隱性知識(shí)外顯化案例RS-FAHP視圖計(jì)算

張建華 曹 悅 郭增茂,2

1(鄭州大學(xué)管理工程學(xué)院 河南 鄭州 450001)2(河南省電子商務(wù)協(xié)會(huì) 河南 鄭州 450018)

隱性知識(shí)外顯化案例RS-FAHP視圖計(jì)算

張建華1曹 悅1郭增茂1,2

1(鄭州大學(xué)管理工程學(xué)院 河南 鄭州 450001)2(河南省電子商務(wù)協(xié)會(huì) 河南 鄭州 450018)

在知識(shí)經(jīng)濟(jì)時(shí)代，對(duì)隱性知識(shí)的有效組織與管理演變?yōu)橹R(shí)主體的核心能力，影響到組織的可持續(xù)發(fā)展。隱性知識(shí)案例外顯化是提高其明晰度、改進(jìn)管理效益的有效途徑，基于其條件方面/屬性值合理計(jì)算案例視圖，直接影響到對(duì)外顯化隱性知識(shí)的應(yīng)用效益。針對(duì)傳統(tǒng)直接賦權(quán)法導(dǎo)致案例視圖計(jì)算受主觀影響嚴(yán)重，賦權(quán)結(jié)果的客觀說服力不高，以及單純客觀權(quán)重配置忽視專家知識(shí)且會(huì)導(dǎo)致知識(shí)主體對(duì)案例視圖的接納障礙等問題，基于主客融合思維，依托粗糙集(RS)理論，將基于依賴度與條件熵的兩種客觀權(quán)重配置方法相融合，引入模糊層次分析法(FAHP)兼顧領(lǐng)域?qū)＜业臉I(yè)務(wù)經(jīng)驗(yàn)與知識(shí)，從而提出了隱性知識(shí)外顯化案例視圖的RS-FAHP計(jì)算方法。實(shí)驗(yàn)結(jié)果表明，該方法足以支撐對(duì)隱性知識(shí)外顯化案例的有效應(yīng)用與管理。

隱性知識(shí) CBR RS FAHP 視圖計(jì)算

0 引 言

在知識(shí)經(jīng)濟(jì)時(shí)代，知識(shí)演變?yōu)楹诵纳a(chǎn)資料、成為價(jià)值創(chuàng)造的主體來源[1-2]。在知識(shí)主體的知識(shí)結(jié)構(gòu)中，隱性知識(shí)不僅占其大部，并且直接決定了知識(shí)應(yīng)用與創(chuàng)新的實(shí)現(xiàn)效益，然而，由于其較低的明晰程度，實(shí)踐域中對(duì)隱性知識(shí)的組織與管理效益卻相對(duì)低下。這制約了知識(shí)管理KM的實(shí)施效益。人工智能領(lǐng)域基于案例推理CBR系統(tǒng)是對(duì)隱性知識(shí)進(jìn)行案例外顯化管理的自學(xué)習(xí)技術(shù)，它基于歷史問題及其解決方案，輔助用戶對(duì)現(xiàn)有相似問題的決策或解決。有鑒于此，筆者通過CBR技術(shù)實(shí)現(xiàn)對(duì)KM隱性知識(shí)的外顯化組織與管理，以此提升KM實(shí)施的效率和有效性。

在傳統(tǒng)CBR模型的“4R”循環(huán)(檢索/Retrieve-重用/Reuse-修正/Revise-學(xué)習(xí)/Retain)中，檢索是核心活動(dòng)，其速度和準(zhǔn)確率直接決定CBR系統(tǒng)的實(shí)績水平；案例檢索的基礎(chǔ)是匹配計(jì)算，它需要合理而高效的案例視圖(方面權(quán)重向量)計(jì)算機(jī)制作為支撐。傳統(tǒng)權(quán)重計(jì)算方法有很多，如直接賦權(quán)法、層次分析法和德爾菲法等，這些都是基于主體經(jīng)驗(yàn)的方法，其結(jié)果受主觀因素影響較大，客觀性相對(duì)較弱、說服力不高。粗糙集RS理論用于分析處理不完整、不確定數(shù)據(jù)集，從而發(fā)現(xiàn)潛在的規(guī)律(即知識(shí))[3]?；赗S理論的權(quán)重配置方法，在已有數(shù)據(jù)集基礎(chǔ)上展開計(jì)算，不受主觀因素的影響、具有較強(qiáng)的客觀性；另一方面，領(lǐng)域?qū)＜?、行家里手的?jīng)驗(yàn)是寶貴的知識(shí)資源，對(duì)確定案例視圖也具有價(jià)值。因此，我們?cè)谇笆隹陀^方法的基礎(chǔ)上，引入模糊層次分析法FAHP這一定性與定量相結(jié)合的系統(tǒng)分析方法，并進(jìn)一步通過主觀經(jīng)驗(yàn)偏好因子的平衡作用，謀求建立主客融合的賦權(quán)機(jī)制，以此提升隱性知識(shí)案例外顯化的組織、應(yīng)用與管理效益。

1 基于RS理論的完備客觀權(quán)重配置

基于RS理論計(jì)算權(quán)重的方法有兩種：基于屬性依賴度的方法和基于條件熵(屬性信息量)的方法。前者以對(duì)論域中子集分類的影響程度來衡量屬性重要性，計(jì)算過程直觀、易于理解，但其結(jié)果相對(duì)粗糙；后者從條件屬性蘊(yùn)含信息量的角度衡量屬性重要度，具有更為精細(xì)的區(qū)分度，但過程的直觀性相對(duì)差些[4-6]。

1.1 基于依賴度的權(quán)重配置

不同知識(shí)對(duì)論域的分類能力不同，導(dǎo)致其重要程度即權(quán)重差異。已知知識(shí)表達(dá)系統(tǒng)KS=(U,A,V,f)，其中，U為知識(shí)表達(dá)系統(tǒng)非空有限論域，A為知識(shí)表達(dá)系統(tǒng)的屬性集，且A=C∪D；f為賦值函數(shù)，決定了每一對(duì)象的屬性值V，即f(A→V)。決策屬性(集)D完全依賴于由多個(gè)條件屬性(a1,a2,…,an)組成的屬性集C；不過，D對(duì)每一個(gè)條件屬性的依賴度不同，基于此即可計(jì)算每一條件屬性的重要程度。其基本思路為：根據(jù)知識(shí)表達(dá)系統(tǒng)建立二維決策表，依次剔除每一個(gè)條件屬性，計(jì)算剔除前后決策屬性(集)對(duì)條件屬性集的依賴度。依賴度變化越大，表明該條件屬性相對(duì)決策屬性(集)越重要，其權(quán)值越高；反之，則越低。

對(duì)應(yīng)地，其求解步驟如下：

(1) 收集評(píng)價(jià)對(duì)象的原始數(shù)據(jù)，對(duì)連續(xù)性數(shù)據(jù)實(shí)施離散化處理，建立二維決策表。

(2) 計(jì)算D的C正域posC(D)，在此基礎(chǔ)上計(jì)算D對(duì)于條件屬性集C的依賴度：

(3) 依次剔除條件屬性ai后計(jì)算新正域posC-ai(D)，在此基礎(chǔ)上計(jì)算D對(duì)新條件屬性集(C-ai)的依賴度：

(4) 計(jì)算屬性ai對(duì)D的重要程度：σ(ai)=γC-ai(D)-γC(D)，而后再次執(zhí)行步驟(3)，直至覆蓋條件屬性全空間。

(5) 對(duì)全體σ(ai)實(shí)施歸一化處理，即得條件屬性ai的權(quán)重：

1.2 基于條件熵的權(quán)重配置

熵是對(duì)不確定性或無序狀態(tài)的量度?？赏ㄟ^計(jì)算熵值來判斷某個(gè)方面值的離散程度，離散程度越大則該方面對(duì)案例視圖綜合評(píng)價(jià)的影響越大，亦即權(quán)重越高[7]。不同條件屬性a∈C對(duì)決策屬性(集)D提供的信息(負(fù)熵)量不同。當(dāng)把一個(gè)條件屬性加入到條件屬性集，條件屬性集對(duì)決策屬性(集)提供的信息量發(fā)生了變化，表現(xiàn)為對(duì)不確定性的消減程度。提供的信息量越大，不確定性消減越強(qiáng)，表明該條件屬性越重要。

基于條件熵的權(quán)重計(jì)算思路為：根據(jù)知識(shí)表達(dá)系統(tǒng)建立關(guān)于評(píng)價(jià)對(duì)象的二維決策表，計(jì)算C與D的條件熵[8]；然后，依次剔除條件屬性并重新計(jì)算條件熵；最后，依據(jù)條件熵的變化程度得到各條件屬性相對(duì)決策屬性(集)的重要程度。

設(shè)有知識(shí)表達(dá)系統(tǒng)KS=(U,A,V,f)，其中A=C∪D，C={a1,a2,…,an}為條件屬性集，D為決策屬性(集)，則基于條件熵的權(quán)重計(jì)算步驟如下：

(1) 收集評(píng)價(jià)對(duì)象的原始數(shù)據(jù)，對(duì)連續(xù)性數(shù)據(jù)實(shí)施離散化處理，建立二維決策表。

(2) 計(jì)算D相對(duì)于C的條件熵H(D|C)。

(3) 依次剔除條件屬性ai，計(jì)算D相對(duì)于C-ai的條件熵H(D|C-ai)。

(4) 計(jì)算條件屬性ai對(duì)決策屬性D的重要程度：Sig(ai,C,D)=H(D|C-ai)-H(D|C)；再次執(zhí)行步驟(3)，直至覆蓋條件屬性全空間。

(5) 對(duì)全體Sig(ai,C,D)實(shí)施歸一化處理，即得條件屬性ai的權(quán)重：

1.3 兩種方法融合的權(quán)重配置

通過前述兩種方法計(jì)算得到的權(quán)重結(jié)果均具有良好的客觀性，但如果僅將前述兩種方法所得結(jié)果簡單相加并作歸一化處理，可能會(huì)出現(xiàn)“大數(shù)吃小數(shù)”的現(xiàn)象，尚不夠嚴(yán)謹(jǐn)?？紤]到兩者各有特點(diǎn)，本文引入?yún)f(xié)調(diào)因子λ以兼顧兩者的優(yōu)點(diǎn)，并在實(shí)踐運(yùn)作中根據(jù)應(yīng)用需求特征靈活調(diào)節(jié)，以便在計(jì)算效益與結(jié)果的可理解方面尋求平衡。

如此，基于前述思想與兩種方法所得結(jié)果，條件屬性ai的完備RS權(quán)重為：

ωRS(ai)=λω1(ai)+(1-λ)ω2(ai)

2 基于FAHP的案例屬性主觀權(quán)重配置

層次分析法(AHP)是一種定量與定性相結(jié)合的系統(tǒng)分析方法，適用于結(jié)構(gòu)復(fù)雜、決策準(zhǔn)則較多且不易量化的決策問題。AHP將推理過程量化表征，一定程度上避免了因決策問題復(fù)雜且方案較多而導(dǎo)致的決策者邏輯推理失誤問題[9-11]。不過，該方法也存在如下不足：① 它要求決策者的方案標(biāo)度為確定值，然實(shí)踐中決策者的主觀判斷具有模糊性，確定值標(biāo)度難以消除因主觀判斷導(dǎo)致的影響[12-13]。②AHP判斷矩陣的階數(shù)較高時(shí)，檢驗(yàn)其一致性較困難，當(dāng)判斷矩陣一致性得不到滿足，要對(duì)其反復(fù)調(diào)整與檢驗(yàn)，不僅過程繁瑣且效率低下[14]。

應(yīng)對(duì)前述不足的可行思路是：將AHP方法與模糊理論相結(jié)合，充分融合決策者思維的模糊性，使判斷矩陣更加合理、更容易通過一致性檢驗(yàn)，此即模糊層次分析法(FAHP)[15-16]。它基于模糊數(shù)(如三角模糊數(shù)、梯形模糊數(shù)、L-R型模糊數(shù)等)構(gòu)造模糊判斷矩陣。三角模糊數(shù)以三元組(l,m,u)表示決策主體的模糊思維，更符合實(shí)際，方法簡便且可操作性強(qiáng)。其中，l、m、u分別為模糊數(shù)的下界、中值和上界值。一般情況下，滿足l

基于模糊理論，F(xiàn)AHP模糊標(biāo)度在[0,1]內(nèi)取值，其取值規(guī)則如表1所示。

表1 模糊標(biāo)度及其含義

定義1 若方陣R=(rij)n×n中所有元素滿足0≤rij≤1，則其為模糊陣。

定義2 若模糊陣R=(rij)n×n中所有元素滿足rij+rji=1，則其是互補(bǔ)的。

定義3 若模糊互補(bǔ)方陣R=(rij)n×n中元素均滿足rij=rik-rjk+0.5，則其是一致陣。

設(shè)有k位評(píng)價(jià)專家對(duì)n個(gè)待評(píng)屬性的重要度進(jìn)行兩兩比較判斷，則FAHP步驟如下：

(1) 對(duì)待評(píng)屬性兩兩比較，基于三角模糊數(shù)建立模糊互補(bǔ)判斷矩陣R=(rij)n×n。

在R=(rij)n×n中，lii=mii=uii=0.5，lij+uji=1，uij+lji=1。

(2) 在此基礎(chǔ)上，計(jì)算概率矩陣B=(bij)n×n和模糊評(píng)判矩陣S=(sij)n×n[14]：

其中，S中sij越小說明模糊區(qū)間越大，該模糊數(shù)的模糊性越強(qiáng)、置信水平越低。

r″ij(p)表示第p位評(píng)價(jià)專家在R″中的對(duì)應(yīng)評(píng)價(jià)元素。

前述算法基于模糊一致性矩陣展開求解過程，避免了傳統(tǒng)AHP法對(duì)判斷矩陣的一致性檢驗(yàn)與持續(xù)修正的過程，從而確保了求解效率。

3 RS-FAHP案例視圖計(jì)算

基于既定隱性知識(shí)外顯化案例模式，確立條件屬性集與決策屬性；導(dǎo)入隱性知識(shí)外顯案例庫中經(jīng)過離散化的案例數(shù)據(jù)，建立知識(shí)表達(dá)系統(tǒng)KS=(U,A,V,f)，其中，A=C∪D，C={a1,a2,…,an}為條件屬性集，D為決策屬性。

引入融合因子ε(滿足0≤ε≤1)，建立最優(yōu)模型：

為求解上式，作拉格朗日函數(shù)：

L(ωi,λ)=

對(duì)前述算法過程進(jìn)行歸納與總結(jié)，可得隱性知識(shí)外顯化案例RS-FAHP視圖計(jì)算的算法流程，如圖1所示。

圖1 RS-FAHP視圖算法流程

4 算例分析

設(shè)有既定隱性知識(shí)外顯化案例模式：條件部由4個(gè)方面構(gòu)成、決策部由1個(gè)方面構(gòu)成，分別記為條件屬性集C={a1,a2,a3,a4}和決策屬性集D=j5i0abt0b。該模式下的案例子庫實(shí)例空間為10。依圖1流程，將各案例數(shù)據(jù)導(dǎo)入并做離散化處理后，建立知識(shí)表達(dá)系統(tǒng)KS=(U,A,V,f)，如表2所示。

表2 基于既定隱性知識(shí)外顯案例子庫建立的知識(shí)表達(dá)系統(tǒng)

為建立該案例視圖，現(xiàn)基于RS-FAHP方法計(jì)算之。

首先，基于依賴度的權(quán)重算法ω1(ai)(其中i=1,2,3,4)，計(jì)算如下：

U/d={{x1,x2},{x3,x4},{x5,x6,x7},{x8,x9,x10}}

U/C= {{x1},{x2},{x3},{x4},{x5},{x6},{x7},

{x8},{x9},{x10}}

U/{C-a1}= {{x1,x10},{x2,x3},{x4},{x5},{x6},

{x7},{x8},{x9}}

U/{C-a2}={{x1,x2},{x3},{x4,x5},{x6},{x7},

{x8},{x9},{x10}}

U/{C-a3}={{x1},{x2},{x3},{x4},{x5,x8},{x6,

x7,x9},{x10}}

U/{C-a4}={{x1,x4},{x2},{x3},{x5},{x6},

{x7},{x8},{x9},{x10}}

可得：γC(d)=1，γC-a1(d)=0.7，γC-a2(d)=0.8，γC-a3(d)=0.5，γC-a4(d)=0.8。如此，可得各屬性的重要度為：σ(a1)=0.3，σ(a2)=0.2，σ(a3)=0.5，σ(a4)=0.2。

對(duì)前述結(jié)果進(jìn)行歸一化處理，則得各屬性基于依賴度的權(quán)重如下：

ω1(a1)=0.250 0ω1(a2)=0.166 7

ω1(a3)=0.416 6ω1(a4)=0.166 7

其次，計(jì)算基于條件熵的權(quán)重算法ω2(ai)。

H(d|C)=0H(d|C-a1)=0.4

H(d|C-a2)=0.2H(d|C-a3)=0.475 5

H(d|C-a4)=0.2

根據(jù)Sig(ai,C,D)的計(jì)算方法，進(jìn)一步計(jì)算各屬性的重要度為：

Sig(a1,C,D)=0.4Sig(a2,C,D)=0.2

Sig(a3,C,D)=0.475 5Sig(a4,C,D)=0.2

對(duì)前述結(jié)果進(jìn)行歸一化處理，則得各屬性基于條件熵的權(quán)重如下：

ω2(a1)=0.313 6ω2(a2)=0.156 8

ω2(a3)=0.372 8ω2(a4)=0.156 8

如圖1所示，考慮到基于條件熵結(jié)果的高區(qū)分度，取協(xié)調(diào)因子λ=0.45，依據(jù)1.3節(jié)信息觀權(quán)重配置算法，得各屬性基于RS理論的完備客觀權(quán)重為：

ωRS(a1)=0.285 0ωRS(a2)=0.161 3

ωRS(a3)=0.392 4ωRS(a4)=0.161 3

在此基礎(chǔ)上，計(jì)算概率矩陣與模糊評(píng)判矩陣如下：

至此，通過前述最終權(quán)重向量ω=(ω1，ω2，…,ωn)的計(jì)算方法，得基于FAHP算法的案例視圖為：

ωFAHP=(0.256 8，0.231 6，0.278 2，0.233 4)

最后，本著“突出客觀性、兼顧主觀經(jīng)驗(yàn)”的原則，取融合因子ε=0.65，依據(jù)第3節(jié)所示算法，計(jì)算得到既定模式隱性知識(shí)外顯案例屬性的RS-FAHP最終視圖計(jì)算結(jié)果為：

ω=(0.275 1,0.185 9,0.352 4,0.186 6)

至此，對(duì)于該算例中的這個(gè)隱性知識(shí)外顯化案例模式而言，其條件方面/屬性集對(duì)決策方面/屬性的內(nèi)在決定價(jià)值已經(jīng)確定。在該算例中，4個(gè)條件方面對(duì)決策方面的內(nèi)在影響力差異并非懸殊，因此只做區(qū)別不做取舍，以此確保案例視圖距離或視圖相似度計(jì)算的有效性。在實(shí)踐應(yīng)用中，如遇案例各個(gè)條件方面對(duì)決策方面的內(nèi)在影響力差異懸殊情況，則可基于領(lǐng)域知識(shí)設(shè)置下限權(quán)重，并將權(quán)重低于該值的條件方面從案例視圖中剔除，從而在盡可能確保案例視圖距離或視圖相似度計(jì)算精度的基礎(chǔ)上，有效提高計(jì)算效率。

5 結(jié) 語

在知識(shí)經(jīng)濟(jì)時(shí)代，知識(shí)管理尤其是對(duì)隱性知識(shí)的有效管理是增強(qiáng)組織核心競爭力、實(shí)現(xiàn)可持續(xù)發(fā)展的重要基礎(chǔ)。本文引入CBR系統(tǒng)思想，以對(duì)隱性知識(shí)的案例外顯化為基礎(chǔ)，將RS基于屬性依賴度與條件熵的兩種權(quán)重計(jì)算方法相融合，同時(shí)通過FAHP方法兼顧領(lǐng)域?qū)＜业膶氋F經(jīng)驗(yàn)，實(shí)現(xiàn)了對(duì)隱性知識(shí)外顯案例視圖主客融合的RS-FAHP計(jì)算。相較于傳統(tǒng)主觀經(jīng)驗(yàn)賦權(quán)法，該方法具有更為嚴(yán)謹(jǐn)?shù)臄?shù)據(jù)基礎(chǔ)與推理過程，客觀性強(qiáng)、可解釋性好；相較于單純的客觀賦權(quán)法，該方法又充分融合了領(lǐng)域?qū)＜业闹饔^經(jīng)驗(yàn)，不僅實(shí)現(xiàn)了對(duì)客觀計(jì)算的靈活補(bǔ)充，也進(jìn)一步提高了對(duì)視圖計(jì)算結(jié)果的接納水平。

[1]BanoS,TaylorJ.Universitiesandtheknowledge-basedeconomy:perceptionsfromadevelopingcountry[J].HigherEducationResearch&Development,2015,34(2):242-255.

[2]AhrweilerP,PykaA,GilbertN.Anewmodelforuniversity-industrylinksinknowledge-basedeconomies[J].JournalofProductInnovationManagement,2011,28(2):218-235.

[3]PawlakZ.RoughSets[J].InternationalJournalofComputerandInformationSciences,1982,11(5):341-356.

[4] 張建華.知識(shí)管理自學(xué)習(xí)案例多案例誘導(dǎo)型適配機(jī)制[J].系統(tǒng)管理學(xué)報(bào),2014,23(6):845-853.

[5] 朱紅燦,陳能華.粗糙集條件信息熵權(quán)重確定方法的改進(jìn)[J].統(tǒng)計(jì)與決策,2011(8):154-156.

[6] 鮑新中,劉澄.一種基于粗糙集的權(quán)重確定方法[J].管理學(xué)報(bào),2009,6(6):729-732.

[7] 張建華.電子政務(wù)知識(shí)管理[M].北京:科學(xué)出版社,2010.

[8] 翟軍昌,車偉偉.一種基于條件熵的垃圾郵件過濾算法[J].計(jì)算機(jī)與現(xiàn)代化,2014(2):129-132.

[9] 李春好,孫永河,賈艷輝,等.變權(quán)層次分析法[J].系統(tǒng)工程理論與實(shí)踐,2010,30(4):723-731.

[10] 劉軍,李曉楠.基于層次分析法的WLAN/蜂窩網(wǎng)絡(luò)切換判決算法[J].通信學(xué)報(bào),2013,34(2):65-72.

[11] 蔡雁,吳敏,周晉妮,等.基于層次分析法的儲(chǔ)位模糊多準(zhǔn)則優(yōu)化方法[J].湖南大學(xué)學(xué)報(bào)(自然科學(xué)版),2013,40(6):103-108.

[12]SaatyTL.Modelingunstructureddecisionproblems—thetheoryofanalyticalhierarchies[J].MathematicsandComputersinSimulation,1978,20(3):147-158.

[13] 王化吉,宗長富,管欣,等.基于模糊層次分析法的汽車操縱穩(wěn)定性主觀評(píng)價(jià)指標(biāo)權(quán)重確定方法[J].機(jī)械工程學(xué)報(bào),2011,47(24):83-90.

[14] 成凱.基于模糊層次分析法的住宅PCa技術(shù)應(yīng)用條件評(píng)價(jià)研究[D].杭州:浙江大學(xué),2012.

[15] 雷磊.基于FAHP和模糊德爾菲法的產(chǎn)業(yè)關(guān)鍵性成功因素評(píng)價(jià)[J].統(tǒng)計(jì)與決策,2014(15):44-47.

[16] 覃柏英.FAHP的標(biāo)度系統(tǒng)與排序方法研究[D].南寧:廣西大學(xué),2005.

VIEW CALCULATION OF TACIT KNOWLEDGE EXPLICIT CASE BASED ON RS-FAHP

Zhang Jianhua1Cao Yue1Guo Zengmao1,2

1(SchoolofManagementEngineering,ZhengzhouUniversity,Zhengzhou450001,Henan,China)2(HenanElectronicCommerceAssociation,Zhengzhou450018,Henan,China)

In the era of knowledge economy, the effective organization and management of tacit knowledge becomes the core competence of knowledge subject, which affected the sustainable development of organization. Case explicit of tacit knowledge is an effective way to improve its clarity and improve the management efficiency. Based on its conditional aspect/attribute value, reasonable calculation of case view directly affects the application benefit of external explicit tacit knowledge. In view of the fact that the traditional direct weighting method leads to the severe subjective impact of the case view calculation, the objective persuasiveness of the weighting result is not high, and the simple object weight allocation ignores the expert knowledge and causes the knowledge subject to accept the obstacle of the case view. Based on the theory of subject-object integration and relying on rough set theory (RS), two kinds of objective weighting methods based on property dependence and conditional entropy are merged. FAHP is introduced to take into account the business experience and knowledge of domain experts, and the view calculation method of tacit knowledge explicit case based on RS-FAHP is proposed. The experimental results show that the method is sufficient to support the effective application and management of the tacit knowledge explicit case.

Tacit knowledge CBR RS FAHP View calculation

2016-03-19。國家社會(huì)科學(xué)基金項(xiàng)目(11CTQ023)；鄭州大學(xué)優(yōu)秀青年教師發(fā)展基金項(xiàng)目(2015SKYQ15)。張建華，教授，主研領(lǐng)域：知識(shí)工程，機(jī)器學(xué)習(xí)。曹悅，碩士生。郭增茂，碩士。

TP182

A

10.3969/j.issn.1000-386x.2017.04.049