值。 源于平行结构体方面相对复杂的组成结构与多变的取值类型，知识管理自学习 案例的平行结构体方面相似度是一类特别的案例相似度，其计算过程不能如计 算一般案例方面相似度那般一步到位。为此，笔者制定“两步走〞策略，完成 对知识管理自学习案例的平行结构体方面相似度的计算过程：步骤一，计算维 度 相 似 度 (Dimension Similarity) ； 步 骤 二 ， 计 算 方 面 相 似 度 (Aspect Similarity)。另一方面，知识管理自学习案例的平行结构体方面维度多元、类 型多样，这导致其维度相似度计算状况复杂，必须要给予系统、深入地分析与梳 理。唯有如此，方能夯实知识管理自学习案例的平行结构体方面相似度的计算 基础。
3 平行结构体方面相似度计算方法
3.1 维度相似度计算 记知识管理自学习案例的平行结构体方面 ai 第 k 个维度分 量为，案例 Case1 和 Case2 在上的取值分别为和，两者在该维度上的维度相 似度记为(C1,C2)。知识管理自学习案例的平行结构体方面在既定维度上的取值， 可被归纳为如下四种状况：a.在该维度上为确定值；b.在该维度上为非确定值， 但已知该维度取各可能值的概率；c.在该维度上为非确定值，且其取值概率未 知；d.在该维度上尚未进行区分，无任何取值信息。如此，知识管理自学习案 例平行结构体方面的维度相似度将被细分为 7 种状况分别讨论。必须要指出的是，参加相似度计算的两个对象(Object)既可能是 KMS 中的两个自 学习案例，也可能是 KMS 中的一个自学习案例与用户待解问题(尚缺判定结论/ 解决方案的准案例)。前者主要发生在 KMS 自组织或其自学习案例的知识进化 过程中，后者则发生在 KMS 满足用户知识必须求、辅助用户解决问题的过程中。 状况一：两个匹配对象在方面 ai 的维度 k 上均取确定值，(C1,C2)的计算可依 和的类型区别计算。当待测维度为布尔型或简单枚举型(可能值之间不存在次序 关系)，其维度相似度计算如下： 当待测维度为数值类型时，则首先基于领域知识分析、界定匹配对象在该维度 上的值域区间[VLower，VUpper]。在此基础上，其维度相似度计算如下： 当待测维度为日期/时间型、字符型时，其维度相似度也可按上式计算。其中， 值域[VLower，VUpper]表征了最大可能的时间跨度或者 ASCII 码的值空间； 当待测维度为非 ASCII 码字符时，VLower 取值为 0，VUpper 为待测非 ASCII 码字符串的最大长度，|则演变为待测非 ASCII 码字符串之间非同字符串长度。 次序枚举型方面维度的各可能值之间表现为可测但模糊的语义距离。例如，如 图 1 所示的“知识类型〞方面之“谱线定位〞维度便是典型的次序枚举型，它 的各个可能取值(文档知识、样本知识、符号知识、案例知识、模型知识)的结 构化程度依序加强。当待测维度为次序枚举型，其维度相似度的计算公式为： 其中，Ord(·)表示既定维度值在该维度值域集合中的序数，Card(·)为待测维度 的基数。 状况二：至少有一个匹配对象在方面 ai 第 k 个分类维度上取无任何信息的空值。 此时，该维度相关于案例方面相似度的计算为冗余维度，于是有： 状况三：一个匹配对象在方面 ai 第 k 个分类维度上取确定值，另一个匹配对象

在该方面同一分类维度上为离散的已知概率)或连续的已知概率分布)的非确定 值。此时，针对取值非确定的匹配对象，将其分别取该维度值空间内的每一个 确定值，其中)是方面 ai 第 k 个分类维度的值空间基数；而后，依据“状况一〞 所述之方法逐一计算)。 在此基础上，当方面 ai 第 k 个分类维度为离散型时，对上述结果取期望即可得 两个匹配对象在方面 ai 第 k 个分类维度上的维度相似度： 当方面 ai 第 k 个分类维度为连续数值型时，将上述结果与其概率分布的积在)] 上作定积分，即可得两个匹配对象在方面 ai 第 k 个分类维度上的维度相似度： 状况四：一个匹配对象在方面 ai 第 k 个分类维度上取确定值，另一个匹配对象 在该方面同一分类维度上为未知概率的非确定值，将按均匀分布处理。方面 ai 第 k 个分类维度为离散型的维度相似度为： 当方面 ai 第 k 个分类维度为连续数值型时，所求维度相似度为： 状况五：两个匹配对象在方面 ai 第 k 个分类维度上均为已知概率)和)或者已知 概率分布)和)的非确定值和。当方面 ai 的第 k 个分类维度为离散型，其维度相 似度为： 当方面 ai 第 k 个分类维度为连续数值型时，所求维度相似度为： 状况六：两个匹配对象在方面 ai 第 k 个分类维度上均为未知概率的非确定值和， 将和都按均匀分布处理。当方面 ai 的第 k 个分类维度为离散型，其维度相似度 为： 当方面 ai 第 k 个分类维度为连续数值型时，所求维度相似度为： 状况七：一个匹配对象在方面 ai 第 k 个分类维度上取已知概率)或概率分布)的 非确定值，另一个匹配对象在该方面同一分类维度上为未知概率的非确定值。

此时，将按均匀分布处理。方面 ai 第 k 个分类维度为离散型的维度相似度为： 当方面 ai 第 k 个分类维度为连续数值型时，所求维度相似度为： 3.2 方面相似度计算 当两个匹配对象在既定平行结构体方面的各维度相似度均 已计算完成，则可在此基础上计算其方面相似度。由于平行结构体方面的各分 类维度间是平行对等的，可对各维度相似度取平均值从而得两个匹配对象在方 面 ai 上的方面相似度： 上式中，Card(ai)为平行结构体方面 ai 的分类维度基数。当然，如果知识主体 出于某种特别必须求或个人偏好，必须要对既定平行结构体方面各维度相似度的重 要性有所区别，则可基于其必须求或偏好设置权重向量 =(ω1,ω2,…,ωCard(ai))(其中 ωi=1)后，按下式计算方面相似度：
4 算例分析
案例存储模式、组织方式影响相似度计算的实施细节。在 KMS 自学习子系统 的案例存储结构制定的过程中，为提升案例方面数据的存储效率和有效性，笔 者对如图 1 所示的知识管理自学习案例平行结构体方面“知识类型〞作如下处 理： 其一，关于“明晰程度〞“适用范围〞“来源渠道〞“成熟水平〞“发展状 态〞“准确程度〞这 6 个分类维度，鉴于其二值互斥特征，在案例存储模式设 计时将其由字符型转化为布尔型。具体策略是，将上述各维度由字符枚举型转 化为以其第一个维度值为“核〞的布尔型维度，如“明晰程度〞转化为“是否 显性知识〞。如此，其维度值便可由“显性知识〞或“隐形知识〞精简为布尔 型常量 T 或者 F。余者同理，不再赘述。如此，可有效节约 KMS 案例库的物理 占用空间、提升案例知识的存取效率。

其二，关于“内容属类〞“对应层次〞2 个简单字符枚举型分类维度，其维度 类型不作调整。不过，为提升案例存储效益，在案例模式制定时，关于“内容 属类〞维度，以单字节的“A〞“B〞“C〞“D〞分别表征“事实知识〞“原理 知识〞“技能知识〞和“人力知识〞；关于“对应层次〞维度，以单字节的 “A〞“B〞“C〞分别表征“个体知识〞“团体知识〞和“组织知识〞。 其三，关于“谱线定位〞这一次序枚举型分类维度，则以简单数值 1、2、3、4、 5 分别表征“文档知识〞“样本知识〞“符号知识〞“案例知识〞和“模型知 识〞在该分类维度空间中所处的次序。 对应于前述处理策略，笔者在 KMS 自学习子系统案例检索引擎的人机接口内 置转换表，负责对案例检索结果的形式转换与语义解释。表 1 列出了该转换表 的部分内容，它建立了知识管理自学习案例平行结构体方面 ai 的各维度代码及 其含义之间的对应关系。 KMS 自学习子系统案例库中的两个案例(Casex 和 Casey)在“知识类型〞方面 (记为 ai)的各分类维度取值如表 2 所示。表中方面 ai 各维度的取值意义前已述 及，不再赘述。其中， Casey 在方面 ai 的 D4 分类维度为空值(记为“N〞)。 必须要指出的是，在应用施行中，关于既定知识单元通常很难准确界定其在具体 分类维度上的属类。事实上，知识应用的复杂性反向强化了知识整合要求，这 导致知识粒度的继续增大，进而造成知识属类模糊化现象。例如，表 2 中案例 Casex 在方面 ai 的 D1(内容属类)维度的取值就是模糊的，它属于“原理知识〞 的概率为 65%，属于“技能知识〞的概率则为 35%。 在表 2 的基础上，基于前述维度相似度计算方法，计算维度相似度 (Cx,Cy)(k=1,2,…,9)；而后，依据前述等权重方面相似度计算公式，计算得到知

识 管 理 自 学 习 案 例 平 行 结 构 体 方 面 “ 知 识 类 型 〞(ai) 的 方 面 相 似 度 Simai(Cx,Cy)，结果如表 3 所示。 在该算例中，知识管理自学习案例 Cx 和 Cy 在其平行结构体方面 ai 上有 9 个 分类维度，并且各分类维度的取值类型与可能状况差异很大，导致方面相似度 的计算障碍。本文提出的算法思路与实施策略，有效克服了计算障碍，得到了 该方面相似度的计算结果(0.6110)，从而为后续案例视图相似度的计算奠定了 基础。 不过，作为计算基础，知识管理自学习案例平行结构体方面相似度的计算仍必须 领域专家的先验知识支持，以此完成对具有模糊特性维度值确实定工作；否则， 只能待之以空值(N)，而空值状况的增加会导致计算结果精度的降低。通常，当 空值数目超过方面维度总数的 1/4 时，则必须要领域专家的再介入并在进一步消 减空值维度后，才干按前述算法计算方面相似度。
5 结束语
——系统思索在知识管 理系统中的应用[J].科学学研究,2009,27(7):1045-1052,1065. [9] 张 建 华 , 刘 仲 英 . 当 前 知 识 管 理 系 统 模 型 问 题 与 对 策 分 析 [J]. 情 报 学 报,2004,23(1):73-77. [10] Ron S, Mahoney J T. Modularity, Flexibility, and Knowledge Management in Product and Organization Design[J]. IEEE Engineering Management Review,1997,25(4):50-61. [11] Dursun D, Halil Z, Cemil K,et al. A Comparative Analysis of Machine Learning Systems for Measuring the Impact of Knowledge Management Practices[J].Decision Support Systems,2021,54(2):1150- 1160. [12] Veljko A, Dorde D. Knowledge Management through Blended Learning[J]. Metalurgia International, 2021, 17(7):194-197. [13] 彭 纪 生 , 赵 步 同 . 论 知 识 管 理 与 自 组 织 理 论 [J]. 系 统 辩 证 学 学

报,2005,13(1):37-39. [14] 吴应良,肖万程,王舒军,等.供应链知识管理系统的自组织分析[J].系统科学学 报,2006,14(3):83-88. [15] 刘仲英,吴 冰,徐德华,等.企业知识管理系统柔性与环境的战略匹配[J].同济 大学学报：自然科学版,2004,32(6):811-816. [16] 张建华,刘仲英.案例推理和规则推理结合的紧急预案信息系统. 同济大学学 报：自然科学版，2002,30(7): 890-894. [17] Elham P, Michael R, Guenther R. Defect Prediction Using Casebased Reasoning: An Attribute Weighting Technique Based upon Sensitivity Analysis in Neural Networks[J].International Journal of Software Engineering and Knowledge Engineering,2021,22(6):747-768. [18] Subhagata C, Suvendu B, Fethi R，et al. A Case-Based Reasoning System for Complex Medical Diagnosis[J]. Expert Systems,2021,30(1):1220. [19] 张建华,郭增茂,刘 潇. 知识管理中的案例知识表示机理研究[J]. 情报杂志, 2021,31(6):112-115. [20] 邹 鹏,闭应洲,杨虎林,等.CBR-GA 算法中案例相似度的研究[J].广西师范学 院学报:自然科学版,2021, 28(1):105-108. [21] Tamotsu M, Jun S, Naomasa N. Definition of Design case Similarity Based on Physical Quantities and Terms for Engineering Design Aid[J]. Transactions of the Japanese Society for Artificial Intelligence, 2002,17(1): 85-93.

[22] 李筱青,罗新星,资武成.基于案例推理方法的政府间决策协商模型[J].系统工 程,2021,31(5):73-78. (责编：王平军) 基金项目：国家社会科学基金项目“知识管理 RS-CBR 自学习系统研究〞