该层提取、清洗、整合用户的显性知识需求并据此划分显性知识共同体。用户显性知识需求是用户发挥主观能动性认识客观世界所展现的独特思维认知, 主要指用户在利用知识服务系统获取知识过程中留下的痕迹, 包括历史检索痕迹、知识订阅痕迹、注册信息痕迹等。笔者所提出的隐性知识推送方法也正是基于具有知识需求一致性的有界群体来完成。显性知识解析步骤如图3所示:

图3

	Figure Option ViewDownloadNew Window
	图3 用户偏好处理流程

(1) 根据用户的知识检索历史日志和用户预定义的知识种子抽取用户的显性知识需求, 建立用户文档。

(2) 对代表用户知识需求的属性词汇进行初步同义、近义合并, 并形式化表达。例如“本体与Ontology”、“形式概念分析与概念格”, 减少用户间显性知识的关系匹配时间。

(3) 利用《中图法》的一级类目分类模型, 按用户的知识结构与知识需求分类。例如某用户的知识需求包括“Java、单片机、数据结构”三个知识节点, 即将其分入T(工业技术)类。一个用户可根据知识需求的多样性分入不同知识部类。

通过对用户“看得见”的显性知识需求加以解析, 能够准确地定位具有相似知识结构与知识背景的用户群体(如历史知识结构、医学知识结构), 有助于进一步的社会网络分析, 展现出内部行动者知识需求的重合(显性)与分离(隐性)特征。

该层将知识解析层分类出的用户群体进行社会网络分析, 通过分析显性知识需求的语义内涵, 提取用户群中的关系, 计算用户的点度中心性, 获得相似用户子群以及子群中具备触发隐性知识推送动力的核心用户, 算法如下:

设三元组K=(A,T,R), 其中用户集A={a1,a2,…,an}, 显性偏好集T={t1,t2,…,tn}, 集合R为一个二元关系R ai×aj,ai,aj∈A(i,j≤n)

输入: 用户集A, 显性偏好集T

过程:

①对每对ai, aj∈A, 计算偏好相似度:

获取关系集R;

②对每个关系ri∈R,导入关系矩阵matrix(R)中, 生成关系图谱; 对每个包含节点集As的子图, 任意节点ai,aj∈As都有d(i,j) ≤ n, 且任意节点对ay∈As, ax As都有d(y,x)>n, 则As为n-团子群ni, 生成用户子群集N={n1,n2,…,ni};

③调用点度中心性公式DC(K)= D(K)/N^{[ 14]}, 计算用户点度中心性;

输出: 用户子群集N, 用户点度中心性DC(K)

本层主要任务目标是明确隐性知识的发射源与接收端并借助一个智能知识搜索引擎Agent实时搜索知识库中符合需求的知识。

根据社会网络分析的子群理论, 笔者认为, 在一个高凝聚度的子群里, 不直接相邻但距离d满足d ≤ n两个点之间的知识需求具有一致性。基于上述原因, 可以认定子群中某一行动者的隐性知识需求即为同属子群内部其他行动者显性知识偏好的继承, 而子群内中心性节点度高的行动者在知识沟通的过程中扮演关键角色, 是知识共同体内显隐性知识互转化的内推力, 因此以用户中心性为过滤工具, 抽取子群内D(K)值最高的前m个用户知识偏好作为目标用户的最近邻居集(最近邻居集的个数与子群维度n成正比)。

另外由于凝聚子群的知识需求是以一种非线性的动态形式分布, 因此智能Agent需不断将获取的需求逐一提交至知识库中匹配, 并动态监控需求与知识的变化, 合理抽取出待推送知识。

本层将匹配出的知识单元加以编码, 整理出知识的物理链接地址、主题、知识发布者、知识描述文摘等具体元数据, 形成知识聚合文档, 按用户的知识订阅方式(知识推送阅读器、邮件、个人图书馆)逐一播报, 如图4所示:

图4

	Figure Option ViewDownloadNew Window
	图4 隐性知识推送流程

笔者选用5个描述标签作为替代知识聚合文档的信息: 、、、、分别代表知识聚合文档的主题、对主题的描述、知识实体的可获得地址、相似用户通讯地址、相关主题。

通过显性知识解析, 笔者发现所截取的用户浏览记录达到1 000余条, 并涉及多领域的知识内涵, 为了更有针对性地说明社会网络分析在隐性知识推送中的意义, 在此选取具有历史知识偏好的21个用户为对象加以分析, 经过偏好的规范化处理得出用户显性知识偏好标签集, 如图5所示:

图5

	Figure Option ViewDownloadNew Window
	图5 用户显性知识偏好集

经过对21个用户的知识偏好语义归并整合, 最后得出71个知识偏好, 经过社会网络分析, 得出用户知识关系矩阵, 如表1所示:

表1

表1

表1 用户知识关系矩阵(部分) …… 用户7 用户8 用户9 用户10 …… …… …… …… …… …… …… …… 用户7 …… 0 0 1 0 …… 用户8 …… 0 0 0 0 …… 用户9 …… 1 0 0 1 …… 用户10 …… 0 0 1 0 …… …… …… …… …… …… …… ……

表1 用户知识关系矩阵(部分)

矩阵中行与列代表相同行动者, 用户间的二元关系由“1, 0”直观体现。由于篇幅原因, 笔者并没有将关系矩阵全部给出, 全部的用户知识关系利用软件Ucinet^{[ 14]}生成图谱展现。

图6为21个用户知识关系的可视化展现, 经过观测不难发现用户的知识偏好虽然同属历史范畴, 但包含多个分支, 因此需要进一步划分出社会网络关系中的n-团子群, 使得获取的隐性知识更具颗粒性。

图6

	Figure Option ViewDownloadNew Window
	图6 历史知识社会网络分析图谱

在n-团子群划分中, 将所有节点的邻近值n设置为1时, 意味着子群中所有节点都是相邻的, 但这并不符合本文探索的隐性知识需求通过族群内传递进而共现的思路, 因此将n值设置为2。2是一个有用的临界值, 2-团子群内所有节点不必直接相连, 但相互之间最多通过一个中介节点彼此即可达^{[ 14]}。

经过计算, 历史知识网络共被划分为4个2-团子群(Max Distance (n-)= 2, Minimum Set Size=5):

① {1 7 9 11 16 19};

② {3 4 6 7 11};

③ {2 8 12 13 20};

④ {5 9 10 17 18};

4个子群分别具有的知识属性为“苏联史、中国抗日战争史、欧洲资产阶级革命、明清史”。通过分析三个非子群用户的知识偏好发现用户15的知识偏好T15={商鞅变法}, 知识偏好在知识网络中过于生僻, 无法与其他用户构成关系, 而用户14与用户21虽然互为关系, 然而却不能满足2-团子群划分的最短距离以及最少节点集的约束条件, 因而没有形成知识共现子群。

实验用户在社会网络图谱中的D(K)值如表2所示:

表2

表2

表2 用户中心性指标 Degree NrmDegree Share 7 5.000 25.000 0.104 11 4.000 20.000 0.083 8 3.000 15.000 0.063 9 3.000 15.000 0.063 10 3.000 15.000 0.063 6 3.000 15.000 0.063 2 3.000 15.000 0.063 18 3.000 15.000 0.063 12 3.000 15.000 0.063 4 2.000 10.000 0.042 3 2.000 10.000 0.042 5 2.000 10.000 0.042 20 2.000 10.000 0.042 19 5 2.000 10.000 17 5 2.000 10.000 13 5 2.000 10.000 1 1.000 5.000 0.021 16 1.000 5.000 0.021 14 1.000 5.000 0.021 21 1.000 5.000 0.021 15 0.000 0.000 0.000

表2 用户中心性指标

以子群1为例, 子群1所包含的13个知识偏好如下: 8. 19事件、托洛茨基主义、主权有限论、苏波战争、尼古拉二世、布柳姆金惨案、苏芬战争、外贸垄断、喀琅施塔得暴动、古巴危机、尼古拉二世、弗拉索夫、十月革命, 在此笔者选取子群内D(K)值前三的用户(7,11,9)作为用户1的最近邻居集, 获取并推送用户1所不具备的显性知识偏好(布柳姆金惨案、苏芬战争、外贸垄断、喀琅施塔得暴动、尼古拉二世、弗拉索夫、十月革命), 根据社会网络分析的隐性知识推送方法, 推送结果如图7所示:

图7

	Figure Option ViewDownloadNew Window
	图7 隐性知识主题推送

分析实际误差可知, 偏好“苏芬战争、外贸垄断、弗拉索夫” 与用户1的显性知识偏好(托洛茨基主义)关联程度不高, 这是由子群维度规模所决定。如果改变n-团子用户群的参数n将会出现不同的知识松散耦合聚合局面, n值越高, 推送隐性知识的广度越大; 相反n值越小, 推送隐性知识的精准率越高。n值过大或过小都会破坏相似用户群体的客观知识结构, 因此子群划分时参数值的选择需要依据实际情况确定。