愛華網(wǎng)???? 1.引言 21世紀(jì)是知識經(jīng)濟的時代。如今關(guān)于對知識經(jīng)濟的研究和實踐逐漸從宏觀層次轉(zhuǎn)向了微觀領(lǐng)域，學(xué)術(shù)界已經(jīng)非常關(guān)注知識經(jīng)濟的微觀基礎(chǔ)——企業(yè)的知識管理問題。企業(yè)的知識總體上可以分為兩類：顯性知識和隱性知識，這最早出現(xiàn)在野中郁次郎先生的著作《創(chuàng)造知識的企業(yè)》中。顯性知識通常指那些易于識別易于編碼的知識，例如書本、文檔等；相反隱性知識是難以被編碼并且存在于人們腦海中的知識，不易被察覺。一般來講，隱性知識比顯性知識更完善、更能創(chuàng)造價值，隱性知識的挖掘和利用能力將成為組織成功的關(guān)鍵。想要對隱性知識進行良好的管理必然要用到相關(guān)的工具，按照用途不同大致分為三類，如圖1所示： 圖1 知識管理工具 本文即是選取了知識地圖這一工具對企業(yè)中的隱性知識進行管理，并且將關(guān)注的焦點集中在構(gòu)建知識地圖的實施過程中如何有效的對大量專家進行匹配與推薦，從而得出最優(yōu)的一位專家。在這一過程中將會用到向量空間模型以及其它數(shù)學(xué)分析方法。 2.隱性知識地圖構(gòu)建 隱性知識地圖總體架構(gòu)。隱性知識地圖在本質(zhì)上依然是一個管理信息系統(tǒng)，因此它的整體架構(gòu)依然采用經(jīng)典的三層結(jié)構(gòu)，如圖2所示： 圖2 知識地圖整體架構(gòu) 本文并不詳細討論這樣一個信息系統(tǒng)要如何分析、設(shè)計以及實現(xiàn)，而是將焦點集中在其中的一個小部分——專家匹配與推薦的方法上，這是本文要闡述清楚的問題。 數(shù)據(jù)庫的設(shè)計。隱性知識地圖的數(shù)據(jù)庫中的數(shù)據(jù)很簡單，有兩大類，分別為專家信息和文檔信息。首先專家的信息包括： ·專家的基本信息：包括賬號、密碼、等級、姓名、郵箱地址和聯(lián)系電話。這些信息一是為專家自己的身份驗證儲存必要的信息，二是當(dāng)求助者找到最合適的專家時可是與他們順利取得聯(lián)系。 ·專家的自我描述信息：包括專業(yè)領(lǐng)域有哪些、都有些什么工作經(jīng)歷等等，越詳細越好。 ·專家的Tag：其他用戶可以為專家貼上標(biāo)簽，表明自己對專家的評價和認識，但是標(biāo)簽必須記錄下源標(biāo)簽用戶。 ·專家的文檔：這里包括專家所撰寫的論文、書籍、報告等文字性的成果。如果涉及到保密的問題，用戶必須經(jīng)過專家的同意取得相應(yīng)的權(quán)限才可以閱讀。 ·專家的權(quán)威程度：專家的權(quán)威程度由專家每次解答問題后的得分以及打分的用戶的等級來決定的。它表明了專家在其專業(yè)領(lǐng)域內(nèi)的可信程度，權(quán)威度越高就表示越值得信賴。 ·專家的人際關(guān)系狀況：這其中具體分為：親密朋友、朋友、有一起合作過的同事、普通同事這四種，不同的人際關(guān)系表示不同的親密程度，也反映了專家共享信息的意愿程度。 ·專家的狀態(tài)：這個是由專家自己進行填寫，用來表明在近期內(nèi)是比較忙碌還是比較空閑，這也是作為專家推薦的一個考慮因素。 其次文檔的信息包括： ·文檔的基本信息：包括標(biāo)題、創(chuàng)建時間、作者。 ·文檔的Tag：由用戶為文檔貼上標(biāo)簽，表明自己對該文檔的認識，標(biāo)簽必須記錄下該標(biāo)簽的源標(biāo)簽用戶。 ·文檔的描述信息：用比較簡短的文字介紹文檔的重要內(nèi)容，類似于摘要性質(zhì)的文字，其中要涵蓋文檔中所有關(guān)鍵性的部分。 專家匹配。 用戶登陸進入隱性知識地圖需求幫助，方式是采取常見的查詢方式。一般來說，查詢框內(nèi)接受三種形式的搜索條件： ·關(guān)鍵字搜索：這是最普遍的方法，一般網(wǎng)站進行搜索都是關(guān)鍵字進行匹配然后得出符合條件的結(jié)果。 ·關(guān)鍵語句搜索：在搜索框內(nèi)輸入一句或幾句關(guān)鍵性的語句，以此與文檔進行比較，找出最相似的文檔，再由此找出編寫這些文檔的專家。 ·專家名字搜索：這個最直接，輸入專家名字，查看專家的信息以及專家文檔的一部分信息。 關(guān)鍵字搜索時，一是直接根據(jù)專家的Tag與關(guān)鍵字進行匹配得出結(jié)果；二是 將文檔的Tag與關(guān)鍵字進行匹配，得出文檔名稱然后再獲得文檔撰寫者——專家的名字。兩種方法都是相對不太復(fù)雜的SQL語句的查詢，這里不做過多的說明。 關(guān)鍵語句搜索時，要將輸入的語句與文檔內(nèi)容以及專家的自我描述信息進行比較，這里不再是簡單的ＳＱＬ語句就可以得出結(jié)果，需要用到向量空間模型VSM（Vector Space Model）。一篇文檔在VSM中被表示成一個向量，每個向量由其特征值與特征值的權(quán)值表示，這就構(gòu)成了文檔向量空間。其中特征值是指從文檔中選出的最能代表文檔內(nèi)容的特征子集，它們都是對相似度計算有真正貢獻的項，特征值以及權(quán)重的選擇已經(jīng)有很多成熟的方法可以具體操作，在這里不再贅述。我們要做的就是：首先，將關(guān)鍵語句和文檔表示為向量的形式，分別為： 最后從相似度由大到小保留設(shè)定好的m個結(jié)果，就是匹配的專家。 專家名字搜索是最直接的方法，如果專家存在，直接得出最終結(jié)果，匹配的專家也就是推薦的專家，不需要下面的步驟了；如果專家不存在，操作到此結(jié)束。 專家推薦。專家推薦指標(biāo)的確定：經(jīng)過前一階段的匹配之后，一般來說會出現(xiàn)符合條件的好幾個專家，專家地圖接下來的工作就是要在匹配成功以后從得到的幾個專家中找出一個或有限的幾個合適的推薦給用戶。 第一個推薦指標(biāo)：專家的權(quán)威程度。權(quán)威程度是由專家每次為用戶提供幫助后用戶的打分以及該用戶的等級共同決定的，可將打分的分值看成權(quán)值，而用戶等級看成權(quán)重，用兩者的乘積作為求權(quán)威程度得分的一個基礎(chǔ)。用戶打分最低為一分，最高為五分，用戶等級分為一到十級，每個社區(qū)都有其用戶升級的辦法，本文在這里不做具體的說明。設(shè)用戶打分為S，用戶等級為L，則專家權(quán)威程度。 第二個推薦指標(biāo)：專家的狀態(tài)（Status）。推薦最合適的專家只考慮權(quán)威程度是不夠的，因為只有當(dāng)專家有空閑時間的時候才能為用戶提供幫助，如果專家近期內(nèi)都是處于工作量很大的狀態(tài)的話，也是不適合為用戶推薦的。專家的狀態(tài)有很多種，根據(jù)忙碌還是空閑的程度的不同用處于零到一之間的數(shù)進行評分，越接近一表示專家越空閑越有時間和精力為用戶提供幫助；越接近零表示專家越忙碌越?jīng)]有可能再為用戶進行服務(wù)。專家的狀態(tài)是自己給出的，但是需要系統(tǒng)給出一定的選擇范圍并明確定義每個狀態(tài)對應(yīng)的評分情況，具體如表1所示： 表1 專家狀態(tài)打分 第三個推薦指標(biāo)：專家的路徑接近代價。每個專家都有自己的生活圈子，在圈子里都有和其親密程度不同的人，越是親密的人專家越愿意與其共享信息；越是疏遠的人專家越不愿意與其共享信息。因此，在專家推薦的時候除了考慮前面兩個因素以外，還要考慮如何接近專家以及在通過每個人接近專家時相鄰兩人之間的親密程度。這樣的話，首先第一步要解決如何接近專家的問題。這時，將所有的用戶（也即是專家）都看成是網(wǎng)絡(luò)上的一個個節(jié)點，將尋求幫助的用戶作為起始點，運用深度優(yōu)先遍歷法，將所有與起始點有關(guān)聯(lián)的點都遍歷一遍并記錄下遍歷路徑。下面給出一種全遍歷的方法： （1）將開始頂點及該頂點的所有鄰接點進棧，并標(biāo)記開始頂點已訪問； ?。?）當(dāng)棧不空時，執(zhí)行循環(huán)如下： 1）當(dāng)棧不滿時，執(zhí)行循環(huán)。 A 當(dāng)棧不滿且棧頂節(jié)點有未訪問 的鄰接點時，執(zhí)行循環(huán)。
a 選擇棧頂節(jié)點的當(dāng)前鄰接點，作為棧頂節(jié)點進棧，并標(biāo)記該頂點已訪問； b 該棧頂節(jié)點的所有鄰接點進棧； B 如果棧不滿，則從棧頂?shù)綏５姿阉黜旤c的所有鄰接點（不包括頂點的當(dāng)前鄰接點），第一個有未訪問過鄰接點的頂點，則該頂點的未訪問的鄰接點進棧； 2）如果棧滿，則求得一個遍歷序列； 3）當(dāng)棧不空且棧頂節(jié)點無下一未訪問的鄰接點時，執(zhí)行循環(huán)； A 退棧，重新標(biāo)記該頂點未訪問； ?。?）?？战Y(jié)束。 這樣找到所有與該提問用戶有關(guān)聯(lián)的其他用戶（也就是某一方面的專家），此時在所有有關(guān)聯(lián)用戶中尋找有沒有之前專家匹配中出現(xiàn)的專家，若是有則保留下接近這些專家的路徑。這樣第一步完成，接下來是計算接近專家的路徑代價。 第二步，專家接近路徑代價。不難理解， 在接近專家的過程中，相鄰兩人關(guān)越親密信息越容易共享代價也就越??；相反兩人越不熟悉信息共享越難代價越大。每個專家的接近路徑代價是由該條路徑上每兩人之間的親密程度共同決定的，根據(jù)親密程度的不同用零到一之間的數(shù)來表示，越接近一表示越親密越容易信息共享；越接近零表示越疏遠越不容易信息共享。具體標(biāo)準(zhǔn)如表2所示： 表2 親密程度打分表 如何推薦評價：至此，專家的三個推薦指標(biāo)也已經(jīng)闡述完畢，如何在匹配的眾多專家中推薦出適合查詢者的是本部分關(guān)注的焦點。這里我認為有兩種推薦方式： 由查詢者決定將三個指標(biāo)中的某一個優(yōu)先考慮，那么系統(tǒng)會給出按這一指標(biāo)優(yōu)先順序排列的三位專家以及他們的聯(lián)系方式。例如：查詢者看中專家的權(quán)威程度，系統(tǒng)就會根據(jù)專家權(quán)威程度由高到低的排名給出三位專家推薦。 查詢者對于專家推薦的三個指標(biāo)都很看中。那么，此時專家的推薦由三個指標(biāo)的綜合得分最后評定。即： 得分，S=Authority*Status*Cost，Authority、Status以及Cost都是介于0到1之間的整數(shù)，因此，得分越高表示專家越適合推薦給查詢者，選取得分最高的三位專家進行推薦。 3. 總結(jié) 本文研究了隱性知識地圖構(gòu)建中專家匹配與專家推薦需要的指標(biāo)，為了使得推薦的結(jié)果最合理，綜合考慮了很多方面的因素。 以往的專家地圖首先在匹配的時候往往只有一個關(guān)鍵字的查詢匹配忽略了關(guān)鍵語句的查詢，不夠詳盡、完整；其次，在匹配操作結(jié)束后并沒有再進行推薦，只是單純給出符合查詢條件的好幾個專家，至于專家的選擇問題就留給了用戶自己解決；再一點，即使有推薦的過程，可能只有簡單考慮了專家的權(quán)威程度，將權(quán)威程度最高的一位推薦出去而忽略了專家的狀態(tài)以及如何接近專家和路徑代價的問題。本文匹配與操作的過程都有進行并且已經(jīng)盡量將所有可能影響推薦的因素都考慮到了。希望本文可以為再生金屬企業(yè)在構(gòu)建專家地圖的時候起到一點幫助和作用。 參考文獻 [1]黃橡麗，張偉. 圖的全遍歷方法的研究及實現(xiàn)[J]. 天津紡織科技，2005.03 [2]Baumard, P. (1999), Tacit Knowledge in Organizations, Sage, London. [3]王偉軍，劉艷芬等.基于Web2.0 知識管理系統(tǒng)的設(shè)計[J].信息系統(tǒng)，2009.06
愛華網(wǎng)本文地址 » http://www.klfzs.com/a/9101032201/53429.html
