面向创新设计的对话式知识管理方法

Design innovation knowledge contains personalized inspiration and experience, which is hard to express in a formal form. This makes the acquisition and utilization of design innovation knowledge very challenging. This project proposes a conversational knowledge management (CKM) method which uses the human-human and human-machine conversation taking place in innovative design as input. From the input, CKM extracts users’ personal knowledge as well as the application context of the knowledge, and then actively push the knowledge matching with the current knowledge application context to the user. Based on the identity and turn of the conversation subjects, and the syntax, wording and semantic association of conversation content, CKM uses text mining techniques to acquire users’ personal knowledge in a nonintrusive way, so as to overcome the drawbacks of traditional knowledge acquisition methods caused by high energy and time consumption and not being able to run continuously. For knowledge reuse, a method of inductive active knowledge supply is proposed with the construction of contextualized knowledge learning route to induce users to better understanding and application of the recommended knowledge. A machine learning-based method is adopted to learn the criteria of knowledge assessment from high and low quality knowledge acquisition cases, which is then used to acquire high quality knowledge. Thanks to the artificial intelligence techniques used, CKM will be able to run context awareness, knowledge acquisition and knowledge supply in a nonstop manner, and thus promote the fast flow of knowledge and improve the efficiency of innovation.

创新设计需要个性化的灵感和经验知识，这类知识难以规范化描述，其获取和利用具有很大难度。本项目提出一种对话式的知识管理方法，以用户从事创新设计时的人-人和人-机对话为输入，从中实时提取用户的个性化知识及其应用情境，并将匹配当前知识应用情境的已有知识主动推送给用户。对话式知识管理利用对话者的身份、发言顺序，以及对话的句式、词汇和语义关联，采用文本挖掘技术对用户的个性化知识进行非打扰式获取，克服传统知识获取费神耗时以至于无法持续进行的缺点。在知识重用方面，设计了带有诱导性的知识主动供应方法，通过构建情境化的知识学习路径，对用户的知识需求进行诱导，帮助其更好地理解和应用被推荐的知识。采用机器学习的方法，从高、低质量的知识获取案例中学习知识的评价标准，并利用该标准获取高质量的知识。对话式知识管理将借助人工智能实现不间断的情境感知、知识获取和知识供应，从而促进知识的快速流动并提升创新效率。

在互联网大数据和协同创新时代，知识管理迫切需要增强时效性、准确性以及对知识工作者个体的适应性。本项目综合运用知识工程、机器学习、语义计算、进化计算等理论、方法与技术，建立了对话式知识管理的理论框架，并对该理论框架在创新设计以及智能决策领域的应用进行了研究。.项目针对问答和辩论两类基本对话模式中的知识应用情境，分别建立基于问题上下文和论点上下文的知识应用情境感知机制：基于问题上下文的情境感知根据识别到的工程问题，采用多种文本相关度判别方法从问题的上下文中提取问题的目标、约束和状态信息，构成知识的应用情境；基于论点上下文的情境感知首先从对话中识别论点，然后围绕论点的上下文提取论据，将论点和已知论据作为知识应用情境。针对非打扰式知识获取，分为两种情形进行研究：一类是创新设计中的操作经验知识获取，以动宾句法和计算机命令为知识线索，将知识线索与知识应用情境进行匹配，匹配度高的知识应用情境与知识线索经过本体概念映射，形成经验知识；另一类是归纳经验知识获取，以海关专家在传授商品分类经验时的讲话为输入信息，采用遗传算法对文本中的决策相关概念及其逻辑组合进行染色体编码，以商品的历史分类信息作为判定染色体适应度的依据，进行进化计算得到最佳的知识抽取结果。针对用户知识需求发现和诱导，研究了知识需求演化的模式和动机，首先通过语义相似度的计算将经验知识聚类并赋予主题，其次通过分析时间上具有继承关系的知识主题的逐渐变化，归纳出知识演化的四种模式，对于每种演化模式的实例，采用溯因推理获得用户知识需求发生变化的动机。.本项目建立的对话式知识管理理论与方法丰富了知识管理在大数据和人工智能环境下的内涵，其在创新设计以及智能决策中的应用可以加速行业经验知识的积累，提升经验知识描述的规范性和所获取知识的可用性，为政府和企业建立可持续自我学习的决策支持系统提供新的思路和手段。