冯鉴 姚敏
(浙江大学计算机学院，杭州 310028)
摘 要：知识管理是当代企业管理的重要概念与手段。本文以知识生命期为线索，通过对知识管理各阶段的呈现特征和采用技术的研究和讨论，简要总结了知识管理的基本理论与基本方法。
关键词：知识；知识管理；广义计算
中图分类号：TP18
Methodology on Knowledge Management
FENG Jian YAO Ming
(Computer Institute of Zhejiang University, Hangzhou, 310028, China)
Abstract：Knowledge management is an important concept and means in contemporary enterprise management. Through the researching on specialty and technology of different phase of knowledge management according to knowledge life cycle, this paper discusses the fundamental theories and basic methods of knowledge management.
Key Words：knowledge, knowledge management, generalized computing
1 引言
随着人类社会跨入21世纪之时，知识经济的浪潮滚滚而来。知识经济是在工业经济高度发展后的一个新的经济阶段。知识经济的主要特征是（1）知识成为最重要的生产要素和经济增长源泉；（2）知识创新是知识经济发展的动力；（3）教育成为知识经济的中心，学习成为个人和组织生存的先决条件；（4）信息技术的发展是知识经济的关键因素。
知识作为一种特殊的产品，有它自己的生命期。知识的生命期包括知识产生，知识编码，知识传播和知识利用等环节。本文就以知识生命期为线索，简要讨论知识管理的基本理论与基本方法。
2 知识产生
新的知识不会突然的产生，创新总是需要在前人的知识基础上进行。组织或个人实现创新的第一步是要获取大量的相关知识。
虽然组织中现有各类数据库系统、文件管理系统、电子邮件以及外部Internet上的大量信息来源，但信息本身并不是知识，须进一步提升而得。所以有效的知识产生和管理需综合利用数据仓库、人工智能技术、机器学习等多种技术，以及在整个过程中人与计算机之间和人与人之间的充分有效的交互和协作。
知识的产生即是一个对大量数据进行分析挖掘的过程，包括数据预处理、知识提取、知识评估及过程优化。由于现实中的数据往往是不完整的、含噪声的和不一致的，因此首先要进行数据的预处理，即通过数据清理、数据集成、数据变换和数据归约来改进数据的质量，以提高知识产生的精度和性能。从知识的静态形式来看，可分为显性知识和隐性知识两种形式，显性知识是指可文档化的知识；隐性知识一般指难以表述清楚、隐含于过程和行动中的知识，如经验、直觉和社交网络等。从知识的动态过程来看，知识总是在不断更新和发展，旧的知识不断被淘汰，新的知识不断产生。因此知识产生要求（1）既便于显性知识的产生，又便于隐性知识的产生，通过把隐性知识转化为显性知识来丰富组织的知识能力；（2）知识产生过程应是不断反复、多次迭代的，通过对相关数据的再处理及知识学习算法的优化，不断提高学习效率和知识更新能力。常用的知识产生的方法主要有神经网络方法、模糊方法、进化学习方法和广义学习方法。
2.1 神经网络方法
是一种模拟人脑神经元方法，包括一些互连的元件组成的网络。其学习过程是逐步修改元件间的连接强度，即改变连接的权值，它是一种通过训练来学习的非线性预测模型，适合于初始知识很少的分类、聚类、特征挖掘等多种知识发现任务，但所发现的知识难以有效解释。神经网络方法的类型有前馈式网络、反馈式网络和自组织网络。
2.2 模糊方法
模糊方法是利用模糊集合理论对实际问题进行模糊评判、模糊决策、模糊模式识别和模糊聚类分析。由于现实世界中模糊性是客观存在的，而且系统的复杂性愈高，精确化能力就愈低，这就意味着模糊性愈强。模糊方法在某些复杂的、无法用精确的数字或词语来表达的知识产生的领域取得了较好的效果。
2.3 进化学习方法
进化学习即目前常用的模拟生物进化过程的遗传算法。它由三个基本算子组成：⑴繁殖（选择）：从一个旧种群（父代）选择出生命力强的个体产生新种群（后代）的过程；⑵交叉（重组）：选择两个不同个体（染色体）的部分（基因）进行交换，形成新个体；⑶变异（突变）：对某些个体的某些基因进行变异（1变0，0变1）。这种遗传算法起到产生优良后代的作用。这些后代需要满足适应值，经过若干代的遗传，将得到满足要求的后代（问题的解）。遗传算法在优化计算和分类机器学习方面效果比较显著。
2.4 广义学习方法
广义学习方法是一种综合型学习方法，充分吸取了现代多学科关于学习机理的研究成果，综合神经科学、心理学与智能科学的研究成果，集成了符号学习、联接学习、模糊学习和演化学习的特点。其基本要素是广义学习子（简记为GLU），GLU没有固定的模式，因而可以借助各种输入信息开展自适应学习。广义学习方法具有适合知识产生的诸多特点：
⑴自动性：因为广义计算的框架既是符号的，又是数值的，而且是多维的，所以可以实现半自动或全自动的知识获取。
⑵全面性：基于广义计算技术建立的广义知识库具有丰富多样性和集中分布性，广义知识库既有隐性知识（如人工神经网络的联接权矩阵），又有显性知识（如逻辑规则、产生式规则等），还有模糊知识（如模糊概念、模糊if-then规则等）同时又可含有多种不同层次的知识。
⑶动态性：广义知识库具有很好的扩展性和自我完善机能，使得过时的知识能及时地更新，能自动处理知识的不一致性。广义学习子（GLU）可以借助各种输入信息开展自适应学习，广义学习子的学习过程就是状态转移函数、输出响应函数及其参变量的逐步调整过程。广义学习系统可由各种感觉分析网络、综合网络和记忆网络所组成，具有高度并行、有机融合、择优进化等特色，因而提高了知识发现的效率与知识的有效性、可行性与创新性，且在处理的任意阶段，可返回以前阶段进行再处理。
3 知识表示
如果仅有知识生成工具，那么它的作用将是微乎其微的。知识在产生出来后，只有通过共享和交流才能发挥其巨大的价值。知识编码则是通过标准的形式表现知识，使知识能够方便的被共享和交流。
知识表示既要能表示成适合知识库易于处理和存储的方式，同时又要以用户易于理解的方式来自然地表达其知识。针对不同发现技术所产生的知识其表现形式往往也不尽相同，知识表示主要应考虑所表示的知识的准确性、直观性和自解释性，能根据问题的性质和不同的用户，以易于用户理解的方式进行知识的确切描述与表达，而这种表述又是可解释的。主要的知识表示方法有：
3.1 自然语言表示
用自然语言来表示所发现的知识其优点是描述直观，易于理解。但自然语言描述限制较多，形式过于单一，往往无法满足多种发现任务的需要。
3.2 形式逻辑表示
把知识通过引入谓词、函数来加以形式描述，获得有关逻辑公式。这种方式符号简单，自然、严密，但结果表示不够自然，对用户要求高。而且表达能力有限，有些如归纳结构的、多层次的知识很难用一阶逻辑来表示。
3.3 框架表示
框架是指由若干个结点和关系（槽）构成的网络。框架由框架名和一些槽组成，槽值含有如何使用框架信息、下一步可能发生的信息等。框架表示易于构成框架树作出针对问题的灵活框架组合，但对新的情况不易适应。
3.4 产生式系统
产生式是指符号的变换规则A->aA，是由美国数学家Post于1943年提出的。 产生式系统由知识库和数据库组成，其推理方式有正向推理、反向推理和双向推理。其格式固定，形式单一，使的知识库的建立和修改均比较方便，对系统的推理路径容易作出解释，但只能处理较为简单的问题。知识单位（规则）太小，难于处理复杂问题。适用于表示有关论域中各个不同状态间的关系，不适合表示事物同其各个部分间的分类知识。
3.5语义网络表示
语义网络是1968年Quilian提出的，用槽和填槽结构来表示，是有一些有向图表示的三元组（结点1，弧，结点2）连接而成，结点表示概念、事物等，弧是有方向和标注的。结点间的关系有is a、part-of和is三种。语义网络是依匹配来进行推理，用图解的形式来组织知识，可以把事物的结构、属性及因果关系通过节点与弧链的形式明显而简要表达出来。优点是自然直观、易于理解，但其推理方法还不完善。
3.6面向对象的知识表示
面向对象的知识表示是以抽象数据类型为基础，通过类继承和对象间的消息激发机制来实现推理。它是以对象为知识分割实体，自然地体现了各种知识之间的相互作用，而将知识对象进行封装也便于知识库的维护和修正。
3.7 广义计算表示
广义计算由于既具有从无法建模的数据中提取知识的能力，又具有良好的解释机制，因而特别适合于知识管理中的知识表达问题。广义计算表示具有（1）全面性：因为广义知识库不仅可以存储知识的条目，而且存储着与之相关的事件，知识的使用记录，来源线索等等相关信息，所以可为知识的运用提供相关的语境；（2）灵活性：广义计算可以利用类似于神经计算或演化计算的方法来实施知识抽取，再将这些知识以类似于自然语言的模糊语句的形式表示出来；（3）多样性：广义计算可以通过一种知识表示切换到另一种知识表示，以满足用户的多种类型需要。
4 知识传播
知识的价值在于流动。知识的传播不仅是实现知识管理的目标---即将最恰当的知识在最恰当的时间传递给最恰当的人，同时也是知识系统自身完善和发展的需要---即在传播过程中实现知识的更新和完善。知识传播主要应考虑用户获取知识的易得性和有效性，便于知识传播的方式有智能的搜索引擎、公告牌、知识地图等。
4.1智能知识检索
首先，知识库应能提供有效的知识存储，不仅为用户提供各类知识分层次、分类别的条目，同时应能保存相关的语境信息，使用户在搜寻知识的同时能得到相关的背景知识；其次，为用户提供高效的智能搜索引擎和多种检索手段，如为那些实际检索结果为空集的失败检索提供替代选择，提供多条件搜索、模糊搜索等。
广义知识库可提供多层次的分布式的知识存储，广义计算系统能支持多种知识检索方式，支持形式化的模糊语言的知识搜索。
4.2知识地图
知识地图是用于帮助寻找知识的知识管理工具，用于帮助通过浏览方式搜索知识的用户高效率地寻找所需的资源，适合于不确定的、模糊的知识搜寻。
知识地图采用一种智能化的向导代理，通过分析使用者的行为模式，智能化的引导检索者找到目标信息。用户可以据此找到所需要寻找到的信息，随时发现谁是相关问题的专家并与之交流；发现哪些知识使用率最高，并能得到知识彼此之间的链接关系，可获得完整的、条理化的知识体系。知识地图是自动生成、自动维护的，便于知识的自动更新和维护。
5 知识利用
知识的效力在于利用。知识的利用不仅仅是对过去获得知识的静态利用，组织和个人所面对的是不断快速变化和无法事先预测的竞争环境，基于以往的知识逐渐难以预测未来，有时反而会成为一种障碍。对知识的动态的、创造性的利用是组织和个人提升竞争力的关键，也是知识管理获得成功的关键。有效的知识利用应包括方便的、个性化的知识存取，便捷的知识沟通平台，鼓励知识贡献和共享的机制。
5.1 个性化的知识存取
由于知识结构和背景的差异，不同的个体或群体提供或获取知识所切入的角度和关注的重点是不一样的，这种“个性化”体现在各个方面，如内容、频率、结构等，实现个性化的知识存取是提高知识利用水平的有效途径。基于用户使用知识的数据挖掘即用户行为模式的挖掘可分析、统计用户的行为习惯，区分不同层次、不同背景的知识用户，以便快速有效的将适当的知识传送给适当的人，从而使组织内的个人共享最佳实践的经验和提高决策水平。
5.2 便利的知识沟通平台
对组织的竞争力起关键作用的是存在于组织和个人中的隐性知识。对隐性知识的管理除了采用“从人到文档”的方法鼓励用户把所拥有的隐性知识显性化，纳入组织的知识库管理外；建立有效的沟通和交流渠道，使知识拥有者和知识需要者能迅速建立联系来满足知识获取的需求也是一个重要的方面。通过知识地图和知识社区，使组织中的个人能通过方便的和相关领域知识专家进行实时的沟通讨论来获得知识；同时在知识发现和协同工作的过程中进行知识的创新，产生新的知识，推进持续的知识创新活动。
5.3 提倡知识创造和共享的价值观
知识管理的要素是人，知识的利用和创新取决于个人的参与程度。而知识的共享并不是组织内个人的自发的、主动的行为，因此实行知识管理的组织必须调整价值取向，建立开放而又信任的合作环境以及业绩评价与激励机制，不断使知识员工对知识创新有新需求，鼓励知识共享和利用。通过制度保证如设立知识总管（CKO）、促进知识的转换、建立知识产生效益的评测条例等，以鼓励组织内个人主动贡献自己的知识、分享他人的知识。
6 小结
根据前面的分析与讨论，可得如下结论：
（1）知识管理是一个知识产生、表示、传播和利用的连续的知识过程。知识过程不断循环往复的螺旋运动就是知识不断创新的过程。
（2）知识管理应当具有良好的可维护性、灵活的知识表示、有效的推理和查询能力以及用户可接受的性能和准确性。基于广义计算的知识管理能对知识进行有效的、一致的和完整的管理，
（3）知识管理包括对显性知识和隐性知识的管理，从知识创新和组织核心竞争力的角度来看，隐性知识的有效管理显得更为重要，也更加困难。
（4）知识管理的关键因素在于人，因此不光要注重知识管理工具的综合运用，更要培养知识共享的组织文化，才能使组织的知识管理获得成功。
参考文献
1. 王方华. 知识管理论[M]. 太原：陕西经济出版社，1999.11
2. Kosko B. Neural Networks and Fuzzy Systems: A dynamical systems approach to machine intelligence[M]. Englewood Cliffs, NJ: Prentice Hall,1992
3. Yao M. Research on Generalized Computing[J]. Fuzzy Sets and Systems 1997. 88(1): 132-133
4. Yao M, Wang W H. Research on Generalized Computing Model[C]. Proceedings of the 1998 International Conference on Neural Networks and Brain Science, 425 ~ 428
5. Yao M, Lou J H. Research on Generalized Computing System[J]. Journal of Systems Engineering and Electronics, 1998. 9(3). 39-43
6. 田贤忠. 广义计算模型研究[D]. 浙江大学硕士学位论文，1999.6
7. 姚敏. 广义学习模型研究[J], 中国矿业大学学报, 1999. 28(4). 346-349
8. Liu B D, Esogbue A O. On Some Research problems in Fuzzy Criterion Decision Processes[C]. Proceedings of the 1997 IEEE International Conference on Intelligent Processing Systems 1559-1563
9. Zhang M, Ye M, Hu H L. Fuzzy Processing Based on a Management Information System[C]. Proceedings of the 1997 IEEE International Conference on Intelligent Processing Systems 351-354
10. Yao M, Huang Yanjun. Fuzzy Consistent Relation and Decision Making[J]. Journal of Systems Engineering and Electronics. 1998. 9(2). 14-18
联系人：冯鉴 通讯地址：杭州市林司后41号杭州工人业余大学大专部（310003） 冯鉴
国家自然科学基金资助项目（编号：79970037）
