基于數(shù)據(jù)挖掘技術的隱性知識挖掘綜述

【摘要】組織需要使用各種方式和途徑來挖掘組織中所存在的隱性知識，基于數(shù)據(jù)挖掘技術的隱性知識挖掘成為學術界和企業(yè)所共同探討的熱點領域。本文回顧了數(shù)據(jù)挖掘以及隱性知識的基礎知識，陳述了文獻和企業(yè)中現(xiàn)有的隱性知識挖掘方法并對其分類，旨在使今后的學者能夠在此基礎上開發(fā)出新的、更優(yōu)的隱性知識挖掘方法。

【關鍵詞】隱性知識數(shù)據(jù)挖掘隱性知識挖掘方法

一、引言

隱性知識是指人們無法清楚地傳達出來的知識，這些知識存在于其頭腦中，只能通過具體的行動來表示。在對隱性知識管理的研究中，如何使得隱性知識顯性化是知識管理的重要研究內容之一。本文對數(shù)據(jù)挖掘、隱性知識的基礎知識進行了梳理，同時陳述了現(xiàn)有文獻和企業(yè)中的隱性知識挖掘方法，旨在使以后的學者能夠在此基礎上開發(fā)出新的、更優(yōu)的隱性知識挖掘途徑與方法。

二、隱性知識的轉換

著名的英國學者波蘭尼于20世紀60年代，在其代表作——《個人知識》中，首次對知識進行分類，分為明晰和默會知識，著名的日本學者——野中郁次郎（Ikujiro Nonaka）在其書——《創(chuàng)造知識的公司》中，借鑒并發(fā)展了波蘭尼所提出的知識分類方法，將知識分類為隱性知識和顯性知識。

Nonaka提出隱性知識的兩個要素是認知和技術，認知是指個人對外部狀態(tài)的模擬和理解，如信仰、范式、價值觀，技術是有關具體如何操作的知識，指對具體問題的解決方案等。Nonaka從知識相互轉化的角度闡述了隱性知識與顯性知識轉化的動態(tài)過程，提出了著名的SECI模型（隱性與顯性知識轉化過程：社會化、外在化、組合化、內隱化），為后續(xù)的研究提供了一個嶄新的視角。

三、基于數(shù)據(jù)挖掘的隱性知識挖掘

(一)數(shù)據(jù)挖掘及其應用

數(shù)據(jù)挖掘(Data Mining)是從大量的隨機、不完全、模糊的數(shù)據(jù)中提取出隱含在其中的、事先不為人知但是具有潛在價值的知識和信息的過程。數(shù)據(jù)挖掘技術可以應用在許多領域，諸如金融服務、電力供應業(yè)（負荷預測）以及市場營銷和銷售，同時也能夠應用于以產品發(fā)展為目的的領域， KDD還可用于工業(yè)、交通、電信、市場營銷、保險等其他行業(yè)。

對數(shù)據(jù)挖掘技術的使用可以在大量未經篩選的數(shù)據(jù)中提取出可供學習的、有價值的知識和信息。在構建知識管理系統(tǒng)時，普遍采用的數(shù)據(jù)挖掘方法如：分類、聚類、Web頁挖掘和關聯(lián)規(guī)則等。分類、聚類以及關聯(lián)規(guī)則方法都是使用某種挖掘算法對企業(yè)內部知識歸類，方便員工進行搜索和文件管理；而Web挖掘技術則是通過對Web日志的挖掘總結出企業(yè)員工在工作過程中進行知識搜索的相關內容，主要是有關哪個方面以及企業(yè)知識庫中是否需要添加新知識和新信息以滿足員工需求。

(二)知識管理

為了適應市場競爭力的不斷變化，企業(yè)需要不斷提高企業(yè)客戶知識、加強企業(yè)員工對于知識的獲取、創(chuàng)新以及共享，隨之便產生了基于IT技術的對數(shù)據(jù)和信息的管理，即知識管理(KM )。有學者提出，知識的處理以及利用主要包括如下三個階段：第一，知識庫階段；第二，知識共享階段；第三，知識發(fā)現(xiàn)階段。

在知識庫階段，經過手工處理的知識進入到預先被定義的知識庫中，知識庫階段的技術主要是單機數(shù)據(jù)庫和文件系統(tǒng)。數(shù)據(jù)共享階段，人們意識到自己需要哪種知識但沒有該知識，因此開始搜索知識。知識發(fā)現(xiàn)階段出現(xiàn)了求知欲，也產生了知識發(fā)現(xiàn)的希望，這也許正是文本挖掘出現(xiàn)的內因。由上述三個階段我們也可以得到如下結論：知識管理的整個進程都是與數(shù)據(jù)庫技術密不可分的。

（三）隱性知識挖掘方法列舉

由于隱性知識對于企業(yè)的重要性，學術界和企業(yè)都采用了許多不同的方法來進行隱性知識的挖掘。本文對隱性知識挖掘方法列舉如下：

1.基于案例的隱性知識挖掘方法

當前許多企業(yè)運用建立案例庫的形式來留存在具體工作過程中處理事件所運用的隱性知識，在新案例的處理過程中使用人工智能的案例推理取得了不錯的效果，該方法通過搜集大量的案例（在實際工作過程中專家如何解決問題），采用建立映射關系（專家解決問題到實際的知識領域）以構成相對應的知識結構圖，或者通過關聯(lián)分析的方法從案例中挖掘出隱性知識。

2.基于Microsoft三種算法的隱性知識挖掘方法

基于Microsoft的隱性知識挖掘方法包括如下三種：基于Microsoft決策樹算法的隱性知識挖掘方法、基于Microsoft線性回歸算法的隱性知識挖掘方法、基于Microsoft神經網絡算法的隱性知識挖掘方法。

Microsoft決策樹算法是通過在樹中創(chuàng)建一系列拆分來生成數(shù)據(jù)挖掘模型。Microsoft線性回歸算法是Microsoft決策樹算法的一種變體，更加易于計算獨立變量和依賴變量間的線性關系，并使用該線性關系進行預測。Microsoft神經網絡算法對輸入屬性的所有可能狀態(tài)以及可預測屬性的所有可能狀態(tài)進行組合，并通過使用定型數(shù)據(jù)來計算概率。

3.基于其他算法的隱性知識挖掘方法

通過數(shù)據(jù)挖掘的其他算法，如遺傳算法、FP算法、Pairwise analysis等途徑都能夠實現(xiàn)對隱性知識進行挖掘。

4.基于web的隱性知識挖掘方法

企業(yè)通常也直接針對企業(yè)員工的隱性知識共享與挖掘，設計、開發(fā)或直接購買基于web平臺的知識挖掘系統(tǒng)。目前應用尤為廣泛的是基于e-learning的隱性知識外化方法，隱形知識外化方法能夠將知識持有者的知識外部化到知識庫中，企業(yè)中的知識組織者和教學設計者對知識進行組織，進而使得知識探尋者能夠學習知識庫中的知識，同時對學習效果進行反饋，形成操作型的知識數(shù)據(jù)庫。該方法能夠很好地發(fā)揮e-learning和知識管理的優(yōu)勢，有效地提升企業(yè)的學習能力和工作效率。

四、討論與展望

在企業(yè)的知識構成中，隱性知識占很大一部分，對隱性知識的挖掘就顯得尤為重要。本文梳理并討論了基于數(shù)據(jù)挖掘技術的隱性知識挖掘的背景知識和現(xiàn)有文獻以及企業(yè)中的隱性知識挖掘方法。企業(yè)應根據(jù)其自身狀況，針對不同種類的隱性知識并結合實際情況，利用知識挖掘算法以及其他的分析途徑，開發(fā)企業(yè)內的知識挖掘系統(tǒng)或建立相應的平臺，同時加強員工分享知識的積極性。

參考文獻

[1]張喜征,陳博.基于案例的隱性知識挖掘研究[J].情報雜志,2006,25(07):8-9.

[2]蘆昆.基于Web2.0的隱性知識外化研究[J].情報科學,2008(002):247-251.

[3]嚴寧,張翔,張永忠.基于e-learning的企業(yè)知識管理模型[J].計算機應用與軟件,2010(05).

作者簡介：丁書彥（1989-），女，碩士研究生，研究方向：知識管理、E-learning和企業(yè)信息化。

（責任編輯：劉晶晶）