企业隐性知识地图构建中专家匹配与推荐的方法

隐性知识是企业的宝贵财富。构建隐性知识地图是有效利用隐性知识的重要途径。该文即着眼于隐性知识地图构建中如何进行专家的匹配与推荐的问题,利用了向量空间模型(VSM)以及其它一些数学分析方法来解决这一问题。

隐性知识地图;专家匹配;专家推荐

【基金项目】国家自然科学基金项目(71071114);教育部博士点基金(200802470009);上海市重点学科建设项目(B310);国家支撑计划项目(2011BAC10B08)

【作者简介】金闪(1988—)女,安徽人,同济大学经济与管理学院研究生,研究方向:知识管理、管理信息系统。

1.引言

21世纪是知识经济的时代。如今关于对知识经济的研究和实践逐渐从宏观层次转向了微观领域,学术界已经非常关注知识经济的微观基础——企业的知识管理问题。企业的知识总体上可以分为两类:显性知识和隐性知识,这最早出现在野中郁次郎先生的著作《创造知识的企业》中。显性知识通常指那些易于识别易于编码的知识,例如书本、文档等;相反隐性知识是难以被编码并且存在于人们脑海中的知识,不易被察觉。一般来讲,隐性知识比显性知识更完善、更能创造价值,隐性知识的挖掘和利用能力将成为组织成功的关键。想要对隐性知识进行良好的管理必然要用到相关的工具,按照用途不同大致分为三类,如图1所示。

本文即是选取了知识地图这一工具对企业中的隐性知识进行管理,并且将关注的焦点集中在构建知识地图的实施过程中如何有效的对大量专家进行匹配与推荐,从而得出最优的一位专家。在这一过程中将会用到向量空间模型以及其它数学分析方法。

2.隐性知识地图构建

隐性知识地图总体架构。隐性知识地图在本质上依然是一个管理信息系统,因此它的整体架构依然采用经典的三层结构,如图2所示。

本文并不详细讨论这样一个信息系统要如何分析、设计以及实现,而是将焦点集中在其中的一个小部分——专家匹配与推荐的方法上,这是本文要阐述清楚的问题。

数据库的设计。隐性知识地图的数据库中的数据很简单,有两大类,分别为专家信息和文档信息。首先专家的信息包括:

专家的基本信息:包括账号、密码、等级、姓名、邮箱地址和联系电话。这些信息一是为专家自己的身份验证储存必要的信息,二是当求助者找到最合适的专家时可是与他们顺利取得联系。

专家的自我描述信息:包括专业领域有哪些、都有些什么工作经历等等,越详细越好。

专家的Tag:其他用户可以为专家贴上标签,表明自己对专家的评价和认识,但是标签必须记录下源标签用户。

专家的文档:这里包括专家所撰写的论文、书籍、报告等文字性的成果。如果涉及到保密的问题,用户必须经过专家的同意取得相应的权限才可以阅读。

专家的权威程度:专家的权威程度由专家每次解答问题后的得分以及打分的用户的等级来决定的。它表明了专家在其专业领域内的可信程度,权威度越高就表示越值得信赖。

专家的人际关系状况:这其中具体分为:亲密朋友、朋友、有一起合作过的同事、普通同事这四种,不同的人际关系表示不同的亲密程度,也反映了专家共享信息的意愿程度。

专家的状态:这个是由专家自己进行填写,用来表明在近期内是比较忙碌还是比较空闲,这也是作为专家推荐的一个考虑因素。

其次文档的信息包括:

文档的基本信息:包括标题、创建时间、作者。

文档的Tag:由用户为文档贴上标签,表明自己对该文档的认识,标签必须记录下该标签的源标签用户。

文档的描述信息:用比较简短的文字介绍文档的重要内容,类似于摘要性质的文字,其中要涵盖文档中所有关键性的部分。

专家匹配。用户登陆进入隐性知识地图需求帮助,方式是采取常见的查询方式。一般来说,查询框内接受三种形式的搜索条件:

关键字搜索:这是最普遍的方法,一般网站进行搜索都是关键字进行匹配然后得出符合条件的结果。

关键语句搜索:在搜索框内输入一句或几句关键性的语句,以此与文档进行比较,找出最相似的文档,再由此找出编写这些文档的专家。

专家名字搜索:这个最直接,输入专家名字,查看专家的信息以及专家文档的一部分信息。

关键字搜索时,一是直接根据专家的Tag与关键字进行匹配得出结果;二是将文档的Tag与关键字进行匹配,得出文档名称然后再获得文档撰写者——专家的名字。两种方法都是相对不太复杂的SQL语句的查询,这里不做过多的说明。

关键语句搜索时,要将输入的语句与文档内容以及专家的自我描述信息进行比较,这里不再是简单的SQL语句就可以得出结果,需要用到向量空间模型VSM(Vector Space Model)。一篇文档在VSM中被表示成一个向量,每个向量由其特征值与特征值的权值表示,这就构成了文档向量空间。其中特征值是指从文档中选出的最能代表文档内容的特征子集,它们都是对相似度计算有真正贡献的项,特征值以及权重的选择已经有很多成熟的方法可以具体操作,在这里不再赘述。我们要做的就是:首先,将关键语句和文档表示为向量的形式,分别为:

查询者对于专家推荐的三个指标都很看中。那么,此时专家的推荐由三个指标的综合得分最后评定。即:

得分,Authority、Status以及Cost都是介于0到1之间的整数,因此,得分越高表示专家越适合推荐给查询者,选取得分最高的三位专家进行推荐。

3.总结

本文研究了隐性知识地图构建中专家匹配与专家推荐需要的指标,为了使得推荐的结果最合理,综合考虑了很多方面的因素。以往的专家地图首先在匹配的时候往往只有一个关键字的查询匹配忽略了关键语句的查询,不够详尽、完整;其次,在匹配操作结束后并没有再进行推荐,只是单纯给出符合查询条件的好几个专家,至于专家的选择问题就留给了用户自己解决;再一点,即使有推荐的过程,可能只有简单考虑了专家的权威程度,将权威程度最高的一位推荐出去而忽略了专家的状态以及如何接近专家和路径代价的问题。本文匹配与操作的过程都有进行并且已经尽量将所有可能影响推荐的因素都考虑到了。希望本文可以为再生金属企业在构建专家地图的时候起到一点帮助和作用。

[1]黄橡丽,张伟.图的全遍历方法的研究及实现[J].天津纺织科技,2005.03

[2]Baumard,P.(1999),Tacit Knowledge in Organizations,Sage,London.

[3]王伟军,刘艳芬等.基于Web2.0知识管理系统的设计[J].信息系统,2009.06