爱华网1.引言 21世纪是知识经济的时代。如今关于对知识经济的研究和实践逐渐从宏观层次转向了微观领域，学术界已经非常关注知识经济的微观基础——企业的知识管理问题。企业的知识总体上可以分为两类：显性知识和隐性知识，这最早出现在野中郁次郎先生的著作《创造知识的企业》中。显性知识通常指那些易于识别易于编码的知识，例如书本、文档等；相反隐性知识是难以被编码并且存在于人们脑海中的知识，不易被察觉。一般来讲，隐性知识比显性知识更完善、更能创造价值，隐性知识的挖掘和利用能力将成为组织成功的关键。想要对隐性知识进行良好的管理必然要用到相关的工具，按照用途不同大致分为三类，如图1所示： 图1 知识管理工具 本文即是选取了知识地图这一工具对企业中的隐性知识进行管理，并且将关注的焦点集中在构建知识地图的实施过程中如何有效的对大量专家进行匹配与推荐，从而得出最优的一位专家。在这一过程中将会用到向量空间模型以及其它数学分析方法。 2.隐性知识地图构建 隐性知识地图总体架构。隐性知识地图在本质上依然是一个管理信息系统，因此它的整体架构依然采用经典的三层结构，如图2所示： 图2 知识地图整体架构 本文并不详细讨论这样一个信息系统要如何分析、设计以及实现，而是将焦点集中在其中的一个小部分——专家匹配与推荐的方法上，这是本文要阐述清楚的问题。 数据库的设计。隐性知识地图的数据库中的数据很简单，有两大类，分别为专家信息和文档信息。首先专家的信息包括： ·专家的基本信息：包括账号、密码、等级、姓名、邮箱地址和联系电话。这些信息一是为专家自己的身份验证储存必要的信息，二是当求助者找到最合适的专家时可是与他们顺利取得联系。 ·专家的自我描述信息：包括专业领域有哪些、都有些什么工作经历等等，越详细越好。 ·专家的Tag：其他用户可以为专家贴上标签，表明自己对专家的评价和认识，但是标签必须记录下源标签用户。 ·专家的文档：这里包括专家所撰写的论文、书籍、报告等文字性的成果。如果涉及到保密的问题，用户必须经过专家的同意取得相应的权限才可以阅读。 ·专家的权威程度：专家的权威程度由专家每次解答问题后的得分以及打分的用户的等级来决定的。它表明了专家在其专业领域内的可信程度，权威度越高就表示越值得信赖。 ·专家的人际关系状况：这其中具体分为：亲密朋友、朋友、有一起合作过的同事、普通同事这四种，不同的人际关系表示不同的亲密程度，也反映了专家共享信息的意愿程度。 ·专家的状态：这个是由专家自己进行填写，用来表明在近期内是比较忙碌还是比较空闲，这也是作为专家推荐的一个考虑因素。 其次文档的信息包括： ·文档的基本信息：包括标题、创建时间、作者。 ·文档的Tag：由用户为文档贴上标签，表明自己对该文档的认识，标签必须记录下该标签的源标签用户。 ·文档的描述信息：用比较简短的文字介绍文档的重要内容，类似于摘要性质的文字，其中要涵盖文档中所有关键性的部分。 专家匹配。 用户登陆进入隐性知识地图需求帮助，方式是采取常见的查询方式。一般来说，查询框内接受三种形式的搜索条件： ·关键字搜索：这是最普遍的方法，一般网站进行搜索都是关键字进行匹配然后得出符合条件的结果。 ·关键语句搜索：在搜索框内输入一句或几句关键性的语句，以此与文档进行比较，找出最相似的文档，再由此找出编写这些文档的专家。 ·专家名字搜索：这个最直接，输入专家名字，查看专家的信息以及专家文档的一部分信息。 关键字搜索时，一是直接根据专家的Tag与关键字进行匹配得出结果；二是 将文档的Tag与关键字进行匹配，得出文档名称然后再获得文档撰写者——专家的名字。两种方法都是相对不太复杂的SQL语句的查询，这里不做过多的说明。 关键语句搜索时，要将输入的语句与文档内容以及专家的自我描述信息进行比较，这里不再是简单的ＳＱＬ语句就可以得出结果，需要用到向量空间模型VSM（Vector Space Model）。一篇文档在VSM中被表示成一个向量，每个向量由其特征值与特征值的权值表示，这就构成了文档向量空间。其中特征值是指从文档中选出的最能代表文档内容的特征子集，它们都是对相似度计算有真正贡献的项，特征值以及权重的选择已经有很多成熟的方法可以具体操作，在这里不再赘述。我们要做的就是：首先，将关键语句和文档表示为向量的形式，分别为： 最后从相似度由大到小保留设定好的m个结果，就是匹配的专家。 专家名字搜索是最直接的方法，如果专家存在，直接得出最终结果，匹配的专家也就是推荐的专家，不需要下面的步骤了；如果专家不存在，操作到此结束。 专家推荐。专家推荐指标的确定：经过前一阶段的匹配之后，一般来说会出现符合条件的好几个专家，专家地图接下来的工作就是要在匹配成功以后从得到的几个专家中找出一个或有限的几个合适的推荐给用户。 第一个推荐指标：专家的权威程度。权威程度是由专家每次为用户提供帮助后用户的打分以及该用户的等级共同决定的，可将打分的分值看成权值，而用户等级看成权重，用两者的乘积作为求权威程度得分的一个基础。用户打分最低为一分，最高为五分，用户等级分为一到十级，每个社区都有其用户升级的办法，本文在这里不做具体的说明。设用户打分为S，用户等级为L，则专家权威程度。 第二个推荐指标：专家的状态（Status）。推荐最合适的专家只考虑权威程度是不够的，因为只有当专家有空闲时间的时候才能为用户提供帮助，如果专家近期内都是处于工作量很大的状态的话，也是不适合为用户推荐的。专家的状态有很多种，根据忙碌还是空闲的程度的不同用处于零到一之间的数进行评分，越接近一表示专家越空闲越有时间和精力为用户提供帮助；越接近零表示专家越忙碌越没有可能再为用户进行服务。专家的状态是自己给出的，但是需要系统给出一定的选择范围并明确定义每个状态对应的评分情况，具体如表1所示： 表1 专家状态打分 第三个推荐指标：专家的路径接近代价。每个专家都有自己的生活圈子，在圈子里都有和其亲密程度不同的人，越是亲密的人专家越愿意与其共享信息；越是疏远的人专家越不愿意与其共享信息。因此，在专家推荐的时候除了考虑前面两个因素以外，还要考虑如何接近专家以及在通过每个人接近专家时相邻两人之间的亲密程度。这样的话，首先第一步要解决如何接近专家的问题。这时，将所有的用户（也即是专家）都看成是网络上的一个个节点，将寻求帮助的用户作为起始点，运用深度优先遍历法，将所有与起始点有关联的点都遍历一遍并记录下遍历路径。下面给出一种全遍历的方法： （1）将开始顶点及该顶点的所有邻接点进栈，并标记开始顶点已访问； （2）当栈不空时，执行循环如下： 1）当栈不满时，执行循环。 A 当栈不满且栈顶节点有未访问 的邻接点时，执行循环。
a 选择栈顶节点的当前邻接点，作为栈顶节点进栈，并标记该顶点已访问； b 该栈顶节点的所有邻接点进栈； B 如果栈不满，则从栈顶到栈底搜索顶点的所有邻接点（不包括顶点的当前邻接点），第一个有未访问过邻接点的顶点，则该顶点的未访问的邻接点进栈； 2）如果栈满，则求得一个遍历序列； 3）当栈不空且栈顶节点无下一未访问的邻接点时，执行循环； A 退栈，重新标记该顶点未访问； （3）栈空结束。 这样找到所有与该提问用户有关联的其他用户（也就是某一方面的专家），此时在所有有关联用户中寻找有没有之前专家匹配中出现的专家，若是有则保留下接近这些专家的路径。这样第一步完成，接下来是计算接近专家的路径代价。 第二步，专家接近路径代价。不难理解， 在接近专家的过程中，相邻两人关越亲密信息越容易共享代价也就越小；相反两人越不熟悉信息共享越难代价越大。每个专家的接近路径代价是由该条路径上每两人之间的亲密程度共同决定的，根据亲密程度的不同用零到一之间的数来表示，越接近一表示越亲密越容易信息共享；越接近零表示越疏远越不容易信息共享。具体标准如表2所示： 表2 亲密程度打分表 如何推荐评价：至此，专家的三个推荐指标也已经阐述完毕，如何在匹配的众多专家中推荐出适合查询者的是本部分关注的焦点。这里我认为有两种推荐方式： 由查询者决定将三个指标中的某一个优先考虑，那么系统会给出按这一指标优先顺序排列的三位专家以及他们的联系方式。例如：查询者看中专家的权威程度，系统就会根据专家权威程度由高到低的排名给出三位专家推荐。 查询者对于专家推荐的三个指标都很看中。那么，此时专家的推荐由三个指标的综合得分最后评定。即： 得分，S=Authority*Status*Cost，Authority、Status以及Cost都是介于0到1之间的整数，因此，得分越高表示专家越适合推荐给查询者，选取得分最高的三位专家进行推荐。 3. 总结 本文研究了隐性知识地图构建中专家匹配与专家推荐需要的指标，为了使得推荐的结果最合理，综合考虑了很多方面的因素。 以往的专家地图首先在匹配的时候往往只有一个关键字的查询匹配忽略了关键语句的查询，不够详尽、完整；其次，在匹配操作结束后并没有再进行推荐，只是单纯给出符合查询条件的好几个专家，至于专家的选择问题就留给了用户自己解决；再一点，即使有推荐的过程，可能只有简单考虑了专家的权威程度，将权威程度最高的一位推荐出去而忽略了专家的状态以及如何接近专家和路径代价的问题。本文匹配与操作的过程都有进行并且已经尽量将所有可能影响推荐的因素都考虑到了。希望本文可以为再生金属企业在构建专家地图的时候起到一点帮助和作用。 参考文献 [1]黄橡丽，张伟. 图的全遍历方法的研究及实现[J]. 天津纺织科技，2005.03 [2]Baumard, P. (1999), Tacit Knowledge in Organizations, Sage, London. [3]王伟军，刘艳芬等.基于Web2.0 知识管理系统的设计[J].信息系统，2009.06
