數據驅動知識資源配置服務研究

蔣仲仁，馬瑤珠

（浙江國際海運職業技術學院，浙江舟山 316021）

0 前言

2018年，我國社會制造業發展迎來新的時代。“互聯網+”和“大數據”已經成為當前社會的熱門話題。傳統的生產模式和制造技術已經無法滿足用戶日益增長的產品個性化需求。取而代之的是先進設計理念和現代制造技術。而這些關鍵方法和技術都蘊藏在各類知識資源中——包括文獻、專利、著作等，并且以知識載體——人的形式體現[1]。因此制造企業尋求技術突破，關鍵問題是做好知識資源優化配置。即如何讓正確的“人”采用正確的“方法”解決“正確問題”。文獻[2]首次提出3層次模式知識需求架構；文獻[3]提出數據驅動產品概念設計需求模型的構建方法；文獻[4]提出了知識模塊搜索算法和面向知識資源配置服務的知識模塊推薦研究；文獻[5]、[6]對小世界網絡模塊分析進行詳細研究。本文在以上研究基礎上，提出一種模塊化知識資源配置服務，首先采用數據挖掘技術構建產品知識需求模型，其次采用復雜網絡的方法構建知識資源協同網絡，最后采用模塊分析方法為產品知識需求配置資源。

1 產品知識需求模型的構建

互聯網時代，用戶對產品的個性化需求日趨復雜，他們常常通過論壇、微博等渠道對產品進行評價，用戶作為產品的使用者，關注的是性能、功用和服務等需求，統一稱之為產品的功能需求。企業作為產品的生產者，需要關注的是產品功能需求背后所涉及的技術、流程和標準等（即知識需求），并將它們轉化為面向知識資源配置服務的統一模型，稱之為知識需求模型。如圖1所示。

圖1 數據驅動產品知識需求模型構建體系

從該模型中可以看到，用戶對產品的需求是基于產品的功能，包括了基本功能和個性化功能。基本功能是指產品的外觀、操作、結構、性能、材料、價格等包含產品本身制造、購買和使用時所具備的通用功能；個性化功能是指產品在滿足基本功能的前提下，對某一部分功能進行增刪、改進等使之滿足用戶的特殊需求。

1.1 面向用戶的產品功能需求模型的建立

用戶對產品的需求通常通過評價來表現。互聯網時代更多采用網絡獲取的方式獲得用戶的評價。運用網絡爬蟲的方式對用戶在論壇等社交媒體上發表的相關評論予以檢索，獲取關鍵字和比較詞，結合情感分析技術獲取用戶的需求，對其按一定量化規則進行多維建模，形成面向用戶的產品功能需求模型。

1.2 面向知識配置服務的知識需求映射方法

功能需求與知識需求之間具有復雜的映射關系。一種功能（問題）的實現（解決）或許需要用到多種知識（操作、文本、軟件等）。比如解決“轉軸與滑動軸承之間容易出現磨損”所需的知識可能是“降低光滑圓柱面的加工誤差”、“降低光滑圓柱面的圓度誤差”或者是“減少表面粗糙度”等。通過映射建立知識需求模型，實際上是對功能需求的專業化描述。如圖2所示。定義功能單元集合法有兩種，一種是通過多個專家進行打分取算數平均數的方式；一種是采用歷史數據中的出現與出現的次數比，即隨著數據庫的擴張，兩種方式可互作修正。通過對計算后的N中的元素進行篩選，獲取元素的分布，采用0～5整數優化的方法，即0表示不需求；5表示需求度很高。最終獲得所需要的知識單元集合N*，N*即知識需求模型。

圖2 功能需求-知識需求模型映射

2 基于知識資源協作網絡的的知識資源配置服務

本文所提知識資源配置是指對人的配置。人作為知識主體，不同于文本、軟件等，具備集團性和主觀能動性。研究發現，任何具備一定規模的集團、組織內部，人員之間的協作具備網絡拓撲特性，即小世界特性。人們傾向于和具有特定知識、能力、性格的人互相合作，即網絡模塊化特性。因此，本節的思路是找到關鍵節點，再利用復雜網絡進行模塊化配置。

首先構建知識資源協作網絡，本文選取本單位206名教師作為節點，將他們之間有過任何合作關系（比如發表論文、課題研究、合作授課等）的連接為邊，邊權為合作次數。這就組成一個小世界網絡，本文稱之為知識協作網絡。如圖3所示。

圖3 包含206個節點的知識資源協作網絡構建

2.1 知識資源協作網絡的模塊劃分

任何一個小世界網絡都呈現模塊特性，模塊中的各個節點協作較為密切而與外部的協作較為稀疏，每個模塊都有一個關鍵節點（隊長）和多個合作節點（隊員），每個人的重要性不同卻都扮演者不可或缺的角色。知識資源配置的核心其實就是找到關鍵節點，對其所在的知識模塊進行配置。因此首先對網絡進行模塊劃分。

采用譜分析算法進行模塊劃分。令元素w為節點i與j的邊權（合作次數），給出206階協作矩陣A，計算它的拉普拉斯矩陣L=K-1A

計算表明，矩陣L存在多個接近1的特征值（特征向量），也存在多個特征值偏離1特征值。那些較大的特征值對應的特征向量，其元素往往呈現階梯狀分布。利用這種梯度分布的特點劃分模塊。具體操作如下：選取一定數量的特征值（接近1），通常根據網絡規模的大小取4～8個。本文將大于u（u=0.9）的特征值篩選并按照降序排序并選擇前4名。如果保留下來的特征值數量小于4個，則稍微減小u的值并重新篩選。計算特征值的最大值對應的特征向量，將向量中的元素按照升序進行排序，最小元素為初始模塊（模塊數為1），若第n個元素與第n-1個元素的差小于d（初始d=0.02），則這兩個元素隸屬統一模塊，反之模塊數+1。實際操作中需要不斷減少d以細化劃分粒度。

表1 知識資源協作網絡的模塊劃分

模塊相關度檢驗：按照上述方法劃分模塊，每個模塊中包含的節點數量會有很大的差異，因此需要對模塊進行相關度檢驗以便于進一步劃分。定義：節點i、j的相關系數計算公式為：

令p為模塊中包含的節點數量。給出模塊相關度R的計算公式：

本文認為R≥0.8為有效模塊，知識模塊的節點數量p為6～16個，則兩個條件①R≥0.8；②6≤p≤16同時滿足則輸出模塊，否則修正d=0.015進行細化，直到兩個條件同時滿足或者p≤5為止。

根據以上規則對包含206個節點的知識資源協作網絡進行模塊劃分，結果如表1所示。

2.2 基于關鍵節點的模塊化配置

文獻[7]中詳細介紹了對人員的知識建模方法，提出在歷史信息中提取知識情境，通過“時間、地點、問題、設備、標準、資源、費用、形式”八個維度對人員知識進行表述。而“問題”主要包括“目的、方法、工藝、技術”等信息，其包含內容與本文中的知識需求描述非常接近，因此該維度可以作為知識需求與知識資源之間的接口，將用戶需求的知識單元與人員具備的知識單元通過關鍵詞匹配的方式建立連接通道，從而為知識需求匹配相應的關鍵節點。如圖4所示。

2.3 知識模塊參數分析

隨著網絡規模的增大，符合知識需求的知識模塊數量會逐漸增多，本文對知識模塊內部關鍵參數進行分析，提供兩種模塊篩選依據。

圖4 基于關鍵節點的模塊化配置方法

圖5 知識模塊的C-S分布

圖5 反映了上文中17個知識模塊的頭結點群居系數和協作強度的分布（C-S分布）。在解決實際問題中，建議對于專業性較強、對攻克瓶頸能力要求較高技術問題以前者為主要篩選依據；工作量大、對團隊工作效率要求較高的問題已后者為主要篩選依據。

3 總結與展望

本文主要介紹了如何利用大數據和復雜網絡，挖掘用戶的需求，建立產品功能-知識需求之間的映射關系；核心技術是通過網絡模塊化以及合理的建模方法實現知識資源優化配置。今后的研究的重點一是進一步優化知識需求模型的多維建模方法，建立更完善的需求-資源數據接口；二是突破現有技術，尋求更優化的模塊劃分方法和知識資源配置方法。