徐緒堪 鄭昌興 蔣 勛

（1.南京大學信息管理學院 江蘇南京 210093）

（2.河海大學信息管理系 江蘇常州 213022）

1 引言

隨著信息技術飛速發(fā)展，產生的各類信息爆炸式增長，形成海量信息或者大數(shù)據(jù)，然而，人們要從海量數(shù)據(jù)中獲取所需要的信息顯得更加困難，特別是用戶在解決實際問題時，收集來的信息雖與待解決問題相關，但無法直接形成問題解答，由于這些信息分散、混沌和無序的狀態(tài)，導致可利用的知識增加不多，用戶解決問題感到費時，無法得到滿意解答，信息爆炸與問題的解答相對匱乏的矛盾日益突出，如何有效解決這一矛盾是提供知識服務質量和效率的關鍵。要解決這一矛盾，需要從海量數(shù)據(jù)中獲取有價值的信息后，對獲取的信息進行知識點提取和知識關聯(lián)，并對各類知識進行分類和聚類，按照不同粒度大小的知識對象進行探討，且在不同粒度上進行問題的求解。

粒度的思想無處不在，粒度原理是一種看待客觀世界的世界觀和方法論，利用粒度原理的思想思考問題，提供問題解決的質量和效率，從不同側面、不同角度分析問題現(xiàn)狀、關聯(lián)、推理，從而有利于問題的求解。首先需要獲取所需數(shù)據(jù)和信息，并經過科學處理、整理、關聯(lián)形成靜態(tài)知識網，以不同粒度大小的知識體現(xiàn)，實現(xiàn)數(shù)據(jù)知識化；其次根據(jù)用戶提出的問題進行靜態(tài)知識用戶問題的動態(tài)關聯(lián)和分析，結合知識粒度大小動態(tài)形成支撐問題解決的知識網，實現(xiàn)知識有序化，最終為用戶提供高效的知識服務，并促進知識利用、共享、傳播和增值。

總之，在用戶問題的驅動下，在知識組織的框架下，在粒度原理的支撐下，為解決用戶問題、實現(xiàn)高效知識服務為目標，知識組織是基礎，粒度原理是手段，如何對知識組織實現(xiàn)數(shù)據(jù)知識化、知識有序化以及知識服務化。

2 相關文獻評述

美國數(shù)學家Zadeh在模糊集合論的基礎上，首次提出模糊信息?；驮~計算理論，明確人類認知的三個基本概念：?；?、組織和因果，?；笇⒄w分解為部分，組織指從部分合并為整體，因果則指原因和結果的關聯(lián)，推動了模糊邏輯理論及其應用的發(fā)展，但在當時未引起普遍的重視。1985年，Hobbs提出一種粒度理論，在人工智能中將一個表示待求解問題的邏輯公式用粒度理論方法分解成若干個小問題或子公式，并分別對這些小問題或子公式求解，最后得到問題的整體求解，并構建相應模型，不僅實現(xiàn)把較大的整體粒度拆成較小的局部粒度，也可以從較小的粒度合并成整體粒度解。

J.R.Hobbs從概念與知識的關系角度揭示了知識的粒度特性，說明抽象程度不同的知識之間存在聯(lián)系，但沒有具體給出表示這種聯(lián)系的方法，所以無法應用于問題解決。卜東波、白碩、李國杰從信息粒度的角度來剖析聚類和分類技術，利用信息粒度原理的框架來統(tǒng)一聚類和分類，在一個統(tǒng)一的粒度下進行聚類計算,而在不同的粒度下進行分類計算。王國胤、張清華對不同粒度知識不確定性的探討，發(fā)現(xiàn)在分層遞階的知識粒度下部分已有研究成果中的規(guī)律不一定符合人們的認識規(guī)律。從信息熵的角度提出了一種粗糙集不確定性的模糊度度量方法，證明了這種模糊度隨知識粒度的減小而單調遞減，彌補了現(xiàn)有粗糙熵和模糊度度量粗糙集不確定性的不足，分析了在不同知識粒度下粗糙度和模糊度的變化關系，其側重點探討的是知識粒度下的特征變化，與知識組織融合沒有涉及，所以無法直接為用戶解決問題。馮琴榮、苗奪謙、程昳等對知識粒度定量劃分和表示進行研究，提出一種知識表示法劃分粒度表示法,利用劃分粒度可定量表示知識的分類能力，首先分析粗糙集理論中知識的代數(shù)表示,其次定義知識的劃分粒度并研究它的性質,最后證明知識的代數(shù)表示和粒度劃分是等價的，為知識的粒度表示提供借鑒和參考，但局限于知識粒度化本身的研究，缺乏與知識組織其他過程關聯(lián)。

蔣黎黎、梁坤、葉爽為了解決分布和多源知識的融合與創(chuàng)新問題，提出受控分眾分類法，分類結果提高了知識資源的標注精度，降低了知識組織成本。此外，為了消除本體模塊間的異構，構建語義一致的領域本體，將粒度計算理論引入知識融合領域，提出微商空間法，對本體模塊進行分解與重構，結果使得構建的領域本體更加簡潔和語義一致，這些過程中運用的粒度思想模仿人類思考問題的方式。 趙昌葆以工程知識為背景，以問題求解為目的，建立基于粒度知識的綜合求解方法，提出概念模型、應用模型與解釋模型三層次集成的工程知識管理模型，并在工藝設計方面進行實踐應用，但知識管理模型主要側重顯性工程知識組織和推理，對于特定工程領域有待融入情景和專家經驗知識，跨領域知識集成和運用，解決工程問題的求解有待進一步優(yōu)化。楊人子、嚴洪森針對知識化制造系統(tǒng)自重構中知識網檢索方法過于主觀以及重復檢索和運算等問題，提出基于信息粒度的知識網的模糊分類和檢索方法，解決了自重構運算導致的知識網存在多樣性的問題，考慮知識網在“質”、“量”和復雜性等方面的差異,按照用戶需求，將知識網庫中的知識網進行聚類,使得最終新知識網的復雜性降低，而且可以得到目標知識網滿意度的排序，有效提高分類的正確率，消除聚類結果和先驗知識之間的主客觀不諧調性，但聚類模型中相似性測度函數(shù)的不同影響聚類結果的唯一性，對知識網間的完善度和匹配度的獲得科學性有待進一步改善。

國內外學者對知識組織理論和體系也進行大量研究，DAHLBERG在 ISKO20 年紀念大會上提出了知識組織迫切需要解決的10個問題。特別強調注意概念（知識單元），概念層（詞，術語，編碼）以及詞句層的識別和表示。張文亮、徐躍權從微觀、中觀和宏觀三個層次全面系統(tǒng)地理解和解釋知識組織的概念和理論體系，通過知識發(fā)現(xiàn)、知識描述最終實現(xiàn)知識的表達、共享與創(chuàng)新。賀德方從知識組織體系的構建和應用角度，對知識組織體系之間的轉化、映射以及標準化等方面研究成果進行梳理和總結，認為用戶參與和用戶使用優(yōu)先是知識組織的趨勢。畢強分析知識組織系統(tǒng)的相關研究成果并揭示知識組織系統(tǒng)構建從機器可讀到機器可理解的發(fā)展趨勢。王曰芬等研究了面向個性化服務的知識組織機制，將用戶需求和用戶隱性知識納入其中，形成了個性化服務的知識組織的過程和方法。夏立新等從行為學角度研究政務門戶知識組織，對不同類型的信息用戶提供相應類型的個性化服務，形成面向用戶特征信息服務和知識門戶相結合的政務門戶系統(tǒng)。

通過以上分析可以看出，國外內學者對粒度原理的研究主要集中在粒度概念、理論、粒度計算、信息粒度化、粒度聚類/分類等方面，對知識組織的研究則集中在知識組織的概念和理論研究，雖有利用粒度原理來組織知識，但大多集中在詞計算、具體工程領域知識的粒度化等方面，缺乏借助粒度原理在知識組織全過程中分析知識的粒度變化規(guī)律，雖有基于粒度的知識融合等成果中提出宏觀的組織體系，但缺乏對知識組織的實踐指導。因此，本文在知識組織理論和方法基礎上，借助粒度原理對知識組織宏觀構架，以解決用戶問題為出發(fā)點，將粒度原理思想貫穿于知識組織全過程，規(guī)范知識粒度化，探討知識組織各個環(huán)節(jié)上知識的粒度變化規(guī)律，構建知識粒度模型，形成靜態(tài)知識組織和動態(tài)知識組織兩級知識組織模式，為用戶問題解決提供有效解決路徑，從而實現(xiàn)知識服務的目的。

3 粒度化分類和聚類準備

粒度本來是物理學中的概念，國內學者運用粒度原理模仿人思考的不確定性優(yōu)勢，已經應用到知識管理中，把問題?；?，經過粗細粒度的反復迭代，用低成本的、足夠滿意的近似解替代精確解，從而更好地認識和刻畫世界。在數(shù)據(jù)知識化、知識有序化以及知識服務化等過程中都面臨不同顆粒度知識之間分類和聚類的不確定性問題，因此對知識進行顆?；m用于面向知識服務的知識組織，選擇一種合適的知識粒度劃分算法影響著知識重用、檢索、推理、共享等應用效果，所以有必要在進行知識組織之前，對知識的粒度化進行充分準備。

對于采集各類信息或者知識，為了有效地管理和運用，需要對知識進行預處理和分析，由于知識本身具有不確定性和不規(guī)范性等特點，而在實際應用過程中需要具備智能化檢索和分析，采用粒度的方法對知識進行分類等預處理，將知識逐步顆?；?，劃分為不同大小的顆粒，并通過知識粒度度來度量，知識粒度即是是對信息和知識細化的不同層次的度量，通過知識粒度有助于非結構化知識形式化，由于不同粒度的知識是具有推理的、類似性和相似性的數(shù)據(jù)集合,攜帶有充分的概念性句子,可以幫助人們了解數(shù)據(jù)中存在的有意義的聯(lián)系，其中粒度較大的知識轉化成粒度較小的知識的過程即為 “加細”，可以幫助用戶得到更加具體和詳細的檢索結果；粒度較小的知識轉化成粒度較大的知識的過程稱為 “加粗”，可以提高檢索效率。

3.1 知識粒度概念界定

任一粒度大小的知識都由內部屬性、外部屬性以及情景屬性三部分構成，其中內部屬性主要是該粒度知識內部關聯(lián)的描述，外部屬性是該粒度知識與其他知識關聯(lián)的描述，情景屬性是在特定環(huán)境下與外部情景關聯(lián)的描述。以下結合粒度原理給出知識粒度相關定義。

定義2（粒度知識的構成）：任一粒度的知識主要包括粒度知識的概念與屬性、功能和關聯(lián)三個方面。其中概念與屬性主要是描述粒度知識的定義和具有屬性特征，功能是粒度知識所能解決問題的描述，關聯(lián)包括粒度知識內部、不同粒度知識之間以及特定情景粒度知識的關聯(lián)的描述。

定義3（粒度知識的粗細）：設R表示由論域U上一切等價關系組成的集合，設R,R∈R，如果對于任意的x,y∈U，都有 xRy?xRy，那么就稱 R比 R細，記作 R≤R。

3.2 知識粒度規(guī)范

知識粒度化是與所解決問題或子問題相關聯(lián)或相伴隨的，其目的在于保證知識粒度能夠適應問題解答。因此，知識粒度的劃分是與待解決問題或子問題的粒度相關的，知識粒度的劃分須以能夠向用戶提供所需知識為準則，并以正確支撐問題解答為目標，根據(jù)粒度原理進行知識的粒度表示。在解答用戶問題過程中，根據(jù)知識粒度將問題分解，從不同粒度層次和不同角度來分析和解決問題，不需要再將所組織的知識進行分解或重構，知識的大?。６龋┠芮‘?shù)亟獯甬斍皢栴}。欲實現(xiàn)這些目標，需要為知識粒度的劃分和知識粒度化制定規(guī)范，這些規(guī)范主要包括文獻著錄規(guī)范、文獻標引規(guī)范、知識表示規(guī)范以及知識融合規(guī)范四部分。文獻著錄規(guī)范是對文獻著錄的原則、內容、格式等方面進行統(tǒng)一科學的規(guī)范，實現(xiàn)文獻著錄標準化；文獻標引規(guī)范是為了方便文獻檢索和引用，對文獻的引用制定統(tǒng)一的分類標引和主題標引等標引規(guī)范；知識表示規(guī)范是對知識的屬性、關系以及使用過程等按照統(tǒng)一規(guī)范進行編碼或表示，主要包括敘述性和過程性表示；知識融合規(guī)范是對異構知識按照一定規(guī)范進行知識轉換、重新、共享和集成，并按照統(tǒng)一規(guī)范表示產生的新知識。

4 基于粒度原理的知識組織過程

為了滿足新形勢下用戶對知識組織的需求，提高知識服務質量，有必要分析傳統(tǒng)知識組織方式存在問題和不足，首先在傳統(tǒng)知識組織中采用統(tǒng)一知識粒度大小進行分類和聚類，由于解答問題中需要不同粗細粒度的知識進行支撐，所以用戶無法快速獲取個性化問題的滿意解答，其次各類知識的語義關聯(lián)不足，導致對用戶需求針對性不強，檢索結果滿意度低，顯然傳統(tǒng)知識組織無法滿足用戶日益復雜和全面的需求，同時急需以用戶為導向的知識組織來提供高效的知識服務。

基于粒度原理的知識組織過程以服務用戶為目的，有效解決問題解答過程中相互矛盾的要求，一種是要支持以積累的實驗證據(jù)為基礎而構成的細粒度知識，一種是要滿足粗粒度知識的較高的特異性，因此為了有效解決知識組織各階段對知識認知規(guī)律不確定的問題，系統(tǒng)角度組織各階段的知識，借助粒度原理構建知識粒度模型，知識組織過程中知識粒度聚類模型（見圖1），將各類知識分為知識元、知識單元以及源文獻三種主要粒度知識。最低一層是知識粒度最細的知識元層，主要包括通過采集和獲取形成粒度較多知識，根據(jù)各個知識之間關聯(lián)程度分成粒度群 D-1、D-2、......、D-p，涵蓋用戶知識需求、情景最基本概念、公式以及事件等，該層次只能解決比較單一的問題。為了解決稍微復雜的問題需要對各個粒度群進行聚類形成知識粒度較楚的知識單元層，根據(jù)用戶知識需求不同，通過閾值α來進行聚類算法，粒度群D-1、D-2、......、D-p 分別經過 FM-1、FM-2、......、FM-p 聚類后形成各類知識對應的知識單元 B-1、B-2、......、B-p，包括顯性和隱性知識，通過歸納、選擇、整理和排序形成各個知識單元B-i之間的橫向關聯(lián)，從而形成如索引、文摘、題錄等形式的知識，該過程是一個優(yōu)化組合的過程，知識元之間的關聯(lián)并未改變，沒有產生新的知識，將知識元該層次上的知識粒度稱為I型知識粒度。隨著用戶知識需求日益復雜化，通過知識單元無法提供有效地解決用戶問題，需要對大量知識單元進行分類、推理、挖掘、語義關聯(lián)等過程形成粒度更大的知識，該過程改變了知識單元原有聯(lián)系，產生新的知識，形成綜述、百科全書、主題庫、年鑒等形式的知識，即源文獻，同時源文獻也可以向知識單元反饋各個知識單元使用情況，以便為調節(jié)知識的顆粒度閾值提供依據(jù)，優(yōu)化知識粒度模型，該層稱為II型知識粒度。在知識組織過程中，通過知識粒度模型，針對用戶的要求，選擇適應的層次和大小的粒度知識進行挖掘和推理，最終形成用戶問題的最優(yōu)解，有助于知識組織實現(xiàn)數(shù)據(jù)知識化、知識有序化以及知識服務化的目標。

圖1 知識組織過程中知識粒度聚類模型

4.1 靜態(tài)知識組織

在細粒度知識元中通過基本的詞分析和計算后經過若干個知識節(jié)點，結合用戶需求和已有各類知識，將獲取的信息和數(shù)據(jù)按照不同類別分成策略知識、描述知識和控制知識，這些知識全部映射為知識元、知識單元以及源文獻，結合用戶需求形成靜態(tài)知識網（見圖2），靜態(tài)知識網絡對已有知識、文檔材料、經驗知識、網絡資料以及用戶需求等信息通過粒度化形成知識元、知識單元以及源文獻等不同粒度知識，這些粒度知識根據(jù)用戶需求按照不同類知識提取后形成策略知識、描述知識和控制知識等三類知識。

4.2 問題分解

用戶問題求解是一個由問題空間向解空間映射的過程，由于問題的復雜性及知識的有限性，無法通過一次映射直接得到問題的解，最常用的方法是“分解法”，即將一個困難的問題分解為若干個相對容易的小問題。具體分解方法如下：

根據(jù)問題的性質和本身的層次，將整個問題逐級分解的方式分類，分類過程可以按照非均勻粒度標準進行，問題域為Q，則可以分為{Q,Q,....,Q}n各等價類，這n各等價類可以根據(jù)需要進一步分類，上一級是下一級的抽象，下一級是上一級的細化，自底向上逐級綜合得到整個問題的解。在工程問題求解中，一般按照功能、過程或結構用經驗方法分解，本質上與人工智能中的 “問題規(guī)約法”一樣，都遵循“分而治之”的策略，是復雜問題求解的常用方法，但與“問題規(guī)約法”不同，工程問題一般屬于病態(tài)結構問題，不但問題空間與解空間難以確切描述，而且層次之間及同一層次內存在大量的、程度不同的耦合關系，因此需要根據(jù)問題自身的特點確定有效的求解策略。

圖2 靜態(tài)知識網

4.3 動態(tài)知識優(yōu)化組合

對于單個最小粒度的知識元和不同粒度知識點無法有效解決用戶的問題，為了達到這個目的有必要分析各知識點之間關聯(lián)程度和關聯(lián)性，以便于對粒度知識優(yōu)化組合與推理后形成較大粒度的知識，逐步實現(xiàn)解決用戶的問題的目標。粒度知識優(yōu)化組合主要包括知識聚類、知識聚合度量化以及連通性分析等部分。

知識聚類對于粒度較小的知識元按照統(tǒng)一和均勻粒度方式進行聚類，使得聚類知識與先驗知識協(xié)調起來，通過知識聚合度來量化知識之間的關聯(lián)程度，為了動態(tài)優(yōu)化這些知識提供可供參考的依據(jù)。

粒度知識聚合度主要描述知識之間關聯(lián)程度，即知識點聚合度：假定對知識點M使用的活動（Activity）數(shù)目為A(M)，同時使用知識元M和知識點M?；顒訑?shù)目記為A(M,M)，則M和 M的聚合度為I(M,M)；如果是多個知識點 M,M,……,M，則聚合度為 I(M,M,……M)。 其中

多個知識點的的聚合度表示如下，

一般情況下，從認知理論分析同一時間被使用或激活的知識點或粒度知識數(shù)據(jù)不得大于9，粒度知識之間可以通過活動相互作用，是一個并發(fā)的、自組織的系統(tǒng)，按照粒度大小不同分別獲取知識的聚合度，可以對用戶不精確的概念給出較清晰的表示，從而更準確、有效地解決實際問題。知識元聚合度主要功能是在大數(shù)據(jù)環(huán)境下實現(xiàn)知識共享和運用提供關聯(lián)基礎，保持知識元長期性、穩(wěn)定性和適合應用的多變性，在知識組織過程中可以動態(tài)修改和設置知識元的聚合度，并根據(jù)用戶問題進行自適應聚類和連通，形成粒度大小不同的動態(tài)知識網絡W{m_,m_,...m_}。

5 結語

綜上所述，本文以解決用戶問題的目的進行知識組織，借助粒度原理對知識粒度概念界定、知識粒度規(guī)范化等知識組織準備，設計知識粒度編碼和映射，并構建知識組織中的知識粒度模型，將客體知識通過分類和聚類形成知識元、知識單元、文獻源等不同粒度大小的知識，在知識組織過程中，首先對靜態(tài)知識進行初步整理、關聯(lián)，其次，結合對用戶問題以及分解的若干個子問題基礎上，對這些知識進行動態(tài)關聯(lián)、分析和推理等優(yōu)化組合，下一步重點研究將問題解答通過知識地圖等形式展現(xiàn)給用戶，最終解決用戶的問題，實現(xiàn)數(shù)據(jù)知識化、知識有序化和知識服務化目標。

［1］Zadeh,L.A.Towards a theory of fuzzy information granu lation and its centrality in human reasoning and fuzzy logic ［J］.Fuzzy Sets and Systems,1997，(19):111-127.

［2］Hobbs,J.R.Granularity.In:Proc off IJCAI［Z］.Los Angeles,1985:432-435.

［3］卜東波，白碩，李國杰.聚類/分類中的粒度原理［J］.計算機學報,2002,25(8):810-816.

［4］王國胤，張清華.不同知識粒度下粗糙集的不確定性研究［J］.計算機學報,2008,31(9):1588-1598.

［5］馮琴榮，苗奪謙，程昳等.知識的劃分粒度表示法［J］.模式識別與人工智能,2009,22(1):64-69.

［6］蔣黎黎，梁坤，葉爽.基于粒度計算理論的知識融合模型研究［J］.計算機應用研究，2012，29(10):3697-3700.

［7］徐麗，丁世飛.粒度聚類算法研究［J］.計算機科學,2011,38(8):25-28.

［8］趙昌葆.工程知識粒度化技術及其應用研究［D］.西安:西北工業(yè)大學,2006.

［9］楊人子，嚴洪森.基于信息粒度的知識網的模糊分類與檢索方法［J］.自動化學報,2011,37(5):585-595.

［10］DAHLBERG,Brief Communication:How to Improve ISKO's Standing:Ten Desiderata for Knowledge Orga nization［J］.Knowledge organization 2011，38(1):68-74.

［11］張文亮，徐躍權.論知識組織的三個層次［J］.圖書情報工作,2011,(1):41-45.

［12］賀德方.國內外知識組織體系的研究進展及應對策略［J］.情報學報,2010,29(6):963-972.

［13］畢強.數(shù)字圖書館知識組織系統(tǒng)建構的發(fā)展趨勢——從機器可讀到機器可理解［J］.國家圖書館學刊,2010,19(1):12-19.

［14］王曰芬，熊銘輝，吳鵬.面向個性化服務的知識組織機制研究［J］.情報理論與實踐,2008,(1):7-11.

［15］夏立新，葉飛.行為學角度的政務門戶知識組織與整合研究［J］.情報學報,2011,28(3):331-336.

［16］劉晨，殷國富，龍紅能.制造工藝知識粒度描述方法與獲取算法研究［J］.計算機集成制造系統(tǒng),2008,14(10):1966-1973.

［17］Witold Pedrycz BR,Giancarlo Succi.Knowledge trans fer in system modeling and its realization through an optimal allocation of information granularity［J］.Applied Soft Computing,2012,（12）:1985-1995.

［18］徐毅.粗細粒度雙知識網映射的零部件設計重用方法［D］.大連:大連理工大學,2012.

［19］王秀珍，鐘寧，劉椿年，等.基于信息粒度和連通強度的優(yōu)化學習［J］.計算機工程與科學,2010,32(5):45-47.