论知识仓库的架构
【内容提要】在知识管理时代，知识仓库具有隐性知识共享和转化功能、知识存储和检索功能、知识分析功能、新知识产生和反馈功能，以及用户行为分析跟踪功能。知识仓库的架构分为6个主要构件：共享和获取隐性知识模块；获取显性知识模块；知识的抽取、转换和储存模块；知识分析模块；用户（系统管理员）界面模块；3个反馈环。目前，已经开发出一些知识仓库软件系统。图1。参考文献8。【摘要题】专题探讨
1 知识管理时代知识仓库的地位
知识可划分为显性知识（explicitknowledge）和隐性知识（tacitknowledge）两类。其中，显性知识是指能够用语言、符号、规则、公式或对象等正式表达并能够传输给他人的知识；隐性知识是深深根植于人脑中的信念、观点、创意和智力模型，包括某人长期从事某项活动或职业而形成的主观经验、洞察力和直觉。二者紧密关联，并与经济活动融为一体，成为当代社会发展的主要推进力量。
知识管理是通过共享和抓住隐性知识并将其转变为显性知识，筛选、存储、加工、检索、传递和利用显性知识，创新新的知识来增加社会价值的。这种实践活动可用知识螺旋（knowledgespiral）来描述。在每一个螺旋中存在4个阶段：共享隐性知识阶段、隐性知识转变为显性知识阶段、显性知识转变为新知识阶段和通过学习产生新的隐性知识阶段。每一次新的显性知识和隐性知识的产生便是知识螺旋的一次上升。相对于知识管理，信息管理注重显性知识或称编码型知识（codifiedknowledge）的搜集、存储、加工、检索、分析和预测，这方面的研究成果主要表现为数据仓库（DataWarehouse，简称DW）的开发和利用。数据仓库使企业能抽取、筛选、存储大量的数据，对用户的检索进行有效而准确的反应，并为决策活动提供了强大的基础。然而，数据仓库中仅仅存储了决策者所需知识的一部分，企业绝大部分智力财富以隐性知识的方式存在于员工的大脑中，因此，数据仓库不足以满足对知识检索的需求。为了满足知识管理和知识决策的需求，可以对现存的企业数据仓库进一步扩充，成为满足知识管理需求的知识仓库（KnowledgeWarehouse，简称KW）。知识仓库能够对不同类型的知识（显性知识和隐性知识）和不同形式的知识（纯文本、二进制对象、模型等）进行捕捉、存储、编码、组织和分析。另外，这些知识还包括元知识（关于知识的知识）和分析后产生的新知识。
2 知识仓库的主要功能分析
知识仓库强调为决策者提供一个提升知识管理流程全过程的智能分析平台，它在很大程度上依赖于信息技术的发展并被日新月异的信息技术所推动。信息技术包括人工智能、神经网络、专家系统、多媒体技术、数据库、信息可视化、机器学习、信息分析与挖掘等，其中OLAP（OnlineAnalyticalProcessing，在线分析处理）与DM（DataMining，数据挖掘）是基于数据仓库技术而发展起来的信息分析与挖掘工具。OLAP是验证型的，建立在多维视图的基础上，重在根据已有的模式将直接源自数据仓库中的不同信息源的大量相关信息联系起来，以给分析人员一个清晰、一致的视图。OLAP主要有两个特点，一是在线性（online），即对用户的请求做出快速响应；二是可以应用多种统计分析工具、算法对数据进行多维分析（multi-analysis）。DM是挖掘型的，建立在各种信息源的基础上，重在发现隐藏在大量原始数据深层中的对人们有用的模式（patterns）。被抽取的模式即知识，具备可信、新颖、有效、易于理解的特点。DM有两个主要过程，即建立模型和预测未来结果。在这些过程中，可应用统计分析、神经网络、决策树、遗传算法、模糊逻辑、基于记忆的推理（memory-basedreasoning）等技术，OLAM（OnlineAnalvticalMining，在线分析挖掘）是OLAP和DM相结合的产物，OLAM兼有OLAP多维分析的在线性、灵活性和DM对数据处理的深入性，目前OLAM正处于研究之中，针对LAM的发展驱动力和基本结构，以下几点是必要的：OLAM建立在多维数据库和OLAP的基础之上，能对任何它想要的数据进行挖掘；用户对挖掘算法具有动态选择的权力；具有强大的基于超立方体的挖掘算法；能够协调好执行效率与挖掘的准确性之间的关系；具有灵活的可视化工具和良好的`扩展性。