信阅平台

内容介绍

《从信息爆炸到智能知识管理》对数据挖掘获取知识的形式、特点和管理模式进行研究，以促进知识管理和数据挖掘学科的互补式交叉发展，提高企业决策质量。运用理论和实践相结合、定性和定量相结合的研究方法，综合知识管理、数据挖掘、人工智能、可拓学和复杂性理论等交叉学科的研究成果，给出了智能知识（IK）和智能知识管理（IKM）的概念。改变了学者一贯采用的智能的知识管理方案，提出让知识本身具有记忆、识别、推理、自适应等一系列特点的智能知识及其管理模式理沦，建立了IKM研究的体系框架，以减少即将来临的知识过载。 《从信息爆炸到智能知识管理》通过引入可拓学理论，设计了具有目标智能性的可拓规则挖掘算法和基于MCLP的可拓分类算法，首次提出了智能知识的孵化方法，实现了智能知识的表达和存储方案，并提出了智能知识的自我审计方法和推理技术等新方案。最后分析了智能知识管理系统（IKMS）的需求，并进行了详细的软件功能设计，从而为智慧决策提供一种新视角和一条新途径。 《从信息爆炸到智能知识管理》适合知识管理、数据挖掘、决策支持、人工智能等研究领域的学者、企业CEO、CIO及研究生和大学高年级学生阅读，也可以作为研究生选修课教材。

展开

精彩书摘

例如，某数据挖掘项目通过运用决策树分类算法，把用户分为“现用用户”、“冻结用户”和“流失用户”，并预测用户类型，得到了245条规则。但业务人员惊喜之余，发现如何从这些规则中获取促使用户由流失向续费转化的知识仍有很大难度。 （2）不同算法得到的挖掘结论不一致的矛盾。采用不同技术，或不同算法得到的结论有时会不一致，要和专业知识相结合才能对其做出判断。不同的人对同样的数据进行挖掘，可能产生不同的结果，甚至差异很大，这就涉及可靠性的问题。各种不同的模型挖掘得到的知识如何应用、其效果如何评价、如何甄别有价值的知识是数据挖掘应用中面临的迫切问题。 （3）挖掘过程中数据驱动与领域专家不能参与挖掘过程监控的矛盾。现有的数据挖掘系统或工具软件往往是输人数据后就进行运算，直到得出最终的挖掘结果，中间过程缺少数据挖掘过程中人与计算机的有机融合，很少能真正让用户、专家参与到挖掘过程尤其是对挖掘的结果的再处理之中，而有效的决策过程往往需要经过多次人机交互和反复才能完成。 （4）用于挖掘的属性的有限性和未知的隐含属性多的矛盾。现实生活中，影响结果的因素有很多。而挖掘采用的数据库属性是有限的，如果隐含的重要因素没有考虑，往往对结果产生不利的影响。 （5）挖掘结论的静态性与现实知识的动态性的矛盾。挖掘出的结论是根据某一时刻的数据集得到的，而现实数据在不断变化中。及时识别数据变化的趋势，当变化到某一程度时对原有挖掘的知识做出一定的重新评价是非常必要的。在数据挖掘结果的评价上，大部分学者将注意力集中在如何获取准确的模型上，而很少对挖掘出的结果进行分类、评价或形式化进而支持企业决策。特别是与企业情境的结合方面，数据挖掘产生的模式或规则要在企业中使用，必须结合企业具体的情境，这里的情境既包括相关的物理、业务等外部环境因素、背景因素，又包括主体的认知、经验、心理等内部因素。 总之，一方面数据挖掘获取的知识不能有效利用，而另一方面，知识管理又面临知识分享瓶颈导致的知识匮乏，这两个问题成为困扰知识管理和数据挖掘有效应用的主要因素。数据挖掘获取的知识如何有效应用已经成为阻碍数据挖掘良性发展的瓶颈。如何鉴别数据挖掘的结果，如何准确衡量有价值的知识，以及评价数据挖掘获取知识的质量成为数据挖掘应用的关键问题之一，有待进行系统的探索。只有解决了知识应用瓶颈的问题，数据挖掘的决策支持作用才能得到有效发挥，促进数据挖掘获取的知识被企业、组织有效利用，提高决策水平。

展开

《智能科学技术著作丛书》序 前言 第1章绪论 1.1 信息时代背景下的知识管理和数据挖掘 1.2 知识管理和数据挖掘在应用中遇到的问题 1.3 智能知识管理研究的意义 1.4 本书的框架与内容 第2章信息爆炸与知识获取方式变迁 2.1 信息爆炸与知识管理现状综述 2.1.1 信息爆炸及其成因 2.1.2 知识获取方式及知识管理研究对象的变迁 2.1.3 知识管理模式的研究现状 2.1.4 知识管理技术和工具 2.1.5 本节小结 2.2 数据挖掘的研究综述——数据挖掘及其对知识管理的影响 2.2.1 数据挖掘过程 2.2.2 数据挖掘算法 2.2.3 数据挖掘的研究领域分析 2.2.4 数据挖掘获取的知识的特点 2.2.5 数据挖掘在应用中面临的问题 2.2.6 本节小结 2.3 智能知识管理的研究现状 2.3.1 智能的概念及其实现途径 2.3.2 机器学习的策略 2.3.3 智能知识管理相关研究综述 2.4 本章小结 第3章智能知识管理的理论框架 3.1 智能知识管理的相关概念 3.1.1 基本概念 3.1.2 数据挖掘新视角下的知识分类 3.1.3 智能知识的定义及分析 3.1.4 智能知识管理 3.1.5 智能知识管理系统 3.2 智能知识管理的理论基础 3.2.1 认知心理学理论 3.2.2 人工智能理论 3.2.3 复杂性科学与复杂系统理论 3.2.4 系统科学理论 3.2.5 可拓学理论 3.3 数据挖掘与智能知识管理的关系 3.4 智能知识管理的研究框架 3.4.1 智能知识管理的目标 3.4.2 智能知识管理的研究框架 3.4.3 智能知识管理的方法和路径 3.5 智能知识管理的关键技术 3.5.1 获取智能知识的新的数据挖掘算法技术 3.5.2 具有记忆能力的智能知识表达技术 3.4.3 主动进化的智能知识的自我审计技术 3.5.4 具备社会性的智能知识通信与推理技术 3.5.5 基于情景识别的智能知识主动推送技术 3.6 智能知识管理支撑条件的构建 3.6.1 管理原则：结果导向，客户价值，持续发展 3.6.2 项目管理流程与制度 3.7 本章小结 第4章智能知识的直接获取技术 4.1 智能知识获取的数据准备 4.1.1 数据集的类型分析及选取策略 4.1.2 内部数据转换的可拓策略分析 4.1.3 数据转换措施 4.2 获取智能知识的转化规则挖掘算法 4.2.1 转化规则挖掘的理论分析 4.2.2 转化规则获取的方法 4.2.3 获取转化规则的挖掘算法及实现步骤 4.3 获取智能知识的可拓分类算法 4.3.1 MCLP分类原理 4.3.2 可拓分类的概念 4.3.3 可拓分类的实现框架 4.3.4 可拓分类的算法设计 4.3.5 可拓分类的结果示例 4.4 小结与展望 第5章智能知识管理的间接实现模式 5.1 原始知识的获取方法及表现形式 5.2 从原始知识到智能知识的转化 5.3 智能知识的孵化过程 5.4 智能知识的表达与存储 5.4.1 常用的知识表达方式 5.4.2 元知识与情景知识 5.4.3 基于基元的智能知识表达 5.4.4 智能知识的存储 5.5 智能知识的审汁 5.5.1 知识审汁的概念 5.5.2 知识审计的方法 5.5.3 智能知识的自我审计技术 5.6 智能知识的推理机制 5.6.1 知识推理方法 5.6.2 智能知识的推理机制 5.6.3 智能知识的推理算法 5.7 本章小结 第6章智能知识管理系统设计 6.1 智能知识的生命周期分析 6.2 系统需求分析 6.3 智能知识管理系统的整体架构 6.4 智能知识管理系统的软件架构及组件划分 6.5 智能知识管理系统的功能概要设计 6.6 本章小结 第7章智能知识管理模式的应用 7.1 智能知识应用的一般流程 7.2 智能知识的应用实例 7.2.1 应用背景 7.2.2 智能知识的应用过程 7.2.3 效果分析 7.3 智能知识管理模式的初步应用 7.4 本章小结 第8章总结与展望 8.1 研究结论 8.2 对后续研究的展望 参考文献 附录知识管理和数据挖掘研究论文统计 后记

展开