關(guān)于知識(shí)工程的發(fā)展綜述

摘 要：人工智能與計(jì)算機(jī)技術(shù)的結(jié)合產(chǎn)生了所謂“知識(shí)工程”，本文首先從知識(shí)工程的基本概念入手，依次對(duì)其包含的知識(shí)的獲取、知識(shí)的表示和知識(shí)的運(yùn)用三大要素進(jìn)行詳細(xì)的總結(jié)概述，同時(shí)提出將知識(shí)管理加入知識(shí)工程對(duì)于其實(shí)踐應(yīng)用的巨大作用。

關(guān)鍵詞：知識(shí)工程；知識(shí)獲取；知識(shí)表示；知識(shí)運(yùn)用；知識(shí)管理

中圖分類號(hào)：TP302 文獻(xiàn)標(biāo)識(shí)碼：A

Survey on Development of Knowledge Engineering System

YUAN Guoming1，LI Hongqi1，F(xiàn)AN Bo2

(1.College of Geophysics and Information Engineering， China University of Petroleum， Beijing

Campus，BeiJing 102249，China； 2.China Academy of Chinese Medical Sciences， Beijing 100700，China)

Abstract:This paper first described the basic concept of knowledge，analyzed the three elements of KE(knowledge engineering) in detail，which are knowledge acquisition，knowledge representation and knowledge application.At last， it discussed that knowledge management combined knowledge engineering and development trends in this field.

Key words: knowledge engineering; knowledge acquisition; knowledge representation;knowledge application; knowledge management

1 引 言

知識(shí)(knowledge)簡單的說就是經(jīng)驗(yàn)的固化，是人們?cè)趯?shí)踐中獲得的認(rèn)識(shí)和經(jīng)驗(yàn)的總結(jié)，Turban教授指出：知識(shí)是用于解決問題或者決策的經(jīng)過整理的易于理解和結(jié)構(gòu)化的信息。智能活動(dòng)主要是獲得知識(shí)并運(yùn)用知識(shí)的過程。因此，知識(shí)性是人工智能專家系統(tǒng)的主要特征之一。而造就它的關(guān)鍵技術(shù)在于知識(shí)的表示、獲取、管理及其應(yīng)用。1977年美國斯坦福大學(xué)計(jì)算機(jī)科學(xué)家費(fèi)根鮑姆教授(B．A．Feigenbaum)在第五屆國際人工智能會(huì)議—提出知識(shí)工程（Knowledge Engineering，KE）的概念。他認(rèn)為，“知識(shí)工程是人工智能的原理和方法，對(duì)那些需要專家知識(shí)才能解決的應(yīng)用難題提供求解的手段。恰當(dāng)運(yùn)用專家知識(shí)的獲取、表達(dá)和推理過程的構(gòu)成與解釋，是設(shè)計(jì)基于知識(shí)的系統(tǒng)的重要技術(shù)問題。”這類以知識(shí)為基礎(chǔ)的系統(tǒng)，就是通過智能軟件而建立的專家系統(tǒng)（Expert System，ES）。

本文就知識(shí)工程中涉及的基本概念，主要內(nèi)容及其實(shí)現(xiàn)的三要素：知識(shí)的獲取、知識(shí)的表示、知識(shí)的運(yùn)用進(jìn)行了綜述，并指出知識(shí)管理對(duì)于知識(shí)工程應(yīng)用的巨大作用。

2 知識(shí)工程的基本概念

2.1 數(shù)據(jù)，信息和知識(shí)

在信息化領(lǐng)域，數(shù)據(jù)（data），信息（information），知識(shí)（knowledge）之間，存在著必然的聯(lián)系（見圖1），在表1中，給出了它們之間的對(duì)比。

圖1 數(shù)據(jù)，信息，知識(shí)和智力資產(chǎn)

2.2 知識(shí)工程中的人

確定人在知識(shí)工程中所擔(dān)當(dāng)?shù)母鞣N角色是十分重要的。一般說來，可以將人在知識(shí)工程中所擔(dān)當(dāng)?shù)慕巧x為六種：知識(shí)提供者/專家、知識(shí)工程師/分析員、項(xiàng)目管理者。知識(shí)系統(tǒng)開發(fā)人員、知識(shí)用戶以及知識(shí)管理者。圖2描述了在知識(shí)工程中六個(gè)不同角色的圖形視圖。

1.知識(shí)提供者/專家：在知識(shí)工程中，一個(gè)重要角色就是知識(shí)的“擁有者”。傳統(tǒng)上，他是應(yīng)用領(lǐng)域的一位“專家”，但也可能是愛這個(gè)組織中具有專家地位的其他人。在知識(shí)工程中，一個(gè)重要問題是找到真正的專家，設(shè)定一個(gè)虛假的“專家”對(duì)項(xiàng)目而言是有百害而無一利。

2.知識(shí)工程師/分析員：盡管嚴(yán)格意義上講，知識(shí)工程師是指開發(fā)過程中所有階段的工作人員，但它通常是指進(jìn)行系統(tǒng)分析工作的人，因此，分析員也許是個(gè)更貼切的術(shù)語。

圖 2 人在KE中的六種角色

3.知識(shí)系統(tǒng)開發(fā)人員：在一個(gè)小項(xiàng)目中，系統(tǒng)實(shí)現(xiàn)通常是由分析的人來完成的。現(xiàn)在隨著系統(tǒng)被例程化的生成，情況就發(fā)生了變化。知識(shí)系統(tǒng)開發(fā)人員所擔(dān)當(dāng)?shù)慕巧哂刑厥獾奶卣鳎獙?duì)系統(tǒng)的設(shè)計(jì)和實(shí)現(xiàn)負(fù)責(zé)。同時(shí)，開發(fā)人員必須具有分析方法方面的基本背景知識(shí)，這樣才可以理解由知識(shí)分析人員所提出的需求。

4.知識(shí)用戶：一個(gè)知識(shí)用戶總是直接或間接的使用知識(shí)系統(tǒng)，對(duì)于一個(gè)知識(shí)系統(tǒng)而言，從一開始就有知識(shí)用戶參與其中，這是因?yàn)橹R(shí)密集型任務(wù)的自動(dòng)化處理肯定要影響到相關(guān)人員的工作。知識(shí)工程師必須能夠把經(jīng)過知識(shí)系統(tǒng)后所得到的分析結(jié)果提供給現(xiàn)存的或潛在的知識(shí)用戶，對(duì)于一個(gè)成功的知識(shí)系統(tǒng)而言，其衡量的一個(gè)主要標(biāo)準(zhǔn)是知識(shí)分析結(jié)果是否可以被該領(lǐng)域內(nèi)具有某些背景知識(shí)的知識(shí)用戶所理解。

5.項(xiàng)目管理者：知識(shí)項(xiàng)目管理者要負(fù)責(zé)一個(gè)知識(shí)系統(tǒng)開發(fā)項(xiàng)目的實(shí)際運(yùn)作。典型的項(xiàng)目是小型項(xiàng)目，由4~6人參與，項(xiàng)目管理者可以利用所定義的知識(shí)模型套件為項(xiàng)目的規(guī)劃和控制提供一個(gè)功能強(qiáng)大和靈活的工具。

6.知識(shí)管理者：知識(shí)管理者不直接參與知識(shí)開發(fā)項(xiàng)目，他只是從業(yè)務(wù)級(jí)別上提出知識(shí)策略。

3 知識(shí)的獲取

知識(shí)獲取（Knowledge Acquisition，KA）是指從專家或其他專門知識(shí)來源汲取知識(shí)并向知識(shí)型系統(tǒng)轉(zhuǎn)移的過程或技術(shù)。

3.1 知識(shí)獲取的方式

知識(shí)獲取是建立知識(shí)系統(tǒng)的關(guān)鍵，同時(shí)也是一個(gè)耗時(shí)、低效的過程。目前尚缺乏一種統(tǒng)一有效的 知識(shí)獲取方法。因而，知識(shí)獲取被認(rèn)為是知識(shí)處理中的一個(gè)“瓶頸”。

傳統(tǒng)的知識(shí)獲取方式如圖3所示：圖3 人工知識(shí)獲取

為解決這一“瓶頸”問題，人們嘗試運(yùn)用各種理論和方法，自動(dòng)化知識(shí)的獲取過程包括早期的自然語言理解、機(jī)器學(xué)習(xí)等，以及上世紀(jì)末新興的KDD（數(shù)據(jù)庫中的知識(shí)發(fā)現(xiàn)，Knowledge Discovery in Databases）技術(shù)。如圖4:

圖4 自動(dòng)知識(shí)獲取

KDD 又稱為“知識(shí)發(fā)現(xiàn)（Knowledge Discovery）”，是從數(shù)據(jù)倉庫（DW）或海量數(shù)據(jù)庫中挖掘有用的信息的技術(shù)，即從數(shù)據(jù)中發(fā)現(xiàn)知識(shí)的技術(shù)其目的在于運(yùn)用計(jì)算機(jī)自動(dòng)化地對(duì)（經(jīng)常是很龐大的）數(shù)據(jù)集進(jìn)行深入地分析，獲得關(guān)于數(shù)據(jù)的一些前所未知的有用特性，從而幫助數(shù)據(jù)擁有者更好地理解、預(yù)測(cè)、控制和優(yōu)化他們的與這些數(shù)據(jù)相關(guān)的行為。

Usama Fayyad 等人給出的KDD 全過程（如圖5 所示）的五個(gè)步驟為：

1.數(shù)據(jù)選擇：確定發(fā)現(xiàn)任務(wù)的操作對(duì)象，即目標(biāo)數(shù)據(jù)（target data），它是根據(jù)用戶的需要從原始數(shù)據(jù)庫中抽取的一組數(shù)據(jù)；

2.數(shù)據(jù)預(yù)處理：一般可能包括消除噪聲、推導(dǎo)計(jì)算確值數(shù)據(jù)、消除重復(fù)記錄、完成數(shù)據(jù)類型轉(zhuǎn)換等；

3.數(shù)據(jù)轉(zhuǎn)換：其主要目的是消減數(shù)據(jù)維數(shù)或降維（dimension reduction），即從初始特征中找出真正有用的特征以減少數(shù)據(jù)開采時(shí)要考慮的特征或變量個(gè)數(shù)；

4.數(shù)據(jù)挖掘：這一階段包括確定挖掘任務(wù)/目的、選擇挖掘方法、實(shí)施數(shù)據(jù)挖掘；

5.模式解釋/評(píng)價(jià)：數(shù)據(jù)挖掘階段發(fā)現(xiàn)出來的模式，經(jīng)過用戶或機(jī)器的評(píng)價(jià)，可能存在冗余或無關(guān)的模式，需要剔除；也有可能模式不滿足用戶的要求，需要退回到整個(gè)發(fā)現(xiàn)階段之前，重新進(jìn)行KDD 過程。

圖5 KDD的基本步驟

3.2 數(shù)據(jù)挖掘的常用方法

在KDD 的數(shù)據(jù)挖掘子步驟中，常用的方法有：

1.關(guān)聯(lián)規(guī)則（Association Rule）挖掘：關(guān)聯(lián)規(guī)則挖掘發(fā)現(xiàn)大量數(shù)據(jù)中項(xiàng)集之間“有趣的”關(guān)聯(lián)或相關(guān)聯(lián)系。大量數(shù)據(jù)中多個(gè)項(xiàng)集頻繁關(guān)聯(lián)或同時(shí)出現(xiàn)的模式可以用關(guān)聯(lián)規(guī)則的形式表示；規(guī)則的支持度和置信度是兩個(gè)規(guī)則興趣度度量，分別反映發(fā)現(xiàn)規(guī)則的有用性和確定性。關(guān)聯(lián)規(guī)則如果滿足最小支持度閾值和最小置信度閾值，則認(rèn)為該規(guī)則是“有趣的”模式。

2.決策樹（Decision Tree）方法：決策樹是通過一系列規(guī)則對(duì)數(shù)據(jù)進(jìn)行分類的過程。它以信息論中的互信息（信息增益）原理為基礎(chǔ)尋找數(shù)據(jù)庫中具有最大信息量的字段，

創(chuàng)建決策樹的一個(gè)結(jié)點(diǎn)，再根據(jù)字段的不同取值建立樹的分枝；在每個(gè)分枝中繼續(xù)重復(fù)創(chuàng)建決策樹的下層結(jié)點(diǎn)和分枝的過程，即可建立決策樹。采用決策樹，可以將數(shù)據(jù)規(guī)則可視化．其輸出結(jié)果也容易理解。典型的決策樹算法如ID3、C4.5/5.0，該類方法的實(shí)用效果好，影響較大。

3.統(tǒng)計(jì)（Statistics）方法：統(tǒng)計(jì)方法是從事物的外在數(shù)量上的表現(xiàn)去推斷該事物可能的規(guī)律性，即利用統(tǒng)計(jì)學(xué)原理對(duì)數(shù)據(jù)庫中的信息進(jìn)行分析。可進(jìn)行常用統(tǒng)計(jì)（求大量數(shù)據(jù)中的最大值、最小值、總和、平均值等）、回歸分析（求回歸方程來表示變量間的數(shù)量關(guān)系）、相關(guān)分析（求相關(guān)系數(shù)來度量變量間的相關(guān)程度）、差異分析（從樣本統(tǒng)計(jì)量的值得出差異來確定總體參數(shù)之間是否存在差異）等。

4.粗糙集（Rough Set）方法：粗糙集是一種刻劃具有信息不完整、不確定系統(tǒng)的數(shù)學(xué)工具，能有效地分析和處理不精確、不一致、不完整等各種不完備信息，并從中發(fā)現(xiàn)隱含的知識(shí)，揭示潛在的規(guī)律。在數(shù)據(jù)庫中，將行元素（即一條記錄數(shù)據(jù)）看成對(duì)象，列元素作為屬性（分為條件屬性和決策屬性），通過等價(jià)類劃分尋找核屬性集和約簡集，然后從約簡后的數(shù)據(jù)庫中導(dǎo)出分類/決策規(guī)則。

5.人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）：人工神經(jīng)網(wǎng)絡(luò)模擬人腦神經(jīng)元方法，以MP 模型和HEBB 學(xué)習(xí)規(guī)則為基礎(chǔ)，建立了三大類多種神經(jīng)網(wǎng)絡(luò)模型：前饋式網(wǎng)絡(luò)、反饋式網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)系統(tǒng)由一系列類似于人腦神經(jīng)元一樣的處理單元組成，即節(jié)點(diǎn)（Node），這些節(jié)點(diǎn)通過網(wǎng)絡(luò)彼此互連；如果有數(shù)據(jù)輸入，它們便可以進(jìn)行確定數(shù)據(jù)模式的工作。神經(jīng)網(wǎng)絡(luò)的處理過程主要是通過網(wǎng)絡(luò)的學(xué)習(xí)功能找到一個(gè)恰當(dāng)?shù)倪B接加權(quán)值來得到最佳結(jié)果。通過訓(xùn)練學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)可以完成分類、聚類、特征挖掘等多種數(shù)據(jù)挖掘任務(wù)。

6.遺傳算法（Genetic Algorithm）：這是模擬生物進(jìn)化過程的算法，由三個(gè)基本算子組成：a. 繁殖（選擇，selection），即從一個(gè)舊種群（父代）選出生命力強(qiáng)的個(gè)體，產(chǎn)生新種群（后代）；b. 交叉（重組，crossover），即選擇兩個(gè)不同個(gè)體（染色體）的部分（基因）進(jìn)行交換，形成新個(gè)體；c. 變異（突變，mutation），即對(duì)某些個(gè)體的某些基因進(jìn)行變異（1 變0、0 變1）。遺傳算法可起到產(chǎn)生優(yōu)良后代的作用。這些后代需滿足適應(yīng)值，經(jīng)過若干代的遺傳，將得到滿足要求的后代，即問題的解。

4 知識(shí)的表示

知識(shí)的表示（Knowledge Representation，KR）就是對(duì)知識(shí)的一種描述，或者說是對(duì)知識(shí)的一組約定，一種計(jì)算機(jī)可以接受的用于描述知識(shí)的數(shù)據(jù)結(jié)構(gòu)。某種意義上講，表示可視為數(shù)據(jù)結(jié)構(gòu)及其處理機(jī)制的綜合：表示 = 數(shù)據(jù)結(jié)構(gòu) 十 處理機(jī)制。因此在ES中知識(shí)表示是ES中能夠完成對(duì)專家的知識(shí)進(jìn)行計(jì)算機(jī)處理的一系列技術(shù)手段。

對(duì)于專家系統(tǒng)而言，一個(gè)好的知識(shí)表示方法應(yīng)具備以下性質(zhì)：

1.表達(dá)充分性。具備確切表達(dá)有關(guān)領(lǐng)域中各種知識(shí)的能力。

2.推理有效性。能夠與高效率的推理機(jī)制密切結(jié)合，支持系統(tǒng)的控制策略。

3.操作維護(hù)性。便于實(shí)現(xiàn)模塊化，并檢測(cè)出矛盾的及冗余的知識(shí);便于知識(shí)更新和知識(shí)庫的維護(hù)。

4.理解透明性。知識(shí)表示便于人類理解，易讀、易懂，便于知識(shí)的獲取。

基于以上知識(shí)表示方法具備的性質(zhì)，目前普遍應(yīng)用的傳統(tǒng)知識(shí)表示方法主要有一階謂詞邏輯表示法、產(chǎn)生式表示法、框架表示法、腳本表示法、語義網(wǎng)絡(luò)表示法等。

傳統(tǒng)的知識(shí)表示方法在運(yùn)用上盡管比較成功，但每種表示法均存在著一定的局限性，不能完全滿足知識(shí)所具備的四項(xiàng)性質(zhì)。隨著現(xiàn)代科學(xué)的不斷發(fā)展，專家系統(tǒng)的應(yīng)用已經(jīng)遍布各個(gè)科學(xué)領(lǐng)域。知識(shí)的類型多種多樣，包括分類知識(shí)、事實(shí)知識(shí)、關(guān)系知識(shí)、統(tǒng)計(jì)知識(shí)、判斷知識(shí)、經(jīng)驗(yàn)知識(shí)、模糊知識(shí)和控制知識(shí)等。因此，知識(shí)表示方法必須進(jìn)行改進(jìn)和發(fā)展，才能適應(yīng)新科技的發(fā)展。

4.1 傳統(tǒng)知識(shí)表示方法的改進(jìn)

1.產(chǎn)生式表示法的改進(jìn)

從產(chǎn)生式表示法的基本形式上分析，可以將產(chǎn)生式變換成推理規(guī)則+計(jì)算規(guī)則。同時(shí)，為了解決模糊知識(shí)的處理，還可以在計(jì)算規(guī)則中引入可信度因子r。

推理規(guī)則: if (前提1，前提2，…，前提n) then結(jié)論

計(jì)算規(guī)則:結(jié)論->值= FUNC［ (前提1->值，前提2->值， …，前提n->值) ， r］ (0≤r≤1)

這種增強(qiáng)型的產(chǎn)生式系統(tǒng)，不但具有普通系統(tǒng)的優(yōu)點(diǎn)，而且每條推理規(guī)則都對(duì)應(yīng)一條計(jì)算規(guī)則，函數(shù)FUNC與推理規(guī)則一起變化。當(dāng)可信度r≠1時(shí)，即可實(shí)現(xiàn)靈活的模糊推理。同時(shí)，還可以引入規(guī)則樹理論。規(guī)則樹是產(chǎn)生式規(guī)則表示法中引入決策樹技術(shù)的一種知識(shí)表示結(jié)構(gòu)。這樣就可以將前提和結(jié)論用一個(gè)二維表進(jìn)行表示，便于計(jì)算機(jī)的存取，從而實(shí)現(xiàn)強(qiáng)大的計(jì)算和推理能力。

2.混合知識(shí)表示方法

在知識(shí)表示的應(yīng)用過程中，人們逐漸發(fā)現(xiàn)很難找到一種單一的表示方法能有效地解決領(lǐng)域內(nèi)的所有知識(shí)表示。因此，混合知識(shí)表示方法將以往成熟的傳統(tǒng)知識(shí)表示方法有效結(jié)合起來進(jìn)行運(yùn)用，成為了許多專家探討的課題。目前，比較成熟的混合知識(shí)表示方法有：謂詞邏輯、產(chǎn)生式規(guī)則和過程式的結(jié)合；產(chǎn)生式、框架和過程式的結(jié)合；語義網(wǎng)絡(luò)與框架的結(jié)合；語義網(wǎng)絡(luò)與產(chǎn)生式規(guī)則的結(jié)合等。這種方法有效地克服了單一表示方法的局限性，并可充分發(fā)揮各種方法的長處。

4.2 新型知識(shí)表示方法

1.面向?qū)ο蟮闹R(shí)表示方法

近年來隨著面向?qū)ο蠹夹g(shù)的深入發(fā)展，面向?qū)ο蟮闹R(shí)表示方法逐漸廣泛應(yīng)用于專家系統(tǒng)中，具有封裝性、模塊性、繼承性、易于維護(hù)和可擴(kuò)展性好等優(yōu)點(diǎn)。廣義上，對(duì)象可以理解為客觀世界的任何事物。按照面向?qū)ο蠓椒▽W(xué)的觀點(diǎn)，一個(gè)對(duì)象的形式可定義為四元組〈對(duì)象〉: : = ( ID， DS，MS，M I) 。其中ID代表對(duì)象標(biāo)志符、DS代表數(shù)據(jù)結(jié)構(gòu)、MS代表方法集合、MI代表消息接口。這種方法可以將知識(shí)抽象為對(duì)象的內(nèi)部狀態(tài)和靜態(tài)特征屬性進(jìn)行封裝和隱藏，而知識(shí)的處理方法表示為對(duì)內(nèi)部狀態(tài)和特征屬性的操作，并由消息接口與外界發(fā)生聯(lián)系。

它既可以實(shí)現(xiàn)靈活的推理機(jī)制，又使知識(shí)的修改操作局限在對(duì)象的內(nèi)部，容易實(shí)現(xiàn)知識(shí)庫的一致性和完備性。此外，由于對(duì)象屬性的獨(dú)有，就可以把整個(gè)系統(tǒng)抽象為類，每一個(gè)對(duì)象即為子類。其不但實(shí)現(xiàn)了多學(xué)科專業(yè)知識(shí)的層次劃分，還有效地降低了系統(tǒng)的開發(fā)難度。

2.模糊技術(shù)的知識(shí)表示方法

在各種實(shí)際領(lǐng)域中，嚴(yán)格精確與確定的知識(shí)并不多見，大量知識(shí)帶有一定的模糊性和不確定性。可以說，不確定性是智能問題的本質(zhì)特征。因此，智能系統(tǒng)能力的提升更能體現(xiàn)在模糊理論的研究上。目前，常用的應(yīng)用于知識(shí)表示的模糊理論主要有:基于概率論經(jīng)典理論的知識(shí)表示，但它要求直接給出知識(shí)的概率，因此其應(yīng)用受到限制;基于可信度的不確定理論是肖特里菲( E. H. Shortliffe)等人在確定性理論基礎(chǔ)上提出的，因其直觀、可信度的計(jì)算比較簡便，而得到廣泛應(yīng)用。

3.神經(jīng)網(wǎng)絡(luò)知識(shí)表示方法

神經(jīng)網(wǎng)絡(luò)是反映人腦結(jié)構(gòu)及其功能的一種抽象數(shù)學(xué)模型。它是由大量神經(jīng)元節(jié)點(diǎn)互連而成的復(fù)雜網(wǎng)絡(luò)，用以模擬人類進(jìn)行知識(shí)表示、儲(chǔ)存和推理的行為。具有代表性的模型主要有感知器、多層影射BP網(wǎng)絡(luò)、GMDH網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、Hopfield反饋神經(jīng)網(wǎng)絡(luò)以及雙向聯(lián)想記憶等。

目前，神經(jīng)網(wǎng)絡(luò)與模糊理論的結(jié)合發(fā)展很快。可以預(yù)見，隨著技術(shù)的深入發(fā)展，神經(jīng)網(wǎng)絡(luò)與模糊理論融為一體，必將推動(dòng)人工智能研究與應(yīng)用進(jìn)入新的發(fā)展時(shí)期。

5 知識(shí)管理與知識(shí)工程的應(yīng)用

知識(shí)工程發(fā)展的歷史就很好的體現(xiàn)了知識(shí)工程在實(shí)踐過程中的應(yīng)用。簡而言之，KE的發(fā)展史就是KE的應(yīng)用史。

5.1 知識(shí)工程的應(yīng)用

知識(shí)工程學(xué)的發(fā)展從時(shí)間上劃分大體上經(jīng)歷3個(gè)時(shí)期：

1.1965至1974年——實(shí)驗(yàn)性系統(tǒng)時(shí)期

DENDRAL系統(tǒng)標(biāo)志著“專家系統(tǒng)”的誕生。

2.1975至1980年——MYCIN時(shí)期

MYCIN專家系統(tǒng)是規(guī)范性計(jì)算機(jī)專家系統(tǒng)的代表。

3.1980年以來——知識(shí)工程的“產(chǎn)品”在產(chǎn)業(yè)部門開始廣泛應(yīng)用的時(shí)期。以各類專業(yè)ES為代表的知識(shí)工程產(chǎn)品，進(jìn)入國民生產(chǎn)生活的各個(gè)層面：從工業(yè)到農(nóng)業(yè)；從天文學(xué)的行星發(fā)現(xiàn)到地質(zhì)學(xué)上的礦藏探測(cè)；分析商場客戶的消費(fèi)行為模式到分析生物的基因構(gòu)成。下圖6是KE應(yīng)用在電信業(yè)中的例子。

圖6 KE在電信業(yè)中的應(yīng)用

知識(shí)工程在國內(nèi)的研究集中在計(jì)算機(jī)科學(xué)與人工智能領(lǐng)域，如中科院的陸汝鈐研究員對(duì)知識(shí)工程、知識(shí)科學(xué)進(jìn)行深入研究，中科院的史忠植研究員對(duì)知識(shí)發(fā)現(xiàn)進(jìn)行了深入研究 ，北京科技大學(xué)的楊炳儒教授主要從邏輯的角度對(duì)知識(shí)工程進(jìn)行深入研究，浙江大學(xué)潘云鶴教授等從形象思維方面人手，運(yùn)用心象思維理論，研究了語義知識(shí)與圖形圖像之間的轉(zhuǎn)換 ，石純一等教授研究了基于Agent的KQML(Knowledge Query and Manipulation Language，知識(shí)查詢操作語言)知識(shí)操作。無論哪派知識(shí)工程，重技術(shù)輕組織管理是知識(shí)工程的共同特征。

但是知識(shí)工程的應(yīng)用卻又離不開對(duì)知識(shí)工程的結(jié)晶--知識(shí)庫的管理。

5.2 知識(shí)的管理

知識(shí)管理（KM， Knowledge Management）是網(wǎng)絡(luò)新經(jīng)濟(jì)時(shí)代的新興管理思潮與方法，不同的學(xué)者對(duì)KM都給出了自己的定義：

巴斯（Bassi，1997）認(rèn)為，知識(shí)管理是指為了增強(qiáng)組織的績效而創(chuàng)造、獲取和使用知識(shí)的過程。

奎達(dá)斯等（P．Quitas，1997）則把知識(shí)管理看作\"是一個(gè)管理各種知識(shí)的連續(xù)過程，以滿足現(xiàn)在和將來出現(xiàn)的各種需要，確定和探索現(xiàn)有和獲得的知識(shí)資產(chǎn)，開發(fā)新的機(jī)會(huì)。

文莉（Verna Alle，1998）對(duì)知識(shí)管理的定義是\"幫助人們對(duì)擁有的知識(shí)進(jìn)行反思，幫助和發(fā)展支持人們進(jìn)行知識(shí)交流的技術(shù)和企業(yè)內(nèi)部結(jié)構(gòu)，并幫助人們獲得知識(shí)來源，促進(jìn)他們之間進(jìn)行知識(shí)的交流\"。

不同的定義，我們都看到對(duì)于建立知識(shí)工程、應(yīng)用知識(shí)工程，知識(shí)管理在其中的重要性。知識(shí)管理的目標(biāo)：更有效率的建立KE，應(yīng)用KE，最大可能的提高企業(yè)的經(jīng)濟(jì)效益和社會(huì)效益。

把知識(shí)工程包含于知識(shí)管理或把知識(shí)管理包含于知識(shí)工程都是不可取的，知識(shí)管理更多地關(guān)注人的因素，屬于管理范疇；知識(shí)工程更多地關(guān)注技術(shù)的實(shí)現(xiàn)，屬于技術(shù)范疇。

因此，同時(shí)對(duì)應(yīng)的發(fā)展KE和KM是企業(yè)和社會(huì)共同的目標(biāo)。

6 總 結(jié)

知識(shí)工程是一個(gè)浩大的人工智能系統(tǒng)工程，其中知識(shí)的獲取、知識(shí)的表示和知識(shí)的運(yùn)用是它最為重要的三大部分。將它和知識(shí)管理結(jié)合起來，可以預(yù)見：在不久的將來會(huì)對(duì)人類社會(huì)的進(jìn)步作出巨大的貢獻(xiàn)。

參考文獻(xiàn)

［１］ 袁國銘，李洪奇 關(guān)于決策支持系統(tǒng)的發(fā)展綜述［J］.北京：微型機(jī)與應(yīng)用，2010（23）：5-7.

［2］ Guus Schreiber 知識(shí)工程和知識(shí)管理［M］.史忠植 梁永全 吳斌 等譯.北京：機(jī)械工業(yè)出版社，2005.

［3］ 王眾托 知識(shí)系統(tǒng)工程［M］.北京：科學(xué)出版社，2004.

［4］ 胡運(yùn)發(fā) 數(shù)據(jù)與知識(shí)工程導(dǎo)論［M］.北京：清華大學(xué)出版社，2003.4.

［5］ 郭強(qiáng). 現(xiàn)代知識(shí)社會(huì)學(xué)［M］. 北京:中國社會(huì)出版社， 2000:緒論

［6］ 張志偉. 西方哲學(xué)史［M］. 北京:中國人民大學(xué)出版社， 2002:582.

［7］ 何云峰. 建構(gòu)知識(shí)科學(xué)作為一個(gè)新的科學(xué)門類［J］. 中共浙江省委黨校學(xué)報(bào)， 2003 (1) :80-83.

［8］ 王緒琨，初福玲. 知識(shí)科學(xué)的興起和發(fā)展［J］. 大連理工大學(xué)學(xué)報(bào)， 2001(2):15-20.

［9］ 柯平.知識(shí)學(xué)研究導(dǎo)論［J］.圖書情報(bào)工作，2006(4) :6-10，34

［10］ 顧基發(fā)，唐錫晉. 綜合集成與知識(shí)科學(xué)［J］. 系統(tǒng)工程理論與實(shí)踐，2002(10):2-7.

［11］ 石倬英，郭強(qiáng). 現(xiàn)代知識(shí)學(xué)探微［J］. 寧夏大學(xué)學(xué)報(bào)：社會(huì)科學(xué)版 ，1989 (2):20-26

［12］陳清碩. 現(xiàn)代知識(shí)學(xué)的發(fā)現(xiàn):知識(shí)的人類生態(tài)學(xué)化［J］. 知識(shí)工程，1991(4):17-20.

［13］彭修義. 關(guān)于開展“知識(shí)學(xué)”研究的建議［J］. 圖書館學(xué)通訊，1981(3):85-88

［14］朱為. 認(rèn)識(shí)的深入:從知識(shí)學(xué)、知識(shí)社會(huì)學(xué)到科學(xué)知識(shí)社會(huì)學(xué)［J］. 經(jīng)濟(jì)與社會(huì)發(fā)展， 2007 (5):43-45

［15］CHAIM Z. Redefining information science: from“information science”to“knowledge science”［J］. Journal of documentation， 2006，61(4):447-461.

［16］劉邦凡. 什么是知識(shí)學(xué)［EB/OL］. （2005-11-19）. http: / / column. bokee.com /82712. html

［17］陸汝鈐. 知識(shí)科學(xué)及其研究前沿［J］. 中國青年科技， 2000 (4):10-13.

［18］劉大有. 知識(shí)科學(xué)中的基本問題研究［M］. 北京:清華大學(xué)出版社，2006.

［19］柯平. 21世紀(jì)知識(shí)學(xué)研究的目標(biāo)和任務(wù)［J］. 圖書情報(bào)知識(shí)， 2009，(1) :40-45.

［20］王知津，陳芳芳. 從情報(bào)科學(xué)到知識(shí)科學(xué)［J］. 情報(bào)科學(xué)， 2007，(9) : 1281-1286， 1292.

［21］王平.“知識(shí)學(xué)”研究倡議與研究綱領(lǐng)［J］. 圖書情報(bào)知識(shí)， 2009，(1):46-49.

［22］ANDRZEJP. WIERZBICKIY N. Knowledge sciences and nanatsudaki， a new model of knowledge creation processes［J］. Journal of system science and systems engineering， 2007，16(1):2-21.

［23］何云峰. 關(guān)于建構(gòu)知識(shí)科學(xué)的問題［J］. 上海師范大學(xué)學(xué)報(bào)：哲學(xué)社會(huì)科學(xué)版，2003(1):8-12.

［24］詹越.創(chuàng)新學(xué)與知識(shí)學(xué)的關(guān)聯(lián)研究［J］.圖書情報(bào)知識(shí)，2009(1):54-56.

注：本文中所涉及到的圖表、注解、公式等內(nèi)容請(qǐng)以PDF格式閱讀原文