传统知识管理系统的关键思想在于将存于不同时间和不同地点的信息外部化到可共享的存储中,比如将信息存入到文档式或关系数据型的知识库,以待日后检索。目前,这种存储式（Repository）的知识管理系统利用标准化的技术和输入,在存储和检索显性知识上功能强劲,但在帮助人们获取和学习隐性知识上仍显薄弱。而对于复杂的企业决策问题,人们往往需要更多的隐性知识来帮助他们认知和求解。因为,隐性知识比显性知识更完善、更能创造价值,隐性知识对于企业的创新具有更重要的意义^{[ 1]}。

由于人们在搜寻信息尤其是隐性知识时往往更多地是去求助于他人而不是文档和数据库。那么,能否将社会网络的思想引入到知识管理系统中,以更好地帮助人们去搜寻信息特别是存于人脑海中的隐性的知识和经验成为一个研究课题。英国石油公司（British Petroleum, BP）和微软的实践表明,成员间基于网络的虚拟接触与面对面的直接接触对于隐性知识的传递共享同样有效,关键在于正确的运用。近年来,已有学者开始研究网络式（Network）知识管理系统模型,他们关注人际连接下的知识获取和传递,它蕴含了人与人之间的社会交互和通信渠道。本文秉承这种网络式视角,以搜寻和管理知识特别是隐性知识为主要研究维度,通过引入显性知识与隐性知识相互转化的SECI模型以及社会网络的思想,来构建基于社会网络的企业知识管理系统（Knowledge Management System based on Social Network,KMSSN）。

KMSSN以满足企业的信息获取和知识动态创新为目的,着眼于利用信息技术和工具促进显性知识和隐性知识之间的相互作用与相互转换,提高企业的知识能力。本文集成Nonaka等提出的知识转化SECI 模型^{[ 2, 3]}和超网络（Super Network）的思想来构建KMSSN,以满足对企业人员的社会网络中的信息特别是隐性知识的搜索。

SECI模型将个体与组织间的知识转移看成是一个显性知识与隐性知识交互的螺旋型学习过程,反映组织知识创新的动态特征和创新的全过程,分为社会化（隐性知识到隐性知识的转化）、外在化（隐性知识到显性知识的转化）、组合化（显性知识到显性知识的转化）、内在化（显性知识到隐性知识的转化） 4个阶段。KMSSN可以利用SECI模型来将难以搜索和表达的隐性知识转化为显性知识,提高知识管理的绩效。而具体的做法则是通过构建超网络,采用网络式、分布式的信息技术,促进显性知识和隐性知识之间的相互作用与相互转换,共同支持SECI模型。超网络是指“在已有网络之上的网络”,即由多种网络构成的网络,其概念最早于1985年被提出,目前主要用于研究互联网、交通、物流及供应链网络等,成为研究大型复杂系统的一种新兴工具^{[ 4, 5]}。本文提出的超网络包括知识网络、社会网络以及两者交互形成的知识-人际网络和人际-知识网络,这几类网络共同支持SECI模型。

KMSSN对SECI的支持作用,如图1所示：

图1

	Figure Option ViewDownloadNew Window
	图1 KMSSN对SECI模型的支持

由图1可见,KMSSN的超网络模型包含的知识网络与社会网络可以分别实现显性知识的组合化与隐性知识的社会化。KMSSN将显性知识收集和存储在由知识的基本载体相互联结形成的知识网络中,通过数据库、分布式计算、知识推理、文档管理、数据挖掘等技术来实现对知识的过滤、整理、合并,实现显性知识的组合化。组织成员相互联结形成的社会网络也被析取到KMSSN中。利用即时通讯、电子邮件、社会性软件等技术来支持组织内成员的信息交流、相互学习以及经历分享等,提高隐性知识在组织间的传递率,加大知识的社会化程度。通过网络交流的优点还在于,消除了组织内部员工在面对面接触时由于等级观念、价值观念差异而导致的沟通障碍^{[ 6]}。

而知识网络与人际网络交互形成的知识-人际网络与人际-知识网络两类正反方向的对应网络则帮助系统实现显性知识与隐性知识相互转变的内在化与外在化。组织成员可以利用知识-人际网络这一对应关系,通过智能检索技术、启发学习、案例推理、知识推理等个体学习方式和协同办公、工作流等群组学习方式来查找和学习KMSSN中知识库所包含的各类显性知识,并最终领悟和转化为人脑中存储的隐性知识;同时,组织成员也可以利用反向对应即人际-知识网络,采取暗号、比喻、类比和模型库等手段和思维导图、电子文档存储、办公自动化系统、视频录像、聊天记录整理等技术,将存在于整个组织中的有价值的隐性知识转化为容易传播的显性知识。

根据所述的系统理论基础、层次以及工作过程,KMSSN的系统架构由用户接口、通信与交流模块、数据模块、需求感知模块、SN管理模块、知识管理模块以及搜索模块等多个模块构成,如图4所示：

图4

	Figure Option ViewDownloadNew Window
	图4 KMSSN的架构

（1）用户接口

负责系统与用户进行人机交互,理解用户具体要求,完成与通信模块的数据交换、查询引导辅助、输入输出控制等功能,为用户提供个性化的人机界面。

（2）通信与交流模块

该模块包含通信代理和IM工具、E-mail、视频会议等多种通信交流技术,用以帮助用户实现在S-net层上的沟通和隐性知识的交流。通信代理提供集成的接口,将各种异质的信息转化为统一格式,以实现与数据库和查询处理引擎的交互。而IM等技术实现群组合作和交互,在此过程中,人们可以实时地交流、讨论和交换思想。这些通信技术存储的诸如聊天记录、会议视频等可以看作是隐性知识的一个重要来源。

（3）数据模块

数据模块包括三个数据库：

①在线数据库（Online DataBase）存储和处理用户实时的通信交流记录、查询请求和结果以及系统工作时产生的临时数据集;

②社会网络数据库（Social Network DataBase）记录组织成员的基本档案、真实的线下社会关系（朋友、同事、上下级等）、系统中形成的虚拟社区关系（知识合作带来的共同作者关系或通信交流所产生的联系）,用以构建S-net和KP-net;

③知识库（Knowledge DataBase）存储和维护组织中已有的显性知识和由在线数据库挖掘概化而来的知识,从而构建K-net。

（4）需求感知模块

该模块主要是对知识进行两种方式的处理：

①扫描（Scanning）：对用户的需求进行简单查询分析,以找出那些较易识别的需求;

②感知（Sensing）：利用态势感知、引导式问答来激发用户的知识需求,帮助用户更具主动性地去搜寻、吸收和解释各种信息,更宽泛和深层次地来感知新问题和新答案,提高知识创新绩效。

（5）SN管理模块

该模块主要是对系统中的S-net进行析取、构建、维护以及分析。节点管理器用以存储和编辑组织成员的个人电子档案,并进行标准化的处理以满足查询需要。关系管理器则可对各成员之间的显而易见的简单关系（如博客链接、电子邮件地址、引文标示等）进行添加、更新和删除操作,并挖掘和维护深层次的非直接关系（如FOAF关系：Friend of a Friend）。SN构建器以节点管理器和关系管理器为主要支撑,满足了生产网络的节点生成和关系搭建功能,因此可以利用上述三类数据库中的数据进行节点添加、关系挖掘,来构建S-net网络。SN管理模块中很重要的一个模块是SN查询分析,它对析出的社会网络进行深层次的分析,帮助用户寻找重要节点、寻找到目标节点的最短路径或是分析组织中的社区结构。SN查询分析包括两个部分：SNA子模块和声望指标管理,分别用以对S-net的结构特性和单个节点的查询优先度进行分析。其中,SNA子模块是最为主要的部分。它利用社会网络分析的理论和方法,对系统析出的社会网络进行整体网分析和个体网分析^{[ 8]}。它利用整体SNA进行网络密度、对称性、规模、小群体、等效结构的分析与计算,以支持系统对析出的网络进行优化、聚类以及虚拟社区探测和构建。它还可以利用个体SNA分析个体的中心性、角色、出入度等,以支持用户对特殊节点的查询以及对中心节点的鲁棒性提升。

（6）知识管理模块

该模块首先利用“知识描述”子模块对业务数据库中自动导入的信息、Web内容、人工采集的信息以及信息系统自生成的信息进行标注,并利用领域本体对信息体中的具体内容加以扩充与解释,以便知识的检索和匹配。然后,利用“知识存储”子模块将描述好的知识项存入知识库中。这两步工作对来自已有文档、数据库以及人脑中的显性知识和部分隐性知识进行标准化描述和储存。

“知识关联”子模块是构建K-net和KP-net的基础。它利用规则和算法将知识单元按照需要的因素、层次、结构和功能等组成有序知识系统的联系,这些联系最终相互聚集形成K-net,并实现了显性知识与显性知识的组合化。同时,它不仅关联知识,还将知识与知识主体进行关联,构建KP-net。该子模块主要的功能包括：构建知识单元之间的联系（同一性关联、隶属性关联和相关性关联）、构建知识单元与知识主体之间的联系、维护各类联系的动态性（增加、删除和更新）以及发掘隐含的知识关联。

“知识测评”、“知识重用”和“知识挖掘”是对知识的深层次的处理和利用,分别用以对知识的利用程度和价值进行评估、提供迅速调用先验知识的重用机制以及对已有知识进行发掘。其中,“知识挖掘”主要是要挖掘知识的隐含性,隐含性是指一些知识单体本身没有什么价值,但当它与另一些看似没有任何关系的知识相关联后,却可产生意想不到的重大发现或带来巨大的经济效益^{[ 9]}。这对企业的经营决策发现具有极其重要的作用,所以需要认真去发掘那些隐蔽的知识内在联系。

（7）搜索模块

①人员搜索

人员搜索分为个体搜索与关系搜索。个体搜索是根据一些简单的查询条件（性别、年龄、学历等）来筛选和定位网络中的人员;关系搜索是查清指定两个人之间的关系（朋友、同事、科研合作等）或是根据某类关系来挑选符合条件的人员配对。

②专家探测

专家探测用以帮助用户寻找某类知识领域的专家来详细解答其问题,其关键问题为：谁是与该主题相关的专家和如何到达该专家。为此,设计算法：

1）搜索该用户的社会网络,包括与该用户直接联系和非直接联系的节点,因此,该用户的社会网络就相当于去掉整个网络中没有任何联系的孤立点。

2）对网络中的每一个人计算其知识领域与用户查询问题的相关度并对其进行专家评定。

3）用户得到一个专家列表,列表包含每一个专家的个人信息以及该专家与用户的社会网络路径,用户可以根据此路径,用IM软件与专家进行详细交流,使得隐性知识得以更好的传播。

算法如下：

The Expert-finding Algorithm：

Input： a user p; user p’s question q

Output： some most relevant experts’ information and their shortest paths with user p

Method：

Step 1： Search User p’s Social Network G_p=（V,E） //搜索用户p的社会网络

Get the whole Social Network G_whole=（V_whole,E_whole）; //获取系统中的整个网络

for person i,j∈V_whole-{p}{ //将非孤立点添加到p的社会网络

if E_whole（i,j）==1 //若节点i与节点j有联系

{ if i∉V //若节点i尚未添加到顶点集合,则添加

add i to V;

if j∉V //若节点j尚未添加到顶点集合,则添加

add j to V;

if E（i,j）∉E //若边E（i,j）尚未添加到边集合,则添加

add E（i,j） to E;

}

}

Step 2： Calculate the Relevance rel（i,q） //计算专家的知识与用户问题q的相关度

q=]]>q]]>

for each person i∈V {

i=]]>i]]>

occur（Kⁱ,K^q）=The count of Kⁱoccurred in K^q; //计算词集Kⁱ中的词出现在词集K^q中的频数

io=]]>io]]>

occur（K^io,K^q）=The count of K^iooccurred in K^q; //计算词集K^io中的词出现在词集K^q中的频数

rel（i,q）=λ×occur（Kⁱ,K^q）+ × occur（K^io,K^q） // λ为权重参数

Step 3： Output the Result

sort（rel ）; //对所有人的知识与用户问题q的相关度排序

get top m persons V_mwith maximal rel ; //选取排名前m的专家集合

for each person i in V_m{

using heap-Dijkstra algorithm to find path_i—the shortest path of user p to person i;

//利用heap-Dijkstra算法来求专家与用户的最短路径

}

return ; //将m个专家的个人信息以及他们与用户的最短路径返回

③知识检索

系统可以根据用户的输入来检索K-net中的相关知识,其检索的原理和方法与大多数知识管理系统一致,故不再赘述。

④寻找知识链

系统可以以案例的形式来记录企业市场机遇发现各个过程中所涉及的知识,并以链条的形式来对这些知识进行组织。系统可以帮助用户通过识别、评估来选择出一个最优的知识链。这样,用户在进行机遇发现的时候,就可以利用该功能来寻找相类似情景下的机遇发现过程和知识。

本文首先分析了集成信息技术和社会网络的思想来支持企业知识管理的可能性和必要性,提出基于社会网络的企业知识管理系统,然后对系统的层次、工作过程和架构做了深入的研究,分析了搜索模块中的4方面的搜索策略,并设计了一个专家探测的算法。这些研究为企业知识管理系统的设计提供了新的思路和方法。在今后的研究中需要深入企业开展调查以了解企业知识管理的特点和难点,进一步开展研制工作,开发出原型系统并进行实际的测试及应用,不断完善系统的框架。