隱性知識外顯化案例RS-FAHP視圖計算

張建華 曹 悅 郭增茂,2

1(鄭州大學管理工程學院 河南 鄭州 450001)2(河南省電子商務協會 河南 鄭州 450018)

隱性知識外顯化案例RS-FAHP視圖計算

張建華1曹 悅1郭增茂1,2

1(鄭州大學管理工程學院 河南 鄭州 450001)2(河南省電子商務協會 河南 鄭州 450018)

在知識經濟時代，對隱性知識的有效組織與管理演變為知識主體的核心能力，影響到組織的可持續發展。隱性知識案例外顯化是提高其明晰度、改進管理效益的有效途徑，基于其條件方面/屬性值合理計算案例視圖，直接影響到對外顯化隱性知識的應用效益。針對傳統直接賦權法導致案例視圖計算受主觀影響嚴重，賦權結果的客觀說服力不高，以及單純客觀權重配置忽視專家知識且會導致知識主體對案例視圖的接納障礙等問題，基于主客融合思維，依托粗糙集(RS)理論，將基于依賴度與條件熵的兩種客觀權重配置方法相融合，引入模糊層次分析法(FAHP)兼顧領域專家的業務經驗與知識，從而提出了隱性知識外顯化案例視圖的RS-FAHP計算方法。實驗結果表明，該方法足以支撐對隱性知識外顯化案例的有效應用與管理。

隱性知識 CBR RS FAHP 視圖計算

0 引 言

在知識經濟時代，知識演變為核心生產資料、成為價值創造的主體來源[1-2]。在知識主體的知識結構中，隱性知識不僅占其大部，并且直接決定了知識應用與創新的實現效益，然而，由于其較低的明晰程度，實踐域中對隱性知識的組織與管理效益卻相對低下。這制約了知識管理KM的實施效益。人工智能領域基于案例推理CBR系統是對隱性知識進行案例外顯化管理的自學習技術，它基于歷史問題及其解決方案，輔助用戶對現有相似問題的決策或解決。有鑒于此，筆者通過CBR技術實現對KM隱性知識的外顯化組織與管理，以此提升KM實施的效率和有效性。

在傳統CBR模型的“4R”循環(檢索/Retrieve-重用/Reuse-修正/Revise-學習/Retain)中，檢索是核心活動，其速度和準確率直接決定CBR系統的實績水平；案例檢索的基礎是匹配計算，它需要合理而高效的案例視圖(方面權重向量)計算機制作為支撐。傳統權重計算方法有很多，如直接賦權法、層次分析法和德爾菲法等，這些都是基于主體經驗的方法，其結果受主觀因素影響較大，客觀性相對較弱、說服力不高。粗糙集RS理論用于分析處理不完整、不確定數據集，從而發現潛在的規律(即知識)[3]。基于RS理論的權重配置方法，在已有數據集基礎上展開計算，不受主觀因素的影響、具有較強的客觀性；另一方面，領域專家、行家里手的經驗是寶貴的知識資源，對確定案例視圖也具有價值。因此，我們在前述客觀方法的基礎上，引入模糊層次分析法FAHP這一定性與定量相結合的系統分析方法，并進一步通過主觀經驗偏好因子的平衡作用，謀求建立主客融合的賦權機制，以此提升隱性知識案例外顯化的組織、應用與管理效益。

1 基于RS理論的完備客觀權重配置

基于RS理論計算權重的方法有兩種：基于屬性依賴度的方法和基于條件熵(屬性信息量)的方法。前者以對論域中子集分類的影響程度來衡量屬性重要性，計算過程直觀、易于理解，但其結果相對粗糙；后者從條件屬性蘊含信息量的角度衡量屬性重要度，具有更為精細的區分度，但過程的直觀性相對差些[4-6]。

1.1 基于依賴度的權重配置

不同知識對論域的分類能力不同，導致其重要程度即權重差異。已知知識表達系統KS=(U,A,V,f)，其中，U為知識表達系統非空有限論域，A為知識表達系統的屬性集，且A=C∪D；f為賦值函數，決定了每一對象的屬性值V，即f(A→V)。決策屬性(集)D完全依賴于由多個條件屬性(a1,a2,…,an)組成的屬性集C；不過，D對每一個條件屬性的依賴度不同，基于此即可計算每一條件屬性的重要程度。其基本思路為：根據知識表達系統建立二維決策表，依次剔除每一個條件屬性，計算剔除前后決策屬性(集)對條件屬性集的依賴度。依賴度變化越大，表明該條件屬性相對決策屬性(集)越重要，其權值越高；反之，則越低。

對應地，其求解步驟如下：

(1) 收集評價對象的原始數據，對連續性數據實施離散化處理，建立二維決策表。

(2) 計算D的C正域posC(D)，在此基礎上計算D對于條件屬性集C的依賴度：

(3) 依次剔除條件屬性ai后計算新正域posC-ai(D)，在此基礎上計算D對新條件屬性集(C-ai)的依賴度：

(4) 計算屬性ai對D的重要程度：σ(ai)=γC-ai(D)-γC(D)，而后再次執行步驟(3)，直至覆蓋條件屬性全空間。

(5) 對全體σ(ai)實施歸一化處理，即得條件屬性ai的權重：

1.2 基于條件熵的權重配置

熵是對不確定性或無序狀態的量度。可通過計算熵值來判斷某個方面值的離散程度，離散程度越大則該方面對案例視圖綜合評價的影響越大，亦即權重越高[7]。不同條件屬性a∈C對決策屬性(集)D提供的信息(負熵)量不同。當把一個條件屬性加入到條件屬性集，條件屬性集對決策屬性(集)提供的信息量發生了變化，表現為對不確定性的消減程度。提供的信息量越大，不確定性消減越強，表明該條件屬性越重要。

基于條件熵的權重計算思路為：根據知識表達系統建立關于評價對象的二維決策表，計算C與D的條件熵[8]；然后，依次剔除條件屬性并重新計算條件熵；最后，依據條件熵的變化程度得到各條件屬性相對決策屬性(集)的重要程度。

設有知識表達系統KS=(U,A,V,f)，其中A=C∪D，C={a1,a2,…,an}為條件屬性集，D為決策屬性(集)，則基于條件熵的權重計算步驟如下：

(1) 收集評價對象的原始數據，對連續性數據實施離散化處理，建立二維決策表。

(2) 計算D相對于C的條件熵H(D|C)。

(3) 依次剔除條件屬性ai，計算D相對于C-ai的條件熵H(D|C-ai)。

(4) 計算條件屬性ai對決策屬性D的重要程度：Sig(ai,C,D)=H(D|C-ai)-H(D|C)；再次執行步驟(3)，直至覆蓋條件屬性全空間。

(5) 對全體Sig(ai,C,D)實施歸一化處理，即得條件屬性ai的權重：

1.3 兩種方法融合的權重配置

通過前述兩種方法計算得到的權重結果均具有良好的客觀性，但如果僅將前述兩種方法所得結果簡單相加并作歸一化處理，可能會出現“大數吃小數”的現象，尚不夠嚴謹。考慮到兩者各有特點，本文引入協調因子λ以兼顧兩者的優點，并在實踐運作中根據應用需求特征靈活調節，以便在計算效益與結果的可理解方面尋求平衡。

如此，基于前述思想與兩種方法所得結果，條件屬性ai的完備RS權重為：

ωRS(ai)=λω1(ai)+(1-λ)ω2(ai)

2 基于FAHP的案例屬性主觀權重配置

層次分析法(AHP)是一種定量與定性相結合的系統分析方法，適用于結構復雜、決策準則較多且不易量化的決策問題。AHP將推理過程量化表征，一定程度上避免了因決策問題復雜且方案較多而導致的決策者邏輯推理失誤問題[9-11]。不過，該方法也存在如下不足：① 它要求決策者的方案標度為確定值，然實踐中決策者的主觀判斷具有模糊性，確定值標度難以消除因主觀判斷導致的影響[12-13]。②AHP判斷矩陣的階數較高時，檢驗其一致性較困難，當判斷矩陣一致性得不到滿足，要對其反復調整與檢驗，不僅過程繁瑣且效率低下[14]。

應對前述不足的可行思路是：將AHP方法與模糊理論相結合，充分融合決策者思維的模糊性，使判斷矩陣更加合理、更容易通過一致性檢驗，此即模糊層次分析法(FAHP)[15-16]。它基于模糊數(如三角模糊數、梯形模糊數、L-R型模糊數等)構造模糊判斷矩陣。三角模糊數以三元組(l,m,u)表示決策主體的模糊思維，更符合實際，方法簡便且可操作性強。其中，l、m、u分別為模糊數的下界、中值和上界值。一般情況下，滿足l

基于模糊理論，FAHP模糊標度在[0,1]內取值，其取值規則如表1所示。

表1 模糊標度及其含義

定義1 若方陣R=(rij)n×n中所有元素滿足0≤rij≤1，則其為模糊陣。

定義2 若模糊陣R=(rij)n×n中所有元素滿足rij+rji=1，則其是互補的。

定義3 若模糊互補方陣R=(rij)n×n中元素均滿足rij=rik-rjk+0.5，則其是一致陣。

設有k位評價專家對n個待評屬性的重要度進行兩兩比較判斷，則FAHP步驟如下：

(1) 對待評屬性兩兩比較，基于三角模糊數建立模糊互補判斷矩陣R=(rij)n×n。

在R=(rij)n×n中，lii=mii=uii=0.5，lij+uji=1，uij+lji=1。

(2) 在此基礎上，計算概率矩陣B=(bij)n×n和模糊評判矩陣S=(sij)n×n[14]：

其中，S中sij越小說明模糊區間越大，該模糊數的模糊性越強、置信水平越低。

r″ij(p)表示第p位評價專家在R″中的對應評價元素。

前述算法基于模糊一致性矩陣展開求解過程，避免了傳統AHP法對判斷矩陣的一致性檢驗與持續修正的過程，從而確保了求解效率。

3 RS-FAHP案例視圖計算

基于既定隱性知識外顯化案例模式，確立條件屬性集與決策屬性；導入隱性知識外顯案例庫中經過離散化的案例數據，建立知識表達系統KS=(U,A,V,f)，其中，A=C∪D，C={a1,a2,…,an}為條件屬性集，D為決策屬性。

引入融合因子ε(滿足0≤ε≤1)，建立最優模型：

為求解上式，作拉格朗日函數：

L(ωi,λ)=

對前述算法過程進行歸納與總結，可得隱性知識外顯化案例RS-FAHP視圖計算的算法流程，如圖1所示。

圖1 RS-FAHP視圖算法流程

4 算例分析

設有既定隱性知識外顯化案例模式：條件部由4個方面構成、決策部由1個方面構成，分別記為條件屬性集C={a1,a2,a3,a4}和決策屬性集D=g0gggggg。該模式下的案例子庫實例空間為10。依圖1流程，將各案例數據導入并做離散化處理后，建立知識表達系統KS=(U,A,V,f)，如表2所示。

表2 基于既定隱性知識外顯案例子庫建立的知識表達系統

為建立該案例視圖，現基于RS-FAHP方法計算之。

首先，基于依賴度的權重算法ω1(ai)(其中i=1,2,3,4)，計算如下：

U/d={{x1,x2},{x3,x4},{x5,x6,x7},{x8,x9,x10}}

U/C= {{x1},{x2},{x3},{x4},{x5},{x6},{x7},

{x8},{x9},{x10}}

U/{C-a1}= {{x1,x10},{x2,x3},{x4},{x5},{x6},

{x7},{x8},{x9}}

U/{C-a2}={{x1,x2},{x3},{x4,x5},{x6},{x7},

{x8},{x9},{x10}}

U/{C-a3}={{x1},{x2},{x3},{x4},{x5,x8},{x6,

x7,x9},{x10}}

U/{C-a4}={{x1,x4},{x2},{x3},{x5},{x6},

{x7},{x8},{x9},{x10}}

可得：γC(d)=1，γC-a1(d)=0.7，γC-a2(d)=0.8，γC-a3(d)=0.5，γC-a4(d)=0.8。如此，可得各屬性的重要度為：σ(a1)=0.3，σ(a2)=0.2，σ(a3)=0.5，σ(a4)=0.2。

對前述結果進行歸一化處理，則得各屬性基于依賴度的權重如下：

ω1(a1)=0.250 0ω1(a2)=0.166 7

ω1(a3)=0.416 6ω1(a4)=0.166 7

其次，計算基于條件熵的權重算法ω2(ai)。

H(d|C)=0H(d|C-a1)=0.4

H(d|C-a2)=0.2H(d|C-a3)=0.475 5

H(d|C-a4)=0.2

根據Sig(ai,C,D)的計算方法，進一步計算各屬性的重要度為：

Sig(a1,C,D)=0.4Sig(a2,C,D)=0.2

Sig(a3,C,D)=0.475 5Sig(a4,C,D)=0.2

對前述結果進行歸一化處理，則得各屬性基于條件熵的權重如下：

ω2(a1)=0.313 6ω2(a2)=0.156 8

ω2(a3)=0.372 8ω2(a4)=0.156 8

如圖1所示，考慮到基于條件熵結果的高區分度，取協調因子λ=0.45，依據1.3節信息觀權重配置算法，得各屬性基于RS理論的完備客觀權重為：

ωRS(a1)=0.285 0ωRS(a2)=0.161 3

ωRS(a3)=0.392 4ωRS(a4)=0.161 3

在此基礎上，計算概率矩陣與模糊評判矩陣如下：

至此，通過前述最終權重向量ω=(ω1，ω2，…,ωn)的計算方法，得基于FAHP算法的案例視圖為：

ωFAHP=(0.256 8，0.231 6，0.278 2，0.233 4)

最后，本著“突出客觀性、兼顧主觀經驗”的原則，取融合因子ε=0.65，依據第3節所示算法，計算得到既定模式隱性知識外顯案例屬性的RS-FAHP最終視圖計算結果為：

ω=(0.275 1,0.185 9,0.352 4,0.186 6)

至此，對于該算例中的這個隱性知識外顯化案例模式而言，其條件方面/屬性集對決策方面/屬性的內在決定價值已經確定。在該算例中，4個條件方面對決策方面的內在影響力差異并非懸殊，因此只做區別不做取舍，以此確保案例視圖距離或視圖相似度計算的有效性。在實踐應用中，如遇案例各個條件方面對決策方面的內在影響力差異懸殊情況，則可基于領域知識設置下限權重，并將權重低于該值的條件方面從案例視圖中剔除，從而在盡可能確保案例視圖距離或視圖相似度計算精度的基礎上，有效提高計算效率。

5 結 語

在知識經濟時代，知識管理尤其是對隱性知識的有效管理是增強組織核心競爭力、實現可持續發展的重要基礎。本文引入CBR系統思想，以對隱性知識的案例外顯化為基礎，將RS基于屬性依賴度與條件熵的兩種權重計算方法相融合，同時通過FAHP方法兼顧領域專家的寶貴經驗，實現了對隱性知識外顯案例視圖主客融合的RS-FAHP計算。相較于傳統主觀經驗賦權法，該方法具有更為嚴謹的數據基礎與推理過程，客觀性強、可解釋性好；相較于單純的客觀賦權法，該方法又充分融合了領域專家的主觀經驗，不僅實現了對客觀計算的靈活補充，也進一步提高了對視圖計算結果的接納水平。

[1]BanoS,TaylorJ.Universitiesandtheknowledge-basedeconomy:perceptionsfromadevelopingcountry[J].HigherEducationResearch&Development,2015,34(2):242-255.

[2]AhrweilerP,PykaA,GilbertN.Anewmodelforuniversity-industrylinksinknowledge-basedeconomies[J].JournalofProductInnovationManagement,2011,28(2):218-235.

[3]PawlakZ.RoughSets[J].InternationalJournalofComputerandInformationSciences,1982,11(5):341-356.

[4] 張建華.知識管理自學習案例多案例誘導型適配機制[J].系統管理學報,2014,23(6):845-853.

[5] 朱紅燦,陳能華.粗糙集條件信息熵權重確定方法的改進[J].統計與決策,2011(8):154-156.

[6] 鮑新中,劉澄.一種基于粗糙集的權重確定方法[J].管理學報,2009,6(6):729-732.

[7] 張建華.電子政務知識管理[M].北京:科學出版社,2010.

[8] 翟軍昌,車偉偉.一種基于條件熵的垃圾郵件過濾算法[J].計算機與現代化,2014(2):129-132.

[9] 李春好,孫永河,賈艷輝,等.變權層次分析法[J].系統工程理論與實踐,2010,30(4):723-731.

[10] 劉軍,李曉楠.基于層次分析法的WLAN/蜂窩網絡切換判決算法[J].通信學報,2013,34(2):65-72.

[11] 蔡雁,吳敏,周晉妮,等.基于層次分析法的儲位模糊多準則優化方法[J].湖南大學學報(自然科學版),2013,40(6):103-108.

[12]SaatyTL.Modelingunstructureddecisionproblems—thetheoryofanalyticalhierarchies[J].MathematicsandComputersinSimulation,1978,20(3):147-158.

[13] 王化吉,宗長富,管欣,等.基于模糊層次分析法的汽車操縱穩定性主觀評價指標權重確定方法[J].機械工程學報,2011,47(24):83-90.

[14] 成凱.基于模糊層次分析法的住宅PCa技術應用條件評價研究[D].杭州:浙江大學,2012.

[15] 雷磊.基于FAHP和模糊德爾菲法的產業關鍵性成功因素評價[J].統計與決策,2014(15):44-47.

[16] 覃柏英.FAHP的標度系統與排序方法研究[D].南寧:廣西大學,2005.

VIEW CALCULATION OF TACIT KNOWLEDGE EXPLICIT CASE BASED ON RS-FAHP

Zhang Jianhua1Cao Yue1Guo Zengmao1,2

1(SchoolofManagementEngineering,ZhengzhouUniversity,Zhengzhou450001,Henan,China)2(HenanElectronicCommerceAssociation,Zhengzhou450018,Henan,China)

In the era of knowledge economy, the effective organization and management of tacit knowledge becomes the core competence of knowledge subject, which affected the sustainable development of organization. Case explicit of tacit knowledge is an effective way to improve its clarity and improve the management efficiency. Based on its conditional aspect/attribute value, reasonable calculation of case view directly affects the application benefit of external explicit tacit knowledge. In view of the fact that the traditional direct weighting method leads to the severe subjective impact of the case view calculation, the objective persuasiveness of the weighting result is not high, and the simple object weight allocation ignores the expert knowledge and causes the knowledge subject to accept the obstacle of the case view. Based on the theory of subject-object integration and relying on rough set theory (RS), two kinds of objective weighting methods based on property dependence and conditional entropy are merged. FAHP is introduced to take into account the business experience and knowledge of domain experts, and the view calculation method of tacit knowledge explicit case based on RS-FAHP is proposed. The experimental results show that the method is sufficient to support the effective application and management of the tacit knowledge explicit case.

Tacit knowledge CBR RS FAHP View calculation

2016-03-19。國家社會科學基金項目(11CTQ023)；鄭州大學優秀青年教師發展基金項目(2015SKYQ15)。張建華，教授，主研領域：知識工程，機器學習。曹悅，碩士生。郭增茂，碩士。

TP182

A

10.3969/j.issn.1000-386x.2017.04.049