TWI419071B - Active knowledge management system, method and computer program product for problem solving - Google Patents

Description

用於問題解決之主動式知識管理系統、方法及電腦程式產品

本發明是有關於一種知識管理系統(knowledge management system，簡稱KM)，特別是指一種用於問題解決之主動式知識管理系統。

企業或組織中，經驗的累積十分重要；但若經驗知識僅累積在某些個人身上，由於知識分散，不但無法發揮最大效益且往往難以充分地傳承。因此，系統化的知識管理技術因應而生。

現有知識管理相關技術例如：

1.中華民國第359778號發明專利「專家輔助問題解決系統」，當中概略地提出當「問題解決方案索引模組」無法針對所接收之問題訊息進行解答時，將與一「專家訊息資料庫」連線，以取得專家之個人資料與專業領域訊息。惟，該案訴求的重點在於「使用者可利用手寫方式提出問題」，但對於系統本身的運算執行技術，例如「問題解決方案索引模組如何提供解答？」、「如何找到該問題對應的專家？」並未著墨，理應只是採用一般檢索方式，精準度有限。

2.中華民國第I286718號發明專利「用以整合知識管理系統及數位學習系統之知識框架整合系統及方法」揭露一種動態推薦模組，當知識管理平台被使用時，會根據知識資料間的相關性及使用者的紀錄推薦學習資料庫中的 學習資料；當數位學習平台被使用時，會根據使用者的紀錄等推薦知識資料庫中的相關知識資料。惟，此案技術主要訴求在於知識管理與數位學習的整合，僅可被動地供使用者檢索知識及學習課程，無法主動協助使用者解決問題。

3.中華民國發明公開第200300239號案「電子化知識管理之建構與分析方法」，藉由讓企業員工填寫智慧資本提案表格，並透過社群方式以網站與網際網路之方式互相交流意見與想法。惟，此案對於知識之累積及再利用之資訊判讀，係採關鍵字方式，用此方法所搜尋出的結果容易形成資料雜訊，給予使用者不需要之解答。

因此，有必要因應企業組織架構，提出能夠主動且有效、精準地協助解決問題的管理資訊方案，藉以縮短使用者尋求解答的時間，並且讓企業組織累積的知識發揮最大效益且充分地傳承。

因此，本發明之目的，即在提供一種能夠主動且精準地協助問題解決之主動式知識管理系統。

於是，本發明用於問題解決之主動式知識管理系統，包含一知識文件資料庫、一自動化回覆模組及一自動化分派模組。

該知識文件資料庫儲存多數筆知識文件及該等知識文件的特徵向量，每一知識文件以一多階層之工作技術相關編碼系統(本文稱工作技術碼，或簡稱工技碼)進行編號，且該 知識文件之內容包含一案例以及處理該案例之人員相關資料，各該人員在本文中定義為專家。較佳地，本系統還包含一與該知識文件資料庫連結的知識文件管理模組，依據一預設詞庫從該等知識文件中擷取關鍵詞，並計算每一關鍵詞的權重，最後擷取權重較高之關鍵詞作為系統關鍵詞，並依該等系統關鍵詞建立該等知識文件的特徵向量。該知識文件管理模組計算每一關鍵詞的權重涉及以下參數：該關鍵詞的長度、該關鍵詞所在之知識文件中最長關鍵詞的長度、該關鍵詞在所在之知識文件中出現次數、該關鍵詞所在之知識文件中出現次數最多的關鍵詞的出現次數、該知識文件資料庫中的知識文件總數，及該知識文件資料庫中包含該關鍵詞的知識文件數量。

自動化回覆模組與該知識文件資料庫連結，供接收一問題請求指令，該指令內容包括問題內容。較佳地，該問題請求指令內容還包含至少一該問題所涉及之工作技術碼。

該自動化回覆模組將該問題內容轉換成一問題特徵向量，並計算該問題特徵向量與該知識文件資料庫中該等知識文件之特徵向量之間的內積，將內積值高於一預設值之知識文件提供給使用者。

較佳地，當自動化回覆模組判斷不存在內積值高於該預設值的知識文件，則依據該問題所對應之工作技術碼，找出上一層之知識類別所涵蓋的所有知識文件，重新計算內積。

自動化分派模組與該自動化回覆模組連結，當該自動化回覆模組計算內積並判斷不存在內積值高於該預設值之知 識文件時，呼叫該自動化分派模組，該自動化分派模組依據該問題所對應之工作技術碼在該知識文件資料庫中搜尋出曾處理該工作技術碼對應之案例的專家，計算每位專家的符合程度，將專家依符合程度排序後，建議0~5位專家並通知該專家進行回覆。

較佳地，本系統還包括一專家地圖，且該知識文件資料庫中儲存有專家檔案，該專家檔案中記錄有每位專家之向度資料；且該自動化分派模組還擷取所搜尋出之專家的向度資料，依據該向度資料計算與該問題之間的符合度。該向度資料包括量化的年資向度、專業密集向度及知識加值向度。計算符合度之公式為：符合度=W ₁ ×年資向度+W ₂ ×專業密集向度+W ₃ ×知識加值向度

其中，W₁ 、W₂ 及W₃ 為預先訂定之分別代表各向度所佔的權重。

較佳地，當自動化分派模組依據該工作技術碼搜尋不到專家，則依據該工作技術碼找出上一層之知識類別所涵蓋的所有知識文件，重新搜尋專家。

較佳地，本系統還包含一與該知識文件資料庫連結的知識地圖，將利用該工作技術碼進行編碼的知識文件以二維的方式來顯示，產生第一階編碼對應第二階編碼、第二階編碼對應第三階編碼及第一階編碼對應第三階編碼的地圖。

本發明之另一目的在於提供一種電腦程式產品，當電腦讀取其中的電腦程式並執行後，作用如前述用於問題解決之主動式知識管理系統。

本發明之再一目的在於提供一種用於問題解決之主動式知識管理方法，由一伺服器執行，並包含以下步驟：(a) 接收一問題請求指令，該指令內容包括問題內容，並將該問題內容轉換成一問題特徵向量；(b)計算該問題特徵向量與一知識文件資料庫中多數筆知識文件之特徵向量之間的內積，該知識文件資料庫中每一知識文件以一多階層之工作技術碼進行編號，且該知識文件之內容包含一案例以及至少一處理該案例之專家相關資料；及(c)依據該內積值判斷是否存在內積值高於一預設值之知識文件，若存在，則進行步驟(d)提供給使用者，若不存在，則進行步驟(e)依據該問題所對應之工作技術碼在該知識文件資料庫中搜尋出曾處理該工作技術碼對應之案例的專家，並通知該專家進行回覆。

本發明之功效在於，利用自動化回覆模組以及自動化分派模組的搭配設計，將使用者輸入的問題自動查詢出精準的答覆，或精準地找出專家並通知專家回覆，達到主動協助問題解決的目的。

有關本發明之前述及其他技術內容、特點與功效，在以下配合參考圖式之一個較佳實施例的詳細說明中，將可清楚的呈現。

參閱圖1，本發明用於問題解決之主動式知識管理系統100之較佳實施例適合供公司企業或各種組織(以下統稱企業)使用，其架構於一網站伺服器，可供使用者透過電腦7連線提出待解決的問題而獲得適當的解決。該系統100包含一知識文件管理模組1、一知識文件資料庫2、一知識地圖3、一專家地圖4、一自動化回覆模組5，及一自動化分派模組6。該伺服器具有一中央處理單元(圖未示)，當該中央 處理單元讀取並執行一記憶體中之程式指令，作用如該知識文件管理模組1、知識地圖3、專家地圖4、自動化回覆模組5，及自動化分派模組6。

知識文件資料庫2例如為光碟片等外部儲存媒體，或者是該伺服器的記憶體，其中預先儲存企業之多數筆知識案例作為分析之基礎，每一筆知識案例的檔案以下稱為知識文件，內容包括案例資料、處理該案例之專家等；換言之，處理該案例之專家相當於被標記在該案例中。且該等知識文件是以一自訂之多階層工作技術相關編碼系統-工作技術碼(以下簡稱工技碼)進行編號。所謂多階層編碼系統係採用由粗到細、由大到小的分類編碼方式，例如專利的IPC分類系統、各種圖書分類系統、生物分類系統，都是多階層的編碼方式。本實施例所採用工技碼共三階層，其中第一階層1碼，第二階層2碼，第三階層3碼，共6碼，可代表所屬知識類別等內涵，實際分類內容可依各個企業進行設計。

配合參閱圖2，知識文件管理模組1需執行前置工作以利後續自動化回覆模組5使用。知識文件管理模組1的前置工作包含建立一系統關鍵詞資料庫11，及針對知識文件資料庫2中的所有知識文件建立特徵向量，詳細步驟如下：步驟S11-知識文件管理模組1依據一預設詞庫從知識文件資料庫2之該等知識文件中擷取關鍵詞。前述預設詞庫可依據現有中文詞庫搭配例如企業內部之專家提供的專業領域關鍵詞所構成。

步驟S12-利用【式1】計算每一擷取出之關鍵詞的權重並儲存之，權重高的關鍵詞視為對於技術解答而言較具意義的詞。

其中，IMF_i,j 代表知識文件i中關鍵詞j的權重，L_j 代表關鍵詞j的長度，L_i,max 代表知識文件i中最長的關鍵詞的長度，tf_i,j 代表關鍵詞j在知識文件i中出現的次數，tf_i,max 代表知識文件i中出現次數最多的關鍵詞的出現次數，df_j 代表含關鍵詞j的知識文件數量，N代表知識文件資料庫2中的知識文件總數。隨著知識文件資料庫2中的內容改變，本步驟可定期重新執行，藉此更新權重值。

步驟S13─將該等關鍵詞j依權重排序後，取出權重較高者作為系統關鍵詞，儲存於該系統關鍵詞資料庫11中。當系統關鍵詞利用以上步驟被決定，即可建立每一知識文件的特徵向量。

步驟S14─依據系統關鍵詞資料庫11擷取知識文件i中的關鍵詞j。這些關鍵詞例如為k₁ 、k₂ 、...k_j …，及k_n ；其在該知識文件i的權重是利用【式1】計算得到，分別為w_i1 、w_i2 、...w_ij ...，及w_in 。

步驟S15─建立該知識文件i的特徵向量，如【式2】。

CV (D _i )={(k ₁ ,w _{i 1} ),(k ₂ ,w _{i 2} ),...,(k _j ,w _ij ),...,(k _n ,w _in )}.........【式2】

參閱圖3，當知識文件資料庫2中每一知識文件之特徵向量都已建置完成，且當使用者透過電腦7連線本系統100輸入一問題，自動化回覆模組5即開始執行以下步驟：步驟S21─接收一問題請求指令。該指令內容包含使用者在如圖4所示之操作畫面填寫輸入的一問題內容(包括主旨、說明)及至少一組該問題所涉及的工技碼。

步驟S22─將該問題主旨及/或說明內容轉換成一問題特徵向量。文字內容轉換成特徵向量之技術可參考圖2步驟S14及S15。

步驟S23─另一方面，依據該工技碼在知識文件資料庫中找出該知識類別下的所有知識文件。

步驟S24─將步驟S22所得到的問題特徵向量，與步驟S23所得到的知識文件的特徵向量一一計算內積，藉由該內積值作為問題與知識文件之間相似程度的判斷依據。

舉例來說，假設系統關鍵詞包括A、B、C及D，一使用者提出的問題Q包含A、B兩個系統關鍵詞，且利用【式1】計算出權重值分別為0.4、0.4；則在步驟S22中可得到問題特徵向量如下：

Q={(A,0.4),(B,0.4),(C,0),(D,0)}

假設步驟S23找出的知識文件有兩筆，其特徵向量分別為：

D1={(A,0.5),(B,0.3),(C,0),(D,0)}

D2={(A,0.2),(B,0),(C,0.3),(D,0.4)}

則在步驟S24計算問題Q與知識文件D1的內積值為0.4×0.5+0.4×0.3+0+0=0.32，問題Q與知識文件D2的內積值為0.4×0.2+0+0+0=0.08。

步驟S25─依據步驟S24所求出之結果，判斷是否存在內積值高於一預設值者？若存在，則進入步驟S26，若否，則進入如圖5所示之流程。關於臨界值的定義方式，是事前計算知識文件資料庫2中的所有知識文件兩兩間的相似度，並經由正規化讓相似度介於0到1之間；接著將取得之相似度從大到小排序後再從中挑選相似度約位於20%的相似度值作為系統篩選相似案例時的臨界值。定義臨界值的有助於提供使用者真正需要的相關的案例，協助使用者快速的解決問題。

步驟S26─將內積值高於預設值之知識文件提供給使用者參考。系統100對應本步驟所呈現的操作畫面如圖6所示，使用者可藉由點選其中一知識文件而觀看詳細知識內容並進入知識地圖3。

在此需特別說明的是，本發明之知識地圖3為一有效的知識查詢及知識呈現工具。當知識文件數量日益龐大，對於知識文件的擷取及呈現方式變得更重要。該知識地圖3利用前述工技碼編碼系統進行編碼的知識文件以二維的方式來顯示，產生第一碼對應第二三碼之地圖(如圖7所示)、第二三碼對應第四五六碼之地圖(如圖8所示)、第一碼對應第四五六碼之地圖(如圖9所示)。此三張地圖為知識地圖3的基本架構，可供閱圖者快速了解知識之落點及解讀其意義。

步驟S27─自動化回覆模組5還可接收一反饋指令，該反饋指令是使用者點選如圖6所示畫面中「上述建議已足夠幫助我解決問題」按鍵與「我需要專家的協助」按鍵其中之一所產生。當使用者點選前者按鍵，自動化回覆模組5依據所接收指令判斷為正向反饋指令，則可結束流程；當使用者點選後者按鍵，自動化回覆模組5將呼叫自動化分派模組6，接著由自動化分派模組6執行圖10所示步驟。

前述步驟S25中，若該問題特徵向量與各個知識文件的特徵向量之內積值皆未高出預設值，自動化回覆模組5執行如圖5所示之流程，包含以下步驟。

步驟S31─自動化回覆模組5依據問題請求指令中的工技碼，找出上一層之知識類別所涵蓋的知識文件，也就是擴大搜尋。

步驟S32─將該問題特徵向量與步驟S31所得到的知識文件的特徵向量一一計算內積。

步驟S33─依據步驟S32之計算結果，判斷是否存在內積值高於該預設值者？若存在，則進入步驟S34將內積值高於該預設值之知識文件提供給使用者參考，使用者可針對該步驟S34之結果進行反饋，同樣地，若自動化回覆模組5在步驟S36中未能接收到正向反饋結果，則呼叫自動化分派模組6；若不存在內積值高於預設值之知識文件，則進入步驟S35，告知使用者無相似案例可供參考，並呼叫自動化分派模組6。當然，在不存在內積值高於預設值之知識文件的情況下，本發明也可以設計為再次執行類似步驟31之步驟，擴大搜尋範圍直到找到可供使用者參考之知識文件，或直到確定知識文件資料庫2中不存在可供使用者參考之知識文件才停止。

在前述步驟S35，以及步驟S27、步驟S36未能接收正向反饋指令的情況下，自動化分派模組6被呼叫而執行圖10所示流程。該流程包含以下步驟：步驟S41─自動化分派模組6依據由自動化回覆模組5傳來的問題請求指令，並依據指令中的工技碼透過專家地圖4找尋對應該至少一工技碼的候選專家。詳言之，知識文件資料庫2中儲存有一專家檔案，該專家檔案中記錄有每位專家處理過之案例、案例所對應之工技碼及向度資料(說明於下文)。本發明專家地圖4是一有效的專家查詢及專家資源呈現工具，可供使用者了解每一專家在解決專業問題方面的特質，並以圖11所示之雷達圖或列表方式呈現。本實施例是藉由問題請求指令中的工技碼找到對應該工技碼的專家，也就是處理過相關案例的專家。

步驟S42─確認是否找到候選專家？若有找到，即進入步驟S43；若未能找到候選專家，則依據該工技碼找出上一層之工技碼所對應相關的專家(步驟S47)，也就是擴大搜尋範圍，並回到步驟S42，直到確認找到候選專家或直到專家地圖4之資料中沒有與該問題相關之專家為止。

步驟S43─當找到候選專家，在此步驟讀取找到之專家的向度資料。在此需特別說明的是，本發明預建之專家地圖4乃依據企業員工檔案資料、知識文件(內容包含案件處理人員)並配合知識地圖3所建立，針對每一位專家以「年資」、「專業密集」及「知識加值」三種屬性量化為參數，再此將此三種參數稱為向度資料，以便計算專家與問題之間的符合程度。詳言之，知識地圖之分類法是建立專家地圖的基礎，專家地圖架構在知識地圖之上，包括專業密集度及知識加值向度皆以工技碼分類。前述三種向度資料分別說明如下。

(1)年資向度包含設計年資、監造年資、專案管理年資，但不以此為限。各年資資料由企業提供。

(2)專業密集向度可依該員工所處理過之工作類型對應的工技碼，以及該工技碼的工作時數作為分析資料，資料由企業提供。本實施例中，專業密集向度數值計算方法，是以該員工在某領域填的工作時數除以年資所得，代表該員工在此領域的分數。

(3)知識加值向度是將發生於知識管理活動中產生的價值量化。所謂「加值」即輸出量與輸入量相減而得，知識管理過程中增加的知識量，在本發明是利用模糊語詞(fuzzy terms)經過兩個階段的模糊算數計算而得。

本發明將問題求解活動之「原創知識過程」分成五個描述詞：不重要、稍重要、重要、很重要，及非常重要；在「知識加值過程」描述詞之分類，採用焦點群體訪談法來獲得專家之建議，亦即對於一個問題之回覆能產生多少貢獻來評估問題求解活動之知識加值等級。訪談結果對於問題求解活動之「知識加值過程」中分成五個描述詞：沒有貢獻、稍有貢獻、有貢獻、相當有貢獻，及非常有貢獻。

本發明有關原創知識過程及知識加值過程程序之量測是依據參與者與管理人之專家判斷而得，而專家之判斷結果以模糊語詞表示，因此必須建立各語詞之模糊隸屬度函數。本發明以「鐘形函數(bell-shaped function)」來模擬專家判斷模糊語詞之模糊隸屬度函數，鐘形函數具有可訓練(trainable)之特性，表達如【式3】所示：

x ：為值域(universe of discourse)中之某一變數值

MF(x) ：隸屬度函數值

μ：為鐘形函數之中間值(mean)

σ：為鐘形函數之偏異值(spread)

由【式3】可知，在建立模糊隸屬度函數之前要先得知各描述詞之中間值(means)與偏異值(spread)，本發明以網路系統問卷之方式，將知識案例描述出並呈現給受訪人(包括問題提問人及管理人等)，並客觀要求受訪人對知識文件之原創知識過程及知識加值過程程序作最適當評量並選擇最合適之「原創知識描述詞」及「知識加值描述詞」。在取得受訪人之評量結果後，再以Kohonen特徵圖(Kohonen Feature Map)來計算中間值。Kohonen學習法則(Kohonen Learning Rule)包含兩個階段，如【式4】與【式5】所示。1.第一階段：相似度匹配階段(similarity matching)

k：第k個重複

：群集w的正規化價值

使輸入值X與最接近的第i群集之中間值()差異縮到最小。

2.第二階段：更新階段(updating)

η ^k ：第k個重複的合適學習係數。

在更新階段，第i 個群集的中間值，其第k 個重複將適應之後新來的訓練資料X 。未有新值進入的群集，將保持中間值不變。

上述的Kohonen學習法是以群集(clustering)之方式，決定輸入與輸出節點有關的隸屬度函數之中間值。群集方法是將相似之資料點聚集在一起，並且決定這些資料的中間值。這些每一個相似群組都以一個模糊語詞表示，而這些群組的中間值就是模糊語詞的中間值。為了建立鐘形函數之模糊隸屬度函數，尚須決定另一參數─偏異值(spread)，本發明應「第一鄰近探索法(the first-nearest-neighborhood heuristic)」來找出偏異值，如【式6】所示。

σ：偏異值

m _i ：第i個群集的中心值

m _nearest ：最接近的群集中心值

γ：兩個相鄰的模糊語詞的重疊比例

當知識加值模式在前面已經建立完成，接下來將計算在輸入與輸出之間的知識改變量。本發明藉由知識加值過程的兩個階段─原創知識過程及知識加值過程，以模糊語詞呈現並計算改變幅度，也就是利用「模糊算數(fuzzy arithmetic)」，以模糊乘法對模糊集過程進行計算。假設以第i 個知識管理活動為例，原創知識過程及知識加值過程之模糊語詞分別為與，則知識加值計算公式如【式7】所示：

KVA _i ：估計知識加值過程中第i 個知識管理活動之知識價值增加量

：原創知識過程之模糊語詞

：知識加值過程之模糊語詞

為了計算多個知識管理活動的知識加值結果，必須將模糊語詞解模糊。在分析現有解模糊方法之後，考量符合高斯模糊隸屬度函數之計算效率，採用「最大中間法(maximum of means)」作為解模糊之方法。知識加值之加法計算如【式8】所示。

KVA _total ：n 個知識管理活動的知識加值總和

K VA _i ：第i 個知識管理活動的解模糊之知識加值

上述的知識管理活動的知識加值總和，是用來呈現知識社群的價值總量。

綜合來說，知識加值向度是用來對專家做是否願意分享的加值判斷，若是有專家非常樂於分享，在知識加值向度的計算方面就會提升該專家的分數。

整體舉例來說，假定自動化分派模組6欲從工技碼110A00中找尋能夠解決使用者問之專家，在此工技碼下共有3位候選專家，本步驟讀取其各項向度資料如下：

步驟S44─接著計算每位專家與使用者所提出之問題的符合度，將專家依符合度由高至低排序後，建議0~5位專家(步驟S45)，同時發出電子郵件通知專家8(步驟S46)。使用者可點選本系統100所推薦的專家而進入如圖11所示之專家地圖4觀看專家資料。

接續以上例子，各候選專家的符合度可由以下【式3】及【式4】計算得：

符合度=W ₁ ×年資向度+W ₂ ×專業密集向度+W ₃ ×知識加值向度...【式3】

年資向度=W₄ ×設計年資+W₅ ×監造年資+W₆ ×專案管理年資...【式4】

【式3】中的W₁ 、W₂ 及W₃ 分別代表各向度所佔的權重，各權重由管理者事先定義並儲存設定。【式3】中的年資向度由【式4】計算得到，W₄ 、W₅ 及W₆ 同樣為管理者事先定義並儲存設定。透過上述公式，以W₁ =0.2、W₂ =0.4及W₃ =0.4且W₄ =0.33、W₅ =0.34及W₆ =0.33為例，候選專家的得分分別為：

候選專家1：0.2×(0.33×10+0.34×0+0.33×3)+0.4×56.8+0.4×0=23.578

候選專家2：0.2×(0.33×20+0.34×10+0.33×0)+0.4×100+0.4×0=42

候選專家3：0.2×(0.33×0+0.34×5+0.33×0)+0.4×72.6+0.4×0=29.38

因此，當提問者發問過後無法在自動化回覆模組5得到回應或者回覆之資料不合使用時，除了將問題發佈而等待熱心人員回覆之外，還可以透過自動化分派模組6尋求該領域專長的專家協助。如此一來，不僅可以省下提問者等待人員回覆的時間，也因為尋求的是經自動化分派模組6判斷為該領域之專家的協助，使得得到的回覆可以更加的精準。

綜上所述，本發明用於問題解決之主動式知識管理系統100及方法可因應企業組織架構，利用多階層的工技碼預先將案例編碼，並利用自動化回覆模組5以及自動化分派模組6將使用者提出的問題主動且有效、精準地予以解決，藉以縮短使用者尋求解答的時間，並且讓企業組織累積的知識發揮最大效益且充分地傳承，故確實能達成本發明之目的。

惟以上所述者，僅為本發明之較佳實施例而已，當不能以此限定本發明實施之範圍，即大凡依本發明申請專利範圍及發明說明內容所作之簡單的等效變化與修飾，皆仍屬本發明專利涵蓋之範圍內。

100‧‧‧問題解決之主動式知識管理系統

1‧‧‧知識文件管理模組

11‧‧‧系統關鍵詞資料庫

2‧‧‧知識文件資料庫

3‧‧‧知識地圖

4‧‧‧專家地圖

5‧‧‧自動化回覆模組

6‧‧‧自動化分派模組

7‧‧‧(使用者)電腦

8‧‧‧(專家)電腦

S11~S15‧‧‧步驟

S21~S27‧‧‧步驟

S31~S36‧‧‧步驟

S41~S47‧‧‧步驟

圖1是一說明本發明用於問題解決之主動式知識管理系統之較佳實施例的系統方塊圖；

圖2是一說明該實施例中，知識文件管理模組執行前置工作的流程圖；

圖3是一說明該實施例中自動化回覆模組所執行流程之部分流程圖；

圖4是一使用者提出問題之操作畫面示意圖；

圖5是一說明該自動化回覆模組所執行流程之另一部分流程圖；

圖6是一由自動化回覆模組提供查詢結果之操作畫面示意圖；

圖7至圖9分別是該較佳實施例中，各種知識地圖之示意圖；

圖10是該較佳實施例中自動化分派模組所執行流程之流程圖；及

圖11是該較佳實施例中，專家地圖之查詢畫面示意圖。

S41~S47．．．步驟

Claims (15)

1. 一種用於問題解決之主動式知識管理系統，包含：一知識文件資料庫，儲存多數筆知識文件及該等知識文件的特徵向量，每一知識文件以一多階層之工作技術相關編碼系統進行編號，且該知識文件之內容包含一案例以及至少一處理該案例之專家相關資料；一自動化回覆模組，與該知識文件資料庫連結，供接收一問題請求指令，該指令內容包括問題內容，該自動化回覆模組將該問題內容轉換成一問題特徵向量，並計算該問題特徵向量與該知識文件資料庫中該等知識文件之特徵向量之間的內積，將內積值高於一預設值之知識文件提供給使用者；及一自動化分派模組，與該自動化回覆模組連結，當該自動化回覆模組計算內積並判斷不存在內積值高於該預設值之知識文件時，呼叫該自動化分派模組，該自動化分派模組依據該問題所對應之編碼在該知識文件資料庫中搜尋出曾處理該編碼對應之案例的專家相關資料，並發出一請求該專家回覆的通知。
2. 依據申請專利範圍第1項所述之用於問題解決之主動式知識管理系統，其中，該問題請求指令內容還包含至少一該問題所涉及之編碼，該自動化分派模組即依據該指令中之工作技術碼進行搜尋。
3. 依據申請專利範圍第1項所述之用於問題解決之主動式知識管理系統，還包括一專家地圖，且該知識文件資料庫中儲 存有專家檔案，該專家檔案中記錄有每位專家之向度資料；該自動化分派模組還擷取所搜尋出之專家的向度資料，依據該向度資料計算與該問題之間的符合度。
4. 依據申請專利範圍第3項所述之用於問題解決之主動式知識管理系統，其中，該自動化分派模組依據所求出之符合度對搜尋出之專家進行排序，並至多通知排序前五名之專家進行回覆。
5. 依據申請專利範圍第3項所述之用於問題解決之主動式知識管理系統，其中，該向度資料包括量化的年資向度、與工作時數相關之專業密集向度，及知識加值向度。
6. 依據申請專利範圍第5項所述之用於問題解決之主動式知識管理系統，其中，該自動分派模組利用以下公式計算專家之符合度：符合度=W ₁ ×年資向度+W ₂ ×專業密集向度+W ₃ ×知識加值向度；其中，W₁ 、W₂ 及W₃ 為預先訂定之分別代表各向度所佔的權重。
7. 依據申請專利範圍第1項所述之用於問題解決之主動式知識管理系統，其中，當自動化回覆模組判斷不存在內積值高於該預設值的知識文件，則依據該問題所對應之編碼，找出上一層之知識類別所涵蓋的所有知識文件，重新計算內積。
8. 依據申請專利範圍第1項所述之用於問題解決之主動式知識管理系統，其中，當自動化分派模組依據該編碼搜尋不到專家，則依據該編碼找出上一層之知識類別所涵蓋的所有知識文件，重新搜尋專家。
9. 依據申請專利範圍第1項所述之用於問題解決之主動式知 識管理系統，還包含一與該知識文件資料庫連結的知識地圖，將利用該編碼系統進行編碼的知識文件以二維的方式來顯示，產生第一階編碼對應第二階編碼、第二階編碼對應第三階編碼及第一階編碼對應第三階編碼的地圖。
10. 依據申請專利範圍第1項所述之用於問題解決之主動式知識管理系統，還包含一與該知識文件資料庫連結的知識文件管理模組，其依據一預設詞庫從該等知識文件中擷取關鍵詞，並計算每一關鍵詞的權重，最後擷取權重較高之關鍵詞作為系統關鍵詞，並依據該等系統關鍵詞建立該等知識文件的特徵向量。
11. 依據申請專利範圍第9項所述之用於問題解決之主動式知識管理系統，其中，該知識文件管理模組計算每一關鍵詞的權重涉及以下參數：該關鍵詞的長度、該關鍵詞所在之知識文件中最長關鍵詞的長度、該關鍵詞在所在之知識文件中出現次數、該關鍵詞所在之知識文件中出現次數最多的關鍵詞的出現次數、該知識文件資料庫中的知識文件總數，及該知識文件資料庫中包含該關鍵詞的知識文件數量。
12. 一種電腦程式產品，當一電腦讀取該電腦程式產品中的電腦程式並執行後，作用如申請專利範圍1至11項中任一項所述之用於問題解決之主動式知識管理系統。
13. 一種用於問題解決之主動式知識管理方法，由一伺服器執行，並包含以下步驟：(a)接收一問題請求指令，該指令內容包括問題內容，並將該問題內容轉換成一問題特徵向量； (b)計算該問題特徵向量與一知識文件資料庫中多數筆知識文件之特徵向量之間的內積，該知識文件資料庫中每一知識文件以一多階層之工作技術相關編碼系統進行編號，且該知識文件之內容包含一案例以及至少一有關處理該案例之一專家的專家檔案；及(c)依據該內積值判斷是否存在內積值高於一預設值之知識文件，若存在，則進行步驟(d)提供給使用者，若不存在，則進行步驟(e)依據該問題所對應之編碼在該知識文件資料庫中搜尋出曾處理該編碼對應之案例的專家相關資料，並發出一請求該專家回覆的通知。
14. 依據申請專利範圍第13項所述之用於問題解決之主動式知識管理方法，其中，該步驟(e)還包含擷取所搜尋出之專家的向度資料，依據該向度資料計算與該問題之間的符合度，該向度資料記錄於該知識文件資料庫中的專家檔案。
15. 依據申請專利範圍第13項所述之用於問題解決之主動式知識管理方法，還包含一預先處理之步驟，依據一預設詞庫從該等知識文件中擷取關鍵詞，並計算每一關鍵詞的權重，最後擷取權重較高之關鍵詞作為系統關鍵詞，並依據該等系統關鍵詞建立該等知識文件的特徵向量。