渠國慶，熊 峰，牛 倩，吳祖?zhèn)?，呂北?/p>

(上海大學 機電工程與自動化學院 上海市智能制造及機器人重點實驗室，上海 200072)

基于知識地圖的知識推送方法研究

渠國慶，熊 峰，牛 倩，吳祖?zhèn)?，呂北?/p>

(上海大學 機電工程與自動化學院 上海市智能制造及機器人重點實驗室，上海 200072)

對于知識密集型的高新企業(yè)來說，有效利用豐富且復(fù)雜知識的方法與途徑，一直是企業(yè)發(fā)展的一個重要環(huán)節(jié)。隨著推薦系統(tǒng)的出現(xiàn)與發(fā)展，催生了諸多經(jīng)典推薦算法，并在電子商務(wù)和社交網(wǎng)絡(luò)中得到了成功應(yīng)用，但現(xiàn)有經(jīng)典推薦算法并不適用于更加專業(yè)化的企業(yè)知識推送。為了提高企業(yè)知識與企業(yè)員工的匹配程度，使企業(yè)員工能更高效地利用企業(yè)知識，提出了一種改進的協(xié)同過濾推薦算法。該算法基于知識地圖的知識推送方法，由知識地圖的關(guān)聯(lián)度得到更具體的關(guān)聯(lián)關(guān)系，并綜合考慮路徑關(guān)聯(lián)權(quán)值對推薦算法的影響，改進了相似度構(gòu)成與計算方法，以相似度衡量用戶之間的相似性，加強了用戶之間的相似度的評估。理論分析表明，所提出的算法提高了知識推送的匹配程度和可行性，為企業(yè)知識推送提供了新的思路和途徑。

企業(yè)知識管理；知識地圖；知識推送；協(xié)同過濾

0 引 言

近年來，隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展和數(shù)據(jù)信息的廣泛傳播，進入了“信息爆炸”時代，雖然人們可以方便地獲取更多的數(shù)據(jù)信息，但是也被大量無關(guān)信息所淹沒。信息呈現(xiàn)的多元化發(fā)展以及企業(yè)信息化的不斷發(fā)展，使得企業(yè)需要及擁有的知識不斷增加，而網(wǎng)絡(luò)的快速發(fā)展導(dǎo)致信息與知識加速流通。企業(yè)所面臨的競爭，已從原始資本的競爭、速度的競爭，轉(zhuǎn)變?yōu)橹R的競爭。知識已成為在取得持久性競爭優(yōu)勢的過程中必不可少的重要元素。另一方面，在知識推送方面，大多知識管理系統(tǒng)還是采取基于類似于RSS的被動推送方式。但是RSS的訂閱粒度太大，不能有效地進行跨領(lǐng)域訂閱。更重要的是，被動推送方式需要用戶對自己的喜好和所需信息與知識及其所屬領(lǐng)域有一個清晰的了解。這些在很大程度上給用戶帶來了諸多不便。近年來，由于推薦系統(tǒng)中信息過濾的特殊屬性，推薦系統(tǒng)已應(yīng)用于任何規(guī)模的電子商務(wù)網(wǎng)站中，為這些網(wǎng)站提供了海量的推薦結(jié)果。推薦系統(tǒng)可以幫助企業(yè)決定向哪個客戶出價，實現(xiàn)一對一的營銷戰(zhàn)略目的。推薦系統(tǒng)可以說是當前大型商業(yè)網(wǎng)站的必備模塊，如亞馬遜、淘寶網(wǎng)和京東商城等，都建設(shè)了性能優(yōu)良的推薦系統(tǒng)，通過成功地應(yīng)用推薦系統(tǒng)，亞馬遜成功將其銷售額提高了三成[1]。但是，由于企業(yè)知識推薦的特殊性，原有的推薦方法不能完全適用于企業(yè)內(nèi)部，造成了企業(yè)知識孤島問題嚴重。而且，現(xiàn)有知識推薦系統(tǒng)中，主要采用兩種方式。一種是被動的知識推送方法，通過用戶對一類知識的訂閱來獲取知識，但是這種方法的主要問題是需要用戶對自己需要的知識是什么非常清楚。同時這種方法很難達到細粒度的知識獲取，往往使用戶得到許多不必要的知識。所以這種方法的使用越來越少。另外一種是推薦系統(tǒng)，當今推薦系統(tǒng)的主流算法是協(xié)同過濾推薦算法，通過分析知識與用戶、知識與知識、用戶與用戶的相互關(guān)聯(lián)而得到一個合理的推薦結(jié)果。然而在實際情況中，往往由于知識與知識、用戶與用戶之間的關(guān)系不便獲得與鑒定，使得現(xiàn)在的主要算法多是基于知識與用戶間的關(guān)聯(lián)來得到，從而大大降低了算法的有效性。

為此，借鑒電子商務(wù)中推薦系統(tǒng)的發(fā)展思路，提出了基于知識地圖的知識推送方法，加強了用戶與用戶間的相似性度量，并改進了現(xiàn)有的協(xié)同過濾算法，利用知識地圖展現(xiàn)的知識節(jié)點間的權(quán)重關(guān)系，通過知識源和知識點以及知識源和知識源間的圖論路徑權(quán)重優(yōu)化傳統(tǒng)的協(xié)同過濾算法。

1 相關(guān)綜述

1.1知識地圖發(fā)展

知識地圖作為一種導(dǎo)航系統(tǒng)，可以顯示不同知識存儲之間的靜態(tài)結(jié)構(gòu)和動態(tài)聯(lián)系。它是知識管理過程中的輸出層，將整合后的知識內(nèi)容輸出，實現(xiàn)知識關(guān)聯(lián)和知識的匯聚。構(gòu)建知識地圖的過程需要依賴一定的信息和準則，很多研究者根據(jù)不同的信息構(gòu)建了知識地圖。Chung W等[1]利用信息間的鏈接構(gòu)建了知識地圖；Yoon B等[2]利用信息間的引用關(guān)系構(gòu)建了知識地圖；Gordon J L等[3]利用信息間的依賴關(guān)系(學習依賴)構(gòu)建了知識地圖。

然而以上方法并不能完全適用于企業(yè)知識地圖構(gòu)建，一方面企業(yè)知識間存在鏈接關(guān)系、引用關(guān)系和依賴關(guān)系，不同的部門、員工間所需要的知識分類層次區(qū)別很大。另一方面，這些方法并沒有考慮在企業(yè)知識過程中的知識分層問題，在不同層次和不同節(jié)點的知識推送權(quán)重會有所不同。綜上所述，現(xiàn)有知識地圖雖然取得了很大的應(yīng)用發(fā)展，但針對企業(yè)的知識地圖并不能有效表達知識節(jié)點間的權(quán)重關(guān)系。

1.2推薦算法發(fā)展

推薦算法是個性化推薦算法的核心?，F(xiàn)有的推薦算法包括基于內(nèi)容的推薦算法[4]、基于項目的協(xié)同過濾[5]、基于用戶的協(xié)同推薦[6]、基于模型的協(xié)同過濾[7]以及最近興起的基于網(wǎng)絡(luò)結(jié)構(gòu)的推薦算法。王有遠等[8]提出了基于集對分析的知識多維度篩選模型；蔣翠清等[9]根據(jù)設(shè)計過程中的知識需求模型，建立了一種面向產(chǎn)品設(shè)計知識的協(xié)同推送模型。但是上述研究大都限于產(chǎn)品設(shè)計本身，很少涉及企業(yè)內(nèi)部知識協(xié)同的需求，同時，在對設(shè)計人員進行知識推送時，并沒有考慮用戶對某一知識的匹配程度權(quán)重。綜上，現(xiàn)有協(xié)同過濾算法在互聯(lián)網(wǎng)電子商務(wù)和社交等大數(shù)據(jù)量應(yīng)用中效果比較明顯，但在專業(yè)性更強的企業(yè)知識推送過程當中準確度不高。

2 知識地圖模型的構(gòu)建

2.1分層立體知識地圖

依托金字塔式知識管理體制，將龐大業(yè)務(wù)和技術(shù)狀態(tài)知識分別縱向梳理到專業(yè)層、項目層、子項目層、知識節(jié)點層，另外在分層系統(tǒng)中關(guān)聯(lián)用戶和知識，并為用戶貼標簽。在分層立體知識地圖的框架[10]基礎(chǔ)上，根據(jù)各層知識的構(gòu)成特點，構(gòu)建橫向的單層知識地圖，并在每一層的知識節(jié)點上定位用戶，以進一步優(yōu)化知識互聯(lián)的關(guān)聯(lián)關(guān)系，特指用戶即為知識源。

知識節(jié)點和知識源節(jié)點以及它們間的關(guān)聯(lián)關(guān)系構(gòu)成了知識地圖架構(gòu)(見圖1)。知識節(jié)點是知識的具體存儲，知識源指企業(yè)不同的用戶。在知識地圖中，權(quán)重體現(xiàn)了節(jié)點間的關(guān)聯(lián)關(guān)系，權(quán)重越大關(guān)聯(lián)越緊密，反之說明兩者的相關(guān)性不大，這種關(guān)聯(lián)具體為知識節(jié)點間的關(guān)聯(lián)和用戶節(jié)點間的關(guān)聯(lián)。從企業(yè)內(nèi)部特征來說，知識節(jié)點與知識節(jié)點間的關(guān)聯(lián)組成了企業(yè)知識網(wǎng)絡(luò)，而用戶間的關(guān)聯(lián)則組成了企業(yè)內(nèi)部的人際社會網(wǎng)絡(luò)，體現(xiàn)的是用戶間合作的緊密程度，知識網(wǎng)絡(luò)和人際社會網(wǎng)絡(luò)以及兩者之間的關(guān)聯(lián)構(gòu)成了知識地圖。

圖1 企業(yè)知識地圖模型

2.2路徑關(guān)聯(lián)權(quán)重

根據(jù)知識地圖模型很容易量化知識點和知識源之間的路徑關(guān)聯(lián)權(quán)重[11]，節(jié)點語義相似度由聚類(Cluster)相似度和差異性(Specificity)決定，聚類相似度基于知識地圖建模中的知識點和知識源以及知識源之間的關(guān)聯(lián)路徑。由于推薦知識的匹配度和知識源所在的領(lǐng)域和范圍相關(guān)，知識地圖把不同的部門，不同的項目和不同的崗位按節(jié)點劃分，由此來區(qū)分知識源及用戶。根據(jù)知識地圖中的網(wǎng)絡(luò)模型以及節(jié)點間的權(quán)重，可以計算任意兩個節(jié)點間的關(guān)聯(lián)權(quán)重，這種關(guān)聯(lián)權(quán)重能夠體現(xiàn)知識節(jié)點和用戶間的關(guān)聯(lián)程度，可以得出知識點P和知識源I關(guān)聯(lián)權(quán)重計算公式：

(1)

節(jié)點間并不都是兩兩相連的。絕大多數(shù)不相連的節(jié)點間都由一條或多條路徑連接。在這種情況下，對不相連的兩個節(jié)點間的關(guān)聯(lián)權(quán)重就由它們間的最短路徑?jīng)Q定，即關(guān)聯(lián)路徑。式(1)知識地圖定義兩相鄰節(jié)點的關(guān)聯(lián)路徑為1，則W(P,I)是最短路徑的相鄰點權(quán)值的和，得出知識源和知識點之間的關(guān)聯(lián)權(quán)重：

(2)

同理可得知識源和知識源間的關(guān)聯(lián)權(quán)重，其作用是進一步增加用戶間的相似度，計算方法是根據(jù)分層知識地圖模型中用戶個體所在的節(jié)點直接計算該路徑的長度，同式(2)：

(3)

3 基于知識地圖的知識推送方法

3.1協(xié)同過濾算法

協(xié)同過濾算法是目前較常用的推薦算法之一，是通過采集其他用戶對某個內(nèi)容或知識的評價來獲得相似用戶對同知識的評價[12]。假設(shè)Ii是某用戶i評價過的所有內(nèi)容或者知識的集合，可以得出該用戶對內(nèi)容或者知識的平均評價計算方法：

(4)

根據(jù)知識地圖中節(jié)點間的關(guān)聯(lián)權(quán)重，改進協(xié)同過濾算法，重新計算該用戶的評價。計算兩個用戶間的相似度的方法有很多，最常用的是根據(jù)兩個用戶評價過的內(nèi)容或者知識之間的相似度來計算，可以利用Pearson算法來衡量這種相似度，公式如下：

(5)

3.2基于知識地圖權(quán)重關(guān)系的算法改進

(1)基于知識地圖模型中的網(wǎng)絡(luò)關(guān)系，根據(jù)節(jié)點間的權(quán)重，加強不同用戶間的相似程度，改進協(xié)同過濾算法。利用知識地圖中知識源間的關(guān)系加強用戶間的相似度。根據(jù)式(5)可得到兩個用戶之間的相似度，是通過兩個用戶對其公共評價過的知識的評價相似度計算得到。但是通過知識地圖的關(guān)聯(lián)權(quán)重，可以計算不同節(jié)點之間的關(guān)聯(lián)程度。它是基于這樣一個假設(shè)，關(guān)聯(lián)權(quán)重高的用戶之間對同一個知識的評價總是相似的，處在同一個部門的用戶關(guān)聯(lián)權(quán)重越高，他們需要的知識內(nèi)容重合度也就越高。通過這樣的假設(shè)[13-14]，對相似度計算公式進行改進：將知識源相關(guān)信息從知識地圖中獨立出來；按照知識地圖的權(quán)值計算方法計算這個知識地圖的連接權(quán)重；根據(jù)式(5)得到新的相似度計算公式：

Sim(i,j)=

(6)

(2)通過知識地圖中的人際關(guān)系網(wǎng)絡(luò)縮小預(yù)測的用戶基數(shù)，根據(jù)式(5)，與待預(yù)測用戶相關(guān)程度不大的所有用戶都被作為評價，這些相關(guān)程度不大甚至不相關(guān)的用戶很明顯會降低預(yù)測的準確度。結(jié)合K近鄰算法的思路，基于建立企業(yè)知識地圖網(wǎng)絡(luò)及節(jié)點之間的權(quán)重關(guān)系，采用如下方案：

步驟1：根據(jù)式(5)計算相似度并對相似度進行排序，選取相似度最高的N*K個用戶作為預(yù)測的集合。

步驟2：根據(jù)式(6)計算相似度并排序，并根據(jù)步驟1計算的N*K個用戶預(yù)測集合，選取相似度最高的K個用戶作為預(yù)測集合。

步驟3：求出相似度最高的K鄰居，基于此向目標用戶推薦知識。

4 結(jié)束語

針對現(xiàn)有的推薦算法不能有效解決企業(yè)知識精確推送的問題，在協(xié)同過濾推薦算法基礎(chǔ)上，提出了一種結(jié)合路徑權(quán)重，基于知識地圖技術(shù)的企業(yè)知識推薦算法。即根據(jù)知識地圖模型利用知識地圖節(jié)點間的權(quán)重關(guān)系，得到相似度更高的用戶預(yù)測集合，并以此來向目標用戶推薦知識。理論分析表明，改進算法有效解決了企業(yè)知識推薦匹配程度低的問題，可以準確獲取用戶之間的關(guān)聯(lián)度，提高推薦算法的質(zhì)量和個性化程度。但該算法尚未考慮項目間的語義關(guān)系和用戶間的語義關(guān)系，一定程度上影響了相似度計算和推薦效果，需要今后進一步研究解決。

[1] 朱文奇.推薦系統(tǒng)用戶相似度計算方法研究[D].重慶:重慶大學,2014.

[2] Chung W,Chen H,Nunamaker J F. A visual framework for knowledge discovery on the web:an empirical study of business intelligence exploration[J].Journal of Management Information Systems,2005,21(4):57-84.

[3] Yoon B,Lee S,Lee G.Development and application of a keyword based knowledge map for effective R&D planning[J].Scientometrics,2010,85(3):803-820.

[4] Gordon J L.Creating knowledge maps by exploiting dependent relationships[J].Knowledge-Based Systems,2000,13(2):71-79.

[5] Selvi R T,Prakash-Raj G D.Information retrieval models:a survey[J].International Journal of Research and Reviews in Information Sciences,2012,2(3):227-233.

[6] 劉 剛.面向領(lǐng)域的軟件需求一致性驗證方法研究[D].哈爾濱：哈爾濱工程大學，2008.

[7] 程 飛，賈彩燕．一種基于用戶相似性的協(xié)同過濾推薦算法[J].計算機工程與科學,2013,35(5):161-165.

[8] 王有遠，趙 璐.面向產(chǎn)品設(shè)計的多維度知識推送研究[J].制造業(yè)自動化,2015,37(14):131-133.

[9] 蔣翠清,李斌生,高家飛,等.面向協(xié)同的產(chǎn)品設(shè)計知識推送研究[J].中國機械工程,2012,23(16):1972-1977.

[10] 王曉堤，桑 婧．基于云模型的時間修正協(xié)同過濾推薦算法[J]．計算機工程與科學,2012,34(12):160-163.

[11] 張 艷,梁欣欣,張耐民,等.基于知識地圖的航天知識推送方法研究[J].航天工業(yè)管理,2015(5):35-37.

[12] 唐積益,黃樹成.優(yōu)化相似度計算在推薦系統(tǒng)中的應(yīng)用[J].電子設(shè)計工程,2015,23(23):46-48.

[13] 劉青文.基于協(xié)同過濾的推薦算法研究[D].合肥:中國科學技術(shù)大學,2013.

[14] 熊 奇.基于知識地圖的知識檢索與推薦方法研究[D].上海:上海交通大學,2009.

Research on Knowledge Push Method with Knowledge Map

QU Guo-qing，XIONG Feng，NIU Qian，WU Zu-wei，LYU Bei-xuan

(Shanghai Key Laboratory of Intelligent Manufacturing and Robotics,School of Mechatronic Engineering and Automation,Shanghai University,Shanghai 200072,China)

For knowledge-intensive and high-tech enterprises,the effective use of method with rich and complex knowledge has become an important part in development of enterprises.With the emergence and development of recommended system,a lot of classical recommendation algorithms have been produced and applied n e-commerce and social networks successfully,but all of the existed algorithms are not practically suited to more professional knowledge push for business enterprises.In order to increase matching degree between business knowledge and business employees and be efficient use of enterprise knowledge for employees,an improved collaborative filtering algorithm has been proposed.Based on an knowledge push method of knowledge map,it obtains more specific relationship according to the relativity of knowledge map and improves the similarity construction and computation considering the impact of path associated weights on the recommendation algorithm.The similarity is utilized to measure the similarity between users,enhancement of similarity evaluation between users.Theoretical analysis shows that the matching degree and the feasibility of knowledge push has been increased by modified algorithm,which has provided a new way for future business knowledge push system in enterprises.

enterprise knowledge management;knowledge map;knowledge push;collaborative filtering

2016-05-19

：2016-08-25 < class="emphasis_bold">網(wǎng)絡(luò)出版時間

時間：2017-07-05

上海市科技計劃項目(12DZ1505600)

渠國慶(1990-)，男，碩士研究生，研究方向為企業(yè)知識管理、推送；熊 偉，副研究員，研究方向為企業(yè)信息化。

http://kns.cnki.net/kcms/detail/61.1450.TP.20170705.1649.012.html

TP301

:A

:1673-629X(2017)09-0082-03

10.3969/j.issn.1673-629X.2017.09.018