第三章 量化評估模式之建立
3.2 知識加值模式之建立
3.2.5 模糊隸屬度函數之建立
為了量化知識管理的績效，評估 RKCP 及 KVAP 有關的模糊語詞，
建立模糊隸屬度函數(Membership Function)是必頇的。建立模糊隸屬度 函數之前要先得知各描述詞之中間值(Means)與偏異值(Spread)。透過隸 屬度才能對模糊集合(Fuzzy Sets)進行量化，也才有可能利用精確的數 學方法分析和處理模糊性的資料[55]。
隸屬度函數是模糊理論的基石，是描述模糊性的關鍵。隸屬函數 的制定因人而異，並沒有強制的規定。可根據個人的觀點、模糊統計 法，也可請教專家學者，結合大家既有的經驗制定而成。根據國內外 學者的研究成果可提出，隸屬函數的一般原則與主要方法有[56]：
一、隸屬函數本身是客觀的，但確定的過程是有一定的主觀意識與人 為技巧。
二、隸屬函數可以經由模糊統計詴驗加以確定。
三、可採用二元對比排序的方法來確定隸屬函數的大約形狀。
四、隸屬函數可以作為推理的產物而加以確定。
五、隸屬函數還可以通過專家評分的方法來確定。
但不論採用何種方法，必頇是合情合理，可以廣泛讓使用者接受 為原則。一般常用的隸屬函數圖包括三角模糊隸屬度函數、梯形模糊 隸屬度函數、常態模糊隸屬度函數、以及高斯模糊隸屬度函數等，本 研究以高斯分佈來定義知識社群，高斯分佈是一種左右對稱的分佈，
高斯模糊隸屬度函數之定義與圖形如式 3.1 與圖 3.6 所示。
μA x = exp − x−m σ2 (3.1)
圖 3.6 高斯模糊隸屬度函數圖形 資料來源：引用自[59]，本研究重新繪製
本文研究採用調查服務方式，應用 Kohonen 特徵圖(Kohonen Feature Map)[57]自動建構隸屬度函數。以圖 4.4 至圖 4.7 的四種問卷將 知識案例描述出並呈現給知識社群管理人，並客觀要求知識社群管理 人對知識問卷作一最適當的項目判讀及給予符合 RKCT 及 KVAT 的價 值。
項目及價值資料表是用 Kohonen 特徵圖來作計算求中間值，
Kohonen 學習法則(Kohonen Learning Rule)包含兩個階段，式 3.2 與式 3.3 如下所示：
第一階段：相似度相配階段
ˆ
ˆ
1
k n j
j k
i
Min x w
w
x
(3.2)
x
A
x
1
m
k：第 k 個重複
w
ˆ：群集 w 的正規化價值使輸入值 X 與最接近的第 i 群集之中心值(wˆik)差異縮到最小。
第二階段：更新階段
ik
k k
i k
i
w x w
w ˆ
1 ˆ ˆ
,
k j k
j
w
w ˆ ˆ
, for j = 1, 2,..., n j i (3.3)
k：第 k 個重複的合適學習係數。在更新階段，第 i 個群集的中心值，其第 k 個重複將適應之後新來 的訓練資料 X。未有新值進入的群集，將保持中心值不變。因為只有 被選取的群集有所調整，所以 Kohonen 學習法則亦稱為贏者全拿 (Winner take all)學習規則。
上述的 Kohonen 學習規則是決定輸入與輸出節點有關的隸屬度函 數之中間值。群集是將相似值聚集在一貣，並且決定這些資料的中心 值。這些每一個相似群組都可以一個模糊語詞表示，而這些群組的中 心值就是模糊語詞的中間值。為了建立高斯模糊隸屬度函數，本研究 將 應 用 Lin 與 Lee[58] 所 提 出 之 「 第 一 鄰 近 探 索 法 (the first-nearest-neighbourhood heuristic)」來找出偏異值，即高斯模糊隸屬 度函數的寬度，公式如式 3.4 所示：
i m
i m
nearest(3.4)
σ：偏異值
mi：第 i 個群集的中心值
mnearest：最接近的群集中心值