CN105184371A

CN105184371A - 一种基于流程驱动和粗糙集的领域知识推送方法

Info

Publication number: CN105184371A
Application number: CN201510585773.5A
Authority: CN
Inventors: 刘嵩; 孙涛; 李承浩
Original assignee: Qilu University of Technology
Current assignee: Qilu University of Technology
Priority date: 2015-09-15
Filing date: 2015-09-15
Publication date: 2015-12-23

Abstract

本发明公开了一种基于流程驱动和粗糙集的领域知识推送方法，其具体实现过程为，步骤一、构建面向流程的领域知识主动推送架构；步骤二、构建基于粗糙集的知识匹配模型；步骤三、通过步骤二的知识匹配模型，从步骤一的架构中选取知识对用户进行推荐。该基于流程驱动和粗糙集的领域知识推送方法与现有技术相比，有效提高知识推送的效率和精度，促进企业的知识应用与创新，实用性强，易于推广。

Description

一种基于流程驱动和粗糙集的领域知识推送方法

技术领域

本发明涉及数据存储技术领域，具体地说是一种实用性强的基于流程驱动和粗糙集的领域知识推送方法。

背景技术

知识经济环境下，知识正成为越来越多企业的重要资源,其实质是将知识视视为最重要的企业资源，通过知识的获取和共享，将恰当的知识传递给恰当的使用者。随着互联网技术的发展，知识传播更新的速度越来越快，企业知识的大量增加，出现了大量的知识泡沫和知识垃圾，导致企业知识库中的知识爆炸；企业员工从知识库中获取有效知识并应用知识的难度也越来越大。如何根据人们的知识需求，主动将合适的领域知识推送给需求者，从而提高知识应用和创新能力，已成为学术界和企业界的关注重点。

知识推送最早有RICADELA在《InformationWeek》中介绍微软公司的知识推送时提出，并将其定义为一种网络化的知识服务方式。知识推送是知识服务的一种具体表现形式，通过知识推送可以加速知识的转移，消除知识不对称的现象，促进知识的应用与创新。目前国内外一家有些学者和组织对企业知识推送进行了研究和尝试。主要可以分成以下3类：

(1)基于用户兴趣挖掘的个性化知识推荐系统。

这部分是目前国内外研究的热点。以电子商务网站中基于用户兴趣和用户行为的个性化推荐系统为代表，如文献Schafer,J.B.,Konstan,J.A.,&Riedl,J.(2001).E-commercerecommendationapplications.ApplicationsofDataMiningtoElectronicCommerce,5(1-2),115-153对电子商务推荐系统进行了系统的分析，包括推荐系统相关技术、分类、应用模型和难题；文献Feng,Y.,Fan,Z.P.,Feng,B.,&Xia,L.I.(2007).Constructionofknowledgepushsystemincustomerservicecenterofenterprise.ComputerIntegratedManufacturingSystems,13(5),1015-1020以面向客户的知识推送为研究对象，分析和归纳了客户需求的知识内容，并提出了一种面向客户的知识推送模型和构建方法。文献DongBing,&WuXiuling.(2008).personalknowledgeerecommendationsystembasedonsemanticexpansion.ResearchesinL-ibraryScience,(11):44-49基于语义网络，认为语义网络能更好地帮助用户提供知识推送服务，分别提出了一种基于语义扩展的知识推送方法和数字图书馆知识推送服务系统模型。

(2)基于岗位需要的用户知识推送系统。

这部分只要是对企业员工的岗位或者职能需求而需要掌握的知识进行分析，并将其按照职位要求推送到相关职能用户手中。如文献Feng,Y.,&Xu,H.Y.(2008).DesignonPostKnowledgePushSystemforKnowledge-BasedOrganization.WirelessCommunications,NetworkingandMobileComputing,2008.WiCOM'08.4thInternationalConferenceon(pp.1-4).IEEE分析了知识型组织的岗位知识需求，给出了一种面向知识型组织的岗位知识推送系统构建架构。

(3)基于流程和事件驱动的知识推送系统。

这部分是最新的研究方向，相比前两部分这部分的相关研究比较少。文献Wang,S.F.,Xin-Jian,G.U.,Guo,J.F.,Jun,M.A.,&Zhan,H.F.(2007).Knowledgeactivepushforproductdesign.ComputerIntegratedManufacturingSystems针对现有系统不能主动将知识在适当的时候传递给适当的设计人员的缺点，提出了一种基于知识管理的、以工作流驱动的、产品设计的知识主动推送体系结构和方式；但其知识匹配所涉及的规则和对象比较多，从而影响了知识匹配和推送的效率和正确率。文献LiuXinyu.(2005).Researchonthetheoreticalframeworkofprocess-basedknowledgepushingsystemanditsapplication.Shen-yang:NortheasternUniversity对基于流程的知识推送系统主要对其理论、框架与应用进行了系统研究；对知识推送技术，主要介绍了面向岗位的运营知识和面向员工的项目知识的推送方法；但仍没有考虑知识领域的影响，其方法存在检索数据量大、推送精度不高的问题。文献Chen,H.,Liu,N.,Yan-Jun,H.U.,Xiao,L.I.,&Guo-Ning,Q.I.(2005).Researchofknowledgemanagementmodelingtechnologybasedonworkflow.ManufacturingAutomation.提出了基于工作流的知识建模及其系统框架，讨论了支持知识与知识、知识与人以及知识与国产的集成技术，以及将知识应用到企业的业务流程中的方法；但该文只考虑了工作流和知识库的相互作用，没有考虑知识主体-----人在其中的影响，而且只是建立了概念模型和简单介绍了相关技术。另外，还有些文献从用户兴趣、岗位需求与流程三个角度，提出了一种面向组织员工的综合知识推送系统Fan,Z.P.,Feng,Y.,Sun,Y.H.,Feng,B.,&You,T.H.(2005).Aframeworkoncompoundknowledgepushsystemorientedtoorganizationalemployees.InInternetandNetworkEconomics(pp.622-630).SpringerBerlinHeidelberg。

综合以上几方面，国内外大多数学者对企业知识推送的研究主要集中于第(1)类基于用户兴趣的知识推送方向，针对知识推送的概念、内容、策略等基础理论和具体的信息技术手段做了很多研究。而对第(2)类和第(3)类的研究较少。而且在针对第(3)类的研究中，往往忽略了流程之间的相互关系相互作用，因此本发明正是在此基础上针对第(3)类研究中存在的问题，如现有研究均没有流程之间的相互作用，提出的知识匹配与推送方法存在效率低、准确性差等问题进行改进。

发明内容

本发明的技术任务是针对以上不足之处，提供一种实用性强、基于流程驱动和粗糙集的领域知识推送方法。

一种基于流程驱动和粗糙集的领域知识推送方法，其具体实现过程为：

步骤一、构建面向流程的领域知识主动推送架构；

步骤二、构建基于粗糙集的知识匹配模型；

步骤三、通过步骤二的知识匹配模型，从步骤一的架构中选取知识对用户进行推荐。

所述步骤一的架构包括：用户层、知识资源层、领域层和流程层，其中流程层驱动知识资源层和领域层通过粗糙集理论来进行相关的知识匹配，再将符合需要的知识推送到用户层；用户层向知识资源层提交或者评价知识。

所述步骤一的架构各层次中：

用户层即企业员工组成的用户，是知识推送的目标，用户对知识进行评价、反馈、发布，设置用户关注的领域，和领域层关联；

知识资源层由企业知识库、企业员工知识和企业外部网络中的知识所构成的一个知识空间，它分为事实知识、原理知识、技能知识和经验知识几个部分；

领域层是实现用户层、知识资源层和流程层之间相互关联的中间层；

流程层是知识推送的起始位置，流程是指企业里的工作流程。

步骤二中知识匹配模型的构建过程为：对属性集合中的条件属性进行约简，计算出条件属性和决策属性之间的依赖度，进而计算出有效值，从而完成推荐。

所述步骤二通过知识表达系统实现，该知识表达系统为S＝<U,R,V,f>，U是论域表示对象的有限集{[x_i]R|x_i∈U}，R表示属性的有限集；C称为条件属性集，D称为决策属性集；V为属性值的集合V＝∪Va,a∈A，Va是属性a的值域；f：U×R→V是一个信息函数，它指定U中每一个对象x的属性值。

所述知识匹配模型的具体构建过程为：

步骤1：员工定制，企业员工设置好自己的岗位，然后预定好自己感兴趣的领域；

步骤2：决策表填充，根据已经确定的条件属性C合决策属性D填充决策表，这里的决策表为具有条件属性和决策属性的知识表达系统；

步骤3：根据等价关系定义，分别计算条件属性C在论域U上的等价类U/RC和决策属性D在U上的等价类U/RD，判断生成的决策表中是否存在等价类，若存在转步骤4，否则转步骤2；所述等价关系定义为：

R是U上的一个关系，即U是论域，如果R＝U×U，则称R为U上的一个关系；

当满足一下三个性质，则称R是U上的等价关系：

自反性：任意x∈U，有(x,x)∈R；

对称性：若(x,y)∈R则(y,x)∈R,(y,x)∈U；

传递性：若(x,y)∈R且(y,z)∈R，则(x,z)∈R,(x,y,z)∈U；

步骤4：求出属性约简集，去除多余的属性，这里的属性约简为：在给定的信息表IN(M,N)中，当有属性集且满足IND(B)＝IND(A)，则B为A的一个约简，记为red(A)，B＝red(A)，这里的IND(A)是指：对于属性子集且则A中所有等价关系的交集称为A上的一种不可区分关系，简写为U/A；

步骤5：判断第i和第i+1次得出的属性约简集是否相同，若相同，则约简结束，否则，转入步骤6；

步骤6：计算步骤4中被约去的条件属性的依赖度，

设S＝<U,R>是知识系统，称为X的R正域，记为posR(X)＝R(x)；

根据上述定义，可得出被约去的条件属性c_i与决策属性D间的依赖度，即：其中card(pos_ci(D))表示在ci这个条件下发生的次数，card(U)表示U中元素个数；

步骤7：计算被约去的条件属性的重要度，这里被约去的条件属性c_i对决策属性D的重要度计算过程为：

Sig(ci)＝r_ci(D)-r_(C-c)i(D)；

步骤8：权重归一化，将各条件属性的重要度进行无量纲归一化处理，得到权重因子，即：

w_{i} = \frac{S i g (c_{i})}{Σ_{i = 1}^{n} S i g (c_{i})};

步骤9：根据上述权重因子，构建知识需求模型，然后提取知识需求向量，对其属性值进行排序，从而推荐给企业员工。

所述知识需求模型中，知识为j元组，每个组为该条知识的所涉及的领域属性，知识属性的有效值为该属性对完成某个特定流程的贡献度，即员工在其所在流程对该知识的需求度，则员工知识需求模型如下：

Q = [\begin{matrix} q_{1} \\ q_{2} \\ . \\ . \\ . \\ q_{i} \end{matrix}] = [\begin{matrix} w_{11} & w_{12} & w_{13} & w_{14} & w_{1 j} \\ w_{21} & w_{22} & w_{23} & w_{24} & w_{2 j} \\ . & . & . & . & . \\ . & . & . & . & . \\ . & . & . & . & ... & . \\ w_{k 1} & w_{k 2} & w_{k 3} & w_{k 4} & w_{k j} \end{matrix}];

其中w_kj即为上述w_i，q_i表示员工对编号为i的知识的需求，w_kj表示员工k对知识领域Dj的需求程度，提取其知识需求向量为q_i＝[w_k1w_k2w_k3w_k4…w_kj]，通过对其各个领域内的值进行排序从而推荐给企业员工。

本发明的一种基于流程驱动和粗糙集的领域知识推送方法，具有以下优点：

本发明提出的一种基于流程驱动和粗糙集的领域知识推送方法，将知识分成类别、领域和流程三个维度进行描述，利用粗糙集理论处理这些信息，抽取出其中的联系和规则；最后根据员工的知识需求进行知识推送或者将符合要求的知识推送到相关员工，从而提高知识推送的效率和精度，促进企业的知识应用与创新，实用性强，易于推广。

附图说明

附图1为本发明的步骤一中推送架构流程图。

附图2为本发明步骤二的实现流程图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

本发明提供一种基于流程驱动和粗糙集的领域知识推送方法，如附图1、图2所示，其具体实现过程为：

步骤一、构建面向流程的领域知识主动推送架构；

步骤二、构建基于粗糙集的知识匹配模型；

所述步骤一的架构各层次中：

所述知识匹配模型的具体构建过程为：

当满足一下三个性质，则称R是U上的等价关系：

自反性：任意x∈U，有(x,x)∈R；

对称性：若(x,y)∈R则(y,x)∈R,(y,x)∈U；

传递性：若(x,y)∈R且(y,z)∈R，则(x,z)∈R,(x,y,z)∈U；

步骤6：计算步骤4中被约去的条件属性的依赖度，

设S＝<U,R>是知识系统，称为X的R正域，记为posR(X)＝R(x)；

Sig(ci)＝r_ci(D)-r_(C-c)i(D)；

w_{i} = \frac{S i g (c_{i})}{Σ_{i = 1}^{n} S i g (c_{i})};

Q = [\begin{matrix} q_{1} \\ q_{2} \\ . \\ . \\ . \\ q_{i} \end{matrix}] = [\begin{matrix} w_{11} & w_{12} & w_{13} & w_{14} & w_{1 j} \\ w_{21} & w_{22} & w_{23} & w_{24} & w_{2 j} \\ . & . & . & . & . \\ . & . & . & . & . \\ . & . & . & . & ... & . \\ w_{k 1} & w_{k 2} & w_{k 3} & w_{k 4} & w_{k j} \end{matrix}];

基于上述步骤，下面以一个实例进行具体说明。

一、员工定制：

假设有两个流程P1,P2，其中有两个员工E1和E2。

Pa下面有很多知识，Kpa1,Kpa2,Kpa3……,Kpan；

Pb下面有很多知识，Kpb1,Kpb2,Kpb3……,Kpbn。

流程里面有领域知识。就是说他们有交集的领域知识，领域有很多，D1,D2,D3………Dn；比如说Pa和Pb都属于D1这个领域。

E1定制就是选择自己感兴趣的领域和感兴趣的流程，假设喜欢D1。

二、决策表填充。

条件属性，就是E1所处职位的属性，职位属性J1,J2…JN。决策表需要两个：一个是条件属性另一个是决策属性。

条件属性为职位属性，分类为领域上的分类。

决策属性为目标属性，就是说提高职位技能这样的一个属性,即为推荐哪些知识.推荐的知识也属于不用的领域。

用户	D1	D2	D3	D4	目标属性
						E1	J11	J12	J13	J14	推荐知识
E2	J21	无	无	J24	推荐知识
						E3	无	J31	J32	无	推荐知识

把所有员工属性和其目标属性，放到一个表中。就相当于填充了决策表。

三、计算等价类。

属性a,属性b,属性c所有属性都具有自反性。

对称性，一个知识是属于领域D1和属性D2,而不去在乎其先后顺序。

传递性，一个知识K1属于领域D1和D2,另一个知识K2属于D2和D3,则具有领域D1和D3就能推出知识K2。

这样就说明领域<D1、D2>,<D2、D3>,<D1、D3>是他们的等价关系，也是等价类。

四、求出约简集。

一个确定的决策表，并不是所有的条件都是必要的，去除多余的属性不会影响决策效果。把所有的属性运行约简算法，求出约简集合。约简算法：基于属性重要性的启发式算法。

这个算法基本思想是，利用属性重要性作为启发式信息，将核属性作为初始属性集，在这个属性集中每次加入属性重要性最大的属性，直到该集合是一个约简为止。

对E1进行约简，就是看D1,D2,D3,D4对E1来说，是否是必要的。如果必要，就不用约简。

五、判断约简集是否相同。

相同的话，则约简结束，可以形成模型，否则进入下一步。

六、计算依赖度。

根据上述步骤中提到的公式，进行依赖度计算。

假设，一开始给E1推荐的知识为K11,K12,K13。其中K11,K12,K13分别属于D1,D2,D1。假设约简去D2，则步骤6中公式的分母为Card(U)，Card(U)为领域的总个数为4，分子为约简领域的个数，故依赖度为：R＝1/4。

七、计算重要度。

计算被约去的条件属性的重要度。属性的重要度可以理解为去除条件属性c_i后，决策效果的变化幅度，变化越大，说明该属性越重要。根据步骤7得到重要度(有效值)。

约简出去D2后，查看我们的决策效果。一共推荐了3个知识，一个属于D2。重要度就为1/3。

八、权重归一化：[1.3,1.5,30,45,60]，利用归一化算法，得到另一个类似[0.3,0.5,0.9,0.7,0.8]这样的矩阵，计算出重要度。

九、构建需求模型。

知识需求模型构建。我们把知识定义为5元组，每个组可以理解为该条知识的所涉及的领域(知识的一种属性)。知识属性的有效值可以理解为该属性对完成某个特定流程的贡献度，即员工在其所在流程对该知识的需求度，则员工知识需求模型如下：

Q = [\begin{matrix} q_{1} \\ q_{2} \\ . \\ . \\ . \\ q_{i} \end{matrix}] = [\begin{matrix} w_{11} & w_{12} & w_{13} & w_{14} & w_{1 j} \\ w_{21} & w_{22} & w_{23} & w_{24} & w_{2 j} \\ . & . & . & . & . \\ . & . & . & . & . \\ . & . & . & . & ... & . \\ w_{k 1} & w_{k 2} & w_{k 3} & w_{k 4} & w_{k j} \end{matrix}] .

其中q_i表示员工对编号为i的知识的需求，w_kj(1≤j≤5)表示员工k对知识领域Dj的需求程度。提取其知识需求向量为q_i＝[w_k1w_k2w_k3w_k4…w_kj]，通过对其各个领域内的值进行排序从而推荐给企业员工。

W11表示上述表格中的j11，最后q_i＝[w_k1w_k2w_k3w_k4…w_k5]表示为每个员工推荐D1,D2,D3,D4这样一个需求向量。

上述具体实施方式仅是本发明的具体个案，本发明的专利保护范围包括但不限于上述具体实施方式，任何符合本发明的一种基于流程驱动和粗糙集的领域知识推送方法的权利要求书的且任何所述技术领域的普通技术人员对其所做的适当变化或替换，皆应落入本发明的专利保护范围。

Claims

1.一种基于流程驱动和粗糙集的领域知识推送方法，其特征在于，其具体实现过程为，

步骤一、构建面向流程的领域知识主动推送架构；

步骤二、构建基于粗糙集的知识匹配模型；

2.根据权利要求1所述的一种基于流程驱动和粗糙集的领域知识推送方法，其特征在于，所述步骤一的架构包括：用户层、知识资源层、领域层和流程层，其中流程层驱动知识资源层和领域层通过粗糙集理论来进行相关的知识匹配，再将符合需要的知识推送到用户层；用户层向知识资源层提交或者评价知识。

3.根据权利要求2所述的一种基于流程驱动和粗糙集的领域知识推送方法，其特征在于，所述步骤一的架构各层次中：

4.根据权利要求1所述的一种基于流程驱动和粗糙集的领域知识推送方法，其特征在于，步骤二中知识匹配模型的构建过程为：对属性集合中的条件属性进行约简，计算出条件属性和决策属性之间的依赖度，进而计算出有效值，从而完成推荐。

5.根据权利要求4所述的一种基于流程驱动和粗糙集的领域知识推送方法，其特征在于，所述步骤二通过知识表达系统实现，该知识表达系统为S＝<U,R,V,f>，U是论域表示对象的有限集{[x_i]R|x_i∈U}，R表示属性的有限集；C称为条件属性集，D称为决策属性集；V为属性值的集合V＝∪Va,a∈A，Va是属性a的值域；f：U×R→V是一个信息函数，它指定U中每一个对象x的属性值。

6.根据权利要求5所述的一种基于流程驱动和粗糙集的领域知识推送方法，其特征在于，所述知识匹配模型的具体构建过程为：

当满足一下三个性质，则称R是U上的等价关系：

自反性：任意x∈U，有(x,x)∈R；

对称性：若(x,y)∈R则(y,x)∈R,(y,x)∈U；

传递性：若(x,y)∈R且(y,z)∈R，则(x,z)∈R,(x,y,z)∈U；

步骤6：计算步骤4中被约去的条件属性的依赖度，

设S＝<U,R>是知识系统，称为X的R正域，记为posR(X)＝R(x)；

Sig(ci)＝r_ci(D)-r_(C-c)i(D)；

7.根据权利要求6所述的一种基于流程驱动和粗糙集的领域知识推送方法，其特征在于，所述知识需求模型中，知识为j元组，每个组为该条知识的所涉及的领域属性，知识属性的有效值为该属性对完成某个特定流程的贡献度，即员工在其所在流程对该知识的需求度，则员工知识需求模型如下：

Q = [\begin{matrix} q_{1} \\ q_{2} \\ \cdot \\ \cdot \\ \cdot \\ q_{i} \end{matrix}] [\begin{matrix} w_{11} & w_{12} & w_{13} & w_{14} & w_{1 j} \\ w_{21} & w_{22} & w_{23} & w_{24} & w_{2 j} \\ \cdot & \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot & ... & \cdot \\ \cdot & \cdot & \cdot & \cdot & \cdot \\ w_{k 1} & w_{k 2} & w_{k 3} & w_{k 4} & w_{k j} \end{matrix}];

其中w_kj即为上述步骤8中的w_i，q_i表示员工对编号为i的知识的需求，w_kj表示员工k对知识领域D_j的需求程度，提取其知识需求向量为q_i＝[w_k1w_k2w_k3w_k4…w_kj]，通过对其各个领域内的值进行排序从而推荐给企业员工。