知識管理技術與應用（簡體書）

《知識管理技術與應用》可供從事知識管理研究和應用的科研人員及高等院校計算機科學與技術專業、軟件工程專業、資訊管理與資訊系統專業、管理科學與工程等相關專業師生參考使用。

第1章知識管理概述
1.1數據、資訊、知識
1.1.1數據、信息、知識的含義
1.1.2數據、信息、知識的區別與聯系
1.2隱性知識與顯性知識
1.2.1隱性知識
1.2.2顯性知識
1.2.3隱性知識與顯性知識的區別
1.2.4隱性知識與顯性知識的聯系
1.3 SECI模型
1.3.1知識創造的SECI模型
1.3.2知識螺旋
1.4結構化數據、非結構化數據和半結構化數據
1.5知識管理與資訊管理的聯系區別
1.5.1知識管理
1.5.2資訊管理
1.5.3知識管理與資訊管理的聯系區別
1.6本章小結
本章參考文獻
第2章知識管理的技術基礎
2.1元數據和RDF
2.1.1元數據的概念
2.1.2元數據的功能
2.1.3元數據的特點與類型
2.1.4元數據格式標準
2.1.5RDF
2.2可擴展標記語言
2.2.1SGML、HTML與XML
2.2.2XML的特點
2.2.3XML相關標準
2.2.4XML在Web Service中的應用
2.3本體
2.3.1本體的定義
2.3.2本體的建模元語
2.3.3本體描述語言
2.3.4已有的本體及其分類
2.3.5構造本體的規則
2.3.6本體與語義網絡、語義網
2.3.7本體的應用
2.4從傳統Web到語義Web
2.4.1Web技術的發展一
2.4.2語義Web的定義與特點
2.4.3語義Web的體系結構
2.4.4語義Web體系結構所依賴的技術
2.4.5語義Web面臨的挑戰以及研究方向
2.5本章小結
本章參考文獻
第3章知識獲取
3.1知識獲取概述
3.2數據挖掘
3.2.1數據挖掘的產生背景
3.2.2數據挖掘的含義
3.2.3數據挖掘的功能和任務
3.2.4數據挖掘的過程
3.2.5數據挖掘的技術
3.3文本挖掘
3.3.1文本挖掘概述
3.3.2文本挖掘的處理過程
3.3.3文本挖掘的關鍵技術
3.4Web挖掘
3.4.1Web挖掘概述
3.4.2Web挖掘的處理過程
3.4.3Web挖掘的分類
3.4.4Web數據挖掘特點
3.5知識獲取應用
3.5.1數據挖掘技術應用
3.5.2文本挖掘技術應用
3.5.3Web挖掘技術應用
3.6本章小結
本章參考文獻
第4章概念相似度計算
4.1概念相似度計算概述
4.2概念相似度模型與計算
4.2.1關聯規則相似度計算
4.2.2詞語相似度計算
4.2.3結構相似度計算
4.3基於同義詞典的相似度演算法
4.3.1WordNet詞典介紹
4.3.2基於WordNet的語義相似度演算法
4.4基於語料庫的相似度演算法
4.4.1布朗語料庫
4.4.2基於語料庫的相似度演算法介紹
4.5基於WordNet的概念相似度演算法改進
4.5.1現有方法的不足及改進思想
4.5.2概念相似度改進模型
4.6基於語義分析樹核計算短文相似度
4.7改進的短文相似度演算法模型
4.8基於JWSL的演算法構建
4.9本章小結
本章參考文獻
第5章知識檢索
5.1搜索引擎
5.1.1搜索引擎的概念與工作原理
5.1.2搜索引擎的分類
5.1.3搜索引擎的性能指標
5.2領域本體的構建
5.2.1領域本體
5.2.2領域本體構建方法
5.3語義檢索模型和方法
5.3.1語義檢索
5.3.2基於本體的語義檢索模型框架
5.3.3語義檢索的框架
5.3.4基於本體的語義檢索方法
5.3.5基於本體的語義檢索系統
5.4知識地圖
5.4.1知識地圖的概念
5.4.2知識地圖的類型
5.4.3知識地圖構建
5.4.4知識地圖的內部結構
5.4.5知識地圖系統模型
5.4.6知識地圖的應用
5.5本章小結
本章參考文獻
第6章知識服務工作流
6.1工作流系統概述
6.1.1工作流系統的發展
6.1.2工作流系統概念
6.1.3工作流參考模型
6.1.4工作流相關標準
6.2Web服務
6.2.1Web服務概述
6.2.2Web服務模型
6.2.3Web服務相關技術與標準
6.2.4基於Web服務的工作流
6.3知識服務工作流簡介
6.3.1知識服務的起源與發展
6.3.2知識服務工作流
6.4知識服務工作流的形式化描述
6.4.1過程模型的形式化描述
6.4.2數據模型的形式化描述
6.4.3組織模型的形式化描述
6.5知識服務工作流模型
6.6知識服務工作流執行過程
6.7基於BPMN的工作流建模
6.7.1BPMN相關概念介紹
……
第7章知識網格
第8章知識管理平臺
第9章企業資訊化與知識管理
第10章產品設計知識管理

機器學習的方法目前有很多種，根據其對導師的依賴程度可分為：機械式的學習、類比學習、歸納學習、觀察發現式的學習和近年來發展的基於解釋的學習、基於事例的學習、基於神經網絡的學習、遺傳演算法的學習以及基於粗糙集理論的學習等。
自動知識獲取這種方法雖然自動化程度高、效率也高，但是它涉及人工智慧的許多領域，如模式識別、自然語言理解、機器學習等，對硬體也有較高的要求，而這一切目前還處于研究階段，有許多理論及技術上的問題需要做進一步的研究，就目前已經取得的研究成果而言，還不足以真正實現自動知識獲取。因此，知識的完全自動獲取還有待研究。
（2）顯性知識及其獲取方法
顯性知識指的是能夠容易在個人和團體之間進行傳送的形式化的知識，它是任何能夠被編碼的東西，如數學公式、規則、定義、文檔、數據等。
顯性知識獲取的主要方法是知識挖掘。知識挖掘源于全球範圍內數據庫中存儲的數據量急劇增加，人們的需求已經不再是簡單的查詢和維護了，而是希望能夠對這些數據進行較高層次的處理和分析以得到關於數據總體特徵和發展趨勢的預測。知識挖掘起源於基於數據庫的知識發現（Knowledge Discovery in Database，KDD）。知識挖掘是KDD的一個重要的處理步驟，沒有通過知識挖掘來提取有意義的知識，就談不上KDD所要求的對知識的理解、分析、篩選、歸納或轉化。知識挖掘是指從數據集中識別出有效的、新穎的、潛在有用的，以及最終可理解的模式的而非平凡過程。
知識獲取的最終目標是建立知識庫。對于首次建立的知識庫可能存在矛盾或冗餘的規則，或者知識的使用結果與專家給出的結論無法吻合，這就需要對它進行優化，以獲得一個結構良好、功能完善和知識相對完備的高質量知識庫。
知識挖掘根據輸入的數據源或資訊源的不同，如數據庫、文字檔案或Web資訊，又分為數據挖掘、文本挖掘和Web挖掘。
3.2 數據挖掘
3.2.1 數據挖掘的產生背景
隨著科學技術，特別是計算機科學技術的快速發展，眾多數據與資訊隨之產生，包括網絡數據、金融與經濟數據、DNA數據等。隨著硬體技術的發展，大量的數據以數字形式保存下來，如各類企業或商業領域中的交易記錄與財務報表、科研領域收集的數據等，這些數據中包含著豐富的有用資訊，如何處理這些規模巨大的數據，並從中獲得有價值的資訊與認知早已是資訊領域及其他相關專業領域中研究的熱點。
利用計算機技術與數據庫技術，可以支援建立並快速存儲與檢索各類數據庫，但傳統的數據處理與分析方法與手段難以對海最數據進行有效的處理與分析。利用傳統的數據分析方法一般只能獲得數據的表層資訊，難於揭示數據屬性的內在關系和隱含信息。