—明智的新選擇
■ 龐引明
讓擁有知識的人能方便地共享自己的知識，讓需要知識的人可以簡單快捷地找到知識，這是企業(yè)知識管理系統(tǒng)的一個追求，而基于XML的知識管理系統(tǒng)正成為企業(yè)一個明智的新選擇。 現(xiàn)在知識管理已經(jīng)非常“流行”，企業(yè)不斷推出各種知識管理解決方案，包括IBM及微軟這樣著名的公司在內(nèi)的幾乎所有IT企業(yè)都在推銷自己的知識管理理念及相關(guān)技術(shù)與產(chǎn)品。從商業(yè)公司到各種組織都正在開發(fā)各種知識管理系統(tǒng)。 不過，在建立知識管理系統(tǒng)方面，基于XML的知識管理系統(tǒng)開始引起人們的注意，現(xiàn)已成為一個非常重要的發(fā)展方向。 早期系統(tǒng)投石問路 其實早在幾年前，國際上就有若干研究機構(gòu)陸續(xù)投入基于XML的知識管理系統(tǒng)的研發(fā)。其中，較為著名的可以列舉幾家。 德國GMD-IPSI(德國國家信息技術(shù)研究中心集成出版和信息系統(tǒng)研究所)的研究小組，聯(lián)合西班牙、法國、奧地利等國的研究機構(gòu)，開發(fā)了XML-KM（IST-12030）系統(tǒng)。該項目立項于2000年年初，是一個利用XML技術(shù)進行底層異構(gòu)數(shù)據(jù)源的集成，采用數(shù)據(jù)倉庫和數(shù)據(jù)挖掘技術(shù)支持知識抽取，含有事務(wù)處理和安全控制較為完整的知識管理系統(tǒng)。 圖1就是經(jīng)過了簡化的XML-KM（IST-12030）系統(tǒng)結(jié)構(gòu)?？梢钥闯?，信息的采集（集成）、知識的發(fā)現(xiàn)和抽取、知識的發(fā)布，三個層次較為分明地體現(xiàn)在系統(tǒng)中。該結(jié)構(gòu)基本概括了以XML為基礎(chǔ)的知識管理系統(tǒng)的主要內(nèi)容，因此在業(yè)界有著一定的影響，在一段時間以來成為研發(fā)知識管理系統(tǒng)的重要參考。
圖1 XML-KM（IST-12030）系統(tǒng)結(jié)構(gòu) 遺憾的是，上述系統(tǒng)雖然規(guī)劃了以XML數(shù)據(jù)庫作為系統(tǒng)的主要部分，但是，由于該項目起步較早，當(dāng)時的XML數(shù)據(jù)庫技術(shù)尚不成熟，以XML技術(shù)來集成異構(gòu)數(shù)據(jù)源的實踐也未開始，因此系統(tǒng)從一開始就遇到了較大的困難，并沒有取得預(yù)期的成果。但是，當(dāng)我們這些后來者重新研讀該系統(tǒng)的技術(shù)資料時，不得不為先行者的一些技術(shù)遠(yuǎn)見所折服。 另一個XML知識管理系統(tǒng)的先行者就是INRIA(法國國立信息與自動化研究院)。INRIA的VERSO小組開發(fā)了著名的XML數(shù)據(jù)庫系統(tǒng)xyleme，在XML數(shù)據(jù)庫及其相關(guān)技術(shù)方面有著較為雄厚的技術(shù)積淀。WebCOKACE是INRIA的ACACIA小組正在開發(fā)的知識管理產(chǎn)品，基于XML技術(shù)。 WebCOKACE主要有以下特點： ● 在一個協(xié)同的平臺上，可以跨Internet和Intranet集成多個異構(gòu)數(shù)據(jù)源。以XML作為數(shù)據(jù)的基本存儲形式，包括數(shù)據(jù)格式、知識模型和語義元數(shù)據(jù)的表達(dá)。 ● 引入本體（ontology）概念作為知識查詢的載體。在服務(wù)器端設(shè)計了一個解釋器，用來將CommonKADS形式表達(dá)的本體轉(zhuǎn)換成RDF（資源表述框架）模式，再到XML數(shù)據(jù)庫中查詢相關(guān)知識。它還設(shè)計了一個本體過濾引擎（ontological filtering engine），以回答客戶的簡單查詢。 ● 作為一個應(yīng)用例子，在應(yīng)用層開發(fā)了RESEDA系統(tǒng)，這是一個道路事故診斷系統(tǒng)，它可以利用服務(wù)器端開發(fā)的一個推理引擎（Inference engine），接受用戶的查詢請求，查詢XML知識庫，經(jīng)過簡單處理，給出事故診斷的初步建議。 在WebCOKACE系統(tǒng)中，集成異構(gòu)數(shù)據(jù)源、XML數(shù)據(jù)表達(dá)、協(xié)同處理、知識建模、基于Web服務(wù)等較為流行的技術(shù)都得到了應(yīng)用。 XML知識管理系統(tǒng)框架基本落地 近兩年來，隨著XML數(shù)據(jù)庫技術(shù)的不斷發(fā)展和成熟，更重要的是，隨著應(yīng)用需求的不斷發(fā)展，商用的基于XML的知識管理系統(tǒng)的研發(fā)和推廣日益深入。 加拿大的IXIASOFT公司在北美市場推出的相關(guān)知識管理產(chǎn)品，美國IPEDO公司在美國和亞太地區(qū)推出的KCP（知識協(xié)同平臺）產(chǎn)品，都是以各自的XML數(shù)據(jù)庫產(chǎn)品為基礎(chǔ)開發(fā)的XML知識管理系統(tǒng)。國內(nèi)的產(chǎn)品中，較有代表性的如長沙麓谷數(shù)碼科技公司的基于XML的企業(yè)協(xié)同工作與知識管理平臺。 這些商用產(chǎn)品都有一些共性特點，比如，都以XML數(shù)據(jù)庫技術(shù)為基礎(chǔ)，都以XML技術(shù)來集成跨系統(tǒng)的異構(gòu)數(shù)據(jù)源，都支持J2EE/.NET企業(yè)應(yīng)用構(gòu)架，都提供基于工作流的協(xié)同工作機制，都支持Web端的動態(tài)知識展現(xiàn)等。 圖2顯示了當(dāng)前商用XML知識管理系統(tǒng)的基本框架。它綜合了目前主流的技術(shù)路線。它的主要技術(shù)特點有：
圖2 基于XML知識管理系統(tǒng)的一般結(jié)構(gòu) 1. 異構(gòu)數(shù)據(jù)源的集成 知識的演化途徑定義為：信息、數(shù)據(jù)、知識。很顯然，知識蘊含在大量的數(shù)據(jù)里面。而數(shù)據(jù)的形式是多樣化的，包括結(jié)構(gòu)化的數(shù)據(jù)、半結(jié)構(gòu)化的數(shù)據(jù)和非結(jié)構(gòu)化的數(shù)據(jù)。有資料統(tǒng)計說，一般知識管理系統(tǒng)中的數(shù)據(jù)，結(jié)構(gòu)化的只占到10%，其余90%都是半結(jié)構(gòu)化和非結(jié)構(gòu)化的數(shù)據(jù)。針對這種情況，XML技術(shù)正好可以發(fā)揮它的長處。這就是為什么知識管理系統(tǒng)對XML技術(shù)的依賴會越來越強。由于數(shù)據(jù)是分散在多個異構(gòu)的系統(tǒng)中，所以用XML技術(shù)來集成這些數(shù)據(jù)就顯得十分必要。 從技術(shù)實現(xiàn)的角度來說，在ERP系統(tǒng)、數(shù)據(jù)倉庫系統(tǒng)的背后，真正的數(shù)據(jù)存儲者可能是各種關(guān)系型數(shù)據(jù)庫;OA系統(tǒng)、文件系統(tǒng)和郵件系統(tǒng)面對的是文檔;而在互聯(lián)網(wǎng)上的則是浩如煙海的HTML文檔。 從用戶的角度來說，底層能夠集成盡可能多的數(shù)據(jù)源，就會搜集到盡可能多的知識源頭。 一般來說，數(shù)據(jù)集成的方式有兩種:實時的方式可以保證及時地抓取到最新的數(shù)據(jù)，但是對性能的影響會比較大，對數(shù)據(jù)同步的要求會比較高，在集成的異構(gòu)數(shù)據(jù)源數(shù)量較多時效率會比較低。 非實時的方式不能保證及時地抓取到最新的數(shù)據(jù)，對數(shù)據(jù)同步的要求不會太高，可以在系統(tǒng)負(fù)載較小時進行數(shù)據(jù)更新。實時方式適用在數(shù)據(jù)更新快、異構(gòu)數(shù)據(jù)源較少的場合。非實時的方式則適用在異構(gòu)數(shù)據(jù)源較多、數(shù)據(jù)更改不太頻繁的情況下。 2. 知識建模和整理加工 知識建模和整理加工是整個知識管理系統(tǒng)的核心部分，也是現(xiàn)今知識管理系統(tǒng)的薄弱環(huán)節(jié)。 圖3是意大利卡拉布里亞大學(xué)的Mario Cannataro教授等人提出的針對半結(jié)構(gòu)化數(shù)據(jù)的知識抽取過程，較好地概括了在XML數(shù)據(jù)庫基礎(chǔ)上的知識建模和知識發(fā)現(xiàn)過程。
圖3 知識建模和知識加工的一般過程 從底層看，XML數(shù)據(jù)庫系統(tǒng)作為信息的存儲和交換的基礎(chǔ)平臺。這里需要定義知識描述的XML框架，也就是經(jīng)常提到的元數(shù)據(jù)模型（Metadata）。 第二層就是知識建模層。在底層的XML數(shù)據(jù)庫系統(tǒng)平臺中，利用XML來描述概念模型（conceptual knowledge），XSL(eXtensible Stylesheet Language)是用來轉(zhuǎn)換和格式化XML的相關(guān)語言。知識建模的一般過程就是，XSL從XML模型中讀取信息并用來產(chǎn)生UML模型。如果說XML是一種表達(dá)信息的工具，那么XSL就是用來操作這些信息的語言。 OMG定義的MOF(Meta Object Facility)語言可以用來描述基于UML的整體模型(meta-model)。XMI(XML Metadata Interchange Format)是基于XML表述UML的格式語言。從XML信息模型中產(chǎn)生的中間設(shè)計模型可以通過XMI或MOF來實現(xiàn)。這里轉(zhuǎn)換成中間XMI模型的過程應(yīng)該是一目了然的，因為XSL簡化了從XML到XMI的轉(zhuǎn)換。 第三層，知識的組織和集成。所謂知識的組織和集成就是通過建立數(shù)據(jù)倉庫，利用OLAP工具來實現(xiàn)對知識的加工和整理。基于XML的數(shù)據(jù)倉庫技術(shù)的研究和開發(fā)近年來一直是業(yè)界關(guān)注的熱點。在數(shù)據(jù)庫界的三大國際會議（SIGMOD、VLDB、ICDE）上，每年都有一定數(shù)量的文章，研究的熱點主要集中在XML數(shù)據(jù)的清洗（cleaning）、數(shù)據(jù)建模和查詢、如何在XML數(shù)據(jù)上建立OLAP立方體（cube）等方面。 隨著XML數(shù)據(jù)庫技術(shù)的不斷發(fā)展，XML數(shù)據(jù)倉庫技術(shù)也開始由實驗室產(chǎn)品走向商用系統(tǒng)。其中比較著名的就是法國INRIA的Xyleme計劃的Dynamic Data Warehouse for the XML Data of the Web（Web上XML數(shù)據(jù)的動態(tài)數(shù)據(jù)倉庫）項目。 該項目的設(shè)計目標(biāo)是將互聯(lián)網(wǎng)上的所有XML數(shù)據(jù)都整理裝入XML數(shù)據(jù)倉庫。數(shù)據(jù)量是TB級。該系統(tǒng)的主要技術(shù)特點概括為： ● 存儲系統(tǒng)采用的是德國曼海姆大學(xué)開發(fā)的Natix系統(tǒng)。Natix是業(yè)內(nèi)著名的以存儲管理樹型數(shù)據(jù)見長的系統(tǒng)，十分適合XML數(shù)據(jù)。 ● 在查詢處理方面，支持主流的XML查詢語言（如XQuery等），并為此設(shè)計了出色的Xyleme索引機制。 ● 在數(shù)據(jù)獲取方面，采用推（通過Web服務(wù)方式發(fā)布）和拉（在Web上漫游）兩種方式，由于數(shù)據(jù)量較大而采取并發(fā)地處理方式。 ● 在變更控制方面，設(shè)置了一個服務(wù)器來及時處理網(wǎng)頁變更和用戶的個性化訂閱。 ● 在語義數(shù)據(jù)集成方面，要求每一個XML文檔都附加DTD(文檔類型定義)，沒有DTD的文檔必須在抽取DTD后才可以入庫。這樣就保證了在用戶查詢時面對的是在語義上經(jīng)過DTD聚類的XML數(shù)據(jù)，以提高查詢效率。 最后一層：數(shù)據(jù)挖掘，以發(fā)現(xiàn)隱性知識、建立知識之間的聯(lián)系。 由于知識的主要表現(xiàn)形式是各類文檔，所以，所謂知識挖掘就是文本挖掘（TextMining）。盡管文本挖掘技術(shù)的發(fā)展相當(dāng)迅速，但是基于XML文檔的文本挖掘技術(shù)卻有著特殊的難點，難就難在XML文檔數(shù)據(jù)本身的樹型結(jié)構(gòu)。基于XML的文本挖掘技術(shù)呈現(xiàn)出下列特點： ● 在特征集的提取方面，由于傳統(tǒng)的文本挖掘技術(shù)面對的是有限結(jié)構(gòu)或者完全沒有結(jié)構(gòu)的一般文檔，而XML文檔具有半結(jié)構(gòu)化的特性。因此，在特征集的提取上可以采用較為成熟的頻繁模式（頻繁子樹）挖掘技術(shù)，用到較多的圖論知識，比如兩棵樹之間的匹配算法等。 ● 在聚類和分類方面，由于XML文檔附帶的DTD的存在，可以考慮將XML文檔抽取DTD，再在編輯距離（edit distance）定義的基礎(chǔ)上實現(xiàn)DTD的多層分類索引，然后較為方便地將相關(guān)XML文檔予以分類。同樣，頻繁子樹挖掘技術(shù)在這里同樣有用武之地。關(guān)于從XML文檔中抽取相應(yīng)的DTD，技術(shù)上已經(jīng)相對成熟了。 ● 類似的，在提取了DTD和挖掘了頻繁模式之后，自動摘要功能就會容易實現(xiàn)。粗糙地看，文檔的頻繁子樹的集合（森林）就可以看成一篇摘要。當(dāng)然，這樣扁平（flat）的摘要還要經(jīng)過一定的處理。常用方法就是修剪頻繁子樹森林。 3. 企業(yè)級應(yīng)用的中間件組件庫 經(jīng)過知識的整理和加工，就進入了支持各種企業(yè)應(yīng)用的中間件產(chǎn)品庫。具體來說，就是： ● 支持協(xié)同工作的工作流產(chǎn)品，配合知識管理部分實現(xiàn)知識的流轉(zhuǎn)和沉淀。 ● 支持Web端的實時信息展現(xiàn)的動態(tài)報表產(chǎn)品，通過底層的信息集成工具，可以實時動態(tài)地將信息展現(xiàn)給用戶。 ● 支持應(yīng)用層知識的查詢、沉淀等功能的知識管理產(chǎn)品，提供諸如知識地圖、文檔上傳、個性化訂閱等功能。 ● 對知識文檔的瀏覽、下載、打印進行控制的版權(quán)保護產(chǎn)品，主要采用電子水印等技術(shù)對知識文檔的安全進行控制。 ● 全文檢索組件主要依賴于下層的分詞和索引技術(shù)的支持。自動分詞和全文索引技術(shù)是知識管理系統(tǒng)的必備功能，實現(xiàn)時需要建立分詞詞庫，通過自學(xué)習(xí)的機制加以訓(xùn)練，達(dá)到穩(wěn)定狀態(tài)后才會具有較高的效率。 ● 版本管理、用戶和權(quán)限管理在一般的應(yīng)用系統(tǒng)中較為常見。 4. 基于XML的門戶系統(tǒng) 一個企業(yè)或單位的XML知識管理系統(tǒng)的統(tǒng)一對外窗口就是門戶（Portal）系統(tǒng)。基于XML的門戶系統(tǒng)區(qū)別于其他門戶系統(tǒng)的特點之一，就在于利用XML的描述語言替代HTML描述頁面。由于HTML的普通文本不是以對象方式描述的，所以普通文本的表示不是很方便，通常需要利用別的對象方式來描述文本的內(nèi)容。 XML就可以更好地解決這個問題，XML的DTD文檔描述結(jié)構(gòu)可以很好地建立各種Tag與數(shù)據(jù)庫中所描述的信息對象的屬性關(guān)系，并將顯示和描述統(tǒng)一起來。利用DTD對所要描述的實體建立與數(shù)據(jù)庫元數(shù)據(jù)一致的描述關(guān)系，并且對文檔的操作可以通過Tag對象實現(xiàn)，可以方便地將數(shù)據(jù)庫中的數(shù)據(jù)輸入到動態(tài)生成的XML文件描述中。在這種映射下，實現(xiàn)生成用戶滿意的信息表示格式，可以對系統(tǒng)提供靈活的界面定義。 中科院計算所的褚興軍等人設(shè)計的EPortal-I企業(yè)門戶系統(tǒng)就是一個基于XML的門戶系統(tǒng)。 技術(shù)難點和發(fā)展趨勢日益明朗 基于XML的知識管理系統(tǒng)是一個集信息集成、數(shù)據(jù)庫和信息檢索、數(shù)據(jù)挖掘、人工智能、協(xié)同處理、智能代理、知識工程、文本處理、Web技術(shù)于一身的綜合系統(tǒng)。任何一方面的技術(shù)進展都會推動其發(fā)展，可是任何一方面的技術(shù)難點又都會成為其難點。 依筆者的觀點，系統(tǒng)面臨的技術(shù)難點和可能的發(fā)展趨勢是： ● XML數(shù)據(jù)庫作為本系統(tǒng)的知識存儲介質(zhì)，在系統(tǒng)中處于核心的地位，它的發(fā)展對整個系統(tǒng)的影響是不言而喻的。如果打算用XML數(shù)據(jù)庫技術(shù)來發(fā)展知識管理系統(tǒng)，那么，有兩件事情是要做的：其一，提供基于加鎖機制的并發(fā)協(xié)議。因為知識庫走向海量是一個必然趨勢，而目前的XML數(shù)據(jù)庫中的并發(fā)處理手段相對薄弱。其二，在XML數(shù)據(jù)庫系統(tǒng)中支持文檔模式抽取，比如，可以方便地產(chǎn)生DTD。這一點十分有助于上層實現(xiàn)諸如建模、聚類等功能。 ● 在知識描述和建模部分，引入本體論和語義網(wǎng)（semantic web）技術(shù)是趨勢。這些技術(shù)本身都處在發(fā)展過程中。本體論得到業(yè)界承認(rèn)的多種方 法學(xué)都尚不成熟。語義網(wǎng)也剛剛被W3C確定為今后的發(fā)展重點。它們的發(fā)展會對知識描述和建模甚至整個系統(tǒng)產(chǎn)生影響。比如，加入本體模型的翻譯，可以使得多個用戶通過Web訪問到協(xié)同層的對象層，通過活動層完成協(xié)同工作。 而目前基于工作流的知識協(xié)同尚未做到這一點。 ● 知識整理加工和文本挖掘部分有非常多的工作有待完善?；陬l繁模式挖掘的摘要、聚類、特征集提取的算法復(fù)雜度較高，針對海量數(shù)據(jù)，其效率不容樂觀。改進算法，降低復(fù)雜度是一條途徑。而通過抽取DTD、建立多層索引從而在一定程度上避開上述方法在實踐上或許是可以考慮的。 （計算機世界報 2005年07月25日 第29期 B2、B3）
本站僅提供存儲服務(wù)，所有內(nèi)容均由用戶發(fā)布，如發(fā)現(xiàn)有害或侵權(quán)內(nèi)容，請
點擊舉報。
