基於Web數據挖掘的企業知識管理系統模型框架

740)h=740" border=undefined>

(北京交通大學 經濟管理學院，北京 100044)

摘 要：
文章闡述了知識管理、知識管理系統和Web數據挖掘技術，構建了企業知識管理系統，根據Web數據挖掘的特點構建了基於Web數據挖掘的企業知識管理系統模型，並對未來企業的知識管理進行了展望。

關鍵詞：
知識管理系統；
數據挖掘；
Web數據挖掘

中圖分類號：
F270.7  文獻標識碼：
A  文章編號：
1007—6921(2009)19—0011—03 

經濟全球化的快速發展給企業帶來了巨大的壓力，而知識經濟的到來更是雪上加霜，它使企業間的競爭從傳統的資本、技術、人力資源發展到知識要素。21世紀的全球經濟的主導力量是知識密集型產業，企業只有重組為知識創新型企業，企業員工互相學習、不斷創新才能立於不敗之地。由於知識要素特殊的性質使其不同於一般的管理，知識管理應用而生。企業收集知識、管理知識就是為了員工能夠學習知識並將其轉化為生產力，而知識種類和數量都很多，這就需要藉助Web數據挖掘技術從員工瀏覽的眾多網頁中挖掘出員工需要的知識以此增加企業內部知識庫的知識內容。
1 知識管理系統概述
1.1 知識管理 

知識管理(KM)是企業為適應市場競爭力的變化而發展起來的、用於增強企業客户知識和企業員工知識獲取、共享和創新的基於IT技術的數據和信息處理管理。其不同於一般的管理，而是對抽象的企業知識進行系統化管理，使知識這種生產要素髮揮其應有的作用。

知識管理在客户關係管理的應用稱為客户知識管理，就是指企業通過與客户互動過程中所獲得的知識的創造、交流和應用來使公司業務增長和價值最大化，實現創造公司價值、維持競爭優勢的過程［1］。客户知識管理重在創造和傳遞革新的產品和服務，管理並加強與新老客户、合作伙伴、供應商之間的關係以及改善與客户相關的任務實施與過程。

知識管理在企業內部員工知識共享的應用稱為企業知識管理，就是指企業根據自身特點，對員工在工作過程中積累的經驗和各類知識進行有效管理，使這些隱性知識傳遞給員工，方便員工的交流與溝通，以此提高員工的積極性和創造力，提升企業經營業績和市場競爭力的過程。企業知識管理重在收集知識、產生知識和利用知識，在知識的管理過程中產生新知識，提高企業員工的創新能力［2］。
1.2 知識管理系統 

知識管理系統(KMS)是企業實現知識管理的工具，用於企業知識的收集、組織和傳播的管理技術，能夠使知識從單獨的個體轉化為具備專家性、綜合性、完備性和系統性的軟件系統［3］，為企業員工提供學習交流的平台，促進企業知識創新，提高企業綜合競爭力。知識管理系統主要有知識地圖、搜索引擎、知識庫和知識源四部分組成。
1.3 實施企業知識管理的原因 

在日新月異的知識經濟時代，知識的獲取、整理、融合和創新成為企業發展的強大推動力，員工知識的創新和應用會使企業在競爭中不斷髮展壯大，立於不敗之地。在不斷變化的市場經濟中，企業周圍充滿了不確定性，要想在如此艱辛的環境下生存，企業必須提高自身的競爭力，而要提高競爭力就必須掌握別的企業所沒有知識，使企業從以前的單純從外界吸取知識轉化為通過整合企業內部員工的經驗知識消化、吸收產生新的適用於本企業的知識，提高企業的創新能力。

實施企業知識管理的另一個原因是企業不會再像以前那樣因為一個技術人員的離開而致使該方面技術的癱瘓。企業可以通過建立知識管理系統把那些隱性知識轉化為顯性知識，別的員工可以通過知識庫學習這種技能，並且可以把自己的想法和大家分享，共同學習改進這些知識。
2 數據挖掘技術概述
2.1 數據挖掘概述 

數據挖掘(DateMining)是指從大量的、不完全的、模糊的、隨機的數據中揭示出隱含的、先前未知的、並有潛在價值的信息和知識的過程［4］。通過使用數據挖掘技術可以從大量的未篩選的數據中發現有價值的、可以供員工學習的信息和知識。在知識管理系統的構建中使用的數據挖掘方法有：分類、聚類、關聯規則和Web頁挖掘等。

分類、聚類和關聯規則都是通過一定的挖掘算法把企業內部的知識進行歸類，方便員工的搜索和文件的管理，是知識管理系統構建中必須擁有的。而文章所講的Web挖掘技術是從另一個角度描述管理者通過Web日誌的挖掘總結企業員工進行知識搜索的內容是什麼，是關於哪方面的知識多，企業知識庫中還需要添加什麼新知識以滿足員工的要求。
2.2 Web數據挖掘技術 

Web數據挖掘(Web Data Mining)就是數據挖掘技術與Web相結合的產物，是數據挖掘的一個重要分支，是隨着數據庫技術、人工智能技術和網絡技術的發展而出現的。Web數據挖掘是從www資源上抽取信息(或知識)的過程，是對Web資源中藴涵的、感興趣的、未知的、有潛在應用價值的模式的提取。根據Web挖掘的對象不同Web數據挖掘分為：Web內容挖掘、Web結構挖掘和Web日誌挖掘［5］。
2.2.1  Web內容挖掘是從用户瀏覽文檔的內容中提取有價值的知識。Web內容挖掘又分為文本挖掘和多媒體挖掘。使用Web文本挖掘可以實現對Web上大量文檔集合內容的總結、分類、聚類、關聯分析，以及利用Web文檔進行趨勢預測等。Web多媒體挖掘現在處於起步階段，還沒有深入的研究。
2.2.2  Web結構挖掘是從Web的組織結構和鏈接關係中推導知識［6］。它分為兩大類：①文檔之間的超鏈接結構挖掘。②Web文檔內部結構挖掘。Web結構挖掘是利用用户瀏覽網頁間的超鏈接信息對搜索引擎的檢索結果進行相關度排序，尋找用户瀏覽網頁間的相互關係。
2.2.3  Web日誌挖掘是通過挖掘Web日誌記錄以發現用户訪問Web頁面的模式、挖掘有用模式和預測用户瀏覽行為的技術［7］。Robert Cooly將Web日誌挖掘定義為數據挖掘技術應用在大型Web資源中以分析Web站點的使用。Web日誌挖掘的結果通常是用户羣體的共同行為和共性興趣，以及個人用户的檢索偏好、習慣和模式等［8］。在進行Web日誌數據挖掘時可使用統計分析、關聯規則和聚類等方法。
3 基於Web數據挖掘技術的企業知識管理系統模型
3.1 企業知識管理系統 

企業實施知識管理就是為了實現企業內部知識的充分共享和創新，以此提高企業的核心競爭力，而要實現知識的共享就需要建立一個完整的共享系統——知識管理系統。知識管理系統是在信息管理系統的基礎上發展起來的，是當代企業實施知識管理活動必需的設施。由於知識管理系統儲存的內容非常多，是面對企業全體員工的系統，因此該系統應該具備良好的反應速度和穩定性，不能因部分功能的錯誤而整體癱瘓。簡而言之，知識管理系統就是通過利用知識管理技術支持企業內部整個知識循環的過程。知識管理系統的層次機構如圖1所示。

740)h=740" border=undefined>

知識管理系統4個層次上的功能：①知識源。知識有隱性和顯性之分，顯性的知識可以通過看書閲讀得到，而隱性知識一般通過師徒傳授的方式進行傳遞，而這部分知識在企業中佔有很大比例並且非常重要，是企業知識創新的源泉。知識源層就是通過企業多年積累的文檔資料、電子郵件、客户知識反饋和互聯網的Web頁面瀏覽收集企業發展需要的知識，使社會上的顯性知識隱性化為企業的內部知識。②知識庫。知識庫就是對通過知識源收集到的知識進行歸類、整理。首先是從知識源中提取知識，通過加工將分散的知識聚集起來而後對這些數據進行挖掘；
通過企業既定的知識發現模式，從眾多的知識中歸類提取潛在的、未知的知識，並將這些知識按各自的類別儲存起來，為搜索引擎奠定基礎。③搜索引擎。搜索引擎就是對存放在知識庫中的知識進行管理分類，根據工種、知識內容的不同進行不同的管理，如：企業的生產工作流程技術屬於生產管理技術知識，企業的銷售屬於銷售技術知識等。同時還可以對不同層次的員工授予不同的訪問權限，使公司的知識發揮真正的作用，並且可以防止企業內部知識的外泄。④知識地圖。知識地圖就是將計算機存儲的知識外化給員工瀏覽，是用户對知識管理系統的訪問界面，員工可以通過這一層實現自己瀏覽知識的行為。知識地圖可以包括多個模塊如：新員工學習模塊、部門交流模塊、經驗交流模塊和專家諮詢模塊。通過知識地圖員工可以快速找到自己需要的知識，並且可以實現跨部門、跨行業的知識交流，為員工提供豐富的知識共享平台。知識管理系統的四層結構的具體框架如圖2所示。
 740)h=740" border=undefined onmousewheel="return zoom_img(event,this)">

知識地圖是員工進入系統後的登陸界面，也是員工惟一能看到的層次。員工進入知識地圖層次可以根據自己的瀏覽權限和知識需求進入相應的模塊。搜索引擎是系統進行員工權限設置、知識類型設置和分類的內部檢索性層次。知識庫是系統對數據的處理層，按照一定步驟和規則挖掘有價值的知識。知識源看似沒有上述三層重要，其實這層是不能小視的，它是整個系統的源泉，只有多而廣的知識源才能為企業找到更多有價值的知識。
3.2 基於Web數據挖掘的企業知識管理系統模型 

在上述的知識管理系統架構中可以看到知識庫層也有數據挖掘，但是這個數據挖掘技術是對從數據源中提取知識後進行的純文本挖掘，是根據企業既定的知識發現模型運用聚類算法或遺傳算法進行的挖掘。而文章的重點是對企業如何獲得多而準確的知識源的研究，因為企業的知識有很大一部分來自Internet，不管是員工通過瀏覽Web網頁查詢知識還是客户通過網頁留言反饋知識，信息量都是很大的，如果沒有先進的技術支持會浪費大量的時間並且不容易發現各網頁之間的鏈接關係。要實現對知識源的有效豐富，就需藉助Web數據挖掘技術。從前面的介紹中已經知道web數據挖掘是Internet/Intranet廣泛使用的產物，通過對Web內容、結構和日誌的數據挖掘發現網頁之間、文本之間的知識聯繫，幫助企業找到員工所需求的知識和企業為滿足客户而需改進的技術知識。文章從Web數據挖掘的理論意義出發，結合傳統的知識管理系統，構建基於Web數據挖掘的知識管理系統模型，而對具體的挖掘算法不做介紹(如圖3所示)。
740)h=740" border=undefined onmousewheel="return zoom_img(event,this)">

使用Web內容挖掘技術中的文本挖掘對企業員工所瀏覽的網頁文本內容和企業客户知識反饋的網頁文本內容進行挖掘，這些網頁文本有的是企業內部知識庫中的知識，有的是員工瀏覽外網查詢的知識，還有的是客户訪問公司網頁並就自己遇到的問題諮詢並反饋給公司的知識。對這些網頁文本使用聚類分析算法，按員工瀏覽的文本內容和客户反饋的內容以相似度為70%的文本聚為一類以此提取員工經常瀏覽知識的類別和公司需要為滿足客户而讓員工學習的知識類別。
3.2.2  使用Web結構挖掘技術中的文檔間的超鏈接結構挖掘，這個挖掘主要針對員工。在Web瀏覽時，員工不會僅對一個頁面進行瀏覽，當企業內相關知識不夠時他會鏈接相關知識的網頁進行搜尋。而文檔間的超鏈接結構挖掘就是基於SCI的科學引文分析理論，通過關聯規則分析員工搜索的各頁面之間的鏈接關係及鏈接內容，找出哪個是相關主題的權威站點，員工喜歡瀏覽哪些網頁、想要獲取哪些知識。
3.2.3  使用Web日誌數據挖掘技術。通過對員工訪問Web時在服務器留下的日誌數據進行訪問，從中找出有價值、有意義的內容，並通過某種數據挖掘方法找出這些內容的聯繫。萬維網中的服務器都保留有用户的訪問日誌(即Web服務器日誌數據，記錄了關於用户訪問和交互的信息)。Web日誌挖掘技術就是對這些數據進行分析，分析用户的行為，找出用户訪問網頁的相關性，進而挖掘出員工對企業內部不同知識的關注度和新知識的渴求度。這方面的研究主要有兩個方向：一般的訪問模式追蹤和個性化的使用記錄追蹤。一般的訪問模式追蹤是通過分析使用記錄來了解用户的訪問模式和傾向，以改進站點的組織結構。而個性化的使用記錄追蹤則傾向於分析單個用户的偏好，其目的是根據不同用户的訪問模式，為每個用户提供定製的站點［8］。因為企業內部的知識管理的對象不同，企業內員工受教育的水平不同，知識的掌握能力也不同，所以我們採用一般的訪問模式追蹤和個性化的使用記錄追蹤相結合的方式，反映企業大部分員工和個別員工的知識需求度。
3.2.4  將Web挖掘出的有價值的數據信息傳送給企業的知識源，更新知識源。這時的知識源是經過挖掘處理後的
只包涵企業內部經驗知識、電子郵件和Web挖掘出的知識，減少了信息量，使知識庫的數據提取變快，加
工挖掘時間變短，間接提高了知識管理系統的更新速度。這些變化最終反映在知識管理系統的知識地圖層。
3.3 未來展望 

企業知識管理系統和Web數據挖掘技術銜接後，企業管理者可以快速、精確的發現員工的知識深度和知識
需求度。通過Web挖掘技術可以挖掘出企業員工經常瀏覽的知識網頁、經常搜索的知識內容，通過聚類分
析後可以總結出企業生產發展中需要的知識種類，並且還可以發現員工在滿足自己學識的情況下還對什麼
比較感興趣。當挖掘出這些內容後，服務器會自動將這些知識放入知識庫並更新，對以前知識庫中存儲的
知識隨着員工瀏覽次數的減少而刪除以減少空間佔有量。
4 總結 

數據挖掘經過多年的發展其挖掘算法已經成熟，因此文章不是從挖掘算法的具體應用出發而是通過對企業
知識管理系統中知識的來源出發，思考如何利用現有資源獲得更多有用的數據信息。通過對Web數據挖掘
技術理論和實際操作的研究認為使用Web數據挖掘技術就可以實現知識源的快速更新。

文章從理論應用層出發構建基於Web數據挖掘的企業知識管理系統模型，指出模型框架的層次功能而沒有
就具體挖掘算法進行描述。通過分析企業知識管理系統的層次結構和企業知識的來源，構造出基於Web數
據挖掘的企業知識管理系統模型，其目的是通過查看員工瀏覽的網頁發現員工對不同知識的需求和企業內
部需要增加的知識，及時更新企業知識庫，滿足員工的知識需求，進而推動企業的知識創新，提高企業核
心競爭力。
參考文獻］
［1］  張少傑,王連芬.客户知識管理的數據挖掘方法［J］.情報科學,2004,22(12):1413. 
［2］  孫波.企業知識管理的核心問題探討［J］.科技信息,2008,(12):5. 
［3］  王君，樊治平.一種基於Web的企業知識管理系統的模型框架［J］.東北大學學報,2003,2(2):182. ［4］  李彬.數據挖掘在知識管理中的應用［J］.科技廣場,2006,(5):73. 
［5］  Cooley R,Mobasher B,Srivastava Preparation for mining world wide web browsing ledge and Information System,1999,1(1):5~32. 
［6］  Chakrabarti S, Dom B E. Mining the Webs Link Structure ［J］uter, 1999,32(18):60~67. 
［7］  Pitkow arch of reliable usage data on the WWW［C］:Proc of 6th Int"I WorldWideWeb a fornia.1997. 
［8］  Jaideep Srivastava,Robert Cooley,Mukund Deshpande,et Usage Mining:Discovery and Applications of Usage Patterns from Web Data［J］ SIGKDD,2000,1(2):12~23. 
［9］  李向雲日誌挖掘技術的研究［D］.大慶石油學院,2007.