工程經(jīng)驗知識的審閱專家查找與知識協(xié)同推薦方法.pdf

1、系統(tǒng)化、動態(tài)更新的企業(yè)知識是企業(yè)核心能力之一。企業(yè)逐漸把目光投向在線知識社區(qū)、論壇等資源，獲取和分享隱性知識。這類隱性知識需要由一群該領(lǐng)域的專家多輪修改，以確保其準確性和實用性。在知識積累階段，如何對企業(yè)經(jīng)驗知識進行規(guī)范審閱是知識積累效率和知識質(zhì)量提升的關(guān)鍵。隨著經(jīng)驗知識詞條在平臺上的積累，出現(xiàn)信息超載問題，使得人們很難從海量信息中快速獲取有價值的信息。
　　本文提出了基于隱性知識積累平臺—MediaWiki的面向知識的審閱專家查

2、找技術(shù)。通過結(jié)合Wiki平臺的特征和隱性知識積累的形式，采用Okapi BM2500權(quán)重計算算法考慮用戶與詞條的相關(guān)度，運用改進的PageRank算法計算用戶-詞條關(guān)系網(wǎng)中用戶的權(quán)威度，根據(jù)Cascade排序方式得到推薦專家列表。
　　通過分析用戶興趣和操作的差異，本文提出了考慮社會網(wǎng)絡動態(tài)信任的經(jīng)驗知識協(xié)同推薦技術(shù)。在帶時間窗的“用戶-詞條-時間”的三維動態(tài)模型(UIT)的基礎(chǔ)上，考慮社會網(wǎng)絡動態(tài)信任，研究了針對該模型的工程經(jīng)驗

3、知識的協(xié)同推薦算法(Collaborative Filtering Based on Dynamic Trust，CFBDT)。在使用過程中，用戶和詞條數(shù)量逐漸增長，“用戶-詞條”評分矩陣變得越來越稀疏，極大地降低了基于相似度計算的推薦算法的精度。為了解決嚴重的數(shù)據(jù)稀疏性問題，提出一種基于用戶短期興趣時序性變化的評分矩陣進行預填充；由于MediaWiki社區(qū)用戶群之間的信任呈動態(tài)變化，定義了追隨率反映同一時間窗內(nèi)具有相似興趣的用戶對知識