郭 韌，謝雨杉

（1.華僑大學(xué)工商管理學(xué)院，福建 泉州 362021；2.吉林大學(xué)管理學(xué)院，吉林 長(zhǎng)春 130022）

知識(shí)及其主體間的交互、合作、聯(lián)接構(gòu)成了知識(shí)創(chuàng)新網(wǎng)絡(luò)。各主體的知識(shí)在結(jié)構(gòu)、表達(dá)上存在著差異性，影響著其吸收和應(yīng)用，導(dǎo)致知識(shí)網(wǎng)絡(luò)中雖存在大量的知識(shí)，卻不能被有效利用的現(xiàn)象。把知識(shí)變成各主體可接受的形式，積累和產(chǎn)生新的知識(shí)，可以提高創(chuàng)新網(wǎng)絡(luò)的效益。如何將知識(shí)分解融合為可被創(chuàng)新主體利用的知識(shí)，以及如何由知識(shí)的相互作用形成新的知識(shí)已成為各個(gè)領(lǐng)域關(guān)注的焦點(diǎn)。

YAGER 等人（1997）利用模糊度量的概念，建立了考慮了多個(gè)信息源的融合問(wèn)題[1]；XIE 等人（2005）在信息集成的基礎(chǔ)上，建立一個(gè)XML 數(shù)據(jù)知識(shí)融合模型和KF-based信息訪問(wèn)架構(gòu)[2]；SAWARAGI 等人（2002）提出了一種將人類專家的數(shù)據(jù)和知識(shí)融合在信號(hào)理解任務(wù)中進(jìn)行部分自動(dòng)化的新方法[3]；SMIRNOV 等人（2015）進(jìn)一步研究了基于上下文的知識(shí)融合模式[4]；狄強(qiáng)（2017）設(shè)計(jì)實(shí)現(xiàn)了對(duì)網(wǎng)頁(yè)語(yǔ)義數(shù)據(jù)的抽取，知識(shí)的鏈接、擴(kuò)展和融合[5]。知識(shí)融合涉及的領(lǐng)域廣泛，在不同的應(yīng)用領(lǐng)域各有特點(diǎn)，基于流程化的視角尋求研究的簡(jiǎn)單歸一化和全面高效化，現(xiàn)有的研究中對(duì)融合規(guī)則的定義和流程化算法較少。很難從效率和實(shí)用性進(jìn)行比對(duì)，挑選出最適合相應(yīng)場(chǎng)合的融合算法。在典型流程化算法的基礎(chǔ)上，基于匹配規(guī)則的融合算法更具有實(shí)際操作性。

1 知識(shí)創(chuàng)新網(wǎng)絡(luò)知識(shí)融合過(guò)程

知識(shí)因子是知識(shí)創(chuàng)新網(wǎng)絡(luò)下的最小單位，通過(guò)知識(shí)因子融合可以產(chǎn)生新的知識(shí)，新的知識(shí)加入知識(shí)創(chuàng)新網(wǎng)絡(luò)等待下一次與其他知識(shí)結(jié)合產(chǎn)生新的知識(shí)，在不斷融合的動(dòng)態(tài)過(guò)程中體現(xiàn)知識(shí)創(chuàng)新網(wǎng)絡(luò)的價(jià)值。網(wǎng)絡(luò)中樞組織與網(wǎng)絡(luò)附屬組織在知識(shí)架構(gòu)平臺(tái)上共享知識(shí)資源，并就此開(kāi)展一系列的知識(shí)管理和知識(shí)創(chuàng)新行為。知識(shí)創(chuàng)新網(wǎng)絡(luò)不僅包括知識(shí)因子，還包括知識(shí)之間溝通交流的通道——知識(shí)架構(gòu)平臺(tái)以及整個(gè)知識(shí)創(chuàng)新網(wǎng)絡(luò)的知識(shí)資源總和。知識(shí)通過(guò)知識(shí)架構(gòu)平臺(tái)共享交流，原有的和生成的知識(shí)資源集合在一起稱為知識(shí)資源總和[6]。

把來(lái)自不同主體異構(gòu)性的知識(shí)進(jìn)行組合、轉(zhuǎn)化并融合，產(chǎn)生易于流動(dòng)和符合要求的新知識(shí)[7]。不僅可以實(shí)現(xiàn)知識(shí)集成化與協(xié)同工作、提高知識(shí)品質(zhì)，還有益于新知識(shí)的發(fā)現(xiàn)。知識(shí)融合是多要素作用的系統(tǒng)過(guò)程，一般包括4 類數(shù)據(jù)模型，即知識(shí)源（存儲(chǔ)知識(shí)的實(shí)體）、知識(shí)表達(dá)（如本體、元知識(shí)等）、融合算法集合與規(guī)則集合以及吸收先驗(yàn)知識(shí)后不斷更新的約束集。主要包括三個(gè)功能模塊，分別為知識(shí)的表達(dá)、融合算法的設(shè)計(jì)與實(shí)現(xiàn)和解知識(shí)空間。通過(guò)知識(shí)融合技術(shù)，將知識(shí)網(wǎng)絡(luò)中海量的知識(shí)，變成能夠真正滿足用戶需求的知識(shí)，提高網(wǎng)絡(luò)服務(wù)的效能。概念化表示為KF=〈KN，UN，O，M，R，f〉，其中，KN表示知識(shí)創(chuàng)新網(wǎng)絡(luò)，是知識(shí)融合依賴的環(huán)境；UN表示用戶需求，知識(shí)的融合實(shí)際上是尋找知識(shí)對(duì)象，或者是一組知識(shí)對(duì)象，使他們能夠盡可能地滿足需求；O表示知識(shí)融合過(guò)程中知識(shí)的表達(dá)方式，是對(duì)知識(shí)單元的刻畫與描述；M表示知識(shí)對(duì)象之間的比較項(xiàng)；R表示融合過(guò)程的一切規(guī)則，如匹配規(guī)則和約束規(guī)則；f是函數(shù)化表示的融合過(guò)程。

融合知識(shí)是以不同創(chuàng)新情景中的需求UN為基礎(chǔ)，通過(guò)知識(shí)要求組織融合知識(shí)元。需要經(jīng)過(guò)刻畫本體或元知識(shí)O才能消除由于異構(gòu)性產(chǎn)生的摩擦。M與R共同作用下可以判定出知識(shí)元之間是否可以融合，M提供比較量度，R提供準(zhǔn)則，判定為可以融合的知識(shí)將通過(guò)函數(shù)f實(shí)現(xiàn)融合過(guò)程。

2 創(chuàng)新網(wǎng)絡(luò)中的知識(shí)表達(dá)

2.1 從本體庫(kù)到元知識(shí)

本體論是對(duì)某一概念化對(duì)象明確的描述性說(shuō)明，知識(shí)以其所屬領(lǐng)域?yàn)橹鲗?dǎo)。領(lǐng)域本體是與特定領(lǐng)域有關(guān)的術(shù)語(yǔ)和詞匯，具有良好的共享性、可重用性，在概念領(lǐng)域具有優(yōu)良的特性，為邏輯推理提供了有效支持。知識(shí)網(wǎng)絡(luò)本體庫(kù)O中可被理解與識(shí)別的本體對(duì)象Oi為：

式（1）中：為知識(shí)對(duì)象的類；為知識(shí)對(duì)象的屬性；為知識(shí)對(duì)象的值；為數(shù)據(jù)類型。

j的取值范圍取決于具體的領(lǐng)域本體。本體對(duì)象很難直接在知識(shí)本身層面上進(jìn)行操作，元知識(shí)通過(guò)數(shù)字量化形式更方便地進(jìn)行知識(shí)表達(dá)。采用知識(shí)對(duì)象結(jié)合二元組集合的方式，知識(shí)對(duì)象的特征由元知識(shí)二元組的形式表現(xiàn)，更適合進(jìn)行知識(shí)對(duì)象的融合處理。

將位于第k個(gè)知識(shí)庫(kù)中的元知識(shí)集記為Sk，該元知識(shí)集的第i個(gè)特征對(duì)象屬性記作，該對(duì)象屬性的值記作，被定義為知識(shí)對(duì)象中的元知識(shí)，元知識(shí)集表示為：

知識(shí)創(chuàng)新網(wǎng)絡(luò)中知識(shí)對(duì)象的數(shù)量、內(nèi)容都存在一定差異，Sk的大小也會(huì)有所差別，為了實(shí)現(xiàn)元知識(shí)集到知識(shí)空間的轉(zhuǎn)化，需要識(shí)別出元知識(shí)指向的是哪個(gè)知識(shí)單元，元知識(shí)集的第一個(gè)元素只用來(lái)表示對(duì)應(yīng)的知識(shí)本體，而不代表具體特征。

對(duì)于異構(gòu)知識(shí)元，要么將知識(shí)對(duì)象都轉(zhuǎn)換為特定的表示形式，要么構(gòu)造一種元知識(shí)生成算法，使不同知識(shí)對(duì)象自動(dòng)用對(duì)應(yīng)的算法進(jìn)行處理。后者將差異性保留到了融合過(guò)程中，會(huì)對(duì)算法造成一定的局限；而前者的特征描述在融合步驟前就以統(tǒng)一的形式出現(xiàn)，有利于提高融合效率。將知識(shí)對(duì)象都轉(zhuǎn)換為特定的表示形式，再生成元知識(shí)。

2.2 元知識(shí)的構(gòu)建

元知識(shí)攜帶著所屬知識(shí)單元的特點(diǎn)和主要內(nèi)容，是知識(shí)融合過(guò)程的參與者。可以從知識(shí)中抽取出來(lái)的關(guān)鍵詞，也可以利用人為的手段通過(guò)標(biāo)注提煉出來(lái)。為消除知識(shí)創(chuàng)新網(wǎng)絡(luò)的封閉性、網(wǎng)絡(luò)性，用“信息協(xié)同標(biāo)注”來(lái)分析元知識(shí)匹配度及關(guān)聯(lián)度可以達(dá)到對(duì)知識(shí)對(duì)象序化的目的。標(biāo)注是知識(shí)提供者或知識(shí)網(wǎng)絡(luò)的管理人員對(duì)知識(shí)單元內(nèi)容基于個(gè)人立場(chǎng)的簡(jiǎn)明概括。通過(guò)測(cè)序操作使知識(shí)單元按照相關(guān)性排列，從而使標(biāo)注后的知識(shí)單元可以實(shí)現(xiàn)知識(shí)對(duì)象之間的融合。參與人員一般會(huì)從多個(gè)視角選擇最符合知識(shí)單元的標(biāo)注來(lái)描述知識(shí)對(duì)象。參與人員評(píng)判標(biāo)準(zhǔn)的統(tǒng)一性，可以避免重復(fù)、模糊等不規(guī)范標(biāo)注的產(chǎn)生。知識(shí)創(chuàng)新網(wǎng)絡(luò)中的知識(shí)是專家頭腦智慧的集合，集中協(xié)同標(biāo)注機(jī)制下，不僅集合了單個(gè)專家的智慧，還集合和發(fā)揮了專家群體智慧[8]。標(biāo)注后的知識(shí)需要進(jìn)行下一步的融合，利用協(xié)同標(biāo)注生成元知識(shí)。

元知識(shí)構(gòu)建的偽碼如下：①生成知識(shí)對(duì)象的本體對(duì)象，根據(jù)標(biāo)準(zhǔn)轉(zhuǎn)換成特定的表示形式；②利用集中式協(xié)同標(biāo)注生成元知識(shí)集中除去第一個(gè)元素外的剩余（n－1）個(gè)元素；③根據(jù)知識(shí)對(duì)象與本體概念的對(duì)應(yīng)關(guān)系，生成元知識(shí)集的第一個(gè)集合元素若沒(méi)有在①中找到相應(yīng)的描述，則新建此本體對(duì)象或關(guān)系描述后再執(zhí)行①。

3 融合機(jī)制和算法設(shè)計(jì)

3.1 問(wèn)題描述

元知識(shí)作為知識(shí)的一種標(biāo)記，是知識(shí)屬性和值的體現(xiàn)。知識(shí)融合中，經(jīng)過(guò)了融合算法的處理，知識(shí)才可以進(jìn)行比較、合并、協(xié)調(diào)。有兩個(gè)簡(jiǎn)單的知識(shí)K1 與K2 可能存在很大的異構(gòu)性，可能屬于不同的學(xué)科和領(lǐng)域，但當(dāng)應(yīng)用于某一實(shí)際問(wèn)題時(shí)，兩者之間通過(guò)融合，形成了對(duì)解決問(wèn)題有幫助的新知識(shí)f（K1，K2），生成的新知識(shí)規(guī)范化后加入到現(xiàn)有的知識(shí)創(chuàng)新網(wǎng)絡(luò)中，同時(shí)可能需要對(duì)現(xiàn)有的知識(shí)K1 與K2 做適當(dāng)?shù)母?，而f的實(shí)現(xiàn)過(guò)程就是融合算法的設(shè)計(jì)過(guò)程。

從融合的動(dòng)因上看，知識(shí)融合可以分為主動(dòng)型與被動(dòng)型融合，主動(dòng)型不需要以具體問(wèn)題求解為驅(qū)動(dòng)力，融合結(jié)果可能恰好滿足需求，是一種自演化過(guò)程。由于知識(shí)創(chuàng)新網(wǎng)絡(luò)實(shí)際上是一種服務(wù)型知識(shí)網(wǎng)絡(luò)，為一定的創(chuàng)新目標(biāo)服務(wù)。知識(shí)創(chuàng)新網(wǎng)絡(luò)通常是在用戶的需求基礎(chǔ)上，根據(jù)指令進(jìn)行演化和融合，是一種被動(dòng)型的融合過(guò)程，融合算法中的規(guī)則是提前定義好的，以問(wèn)題求解為導(dǎo)向的融合算法。

從實(shí)現(xiàn)方法上看，構(gòu)建基于匹配規(guī)則的融合算法，精確地實(shí)現(xiàn)知識(shí)的融合，計(jì)算對(duì)象是元知識(shí)。在元知識(shí)層面的匹配通過(guò)關(guān)系連接的算法得以實(shí)現(xiàn)，對(duì)應(yīng)于兩個(gè)知識(shí)本體的匹配就是一個(gè)關(guān)系全連接的過(guò)程。通過(guò)在匹配器中的運(yùn)算，識(shí)別出兩者的相似度，當(dāng)高于相似度閾值時(shí)被選中，否則忽略。

3.2 基于匹配規(guī)則的融合方法

3.2.1 匹配函數(shù)與匹配規(guī)則

協(xié)同標(biāo)注后，用模式匹配函數(shù)將元知識(shí)的相似關(guān)系進(jìn)行定量地描述和表示，設(shè)X1、X2為兩個(gè)待匹配的知識(shí)本體，x1、x2分別為其元知識(shí)集，p為兩元素之間的匹配度。表示元知識(shí)x1和x2的匹配度為p。相似度需要通過(guò)匹配規(guī)則進(jìn)行確定，知識(shí)表現(xiàn)為元知識(shí)集的形式，即BERNSTEIN 等人（2001）給出了一個(gè)用語(yǔ)義和結(jié)構(gòu)兩種匹配來(lái)確定相似度的通用匹配規(guī)則[9]，章勤等人（2006）還使用了XML Schema 的匹配規(guī)則[10]等，在一定程度解決了地理、語(yǔ)句等方向的語(yǔ)義、結(jié)構(gòu)等匹配問(wèn)題。在知識(shí)創(chuàng)新網(wǎng)絡(luò)中，知識(shí)統(tǒng)一由元知識(shí)表示，不存在結(jié)構(gòu)無(wú)法匹配的問(wèn)題，在于語(yǔ)義部分是否匹配，設(shè)置知識(shí)融合的匹配規(guī)則如下。

規(guī)則1：若元知識(shí)集Si，Sj的第一個(gè)元素與具有相同的公共子串St，則Sim1（Si，Sj）=length（St）/max[length（Si），length（Sj）]，其中，length（St）為求字符串St的長(zhǎng)度。

規(guī)則2：若元知識(shí)集Si，Sj第一個(gè)元素與是同義詞，則Sim2（Si，Sj）=1，否則，Sim2（Si，Sj）=0。規(guī)則2 需要同義詞庫(kù)，需要根據(jù)知識(shí)創(chuàng)新網(wǎng)絡(luò)的特征進(jìn)一步建立。

規(guī)則3：計(jì)算元知識(shí)集Si，Sj的除去首元后的知識(shí)間相同屬性比值，即：

規(guī)則4：若知識(shí)Si，Sj有相同的取值范圍，則Sim4（Si，Sj）=1，否則，Sim4（Si，Sj）=0。

規(guī)則5：若知識(shí)Si，Sj有相同的數(shù)據(jù)類型，則Sim5（Si，Sj）=1，否則，Sim5（Si，Sj）=0。

前3 條規(guī)則是基于語(yǔ)言方面，得到的相似度用L表示，后兩條的匹配規(guī)則是約束層面的規(guī)則，用C表示，由于知識(shí)創(chuàng)新網(wǎng)絡(luò)的領(lǐng)域有所差別，用戶的需求也可能對(duì)規(guī)則的需求有所不同，例如某些領(lǐng)域比較注重語(yǔ)言層面的規(guī)則，約束層面的規(guī)則可忽略不計(jì)，按照用戶的需求為兩類規(guī)則設(shè)定權(quán)值W，WL與WC分別表示用戶設(shè)定的語(yǔ)言層面規(guī)則權(quán)值與約束層面規(guī)則權(quán)值，約定WL+WC=1。相似度加權(quán)合并后，元知識(shí)x1和x2的匹配度為

3.2.2 構(gòu)建KFA-M 方法

知識(shí)創(chuàng)新網(wǎng)絡(luò)具有異構(gòu)性，語(yǔ)義邏輯關(guān)系之間不能直接協(xié)同工作，雖實(shí)現(xiàn)了知識(shí)對(duì)象的開(kāi)放式構(gòu)建，但對(duì)知識(shí)個(gè)體間的內(nèi)在關(guān)系稍欠考慮，就導(dǎo)致一些匹配度不夠的知識(shí)對(duì)象出現(xiàn)在結(jié)果中。基于協(xié)同標(biāo)注與匹配規(guī)則，匹配度是可衡量的、量化參與比較的兩者能否匹配的標(biāo)準(zhǔn)。各知識(shí)由元知識(shí)表達(dá)，可量化其匹配度，構(gòu)建基于匹配規(guī)則的融合方法KFA-M（Knowledge Fusion Algorithm—Matching）。被動(dòng)融合過(guò)程中，KFA-M 算法借助值域?yàn)閇0，1]的語(yǔ)義貼近度函數(shù)來(lái)尋求最優(yōu)化搜索目標(biāo)，根據(jù)匹配規(guī)則計(jì)算出關(guān)聯(lián)度達(dá)到閾值的知識(shí)進(jìn)行融合。KFA-M 算法偽代碼如下。

初始化知識(shí)對(duì)象集合S，將元知識(shí)規(guī)范化，作為元素納入到S中；

初始化St=φ；

for（i=1，i≤n，i++）

for（j=1，j≤i，j++）

對(duì)?KOi∈（S-{KOi}），判定KOi與KOj與之間匹配度大于閾值，則進(jìn)行下一步處理，可分為3 種情況。

第一，KOi與KOj的同一屬性具有相同的屬性值，提取相同部分，作為處理結(jié)果。此法可提取知識(shí)間相同的屬性及其屬性值，得到具有歸一性和代表性的新知識(shí)。

第二，KOi與KOj的同一屬性具有相同的屬性值，剔除相同部分的屬性，將不同屬性提取出來(lái)頭尾拼接成為新知識(shí)對(duì)象個(gè)體的屬性描述。探索去除掉相同屬性值后的知識(shí)對(duì)象在拼接后是否會(huì)成為新的知識(shí)，具有新的特性。

第三，KOi與KOj的同一屬性具有相同的屬性值，剔除相同部分，差異部分各自保留，作為處理結(jié)果。探尋具有差別的兩知識(shí)是否會(huì)更新產(chǎn)生與原知識(shí)完全不同的新知識(shí)。

處理過(guò)程中，若產(chǎn)生了新知識(shí)對(duì)象KOnew，則（S∪{KOnew}）→S；繼續(xù)循環(huán)執(zhí)行上述步驟，直到對(duì)?KOi∈（S-{KOi}），KOi與KOj之間不具有超過(guò)閾值的匹配度關(guān)系；（S∪{KOi}）→St，跳轉(zhuǎn)到第三繼續(xù)執(zhí)行，直到S=?。

在分類研究中短文本相似計(jì)算匹配度超過(guò)0.6 時(shí)可分類準(zhǔn)確率可達(dá)100%[11]；知識(shí)比一般文本或數(shù)據(jù)的融合潛在價(jià)值高，匹配度較低的知識(shí)也可能融合成有價(jià)值的知識(shí)，在此算法中匹配度的閾值設(shè)為0.5。生成的St滿足匹配度大于設(shè)定閾值的條件，則將St定義為知識(shí)狀態(tài)。St與滿足約束條件的知識(shí)集合相對(duì)應(yīng)。知識(shí)狀態(tài)St是圍繞著需求的約束而形成的，St可以作為知識(shí)空間的求解單位。

3.3 解知識(shí)空間

在知識(shí)融合框架中，經(jīng)過(guò)融合算法處理后的結(jié)果是以元知識(shí)集的方式表示的，每一組具體的描述對(duì)應(yīng)一個(gè)知識(shí)對(duì)象個(gè)體，每一個(gè)個(gè)體視為一個(gè)節(jié)點(diǎn)。全體知識(shí)對(duì)象節(jié)點(diǎn)組成的集合為解知識(shí)空間，記作K，K中的知識(shí)域由描述知識(shí)狀態(tài)相關(guān)或不相關(guān)的問(wèn)題本體組成。知識(shí)狀態(tài)是根據(jù)具體問(wèn)題生成的，在問(wèn)題求解時(shí)可直接使用知識(shí)狀態(tài)為問(wèn)題提供解知識(shí)。具體做法如下。

第一，按照問(wèn)題對(duì)象知識(shí)對(duì)應(yīng)的本體Op生成元知識(shí)Sp。

第二，對(duì)于所有與問(wèn)題狀態(tài)相關(guān)的知識(shí)狀態(tài)St，在K中搜索與問(wèn)題狀態(tài)關(guān)聯(lián)度最大的知識(shí)狀態(tài)StMAX。計(jì)算每一個(gè)與問(wèn)題本體關(guān)聯(lián)的知識(shí)狀態(tài)的關(guān)聯(lián)度γ，并選出關(guān)聯(lián)度最強(qiáng)的知識(shí)狀態(tài)，偽代碼如下。

第三，若StMAX對(duì)應(yīng)的關(guān)聯(lián)度γ大于等于關(guān)聯(lián)度閾值（0.5），則該知識(shí)狀態(tài)St與其對(duì)應(yīng)的本體一起構(gòu)成了該問(wèn)題的解知識(shí)。將知識(shí)對(duì)象演化過(guò)程中各個(gè)知識(shí)節(jié)點(diǎn)間的關(guān)聯(lián)度（0～1 之間的數(shù)字）通過(guò)矩陣的方式排列，得到了一個(gè)矩陣變換描述：知識(shí)節(jié)點(diǎn)的初始狀態(tài)矩陣為A，全局演化矩陣為B，第n次演化的矩陣為Bn，B=B1B2B3…，演化結(jié)果狀態(tài)矩陣為R，AB=R。為計(jì)算簡(jiǎn)便，A為上三角矩陣形式。由于B是A演化得來(lái)，B也符合上三角矩陣的特征：

而bij∈（0，1）得到結(jié)果狀態(tài)R之后，矩陣中的元素則表示知識(shí)節(jié)點(diǎn)的演化狀態(tài)。如果大于閾值，則坐標(biāo)對(duì)應(yīng)的兩節(jié)點(diǎn)可以進(jìn)行歸約處理，歸約的目標(biāo)由各自的對(duì)角元決定。若其中一方以上的對(duì)角元節(jié)點(diǎn)取值rii小于湮滅閾值，則該節(jié)點(diǎn)進(jìn)入湮滅狀態(tài)，進(jìn)入湮滅狀態(tài)的知識(shí)對(duì)象表明其內(nèi)涵已經(jīng)無(wú)法支持需求且被使用的頻率過(guò)低，可以被淘汰。

4 結(jié)論與討論

知識(shí)創(chuàng)新網(wǎng)絡(luò)中知識(shí)利用的有效性是網(wǎng)絡(luò)性能的重要體現(xiàn)，異質(zhì)性知識(shí)通過(guò)分解和融合能讓更好地為主體吸收和利用。針對(duì)知識(shí)創(chuàng)新網(wǎng)絡(luò)的特性通過(guò)本體和元知識(shí)表達(dá)知識(shí)創(chuàng)新網(wǎng)絡(luò)中的異構(gòu)知識(shí)簡(jiǎn)化了知識(shí)的結(jié)構(gòu)，計(jì)算匹配度來(lái)確定知識(shí)之間的關(guān)聯(lián)程度，提出了新的融合算法——基于匹配度的融合算法KFA-M；構(gòu)建了解知識(shí)空間的概念模型，歸納了解知識(shí)空間的演化過(guò)程，為解決知識(shí)創(chuàng)新網(wǎng)絡(luò)中的知識(shí)融合提供了一定的參考借鑒。

但在匹配度計(jì)算時(shí)權(quán)重需要人為設(shè)定，較易產(chǎn)生匹配度的誤差。解知識(shí)空間僅提出了相應(yīng)的演化模型，知識(shí)創(chuàng)新網(wǎng)絡(luò)的不斷更新，尚未使知識(shí)融合達(dá)到系統(tǒng)自適應(yīng)的階段。后續(xù)的研究將進(jìn)一步分析演化的規(guī)律構(gòu)建系統(tǒng)反饋與評(píng)估機(jī)制，對(duì)于知識(shí)融合步驟基本完成后根據(jù)實(shí)際效果得到反饋，并作用于知識(shí)創(chuàng)新網(wǎng)絡(luò)，以便使其更加穩(wěn)定。