基于知识视角的协同创新客户选择

张雪峰，杨 育，于国栋

（重庆大学 机械传动国家重点实验室，重庆 400030）

0 引言

客户协同对提升企业创新产品的市场满意度、缩短产品创新周期等具有积极的促进作用［1］，逐渐成为一种新型并具有发展潜力与应用情景的产品创新方式。在产品创新过程中，客户的主要作用是提供其所拥有的关于产品需求信息、产品使用知识和经验以及创新知识等［2］。本文将协同创新客户掌握的与产品创新相关的信息、知识、经验等统称为客户知识。因为不同客户的知识结构、知识存量和知识类型具有差异性，所以不同客户能够参与的产品创新任务数量、种类和程度也将不同。分析产品创新任务与客户知识之间的匹配关系，度量客户对任务所需知识的掌握程度，进而为任务选择合适的客户，对任务的有效完成以及实现客户与客户知识效用的最大化具有重要意义。

目前，国内外学者对产品创新中的协同客户进行了卓有成效的研究，包括客户价值［3-4］、客户特性［5-6］、客户协同创新的动机［7-8］、客户重要度评价及选择［9-10］等。其中，客户选择的研究主要包括分析影响客户选择的因素、提出选择的评价指标及评价方法两方面。Campbell等认为客户选择受客户对产品市场贡献度的影响，客户购买企业产品的数量越多，客户相对越重要［11］；Sandmeier根据产品创新前期阶段的要求，从客户的需求信息、价值等方面提出判断客户协同的因素［12］；Jeroen等认为客户的创新能力、创新意识以及产品使用经验和知识是选择协同客户的重要因素［13］；Gruner Kjell等通过实证研究，从企业管理者的角度提出对适合协同产品创新的客户的具体要求，如客户知识、客户能力、协同态度等［14］；Emden Zeynep等基于客户创造价值最大的目标，提出客户选择的目标函数并进行求解［15］；王伟立等提出协同伙伴选择的评价指标，包括客户教育背景、沟通程度、参与积极性等，并建立了基于粗糙集和支持向量机的协同伙伴选择模型［10］；杨洁等采用粗糙集理论和小波神经网络方法，从创新客户知识、创新技术能力、学习效应、创新客户需求四个方面对客户进行了综合评价，以确定不同创新客户的重要性，并作为客户选择的依据［9］。

现有的协同创新客户选择研究大都面向整个产品创新工作提出选择标准，然后采用一定的算法进行评估，从而得到协同创新客户集。然而，整个产品创新工作包括一系列具有不同特点和要求的任务，如何为各项任务从初始协同创新客户集中进一步选择合适的客户，尚未形成实质性的研究成果。针对该问题，本文在考虑客户知识对产品创新的作用和重要性的基础上，基于知识的视角提出面向产品创新任务的协同创新客户选择模型和方法，以便为各项产品创新任务指派合适的客户以及推送所需的知识，从而促进产品创新任务的有效完成，以及客户与其知识作用的充分发挥。

1 基于知识视角的协同创新客户选择模型

产品创新任务、客户及客户知识三者之间相互联系、相互作用，不同的任务需要不同的知识，不同的客户掌握不同的知识且掌握程度不同。可以说，客户知识是联系产品创新任务和客户的中介。针对客户知识具有非规范性、多样性和异构性的特点，本文采用本体论方法对客户知识进行统一建模。相对于常用的可扩展标记语言（eXtensible Markup Language，XML）或产品数据管理（Product Data Management，PDM）等方法，本体论能够对客户知识的语法和语义两个层面进行描述，对复杂、多样、异构的客户知识进行统一组织和表达，提高客户知识的利用效率，实现客户知识的共享和集成，从而易于被理解和操作。

对于产品创新任务，为有效实现任务和客户知识的匹配，同样采用本体论对任务进行统一组织和描述，描述产品创新任务的不同特性和属性，实现对任务各方面的细致刻画。

基于上述分析，从知识视角提出协同创新客户选择模型，如图1所示。

图1中的模型包括四个层次。其中：①协同创新客户层包括多种类型的客户，如领先客户、测试客户、需求客户等［16］，每个客户具有与产品创新相关的不同的知识内容、结构和存量。②客户知识集成与本体表达层通过挖掘、分析、分类和组织客户知识，采用本体论进行建模，形成客户知识库，用于支持产品创新任务的开展。③产品创新任务则由整个产品创新工作分解得到，并利用本体论对任务各方面进行细致地刻画。④协同创新客户选择层根据每项产品创新任务的特点及要求，采用概念语义相似度算法对任务知识约束和客户知识本体中的概念进行匹配，发现适合的知识后，根据客户对这些知识的掌握程度为任务选择合适的客户。

通过上述分析，得到由产品创新任务、匹配到该任务的客户及客户知识构成的组合，本文称为客户协同产品创新工作单元，将其作为面向产品创新任务的协同创新客户选择过程的输出，表示为

式中：WU 为客户协同产品创新工作单元；TS 为产品创新任务；CS 为协同创新客户；CK 为客户知识。

任何一个客户协同产品创新工作单元，都可以通过图2进行形象表示。

图2中：（TSi，CSj，CKk）为一个客户协同产品创新工作单元，表示由第j个客户利用第k 类知识参与第i项产品创新任务。通过该单元，企业能够清楚地了解各项产品创新任务需要哪些客户及其知识，也让客户明确所协同的产品创新任务，从而实现企业和客户分工明确、企业审查便捷、客户协同产品创新工作有效开展的目标，同时也为后续的产品创新任务综合和客户激励提供决策依据。

2 产品创新任务与客户知识匹配分析

2.1 基于本体的客户知识描述

为了集成不同的客户知识，采用本体树对客户知识进行表示，并根据本体中概念之间的关联性对客户知识进行集成。

（1）客户知识的本体树模型

客户知识本体树模型是对知识的概念及其关系的一种描述。客户知识主要由知识ID、知识领域、知识描述、知识类型、知识存储信息等组成，可以表示为CK=（CKI，CKC，CKS，CKB，CKA）。其中：CKI表示客户知识的ID，是对客户知识的唯一标识；CKC 表示客户知识领域概念，包括客户基本知识、客户需求知识、客户创意知识等；CKS表示对客户知识的描述，可以是客户的经验描述、对知识原理的描述，也可以是解决产品创新任务中出现的约束问题；CKA 表示对客户知识拥有者的描述。

根据上述分析，采用自顶向下的方法建立客户知识本体树模型，如图3所示。

（2）客户知识本体描述及集成

在建立客户知识本体树模型的基础上，针对客户知识的分散性和多样性，根据客户知识概念之间的关系对客户知识进行集成。客户知识概念之间的关系反映的是两个概念在本体树模型中的上下位关系，两个概念之间的关系可以表示为一个三元组Relation=（Type，Des，Weight）。其中：Type为概念之间的关系类型，包括概念和概念之间的聚集关系（part-of）、继承关系（kind-of）、同类关系（same-as）、实例关系（instance-of）和属性关系（attribute-of）五种；Des是对概念之间关系的非形式化描述，通常为自然语言；Weight为概念之间的关系强度，取值范围为［0，1］，值越大表示关系越密切。通过计算两个概念之间的相似度并结合关系的类型，对两个概念的本体知识进行整合和集成。知识具体的集成过程可以参考文献［17-18］，在此不再赘述。

2.2 基于本体的产品创新任务描述

产品创新任务本体模型用于描述任务构成部分的概念和关系。产品创新任务由任务名称、任务目标、任务对象和内容、任务约束条件、任务时间构成，可以形式化表示为TU=（TUI，TUG，TUO，TUC，TUT），其中：TUI表示任务的ID，是对任务的唯一标识；TUG 表示任务的目标，即完成该项任务能够取得的预期效果；TUO 表示任务内容的描述，以加深客户对任务的理解；TUC 表示任务的约束条件，是完成该项任务需要的资源，包括知识资源、制造条件约束等，本文重点分析约束条件中的知识约束，并将任务的知识需求根据客户知识本体建模的相关规则进行描述；TUT 表示任务的计划开始时间和结束时间，即在众多任务中，该项任务计划在什么时刻开始和结束，可以实现对任务在时间序列上的识别。

根据上述分析，某项产品结构创新任务的本体树表示如图4所示。

2.3 基于概念语义相似度的任务与知识匹配

根据产品创新任务的目标、内容和约束条件，为任务的开展提供相匹配的客户知识，该过程可视为一个不断消解任务约束的过程，可以表示为

式中：TUG 为产品创新任务的目标；Θ 为产品创新任务解约束过程；TUO 为产品设计任务内容的描述；TUC 为产品创新任务的约束条件；CK 为客户知识。需要说明的是，本文的产品创新任务约束条件主要是知识约束，即产品创新任务的完成需要哪些知识的支撑，其他如设备、材料、成本等方面的约束不予考虑。

为产品创新任务匹配合适的客户知识是以两者的信息相似度匹配为基础的。因为两者都用本体概念进行描述，所以本文采用概念语义相似度算法分析产品创新任务的知识需求与客户知识的匹配程度。

产品创新任务知识需求和客户知识由多个本体概念构成，因此将产品创新任务约束条件中的知识约束的本体概念集合以一维向量表示，记为TUC=｛c1，c2，…，ci，…，cm｝T，其中：ci为产品创新任务知识需求中的第i个本体概念，m 为本体概念的数目。将客户知识描述的本体概念也表示为一维向量的形式，记为CK=｛k1，k2，…，kj，…，kn｝T，其中：kj为客户知识描述中的第j 个本体概念，n 为概念的数目。根据文献［19］对概念语义相似度的定义，构造相似度矩阵Mck，

式中sim（cikj）表示概念ci与概念kj的语义相似度。

取相关矩阵Mck每行中的语义相似度的最大值，求平均值后得到TUC 中的知识本体概念与CK中的知识本体概念向量的最大语义相似度，表示为

当sim（TUC，CK）≥ε时，认为客户知识能够满足任务的知识需求。其中ε为相似度阈值，0＜ε≤1，该阈值根据产品创新的实际情况动态调整。

对于两个本体概念的相似度求解，基于信息论和基于语义距离是目前的两种主要计算方法。基于信息论是通过分析两个概念共享信息的量来确定概念之间的语义相似度；基于语义距离是通过量化两个概念的距离来确定概念之间的语义相似度。由于两个概念的边包含的信息存在差异，如果按照常规将本体树模型的有向边视为同等重要，则会影响相似度的计算结果。本文用连接两个概念之间的信息量表示连接两个概念连接边的长度。

根据两个概念语义距离的定义，即连接两个概念的最短路径长度，得到概念ci和cj的语义距离D，D（lt）为最短路径上的第t条边。文献［20］指出，两个概念的语义相似度是语义距离的单调减函数，且相似度取值范围为0～1，由此给出基于语义距离的概念相似度计算公式

式中D（ci，cj）表示概念ci和cj的语义距离。

概念的语义距离等于连接两个概念的最短路径边的数量，一般假设所有概念节点之间的有向边的距离同等重要，设为1。本文用概念之间的信息量表示概念之间有向边距离的差异性。因此，概念ci和cj的相似度可以表示为

概念ci和cj有多条连接路径，每条路径上都有两个概念共同的祖先［21］，令Anc（ci，cj）表示两个概念最短路径上的共同祖先节点，path（ci，cj）表示处于两个概念最短连接路径上的所有节点，w（c，c′）为概念节点c与其直接子节点c′之间的有向边距离。

令IC（c）表示概念c的信息量，可以通过该概念出现的概率表示为

在概念本体树中，如果一个概念还包括一系列子概念，则该概念出现的次数应该包括其所有子概念出现的次数。概念c出现的概率可以表示为

式中：N 表示概念本体树中所有概念的数目，n（c）表示概念c出现的次数，∑n（c′）表示c的子概念c′出现的次数。

概念c与其子概念c′之间的信息量可以表示为

将两个概念之间的信息量对应到连接两个概念的有向边距离，即有

式中：D（c′→c）表示两个概念之间的有向边距离；α为转化系数，α＞0。

因此，概念ci和cj之间的连接边距离为

式中：s表示概念ci与Anc（ci，cj）之间的连接边数量；p 表示cj与Anc（ci，cj）之间的连接边数量。

将概念之间的语义距离代入式（3），可以得到产品创新任务的知识约束与客户知识的相似度大小。

3 协同创新客户选择

根据产品创新任务的知识需求和客户知识匹配，可以明确完成每项任务所需要的客户知识。为给产品创新任务选择合适的客户，需要对客户及任务所需的客户知识之间的关系进行分析，并根据客户对任务所需知识的掌握程度，确定客户被匹配给任务的优先级。其中，知识的掌握程度通过客户对这些知识的存量来度量，客户知识存量反映了客户掌握知识的总和，存量越大，掌握程度越好。

目前，关于个体知识存量的度量方法主要包括通过测试和考试直接评估、知识树［22］、有向图［23］、灰关联度法［24］以及永续盘存法［25］等。其中：①测试和考试直接评估方法相对简单、易于操作，但是忽略了个体知识的构成，评估结果主观性较大，准确性较低；②知识树和有向图法一般用于分析具有唯一根节点的知识体系结构，然而客户知识更多地呈现为多根节点，此外该方法一般用于衡量知识的价值，难以直接用于个体知识的表示及掌握程度的度量；③灰关联度方法首先提出企业知识存量的评价指标体系，然后采用该方法对企业知识存量的相对高低进行评价，该方法并未给出知识存量具体数值的计算模型和方法［24］；④针对R&D 知识资本存量的度量，永续盘存法通过借用实物投入资本和产出来分析知识资本大小［25］，然而将R&D 知识资本映射为实物资本的过程比较复杂，通过该方法计算得到的知识资本存量实际上是知识资本的价值。

本文在综合分析现有方法的基础上，根据客户知识本体树模型的特点，参考文献［26］的知识细分思想，将本体树中的每项知识领域视为一个节点，不同层级节点包含的知识范围和内容不同，节点之间的关系反映了知识之间的隶属关系。将知识点之间的语义距离作为下级知识点相对于上级知识点的重要性，用以反映个体知识结构的差异，同时降低专家分析下级知识点相对于上级知识点重要性的难度。此外，由于客户知识的本体树模型结构具有相似性，采用上述方法不但能够计算个体客户的知识存量，而且便于不同客户之间对同类知识存量的比较。客户对任务所需知识的掌握程度量化测度过程具体如下：

假设对某项产品创新任务TU，令CK=（ck1，ck2，…，cki，…，ckn）表示该项任务所需的客户知识集合，其中cki表示第i 个知识点；令C=｛C1，C2，…，Cr，…，Cl｝表示拥有这些知识的客户集合，其中Cr表示第r 个客户。客户Cr对知识点cki的掌握程度用客户知识点cki的存量表示。

当知识点cki处于知识本体树中的最低层级，即cki不包含其他知识点时，本文将这种类型的知识点cki称为一个知识单元。知识单元的含义为一个很小的领域内的一部分知识，在不加定义的情况下可被他人认知和理解，同时与其他知识单元具有差异性，易于区分。客户个体对知识单元的掌握程度可以采用知识测评方法获得，对于可以用规则、文字或者符号进行描述的显性知识，通过直接测试等方式获得；对于无法直接描述的隐性知识，只能采用间接的测试方法，例如通过评估客户完成某项工作的过程和结果等来度量客户对知识的掌握程度，并采用语言变量｛很好，好，一般，差，很差｝描述。为了能够将上述定性描述量化，运用语言变量与模糊数学相结合的方法对上述定性描述进行模糊量化处理，语言变量与模糊量化值之间的关系如表1所示。

表1 语言变量与模糊量化值的关系

由此可以得到客户Cr对知识点cki的掌握程度φCr（cki），即知识存量

式中：Y 表示参与评估的专家数量，Y≥1；ωy表示第y 个专家的相对重要性，y=1，2，…，Y；gy ri表示第y个专家对客户Cr关于知识点cki掌握程度的评估值。

当知识点cki不处于知识本体树中的最低层级时，该知识点必然有与其直接相连的知识点，令ckj为cki的子知识点，则cki与ckj之间的隶属关系表示为

式中α（cki，ckj）=1表示知识点cki与知识点ckj之间存在直接隶属关系。

每项知识包括一个甚至多个子知识点，不同的子知识点对上级知识的重要性不同。在知识本体树模型中，本文用两个知识概念之间的语义距离表示两者之间的关系，子知识点与上级知识点的语义距离越小，两者越接近，该子知识点就相对越重要。根据式（9），客户Cr对知识点cki存量的评估值φ″Cr（cki）可以表示为

式中：m 表示直接隶属于知识cki的知识点数量；（IC（cki）+IC（ckj）-2IC（Anc（cki，ckj）））表示知识点cki与ckj的语义距离。因为父知识点与子知识点之间无共同的祖先节点，所以Anc（cki，ckj）=∅，IC（Anc（cki，ckj））=0。

同理，知识点ckj的存量可以根据该知识点的直接下级知识点存量和下级知识点的重要程度确定。以此类推，只要确定了客户对知识单元的掌握程度及下级知识点对直接上级知识点的重要程度，即可推理得到客户的任意知识点存量。

然后分析客户对任务所需知识的存量总和，表示为

同理得到每个客户对任务所需知识的知识存量，然后进行归一化处理，从知识的视角比较各个客户对任务的相对重要性。客户Cr对任务的相对重要性为：

据此可以从知识的视角判断协同创新客户对产品创新任务的相对重要性，为产品创新任务选择合适的客户提供决策依据。需要说明的是，企业可以将度量客户对产品创新任务所需知识的掌握程度作为选择客户的重要依据，但不能作为唯一的判断决策条件。实际上，企业仍需综合考虑协同创新客户的协同态度、协同工作能力、学习能力等。

4 应用实例

以某设计制造企业（Original Design Manufacturer，ODM）的某款手机开发为例，验证上述方法的有效性和可行性。该手机主要面向国内中低端客户，为了使所开发手机能够更好地满足客户的要求、提高销售量，该企业计划从其客户关系管理信息系统中选择多个客户参与手机的概念设计，包括外观设计、功能设计、界面设计等。以手机界面的创新设计为例，手机界面创新设计主要包括图形要素设计、文字要素设计、色彩要素设计和手机界面排列版式设计四个主要设计任务。根据设计任务的特点和要求，对设计任务进行分解，如图5所示。

针对分解得到的子任务层和任务单元层，采用本体进行任务描述。以图标图形设计任务为例，通过Web本体描述语言（Web Ontology Language，OWL）对本体任务进行描述，如图6所示，主要包括设计任务目标、任务描述、任务知识约束、任务时间等。

根据手机图标图形设计任务的目标和知识约束，企业经过初步筛选，共选择了15位具有与该任务相关的知识和设计经验的客户进行协同创新。企业人员、知识领域专家提取客户的知识并进行描述，形成客户知识表，如表2所示。

表2 客户知识表

为了实现对客户知识的有效搜索，设计了客户知识集成系统，该系统基于Intel，windows软硬件系统，以MySQL为数据库，以Protégé为本体开发工具，对创新客户知识进行描述和整合，如图7所示。

借助客户知识集成系统，从客户知识库中搜索和匹配图标图形设计任务所需的客户知识，然后根据客户知识本体树模型分析客户对任务所需知识的掌握程度。其中一个客户的与手机界面设计相关的知识树如图8 所示。其中，结构设计知识、产品使用信息、交互设计、视觉设计和需求知识是图标图形创新设计任务所需的知识。根据任务的知识需求，专家和企业人员初步判断共有8位客户具有这些知识，记为｛C1，C2，C3，C4，C5，C6，C7，C8｝。

对于需求知识，专家采用评价、测试等方式可以判断客户对本体树中最底层知识的掌握程度，并根据表1中评价语言与模糊量化值之间的关系将定性评价量化，然后根据上下级知识之间的关系确定子知识点对父知识点的相对重要性，评估结果如图9所示。

图9中的节点表示知识点，节点中的数值表示客户对该知识点的存量；边表示知识点之间的关系，边中的数值表示子知识点相对于父知识点的重要性。采用加权求和求解可以得到该客户需求知识的存量。同理，采用同样的方法，计算得到该客户其他任务所需知识的存量。根据任务对结构设计知识、产品使用信息、交互设计、视觉设计和需求知识的需求程度，以及各个客户对上述知识的存量，计算得到各个客户对任务的相对重要性，如表3所示。

表3 客户对任务所需知识的存量及客户相对重要性

由表3中的结果可知，手机图标图形创新设计任务有8位客户可供选择，且相对重要性排序为C6＞C1＞C7＞C4＞C8＞C2＞C5＞C5。企业据此综合各个客户在协同工作能力、协同态度、学习能力等方面的表现，最终确定参与该项任务的协同创新客户。

5 结束语

为了充分发挥客户及其知识的作用，同时满足不同产品创新任务的特点和要求，本文综合分析了产品创新任务、客户及客户知识三者之间的关系，建立了知识视角下面向产品创新任务的协同创新客户选择模型，为更合理地选择协同创新客户提供新的思路；综合信息论和语义距离方法，利用两个概念之间的信息量表示两个概念连接边的长度，以体现两个概念连接边所包含信息的差异，以此为基础度量两个概念的语义相似度，为产品创新任务匹配所需的客户知识；提出度量客户对产品创新任务所需知识掌握程度的量化方法，从知识层面评估客户对产品创新任务的重要性，为各项任务选择合适的客户提供了决策依据。

上述研究从企业产品创新任务的角度为任务选择合适的客户，在选择过程中仍需考虑客户自身的需要。因此，未来将进一步研究任务与客户需要、任务与客户双向合理匹配的问题。同时，为提升协同创新客户选择的效率，将进一步开发任务、客户及知识匹配系统。

［1］MAHR D，LIEVENS A，BLAZEVIC V.The value of customer cocreated knowledge during the innovation process［J］.Journal of Product Innovation Management，2014，31（3）：599-615.

［2］GRAF A，MAAS P.Customer value from a customer perspective—a comprehensive review［M］／／Service Value als Werttreiber.Berlin，Germany：Springer-Verlag，2014：59-87.

［3］VON HIPPEL E.Open user innovation［C］／／HALL B H，ROSENBERG N.Hardbosk of the Economics of Innovation.Amsterdam，the Netherlands：Elsvier，2010，1：411-427.

［4］BENGTSSON L，RYZHKOVA N.Managing a strategic source of innovation：online users［J］.International Journal of Information Management，2013，33（4）：655-662.

［5］BOHLMANN J D，SPANJOL J，QUALLS W J，et al.The interplay of customer and product innovation dynamics：an exploratory study［J］.Journal of Product Innovation Management，2013，30（2）：228-244.

［6］NIETO M J，SANTAMAR A L.The importance of diverse collaborative networks for the novelty of product innovation［J］.Technovation，2007，27（6）：367-377.

［7］BARTL M，FULLER J，MUHLBACHER H，et al.A managers perspective on virtual customer integration for new product development［J］.Journal of Product Innovation Management，2012，29（6）：1031-1046.

［8］BÜYÜKÖZKAN G，ARSENYAN J.Collaborative product development：a literature overview［J］.Production Planning &Control，2012，23（1）：47-66.

［9］YANG Jie，YANG Yu，ZHAO Xiaohua，et al.Evaluation of collaborative innovative cust omer based on PWNN model and its application［J］.Computer Integrated Manufacturing Systems，2008，14（5）：882-890（in Chinese）.［杨 洁，杨 育，赵小华，等.基于预处理小波神经网络模型的协同创新客户评价与应用研究［J］.计算机集成制造系统，2008，14（5）：882-890.］

［10］WANG Weili，YANG Yu，WANG Mingkai，et al.RS and SVM-based partner selection research for customer collaborative innovation［J］.Computer Engineering and Applications，2007，43（29）：245-248（in Chinese）.［王伟立，杨 育，王明恺，等.基于RS和SVM 的客户协同创新伙伴选择［J］.计算机工程与应用，2007，43（29）：245-248.］

［11］CAMPBELL A J，COOPER R G.Do customer partnerships improve new product success rates？［J］.Industrial Marketing Management，1999，28（5）：507-519.

［12］SANDMEIER P.Customer integration strategies for innovation projects：anticipation and brokering［J］.International Journal of Technology Management，2009，48（1）：1-23.

［13］DE JONG J.The age of the consumer innovator［J］.RSM Insight，2012，9（1）：14-15.

［14］GRUNER K E，HOMBURG C.Does customer interaction enhance new product success？［J］.Journal of Business Research，2000，49（1）：1-14.

［15］EMDEN Z，CALANTONE R J，DROGE C.Collaborating for new product development：selecting the partner with maximum potential to create value［J］.Journal of Product Innovation Management，2006，23（4）：330-341.

［16］BROCKHOFF K.Customers’perspectives of involvement in new product development［J］.International Journal of Technology Management，2003，26（5）：464-481.

［17］HE B，FENG P.Research on collaborative conceptual design based on distributed knowledge resource［J］.The International Journal of Advanced Manufacturing Technology，2013，66（5-8）：645-662.

［18］YANG Jie，YANG Yu，ZHAO Chuan，et al.Integrated technology of customer knowledge in collaborative product innovation based on ontology theory［J］.Computer Integrated Manufacturing Systems，2009，15（12）：2303-2311（in Chinese）.［杨 洁，杨 育，赵 川，等.产品创新设计中基于本体理论的客户知识集成技术研究［J］.计算机集成制造系统，2009，15（12）：2303-2311.］

［19］ZHEN L，JIAN Z H.Knowledge grid based knowledge supply model［J］.IEICE Transactions on Information and Systems，2008（4）：1082-1090.

［20］SUN W，MA Q Y，GAO T Y，et al.Knowledge-intensive support for product design with an ontology-based approach［J］.The International Journal of Advanced Manufacturing Technology，2010，48（5-8）：421-434.

［21］CHEN Jie，JIANG Zuhua.Concept similarity computation for domain ontology［J］.Computer Engineering and Applications，2006，42（33）：163-166（in Chinese）.［陈 杰，蒋祖华.领域本体的概念相似度计算［J］.计算机工程与应用，2006，42（33）：163-166.］

［22］BAO Zhenqiang，WANG Ningsheng.A knowledge tree model for management of organizational knowledge［J］.Science Research Management，2002，23（1）：58-62（in Chinese）.［包振强，王宁生.基于知识树的组织知识管理初探［J］.科研管理，2002，23（1）：58-62.］

［23］WANG Jun，FAN Zhiping.A model for measurement of organizational knowledge based on acyclic digraph［J］.Systems Engineering，2002，20（5）：22-27（in Chinese）.［王 君，樊治平.一种基于有向无环图的组织知识度量模型［J］.系统工程，2002，20（5）：22-27.］

［24］LI Shuncai，CHANG Li，ZOU Shangang.Grey relational assessment of knowledge stocks of enterprise［J］.Science Research Management，2001，22（3）：73-78（in Chinese）.［李 顺才，常 荔，邹珊刚.企业知识存量的多层次灰关联评价［J］.科研管理，2001，22（3）：73-78.］

［25］LI Shuncai，ZOU Shangang，SU Ziyi.An improved model for measurement of knowledge stocks based on perpetual inventory［J］.Science of Science and Management of S.&T.，2003，24（9）：13-15（in Chinese）.［李顺才，邹珊刚，苏子仪.一种基于永续盘存的知识存量测度改进模型［J］.科学学与科学技术管理，2003，24（9）：13-15.］

［26］XI Yunjiang，DANG Yanzhong.A method to analyze the knowledge structure of an individual or a group based on weighted knowledge network［J］.Journal of Industrial Engineering and Engineering Management，2008，22（3）：1-4（in Chinese）.［席运江，党延忠.基于加权知识网络的个人及群体知识结构分析方法［J］.管理工程学报，2008，22（3）：1-4.］