基于人工智能的知識鏈模型及知識獲取與表示研究

但凝云 昭通學(xué)院

隨著知識管理水平的不斷提高，使知識管理逐漸成為各行各業(yè)生產(chǎn)、經(jīng)營及管理的重要內(nèi)容，這就使得人工智能的知識鏈模型的建立及知識獲取顯得非常重要。對此，本文作者根據(jù)自己對知識鏈模型及人工智能的了解，分析了基于人工智能的知識鏈模型及知識獲取與表示，希望能夠給相關(guān)工作人員提供一定的幫助及參考價值。

1 基于人工智能的知識鏈模型

1.1 Richard知識鏈模型

Richard知識鏈模型是最早的知識鏈沒模型，其構(gòu)成原理在于利用在公司外部環(huán)境所學(xué)到的知識，與公司內(nèi)部知識相結(jié)合，最終應(yīng)用于到公司的新產(chǎn)品中，以創(chuàng)新產(chǎn)品的同時，增加產(chǎn)品的實現(xiàn)價值，從而增大新產(chǎn)品的銷售份額，所以Richard知識鏈模型也被稱為價值增值鏈(Value-added Chain)模型。

1.2 Holsapple和Singh知識鏈模型

Holsapple和Singh知識模型，主要是2000年由Holsapple和Singh經(jīng)濟(jì)學(xué)家提出來的知識鏈模型，主要是指利用現(xiàn)代化技術(shù)將所有相關(guān)的知識整合成一個知識系統(tǒng)，然后融入到企業(yè)管理系統(tǒng)中，以實現(xiàn)知識與管理的融合，從而提高知識的利用效率及企業(yè)管理水平，最終提高企業(yè)競爭力，促進(jìn)企業(yè)健康發(fā)展，所以Holsapple和Singh知識鏈模型也被稱為企業(yè)知識競爭優(yōu)勢鏈模型。Holsapple和Singh知識鏈模型的主要是利用Delphi方法，將實踐性的知識，與企業(yè)管理知識、企業(yè)調(diào)研結(jié)果及分析結(jié)果等融合而成，因此能夠應(yīng)用于企業(yè)生產(chǎn)、經(jīng)營及管理的各個環(huán)節(jié)，成為了應(yīng)用最為廣泛和有效的知識鏈模型[1]。

1.3 兩種模型比較

Holsapple和Singh知識鏈模型簡稱Holsapple知識鏈模型，與Richard知識鏈模型相比較而言，存在很多不同之處，主要體現(xiàn)在表達(dá)形式方面，具體比較如下：

第一，相同之處，兩者的思想一樣，都是為了促進(jìn)企業(yè)管理水平提高，增加企業(yè)新產(chǎn)品銷售量及使用價值等，并且兩者都是從Porter的Value Chain發(fā)展而來的，具有很強的內(nèi)在聯(lián)系；第二，兩者的不同之處，即知識獲取方向的不同，剛開始兩者都是從企業(yè)內(nèi)部及外部獲取知識的，但后面知識的應(yīng)用不同，即Richard知識鏈模型的知識獲取主要應(yīng)用于企業(yè)內(nèi)部，Holsapple知識鏈模型中知識的獲取則主要應(yīng)用于企業(yè)外部；第三，相比較而言Holsapple知識鏈的質(zhì)量模型比Richard模型的更加直觀和容易理解，所以Holsapple知識鏈模型的應(yīng)用范圍比Richard模型廣。

2 知識鏈中的知識表示

知識表示(Knowledge Representation)是基于人工智能知識鏈模型的重要功能作用，主要是指基于知識系統(tǒng)將從外界學(xué)習(xí)到的知識，通過計算機程序或符號等方式表現(xiàn)出來，通過計算機表示出來的知識鏈能夠進(jìn)行存儲、檢索、推理、使用和修改等操作。發(fā)展至今人工智能領(lǐng)域的知識表示形式已經(jīng)實現(xiàn)了多樣化，主要包括謂詞邏輯(Predicate Logic)表示形式、框架(Frames)表示形式、語義網(wǎng)絡(luò)(Semantic Nets)表示形式、產(chǎn)生式規(guī)則(Rules)表示形式、面向?qū)ο?Object-Oriented)表示形式等，每一種知識表示形式都有著自己的優(yōu)點及缺點，具體如下：

第一，謂詞邏輯：具有精確、嚴(yán)密及容易實現(xiàn)等優(yōu)點，其缺點包括不能表示不確定性知識且效率低；第二，框架：具有表達(dá)能力強和容易添加屬性等優(yōu)點，其缺點包括編程困難和不便于推理等；第三，語義網(wǎng)絡(luò)：具有關(guān)系表達(dá)能力強和可追溯關(guān)系等優(yōu)點，其缺點為實現(xiàn)比較復(fù)雜；第四，產(chǎn)生式規(guī)則：具有語法簡單、易于理解和修改等優(yōu)點，其缺點包括不能表達(dá)結(jié)構(gòu)性知識和效率不高等。

3 知識獲取

知識獲取(Knowledge Acquisition)最早提出于專家系統(tǒng)領(lǐng)域，主要獲取任務(wù)包括：第一，從領(lǐng)域?qū)＜摇镜阮I(lǐng)域獲取知識，并對獲取的知識進(jìn)行理解、選擇、分析、抽取和總結(jié)等；第二，對于已經(jīng)擁有的知識，則加深了解、分析、擴寬和總結(jié)，以完善已有的知識系統(tǒng)；第三，要不斷回顧以往的知識，并將矛盾性的、冗余性的知識摒棄或完善，以進(jìn)一步完善檢知識的一致性和完整性。

知識獲取的形式如下：

第一，人工獲取：主要通過知識工程師對知識進(jìn)行收集，或與專家進(jìn)行交流，從而獲取知識；第二，半自動獲取：知識工程師在獲取知識時借助其他輔助性軟件及工具，獲取更多更為全面的知識；第三，自動抉取：直接利用各種機器及軟件技術(shù)獲取知識，無需人工參與。

4 結(jié)語

知識鏈?zhǔn)菍崿F(xiàn)知識價值及知識增值與創(chuàng)新的基礎(chǔ)，也是推動知識管理的重要力量之一，所以對知識鏈進(jìn)行研究具有重要的理論意義及實際價值。

[1]陳勁,呂文晶.人工智能與新工科人才培養(yǎng):重大轉(zhuǎn)向[J].高等工程教育研究,2017(06):18-23.

[2]段偉文.人工智能時代的價值審度與倫理調(diào)適[J].中國人民大學(xué)學(xué)報,2017,31(06):98-108.