知識獲取研究

摘要：知識獲取是知識從外部知識源到計算機內部的轉換過程，是當前知識工程研究的熱點和難點問題之一。該文闡述了知識獲取的定義、方法和最終目標，重點介紹了顯性知識和隱性知識的獲取方法，并分析了這兩類方法的優缺點，最后給出了知識獲取的困難和一些改進思想。

關鍵詞：知識管理；知識獲取；顯性知識；隱性知識

中圖分類號：TP181文獻標識碼：A文章編號：1009-3044(2008)27-2056-02

Research of Knowledge Acquisition

LAN Mei-hui， MAO Yan-ming， ZHOU Fen， TAO Yue-hua

(Department of Computer Science and Information Technology， Yunnan Normal University， Kunming 650092， China)

Abstract: Knowledge acquisition is the conversion process of knowledge form external knowledge sources to internal computer， and is currently a hot and difficult problem of the study of the knowledge engineering. In this paper， the definition， methods and the ultimate goal of knowledge acquisition are given. It is focused on acquisition methods of explicit knowledge and tacit knowledge， and analysis of the advantages and disadvantages of these two methods. Finally， the difficulties and some improvement methods of knowledge acquisition are given in this paper.

Key words: knowledge management; knowledge acquisition; explicit knowledge; tacit knowledge

1 引言

在知識經濟時代，知識已經成為企業獲取利潤以及核心競爭力的主要資源，而知識管理是企業對其所擁有的知識資產進行管理的過程，因此知識管理備受關注[1，2]。知識獲取是完整的知識管理過程不可或缺的一部分，在整個知識管理過程中處于基礎地位。一直以來，知識獲取都是知識工程中一個公認的瓶頸問題，因此知識獲取受到了廣泛的重視和研究。只有做好知識的獲取才能進一步利用知識和創造知識。

2 知識獲取概述

2.1 知識獲取的定義

知識獲取是指知識從外部知識源到計算機內部的轉換過程。就是如何將一些問題求解的知識從專家的頭腦中和其它知識源中提取出來，并按照一種合適的知識表示方法將它們轉移到計算機中[4]。

知識獲取的任務是從專家系統中獲取知識，建立健全、完善和有效的知識庫。主要步驟有：1）抽取知識；2）知識轉化；3）知識的輸入；4）知識的檢測。

2.2 知識獲取的方法

2.2.1 顯性知識及其獲取方法

顯性知識指的是能夠容易在個人和團體之間進行傳送的形式化的知識，它是任何能夠被編碼的東西，如數學公式、規則、定義、文檔、數據等[2，3]。

顯性知識獲取的主要方法有分布式搜索、數據挖掘等。

1) 分布式搜索(Distributed Searching)：分布式搜索是近年來研究比較多的一種搜索策略，它按區域、主題或其它標準創建分布式索引服務器，索引服務器之間可以交換中間信息，且查詢可以被重新定向。如果一個檢索服務器沒有滿足查詢請求的信息，它可以將查詢請求發送到具有相應信息的檢索服務器。分布式搜索引擎是一種搜索策略，可以用于關系型數據庫、專用文檔Internet搜索站點、Web等的知識查詢和獲取，可以廣泛獲取相關領域的顯性知識[4]。

分布式搜索這種方法存在的問題是搜索效率不高，算法復雜度高，如何改進搜索算法，使搜索效率更高，將是我們下一步的工作。

2) 數據挖掘(Data Mining)：數據挖掘是從大量數據中提取可信的、新穎的、有效的并能被人理解的模式的高級處理過程，數據挖掘不僅是面向特別數據庫的簡單檢索、查詢和調用，而且要對這些數據進行微觀、中觀至宏觀的統計、分析、綜合和推理，以指導實際問題的求解，并試圖發現事件之間的關聯性，甚至利用已有的數據對未來的活動進行預測。通過數據選取、預處理、變換、模式提取、知識評估以及過程優化，應用判別分析、聚類分析、探索性分析等統計方法來發現和獲取知識[4]。

數據挖掘這種方法最大的問題是如何挖取有效數據。

2.2.2 隱性知識及其獲取方法

隱性知識指的是難于形式化、難于交流的技能、經驗性的知識。隱性知識包括主觀的知道如何解決問題的見識和直覺，這些隱性知識來源于從事于某項活動的人，它被潛意識的理解和使用，并且往往和特定的情景相關[2，3]。

隱性知識獲取的主要方法有非自動知識獲取（手工獲取）、半自動知識獲取和自動知識獲取等。

1）非自動獲取（手工獲取），這種方法完全由手工完成，現在很多領域還采用這種方法進行知識獲取。

非自動獲取（手工獲取）這種方法，整個知識獲取過程全部由手工完成，費時費力，且效率低。

2）半自動知識獲取，這是目前知識獲取的主要方法，它主要是由知識工程師與專家系統中的知識獲取機構共同完成的。知識工程師負責從領域專家那里抽取知識，并用適當的模式把知識表示出來，而專家系統中的知識獲取機構負責把知識轉化為計算機可存儲的內部形式，然后把它存入知識庫[5-7]。前面幾部分的工作是由知識工程師完成的，需要人的參與，后面的工作由機器完成的，所以這是一種半自動知識獲取方法。

半自動知識獲取這種方法前面幾部分的工作仍然需要手工完成，后面的工作由機器完成，但最后歸納出來的規則經常出現重復和矛盾。

3）自動知識獲取，也稱機器學習。傳統方式的自動知識獲取機制能夠通過專家直接同系統的對話而無需計算機專家的介入，專家的對話內容便可自動變換成知識庫中的知識，或進行知識庫的修改。具有自適應學習功能的系統能夠通過用戶對求解結果的大量反饋信息自動修改和完善知識庫，并能在問題求解過程中自動積累和形成各種有用的知識。

自動知識獲取這種方法雖然自動化程度高、效率也高，但是它涉及到人工智能的許多領域，例如模式識別、自然語言理解、機器學習等，對硬件也有較高的要求，而這一切目前還處于研究階段，有許多理論及技術上的問題需要做進一步的研究，就目前已經取得的研究成果而言，還不足于真正實現自動知識獲取。因此，知識的完全自動獲取還有待研究。

2.3 知識獲取的最終目標

知識獲取的最終目標是建立知識庫。對于首次建立的知識庫可能存在矛盾或冗余的規則，或者知識的使用結果與專家給出的結論無法吻合，這就需要對它進行優化，以獲得一個結構良好、功能完善和知識相對完備的高質量知識庫。

3 知識獲取的困難

知識獲取的困難歸納起來主要有以下兩大方面：

一方面，對于面向專家的知識獲取方式，即由知識工程師通過與專家進行交談來獲取專業知識，其知識獲取困難的原因主要有：

1）專家知識的難以表達，因為專家知識很大程度上涉及到專家的個人經驗，而這種個人經驗有時很難用語言表達出來，更不用說形式化地表示這種類型的知識了；

2）由于專家的研究領域和研究精力的局限，很難給出完整的學科體系；

3）開銷太大，這種做法取決于知識工程師和專家交流的效率，有時兩者之間的交流并不是那么的容易。

另一個方面，對于面向文本的知識獲取方式，據統計90%以上的知識可以從文本中獲取，其知識獲取困難的原因主要是由于文本都是以自然語言組織而成的，而自然語言的理解在現階段仍是計算機科學中的一個難題，并且，要想由計算機自動獲取基本上很難實現。

4 改進思想

針對現有知識獲取方法存在的不足和知識獲取的困難，本論文提出的改進思想如下：

1）在知識獲取時，引入本體論的思想；

2）在知識獲取時，考慮知識源，根據不同的知識源采用不同的獲取方法；

3）可考慮把神經網絡、模糊邏輯、遺傳算法、粗糙集方法，或這些方法的融合應用到知識獲取中，以提高知識獲取的速度和效率。

5 結束語

本文闡述了知識獲取的定義、方法和最終目標，重點介紹了顯性知識和隱性知識的獲取方法，并分析了這兩類方法的優缺點，最后給出了知識獲取的困難和一些改進思想。知識獲取是知識工程中的一個重點和難點問題，加快知識獲取的速度，提高知識獲取的效率，對包括知識工程、人工智能等在內的眾多研究領域都會有一個積極的推動作用。

參考文獻：

[1] 邱均平.知識管理學[M].北京:科學技術文獻出版社，2006.

[2] 張瑛，武忠.隱性知識獲取的最佳來源[J].情報雜志，2007，26(11):78-79.

[3] 周慧慧，馮勤超，汪長勇.隱性知識研究綜述[J].價值工程，2007，26(12):127-130.

[4] 胡明暉.基于知識源的專家系統知識獲取技術[J].成組技術與生產現代化，2005，22(2):25-28.

[5] 周肖彬，曹存根.基于本體的醫學知識獲取[J].計算機科學，2003，30(10):35-39.

[6] 王麗麗，曹存根.基于本體論的民族知識獲取與分析[J].計算機科學，2003，30(5):47-54.

[7] 高波，覃劍祿，劉勇.一種半自動知識獲取方法-KE的設計[J].計算機與網絡，2005，(32):194-195.