基于知識(shí)圖譜分析的產(chǎn)業(yè)創(chuàng)新評(píng)估預(yù)測(cè)模型研究

劉杰 劉林志

〔摘 要〕[目的]知識(shí)圖譜分析的自動(dòng)化程度與動(dòng)態(tài)性能不高，一直是其運(yùn)用于產(chǎn)業(yè)創(chuàng)新研究領(lǐng)域的主要障礙。[方法]為解決上述難題，提出了基于知識(shí)圖譜分析的產(chǎn)業(yè)創(chuàng)新預(yù)測(cè)模型；給出了該模型的框架結(jié)構(gòu)、功能模塊以及運(yùn)作流程，詳述了其中的關(guān)鍵算法；該模型通過(guò)灰色分圖算法對(duì)產(chǎn)業(yè)創(chuàng)新項(xiàng)目規(guī)劃進(jìn)行內(nèi)容界定與可能性評(píng)估，通過(guò)知識(shí)圖譜生長(zhǎng)衍化算法對(duì)產(chǎn)業(yè)創(chuàng)新未來(lái)趨勢(shì)進(jìn)行預(yù)測(cè)。[結(jié)果]實(shí)測(cè)結(jié)果表明，該模型比既有的預(yù)測(cè)模型，具有更高的分圖收斂速度和圖譜覆蓋度，并具備較為精準(zhǔn)的預(yù)測(cè)能力。

〔關(guān)鍵詞〕情報(bào)處理；知識(shí)圖譜分析；產(chǎn)業(yè)創(chuàng)新；評(píng)估預(yù)測(cè)

DOI：10.3969/j.issn.1008-0821.2018.06.021

〔中圖分類號(hào)〕G203；F276 〔文獻(xiàn)標(biāo)識(shí)碼〕A 〔文章編號(hào)〕1008-0821（2018）06-0138-06

〔Abstract〕[Objective]The low automation and dynamic processing capability of knowledge graph analysis systems and models are major obstacles in the advance of industrial innovation evaluation and prediction applications.[Context]In order to deal them，a novel industrial innovation evaluation and prediction model was proposed based on knowledge graph analysis.And its frameworks，functional modules，and working flows were given as following.By a novel grey sub graph algorithm，the model made industrial innovation project planes content definition and possibility assessment.And a knowledge graph growth and evolution algorithm was used to predict the future trend of industrial innovation.[Results]Actual measurement results showed that the model had better sub-graph convergence rate，graph coverage，and prediction efficiency than the traditional does.

〔Key words〕information processing；knowledge graph analysis；industrial innovation；evaluation and prediction

知識(shí)圖譜在圖書(shū)情報(bào)學(xué)界也被稱為知識(shí)域可視化或知識(shí)領(lǐng)域映射地圖，該技術(shù)能夠?qū)⒅R(shí)資源及其載體有機(jī)地結(jié)合起來(lái)，并且通過(guò)對(duì)知識(shí)點(diǎn)（資源）與知識(shí)鏈（關(guān)系）構(gòu)成的復(fù)雜網(wǎng)絡(luò)進(jìn)行處理，來(lái)挖掘、分析和顯示這些要素之間的深層次關(guān)系。目前，知識(shí)圖譜及其相關(guān)算法已在眾多交叉領(lǐng)域得到了應(yīng)用，其中產(chǎn)業(yè)創(chuàng)新管理工作中廣泛應(yīng)用知識(shí)圖譜作為決策輔助工具與信息情報(bào)管理手段，并出現(xiàn)了一批新型的知識(shí)圖譜應(yīng)用方法與技術(shù)，包括：王學(xué)東等研究人員提出了產(chǎn)業(yè)衍生的知識(shí)圖譜耦合機(jī)理，并對(duì)其應(yīng)用前景進(jìn)行了分析[1]。陳瑜等人基于知識(shí)圖譜構(gòu)建了戰(zhàn)略性新興產(chǎn)業(yè)創(chuàng)新演進(jìn)框架，證明了知識(shí)圖譜對(duì)于產(chǎn)業(yè)創(chuàng)新具有良好的描繪與仿真能力[2]。韓路等人研究了基于貝葉斯網(wǎng)的知識(shí)圖譜鏈接預(yù)測(cè)算法，為知識(shí)圖譜預(yù)測(cè)與評(píng)估工作打開(kāi)了思路[3]。Ali Saleh S與Nader Nada等人總結(jié)了“信息資源—知識(shí)圖譜—信息應(yīng)用”的研究路徑，并指出知識(shí)圖譜結(jié)合時(shí)間序列計(jì)算等技術(shù)，具有廣闊的管理應(yīng)用前景[4-5]。Heiko Paulheim與Gaimei Lu等人對(duì)知識(shí)圖譜的分圖評(píng)估技術(shù)進(jìn)行了研究，并證明知識(shí)圖譜分圖算法能夠使管理者從局部視圖出發(fā)獲取所需信息，避免信息過(guò)量等問(wèn)題[6-7]。Robert R.Hoffman和Kevin T.Knudsen等人對(duì)上述研究結(jié)果進(jìn)行了論證，并且將知識(shí)圖譜預(yù)測(cè)技術(shù)應(yīng)用在區(qū)域經(jīng)濟(jì)管理等工作中，取得了良好的效果[8-9]。Yi Tay與John W.Coffey等人對(duì)知識(shí)圖譜在產(chǎn)業(yè)創(chuàng)新項(xiàng)目評(píng)估與預(yù)測(cè)工作中的應(yīng)用進(jìn)行了研究，提出了分圖算法在知識(shí)圖譜演進(jìn)中的框架與流程[10-11]。Cyrus F.Nouran、Jean-Louis Ermine以及Yu-Hui Tao等人在稅收管理創(chuàng)新等領(lǐng)域應(yīng)用了知識(shí)圖譜預(yù)測(cè)技術(shù)，并取得了良好的效果[12-14]。Wayne G.Lutters與Byron Marshall等人研究了知識(shí)圖譜分圖與子圖演進(jìn)的框架與算法，并通過(guò)數(shù)據(jù)仿真證明了其有效性和適用性，為知識(shí)圖譜的預(yù)測(cè)與評(píng)估應(yīng)用打開(kāi)了思路[15-16]。盡管上述研究取得了一定的理論與實(shí)踐進(jìn)展，并證明了知識(shí)圖譜在產(chǎn)業(yè)創(chuàng)新管理中的應(yīng)用價(jià)值，但在實(shí)際工作中發(fā)現(xiàn)上述研究成果還存在人工干預(yù)較多、預(yù)測(cè)與評(píng)估精度較差、覆蓋度較低等問(wèn)題?；谶@些問(wèn)題，本研究提出了一種基于知識(shí)圖譜分析的產(chǎn)業(yè)創(chuàng)新評(píng)估預(yù)測(cè)模型IIKM（Industrial Innovation Knowledge Graph Analysis Model），并給出了其中的關(guān)鍵算法。

1 組成結(jié)構(gòu)與處理流程

為避免重復(fù)建設(shè)，本模型的知識(shí)本體（對(duì)象結(jié)構(gòu)）采用美國(guó)斯坦福的開(kāi)源知識(shí)圖譜資源庫(kù)Protégé進(jìn)行表述；而評(píng)估預(yù)測(cè)模型的組成結(jié)構(gòu)與知識(shí)圖譜處理流程，如圖1所示：

圖1 模型結(jié)構(gòu)與處理流程

1.1 模型組成結(jié)構(gòu)

IIKM模型主要包括以下4個(gè)功能單元：

首先是預(yù)處理單元：該單元主要對(duì)基礎(chǔ)知識(shí)圖譜與檢索圖譜進(jìn)行預(yù)處理，從而為后續(xù)工作提供數(shù)據(jù)支持。其中，首先對(duì)專家提出的產(chǎn)業(yè)創(chuàng)新信息進(jìn)行預(yù)處理，主要是將其作為檢索內(nèi)容進(jìn)行梳理，劃定檢索范圍與主體框架，生成檢索圖譜；其次是對(duì)于基礎(chǔ)知識(shí)圖譜（下文中簡(jiǎn)稱：基礎(chǔ)圖譜）初步處理，主要進(jìn)行內(nèi)容初篩、修剪奇異分枝、最終劃定可用的子圖，從而減少后續(xù)任務(wù)的檢索工作量。

其次是分圖單元：該單元主要以檢索圖譜為依據(jù)，對(duì)基礎(chǔ)圖譜進(jìn)行檢索，最終從基礎(chǔ)知識(shí)圖譜中檢索到與檢索知識(shí)圖譜高度關(guān)聯(lián)的局部關(guān)聯(lián)圖譜，從而發(fā)現(xiàn)基礎(chǔ)圖譜中高度匹配檢索要求的部分，即：初步的產(chǎn)業(yè)創(chuàng)新項(xiàng)目支撐現(xiàn)狀評(píng)估。

再次是評(píng)估預(yù)測(cè)單元：該單元主要完成產(chǎn)業(yè)創(chuàng)新發(fā)展的預(yù)測(cè)與評(píng)估工作，其基本內(nèi)容是對(duì)某項(xiàng)產(chǎn)業(yè)創(chuàng)新的局部關(guān)聯(lián)圖譜進(jìn)行知識(shí)節(jié)點(diǎn)與知識(shí)鏈的發(fā)展預(yù)測(cè)，并通過(guò)既往的關(guān)聯(lián)知識(shí)圖譜發(fā)展，對(duì)其發(fā)展趨勢(shì)進(jìn)行評(píng)估，其中的主要操作是：首先是預(yù)測(cè)與評(píng)價(jià)空間的構(gòu)建；其次是預(yù)測(cè)與評(píng)價(jià)過(guò)程的收斂達(dá)成。

最后是決策輔助單元：該單元主要將評(píng)估與預(yù)測(cè)結(jié)果反饋給專家，完成管理輔助決策任務(wù)，其中的反饋形式包括評(píng)估與預(yù)測(cè)報(bào)告、可視化報(bào)表、動(dòng)態(tài)跟蹤報(bào)表等。

1.2 處理流程

IIKM模型的主要處理流程包括以下4個(gè)步驟：

Step1：由預(yù)處理單元與評(píng)估專家互動(dòng)，通過(guò)接收與整合評(píng)估專家提供的關(guān)于產(chǎn)業(yè)創(chuàng)新項(xiàng)目的資料，以文本解析的方式，提取檢索要求，生成檢索圖譜；隨后根據(jù)檢索圖譜，對(duì)基礎(chǔ)圖譜進(jìn)行預(yù)處理，精簡(jiǎn)和剝離后得到基礎(chǔ)圖譜的檢索對(duì)象子圖，從而節(jié)省處理開(kāi)銷。

Step2：由分圖單元執(zhí)行子圖譜識(shí)別與檢索，首先提取檢索圖譜的特征，其次以其特征、知識(shí)節(jié)點(diǎn)與知識(shí)鏈為依據(jù)，在基礎(chǔ)圖譜中高度匹配檢索要求的部分，即：局部關(guān)聯(lián)圖譜。

Step3：評(píng)估與預(yù)測(cè)：以局部關(guān)聯(lián)圖譜為基礎(chǔ)，結(jié)合當(dāng)前知識(shí)圖譜的歷史發(fā)展序列（時(shí)間序列），對(duì)圖譜的未來(lái)發(fā)展進(jìn)行評(píng)估與預(yù)測(cè)。

Step4：將評(píng)估與預(yù)測(cè)結(jié)果進(jìn)行整合，以報(bào)表與報(bào)告的形式反饋給專家；專家對(duì)反饋信息進(jìn)行修正，并提交給相關(guān)部門(mén)，并最終根據(jù)反饋信息對(duì)模型中的參數(shù)配置進(jìn)行優(yōu)化與調(diào)整。

2 關(guān)鍵算法

2.1 基于灰色分圖算法的局部關(guān)聯(lián)知識(shí)圖譜

這部分算法的實(shí)質(zhì)是通過(guò)灰色分圖子算法，即：首先將外部信息檢索要求制作成檢索知識(shí)圖譜；并以此為依據(jù)，從基礎(chǔ)知識(shí)圖譜中進(jìn)行灰色模糊檢索，得到與檢索知識(shí)圖譜高度匹配的局部關(guān)聯(lián)圖譜。初始的檢索知識(shí)圖譜的建立步驟如下：

Step3：知識(shí)圖譜快速收斂處理：實(shí)踐中發(fā)現(xiàn)，對(duì)圖譜包絡(luò)計(jì)算中的距離處理，如果全部采用歐氏距離，后續(xù)收斂效率較低；而無(wú)論基礎(chǔ)圖譜還是檢索圖譜，其距離均應(yīng)在一套知識(shí)圖譜坐標(biāo)系統(tǒng)中生成，因此本算法采用了統(tǒng)一的、灰色快速收斂距離生成算法，即：

此時(shí)，基礎(chǔ)知識(shí)圖譜中符合上述分圖匹配特征的知識(shí)圖譜元素均屬于符合匹配條件的子圖。至此，根據(jù)檢索知識(shí)圖譜的特征矢量，可以得到符合條件的局部關(guān)聯(lián)知識(shí)圖譜，并用于后續(xù)的預(yù)測(cè)與評(píng)估工作中。

2.2 評(píng)估預(yù)測(cè)算法

基于知識(shí)圖譜分析的產(chǎn)業(yè)發(fā)展預(yù)測(cè)與評(píng)估工作的實(shí)質(zhì)，是對(duì)2.1節(jié)中得到的某項(xiàng)產(chǎn)業(yè)的局部關(guān)聯(lián)圖譜進(jìn)行知識(shí)節(jié)點(diǎn)與知識(shí)鏈的發(fā)展預(yù)測(cè)，并通過(guò)既往的關(guān)聯(lián)知識(shí)圖譜發(fā)展，對(duì)其發(fā)展趨勢(shì)進(jìn)行生長(zhǎng)衍化模擬。如上文所述，在該算法的實(shí)現(xiàn)過(guò)程中，有兩個(gè)關(guān)鍵點(diǎn)：首先是預(yù)測(cè)與評(píng)價(jià)空間的構(gòu)建；其次是預(yù)測(cè)與評(píng)價(jià)過(guò)程的收斂達(dá)成。下文將在算法描述的同時(shí)，論述這兩個(gè)關(guān)鍵點(diǎn)的達(dá)成方法：

首先進(jìn)行預(yù)測(cè)與評(píng)價(jià)空間的構(gòu)建：

Step2：預(yù)測(cè)關(guān)鍵特征自動(dòng)篩選：由于預(yù)測(cè)及評(píng)價(jià)使用的熵值是必須通過(guò)預(yù)測(cè)與評(píng)價(jià)空間（矩陣）進(jìn)行，因此，當(dāng)對(duì)某個(gè)具有b個(gè)評(píng)價(jià)及預(yù)測(cè)關(guān)鍵特征（同時(shí)具有m個(gè)專家建議評(píng)估參數(shù)）的空間進(jìn)行特征自動(dòng)篩選時(shí)，可以構(gòu)建評(píng)價(jià)與預(yù)測(cè)空間，有：

其次，由于產(chǎn)業(yè)創(chuàng)新項(xiàng)目預(yù)測(cè)與評(píng)估工作是在專家評(píng)判框架內(nèi)推進(jìn)的，必須在預(yù)測(cè)與評(píng)估過(guò)程中引入人工干預(yù)變量，基于2.2節(jié)第一部分“預(yù)測(cè)與評(píng)價(jià)空間構(gòu)建”所得到的預(yù)測(cè)與評(píng)估邊界，本研究設(shè)計(jì)的預(yù)測(cè)與評(píng)估詳細(xì)算法如下：

3 實(shí)驗(yàn)結(jié)果與分析

IIKM模型的效能在實(shí)際應(yīng)用中得到了驗(yàn)證。2017年10月10日至20日間，××省經(jīng)信委對(duì)未來(lái)產(chǎn)業(yè)創(chuàng)新項(xiàng)目的可行性進(jìn)行考察。目前較為通用的方法是，基于已構(gòu)建完成的省產(chǎn)業(yè)知識(shí)圖譜數(shù)據(jù)，采用專家評(píng)判法與自動(dòng)預(yù)測(cè)分析模型相結(jié)合，對(duì)各個(gè)項(xiàng)目進(jìn)行考察，相關(guān)的軟硬件環(huán)境以及關(guān)鍵步驟如下：

硬件環(huán)境采用了聯(lián)想System x3850 X6服務(wù)器，其CPU為Xeon E7-4809，為適應(yīng)知識(shí)圖譜模型的海量數(shù)據(jù)處理需求，存儲(chǔ)系統(tǒng)加強(qiáng)到32GB內(nèi)存和20T外存（硬盤(pán)）。

軟件環(huán)境的操作系統(tǒng)平臺(tái)采用了Windows Server2008，數(shù)據(jù)庫(kù)平臺(tái)采用了Oracle 12C，圖譜生成工具采用了美國(guó)搜索技術(shù)公司的VantagePoint。

數(shù)據(jù)環(huán)境根據(jù)美國(guó)斯坦福的開(kāi)源知識(shí)圖譜資源庫(kù)Protégé標(biāo)準(zhǔn)進(jìn)行搭建。其中，知識(shí)節(jié)點(diǎn)與知識(shí)鏈以圖譜元素形式存儲(chǔ)在Oracle數(shù)據(jù)庫(kù)中，Protégé庫(kù)作為數(shù)據(jù)庫(kù)存儲(chǔ)與VantagePoint分析工具之間的格式轉(zhuǎn)換通道。目前的省產(chǎn)業(yè)知識(shí)圖譜的數(shù)據(jù)量為知識(shí)節(jié)點(diǎn)19 723個(gè)，知識(shí)鏈94 723條（其中57%以上的知識(shí)鏈中關(guān)聯(lián)5個(gè)以上的節(jié)點(diǎn)），需要依此為基礎(chǔ)數(shù)據(jù)，對(duì)6個(gè)產(chǎn)業(yè)創(chuàng)新項(xiàng)目（其圖譜知識(shí)節(jié)點(diǎn)數(shù)量為200～400；知識(shí)鏈數(shù)量不超過(guò)2 000）進(jìn)行發(fā)展預(yù)測(cè)與可行性研究。而對(duì)應(yīng)的數(shù)據(jù)處理步驟為：

Step1：基礎(chǔ)知識(shí)圖譜導(dǎo)入，即以Protégé為通道，將Oracle數(shù)據(jù)庫(kù)中存儲(chǔ)的數(shù)據(jù)導(dǎo)入VantagePoint分析工具中備用。

Step2：通過(guò)預(yù)測(cè)模型，即IIKM模型與KGDM（Knowledge Graph Detection Model）模型，分別對(duì)專家提出的產(chǎn)業(yè)創(chuàng)新要素信息進(jìn)行預(yù)處理，主要是將其作為檢索內(nèi)容進(jìn)行梳理，劃定檢索范圍與主體框架，生成檢索圖譜。

Step3：IIKM模型與KGDM模型分別根據(jù)自身模型生成的檢索圖譜，對(duì)導(dǎo)入VantagePoint分析工具中的基礎(chǔ)知識(shí)圖譜進(jìn)行產(chǎn)業(yè)創(chuàng)新預(yù)測(cè)，并輸出預(yù)測(cè)的知識(shí)圖譜，導(dǎo)入VantagePoint工具中進(jìn)行繪制，并提交給專家。

基于上述需求、軟硬件環(huán)境以及數(shù)據(jù)處理步驟，××經(jīng)信委通過(guò)IIKM模型與KGDM模型進(jìn)行圖譜數(shù)據(jù)分析預(yù)處理，并進(jìn)行了平行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)過(guò)程是由14名產(chǎn)業(yè)創(chuàng)新研究專家組成的兩個(gè)考察小組分別對(duì)兩種模型進(jìn)行了預(yù)測(cè)分析應(yīng)用，而后兩個(gè)考察小組交換預(yù)測(cè)模型，對(duì)同一任務(wù)進(jìn)行處理，完成后將得到的4組結(jié)果按模型進(jìn)行匯總和整理：最終得到的3種主要實(shí)驗(yàn)結(jié)果（圖譜覆蓋度、預(yù)測(cè)準(zhǔn)確度，專家綜合評(píng)價(jià)指標(biāo)）如圖2所示：

IIKM模型與KGDM模型得到了2組預(yù)測(cè)結(jié)果，如圖2所示；2組預(yù)測(cè)結(jié)果的圖譜覆蓋度差別較大，體現(xiàn)了性能上的較大差異。圖2中，圖譜覆蓋度可以定義為：在全局知識(shí)圖譜中，通過(guò)一定的預(yù)測(cè)或發(fā)現(xiàn)模型處理，生成的局部知識(shí)圖譜，其信息量（知識(shí)節(jié)點(diǎn)與知識(shí)鏈）占實(shí)際所需信息量（完整的局部關(guān)聯(lián)知識(shí)圖譜）的比例。而由圖2可知，在5個(gè)產(chǎn)業(yè)創(chuàng)新項(xiàng)目的圖譜覆蓋度方面IIKM模型均具有較為明顯的優(yōu)勢(shì)，說(shuō)明其對(duì)局部關(guān)聯(lián)知識(shí)圖譜的挖掘效果較好，發(fā)展預(yù)測(cè)與態(tài)勢(shì)評(píng)估能力較強(qiáng)。

如圖3所示；2組結(jié)果的預(yù)測(cè)準(zhǔn)確度差別較大，體現(xiàn)了性能上的較大差異。其中，預(yù)測(cè)準(zhǔn)確度可以定義為：在全局知識(shí)圖譜中，通過(guò)一定的預(yù)測(cè)或發(fā)現(xiàn)模型處理，生成的局部知識(shí)圖譜中實(shí)際被采納的信息量（完整的局部關(guān)聯(lián)知識(shí)圖譜），占到實(shí)際所需信息量的比例。而由圖3可知，在5個(gè)產(chǎn)業(yè)創(chuàng)新項(xiàng)目的預(yù)測(cè)精確度方面IIKM模型均具有較為明顯的優(yōu)勢(shì)，說(shuō)明其能較為準(zhǔn)確地把握和預(yù)測(cè)局部關(guān)聯(lián)知識(shí)圖譜的發(fā)展趨勢(shì)與當(dāng)前態(tài)勢(shì)，能夠節(jié)省較多的人工開(kāi)銷與系統(tǒng)計(jì)算資源開(kāi)銷。

評(píng)分結(jié)果進(jìn)行累計(jì)，待5次任務(wù)完成后，計(jì)算總的平均分。最終的專家評(píng)分結(jié)果顯示，IIKM模型在人機(jī)效能與實(shí)用性等方面，大大超過(guò)了KGDM模型，能夠較好地為知識(shí)圖譜用戶服務(wù)，具有良好的推廣前景。

4 總結(jié)與未來(lái)工作

基于知識(shí)圖譜分析的產(chǎn)業(yè)創(chuàng)新預(yù)測(cè)模型在實(shí)際應(yīng)用中取得了較好的效果，體現(xiàn)出較高的實(shí)用價(jià)值與推廣前景。為適應(yīng)我國(guó)萬(wàn)眾創(chuàng)新的良好形式與產(chǎn)業(yè)升級(jí)大環(huán)境，還需要對(duì)該模型進(jìn)行下列幾方面的優(yōu)化：1）是知識(shí)圖譜與產(chǎn)業(yè)創(chuàng)新預(yù)測(cè)模型的普適化改造，從而為更廣泛、內(nèi)容更復(fù)雜的領(lǐng)域提供服務(wù)；2）是研究收斂速度更快的預(yù)測(cè)與評(píng)估算法，從而提高產(chǎn)業(yè)創(chuàng)新預(yù)測(cè)工作的效率；3）是擴(kuò)展知識(shí)圖譜的信息來(lái)源，并研究知識(shí)圖譜更新的自動(dòng)化方法，從而進(jìn)一步降低人工干預(yù)帶來(lái)的工作量，并減少主觀干涉帶來(lái)的不良影響。

參考文獻(xiàn)

[1]王學(xué)東，汪園.基于專利視角的武漢市信息技術(shù)產(chǎn)業(yè)創(chuàng)新現(xiàn)狀研究[J].現(xiàn)代情報(bào)，2017，37（9）：144-149.

[2]陳瑜，謝富紀(jì)，于曉宇.基于知識(shí)圖譜的戰(zhàn)略性新興產(chǎn)業(yè)創(chuàng)新研究演進(jìn)分析[J].上海管理科學(xué)，2015，37（4）：1-7.

[3]韓路，尹子都，王鈺杰，等.基于貝葉斯網(wǎng)的知識(shí)圖譜鏈接預(yù)測(cè)[J].計(jì)算機(jī)科學(xué)與技術(shù)，2017，11（5）：742-751.

[4]Ali Saleh S.Balaid，Masoumeh Zibarzani，Mohd Zaidi Abd Rozan.A Comprehensive Review of Knowledge Mapping Techniques[J].Journal of Information Systems Research and Innovation，2015，2（12）：58-63.

[5]Nader Nada，Mohamed Kholief，Mahmoud Ghanem.Dynamic Knowledge Management Toolkit[J].Journal of Information Management，2017，12（4）：192-199.

[6]Heiko Paulheim.Knowledge Graph Refinement：A Survey of Approaches and Evaluation Methods[J].Journal of Information Science，2016，35（10）：235-257.

[7]Gaimei Lu，Danhua Su.Knowledge Mapping Analysis of Finance Research[J].American Journal of Industrial and Business Management，2015，5（1）：686-698.

[8]Robert R.Hoffman，John W.Coffey，Kenneth M.Ford.STORM_LK：A Human-Centered Knowledge Model For Weather Forecasting[J].Journal of Knowledge Management，2016，35（8）：542-537.

[9]Kevin T.Knudsen，Mark Blackburn.A Knowledge and Analytics-Based Framework and Model for Forecasting Program Schedule Performance[J].Procedia Computer Science，2016，5（7）：319-326.

[10]Yi Tay，Luu Anh Tuan，Minh C.Phan.Multi-Task Neural Network for Non-discrete Prediction in Knowledge Graphs[J].Journal of Knowledge Management，2017，1（8）：99-108.

[11]John W.Coffey.Concept Mapping and Knowledge Modeling：A Multi-Disciplinary Educational，Informational，and Communication Technology[J].Journal of Information & Knowledge Science，2016，5（2）：50-56.

[12]Cyrus F.Nouran.Agent Computing，KB for Intelligent Forecasting，and Model Discovery for Knowledge Management[J].Journal of Information Processing Technology，2017，3（5）：15-28.

[13]Jean-Louis Ermine，Imed Boughzala，Thierno Tounkara.Critical Knowledge Map as a Decision Tool for Knowledge Transfer Actions[J].Journal of Knowledge Management，2014，4（2）：129-140.

[14]Yu-Hui Tao，Yu-Lung Wu，Jih-Kun Li.A Taxonomy of Knowledge Maps in Business Application[J].Journal of Management Information Systems，2017，3（1）：12-37.

[15]Wayne G.Lutters，Mark S.Ackerman，James Boster，et al.Mapping Knowledge Networks in Organizations：Creating a Knowledge Mapping Instrument[J].Journal of Management Information Systems，2017，3（5）：42-61.

[16]Byron Marshall，Hsinchun Chen，Therani Madhusudan.Matching Knowledge Elements in Concept Maps using a Similarity Flooding Algorithm[J].Journal of Decision Support Systems，2015，11（7）：212-224.

（責(zé)任編輯：孫國(guó)雷）