探討文字採掘技術在管理者知識地圖之應用

探討文字採掘技術在管理者知

識地圖之應用

Applying Text Mining in the Construction of Top

Managers’ Knowledge Maps

*

陳文華 Wun-Hwa Chen

施人英 Jen-Ying Shih

國立臺灣大學商學研究所

National Taiwan University

吳壽山 Soushan Wu

長庚大學管理學院

Chang Gung University

*E-Mail: andychen@ntu.edu.tw

摘 要

如何有效保存與擴散人類的知識向來為知識管理的關鍵議題，過去以來， 络 要理解人物的思想脈往往需從專人訪談或專書獲得，但通常這個過程耗時且 耗成本，有時因為人為或環境的因素而無法順利達成。因此，本研究嘗試應用 現 代 新 興 文 字 採 掘 技 術 中 的 人 工 智 慧 分 群 方 法 —Growing Hierarchical Self-Organizing Map(簡稱 GHSOM)，探討該方法在人物知識管理應用上的可 行性，並以管理領域中的主導管理邏輯(dominant managerial logic)之應用為 例。由於台塑集團為台灣第一大的民營企業集團，其精神領袖王永慶先生更被

喻為台灣的經營之神，為享譽國際的企業家，其成功的經營管理經驗因此成為 管理學界及管理實務上極欲探討的管理邏輯思想，因此，本研究將以王永慶先 生的言論為資料源，建構王永慶先生的知識地圖（又稱主題地圖）。研究結果 初步發現該技術有助於輔助建構王永慶先生的知識地圖，但仍有其應用上的限 制，尤其在抽象的精神層次之觀點上，自動分群並無法具體呈現這類的知識， 僅在功能層次的觀點上，獲得不錯的分群效果，可明確將知識顯示於知識地圖 中。 關鍵字：主導管理邏輯、主題地圖、知識地圖、GHSOM。

Abstract

The storage and diffusion of corporate leaders’ knowledge has long been a major management issue. In the past, to learn the dominant logics of these leaders, we either rely on storytelling by face-to-face interview or reading their autobiographies. That usually is time-consuming and costly and feasible only if you get chances to have in-depth interviews or their autobiographies do exist. Recently, some text mining approaches have been proposed to help extracting knowledge from various document sources with some degree of success.

In this research, we apply growing hierarchical self-organizing map (GHSOM), a widely used text mining tool, to analyze the dominant managerial logics of Mr. Y.C. Wang, the Chairman of Formosa Plastics Group, (also known as the God of Business in Taiwan). A collection of speeches given by Mr. Wang in various occasions is used to construct topic maps, representing his management philosophy by using GHSOM. The research results do show some usefulness of GHSOM in clustering documents based on their main management concepts. While for concepts with functional orientations the results are quite promising, those of more abstract nature do pose some difficulties to cluster.

Key word: dominant managerial logic, topic map, knowledge map, GHSOM.

壹、緒論

knowledge)與隱性知識(tacit knowledge)，隱性知識是經由潛意識(subconscious) 瞭解及應用，難以傳達，往往直接由經驗和行動發展而成，並且透過高度互動 來溝通、講述、和分享經驗，以達到傳達與分享的效果(Zack, 1999)，而顯性 知識則是能夠被編碼和儲存，而且較易於傳達(Krogh, 1998)。故如何有效率及 效果地蒐集、整理、創造及散播隱性知識是目前極待探究的領域。 過去以來，人物的思想脈絡往往需由一專業作家或團隊來蒐集與採訪當事 人及其相關著作，經過人工整理分析後，方能撰寫完成人物的思想哲學史或回 憶錄專書，以利傳承他人，然而這個過程往往耗時且耗成本。在「知識經濟」 的世代中，由於人物的一言一行易於以數位化的方式保存，故可藉助知識管理 相關技術輔助，例如文件向量法(Salton, 1989)、文字採掘(Sullivan, 2001)、文 件分群(Kohonen et al., 2000)及知識地圖(Chen et al., 2001)等，將人類寶貴的經 驗及智慧轉化為易於理解的視覺化呈現，輔助整理、組織及分享傳承智者的經 驗與知識的過程。

主導管理邏輯(dominant managerial logic)在性質上屬於隱性知識，它是影 響企業經營模式的關鍵組合，也是一個可觀察企業經理人如何成功經營業務的 方法(Afuah, 2004)。因此，探討各成功企業的主導管理邏輯為企業經營模式的 重要研究議題。本研究認為除了可由專家推論或歸納各企業的主導管理邏輯 外，亦可思考利用人工智慧方法探討該邏輯，故在本研究中，將應用新興文字 採掘技術中的人工智慧自動分群方法於組織與呈現管理者的主導管理邏輯。王 永慶先生為台灣經濟奇蹟的重要貢獻者，並被譽為台灣的經營之神，為享譽國 際的企業家，其所打造的台塑集團為目前台灣最大的民營企業集團，事業版圖 遍及石化、高科技、汽車、醫療及教育等，基於以上特性，使得國內外的企業 管理研究、媒體、台塑集團內部員工及同業競爭者皆有興趣發掘王永慶先生的 管理思想，但王永慶先生所演講的場合常僅針對特定的人士，包括集團企業內 的營業人員、集團內部經理人、集團內學校師生、原住民學生或回應媒體記者 的採訪等，並非不特定的公開大眾。因此，本研究將蒐集前述言論的文字檔資 料作為資料源，嘗試運用現代知識運算技術呈現王永慶先生的主導管理邏輯知 識地圖，並探討分析其管理思想內涵。 本文以下將先探討知識管理中的隱性知識、知識組織及製作知識地圖之相 關文獻與技術，於第三章中簡述王永慶先生所領導的台塑集團企業文化及其經 常於集團內部高階管理會議中口述的八個核心管理理念，第四章將說明研究設 計，第五章將呈現及討論研究結果，最後總結本研究結果，並提出未來可行的

研究方向。

貳、文獻探討

一、知識管理

根據 OECD 組織對知識經濟所發表的報告，定義「知識經濟」為以資訊 與 知 識 之 創 造 、 建 置 、 擴 散 和 分 配 為 主 要 價 值 的 經 濟 （ 資 料 來 源 ： http://www.oecd.org）。在企業經營管理上，更將「知識」視為一項主要的競爭 策略(Zack, 1999)，不論是企業內部的知識或是與外部（上游供應商及下游顧 客）互動的知識，都是企業急欲創造的競爭優勢。 在企業組織中，由於知識不僅存在文件與系統中，也蘊涵在日常例行工 作、過程、執行與規範之中，故大部分企業內所能進行知識管理的範圍皆屬於 顯性知識。隱性知識則是高度個人化、不易表達及分享的知識，包括人的智慧、 實務技能及感受等。 Krogh (1998)認為知識管理並非僅是資料倉儲、建構區域網路、發展專家 系統、或是精鍊組織慣例，而是應如日本企業一般重視創新的來源--隱性知 識。Zack(1999)認為知識精鍊過程是「為了創造和散佈儲存器內的知識所設計 的程序」，包含取得、精鍊(refinement)、儲存與檢索、散佈(distribution)及呈現 (representation)五個階段。Rosenberg(2001)提出知識管理的金字塔模式，共分 為三層，第一層（底層）為文件管理，僅只支援資訊的散佈。第二層（中間層） 為資訊創造、分享和管理，人們實際貢獻資訊給系統，創造新的內容，並且豐 富知識庫，鼓勵人們以線上存取的方式達成以上任務。第三層（頂層）為企業 智慧，真正表達組織的 “know-how”。由此可知，知識管理後段程序的知識組 織與呈現為人類學習與散播知識的重要步驟，其可透過知識計算(knowledge computing)等工具輔助達成目標，包括資料採掘、文字採掘、人工智慧、自然 語言處理等技術。 通常，「組織」（organization）是指事物經由有序結構化的方式存在，即 事物內部按照一定結構和功能關係構成的存在方式。經過記錄與萃取的程序， 利用表現語彙（或術語）間縱向和橫向關係，可將隱性知識顯性化，以利於後

續的應用與傳播。一般而言，組織與呈現知識的方式可分為兩種方法（圖 1）， 一為由上而下法，為半自動化的知識呈現方式，即須事先由專門領域的人定義 知識的本體(ontology)(Noy & McGuinness, 2001)和分類(taxonomy)(Bruno & Richmond, 2003)，再根據本體或分類去整理分類知識(subject categorization)， 以便依此架構編碼、儲存與檢索知識，分類的方法可透過規則庫(rule-base)、 共同發生情形(co-occurrence)及類神經網路(neural networks)，此為監督式 (supervise)學習。另一為由下而上法，即主題分群(subject clustering)和知識地 圖(knowledge map)，可依據知識的特性自動分群，通常使用的演算法為自組 織映射(self-organizing map，以下簡稱 SOM)(Chen et al., 1998; 陳文華等人, 2003)及 統 計 分 群 (statistical clustering)(Sullivan, 2001) ， 此 為 非 監 督 式

(unsupervise)學習。實務上，亦可運用將前述二者混用的策略，融合二者的優

點，即由人事先定義一組本體或分類架構，再利用分群的技術增強改進本體或 分類架構，此為增強式(reinforcement)學習(Bruno & Richmond, 2003)。本文將 採用由下而上法，運用 SOM 改良的增長階層式 SOM 演算法(growing hierarchical self-organizing map，簡稱 GHSOM)發展王永慶先生的管理思想架 構。 組織與呈現知識 由上而下法 由下而上法 本體法 分類法 主題分群 知識地圖 圖 1：知識組織與呈現方法 資料來源：本研究整理 表 1 知識組織與呈現方法定義表 方 法 定 義 組織結構預先 存在與否？ 本體法 本體為在特定領域中需共享資訊的研究者定義 一套共同的語彙，包括特定領域中基本概念的 定義，及其間的關係。本體是在特定領域交談 是

方 法 定 義 組織結構預先_{存在與否？} 時，一個制式明確的概念描述，每個概念的性

質描述各種概念的特徵及屬性，及其限制。本 體與一組依其規則所組成的例子則共同構成一 個知識庫(Noy & McGuinness, 2001)。

分類法 是一種根據預先定義的系統進行分類的科學， 用以提供一個可供討論、分析與資訊檢索的概 念架構。包含兩個部份，即結構與應用，結構 由類別本身及其間的連結關係所構成，應用是 協 助 使 用 者 尋 找 資 訊 的 搜 尋 工 具 (Bruno & Richmond, 2003)。 是 主題分群 依知識在特徵空間中的相似性所自動聚類形成 的群體，每個群體給予一個主題名稱以代表其 特性。 否 知識地圖 知識地圖是運用視覺化圖形表示法來呈現企業 組織內的專家、知識資產、知識來源、知識架 構及知識應用系統之所在（森田松太郎&高梨智 弘 2000）。 否

二、知識地圖

自從資料可以數位化的方式儲存，並透過網際網路無遠弗屆地散播後， 知識累積的數量十分可觀，造成人們對知識有效組織與呈現的需求更為迫切， 也因此在 1999 年時催促 ISO13250 主題地圖(topic map)的標準設定，知識呈現 樣貌可藉由類似地圖檢索的瀏覽方式呈現，讓使用者對感興趣的主題進行系統 化地瀏覽，發揮知識導覽的功效。 主題地圖的架構可分為主題（topic）、關聯（association ）和連結 （occurrence）三部分。首先，將各種不同的資源，透過資源的主題內容分析， 以找出可代表各資源之主題，此即為主題。其次，進一步定義出各主題之間的 關係，加以串聯，即形成關聯。最後，為便利使用者利用資料，則可以透過連 結，連接到資源的所在處。由此可知，應用主題地圖整理知識，能為全球資訊 網路、區域網路、甚至是紙本所提供的資訊創造虛擬的知識地圖。主題地圖實 現長久以來各界欲創造一格式表單以控制資訊的格式及編排的夢想，主題地圖 即是利用格式表單控制資訊獲得及瀏覽的觀念，詳細敘述各種瀏覽層級，並模 擬複雜的知識管理關係，提供量身訂做的路徑檢索資訊，以幫助使用者更有效

率的瀏覽數位資源（阮明淑, 2001）。主題地圖讓人們在處理資源的過程中，可 以用概念或主題的方式來描述物件。主題地圖的精神是把某一知識領域內的各 個主題或單一主題內所有的附屬子題列出，並透過「參見」(see)和「另可參見」 (also see)的機制，將具有關聯性的主題加以連結（溫達茂&呂春嬌, 2001）。

Kohonen 首先在 1982 年提出運用 SOM 演算法呈現地圖式主題分群

(Kohonen, 1995)，Lin et al. (1991)則利用 SOM 進行文件分群，並首先提出了利 用 SOM 製作主題地圖，作為瀏覽與檢索介面，但早期的主題地圖為單一平面 地圖，無法階層式顯示，而且在地圖標記上的彈性亦較小，後續有許多研究在 探討如何改良視覺呈現效果(Chen et al., 1998; Yang & Lee 1999; Yang et al., 2003)或是加強地圖的標籤說明 (Dittenbach et al., 2002; Rauber & Merkl, 1999)。 本研究運用知識組織方法中的主題分群技術組織及呈現王永慶先生的管 理知識，符合主題地圖的定義，而主題地圖的發展目標為人（指王永慶先生） 的管理知識，故亦符合知識地圖的精神，因此，以下我們將直接以王永慶先生 的管理知識地圖來作為其管理思想架構的名稱。 在本章以下的第三與第四節中，將針對現在普遍採用的主題分群技術--以 SOM演算法為基礎—來探討，並在第五節中介紹普遍用於文件處理的文件向 量。

三、SOM

(一) SOM 觀念 SOM為 Kohonen 在 1980 年所提出的一種兩層式且完全連接的類神經 網路，如圖 2，採用非監督式學習 (Kohonen, 1995)，透過神經單元分佈的 自我組織過程 (self-organizing process)，可將相似的資料聚集在一起，用 以分群呈現多維度的資料。其主要優點為可將高維度的資料映射至低維度 的呈現空間。

輸入層節點 N 個 輸出層節點（二維）

圖 2：SOM 網路連結圖

在資訊檢索(information retrieval)及文件採掘等知識管理技術相關領 域中，可以運用 SOM 簡易的距離概念視覺化呈現文件群聚的二維地圖 (Merkl, 1998; Kohonen et al., 2000)，以便利資料分析與檢索。除了在知識 管理的應用外，由於其可將高維度複雜的資料進行分群處理，故亦可運用 於其他領域與分群相關的問題，例如企業財務狀況分群（Kaski et al., 2001）。 (二) SOM 演算法 基本上，SOM 包含一組處理單元(i)，這些單元根據某些拓樸(topology) 分佈，最常見的型態為二維方格(two-dimensional grid)，每個 i 處理單元被 賦予一組權重向量(mi)，其向量維度與輸入向量維度相同， n i R m ∈ ，在 初始設定訓練模式時，權重向量可能為隨機給定或以某種策略（例如主成 份分析）給定初始值。 以下我們以 t 代表目前訓練的回合(iteration)，在每個學習回合 t，輸 入向量 x(t)是從所有輸入向量中隨機選取並載入地圖(map)，選取最高活動 層次(activity level)的處理單元 c 為優勝單元 c(t) 來調整，並以期望後續該 輸入 i 型態之活動層次更高的方式來調整，通常，處理單元的活動層次是 奠基於輸入型態與該單元權重向量間的歐式距離(Euclidean distance)，即 最小的歐式距離為優勝者(winner)。因此，優勝單元 c 是以(1)式去選取。

{

(

)

(

)

}

min

)

(

)

(

:

)

(

t

x

t

m

t

x

t

m

t

c

_i i c

=

−

−

(1) 在每個學習的回合中，會發生前述的調整，以縮短該輸入型態與權重向量

間的差異，調整的量由學習速率(learning rate)α所導引，α調整的原則為 在網路初始學習階段進行較大幅度的調整，隨著學習時間愈長，α將逐漸 遞減，最後僅進行微幅的調整。

在學習時期，優勝者周圍的鄰居(neighborhood)會被調整朝向該輸入 型態，這使得屬性類似的輸入型態可被映射(map)到彼此較靠近的輸出單 元方格，因此，SOM 的學習過程會產生輸入型態(input patterns)的拓樸排 列。 在優勝單元周圍的鄰居可表達為鄰近核心函數(neighbor-kernel)

h

ci， 可視為一種距離的概念，即輸出空間中單元 i 與該回合中優勝單元 c 之間 的距離，此鄰近核心指派一個介於 0 與 1 之間的純量，以確保附近的單元 所調整的強度大於遠方的單元，通常以 Guassian 函數(2)表達此鄰近核心 函數，其中

r

c

−

r

i 表示輸出空間中單元 c 和 i 之間的距離，意即

r

i表示在 輸出方格中指向處理單元 i 位置的二維向量。

















⋅

−

−

=

₂ 2

)

(

2

exp

)

(

t

r

r

t

h

_ci c i

δ

(2) 通常在學習過程的初期階段，會選擇鄰近核心函數大到足以涵蓋整個 輸出空間，鄰近核心函數的空間寬度漸漸隨著學習程序縮小，到最後，僅 剩下優勝單元本身被調整，縮小調整範圍的速率是藉由在(2)中隨時間調 整的參數 δ 來決定的。 藉由以上 SOM 訓練的原則，我們可以(3)來表示其學習法則，其中 t 表示現在的學習回合，α 表示隨時間變動的學習速率，

h

ci表示隨時間變 動的鄰近核心函數，x 表示現在使用的輸入向量，

m

i表示指派給單元 i 的 權重向量，

[

(

)

(

)

]

)

(

)

(

)

(

)

1

(

t

m

t

t

h

t

x

t

m

t

m

_i

+

=

_i

+

α

⋅

_ci

⋅

−

_i (3) 簡而言之，SOM 的基本精神為，輸出層在與輸入資料比對之後，除 了最贏向量(winner vector)會調整外，其鄰近節點之向量亦隨之調整，並 且隨著學習時間愈長，鄰近調整範圍愈小，如此便能讓鄰近集群相似，這 是與其它群聚演算法最大的不同處。使用 SOM 演算法後，愈相近的分群 將會愈靠近，最後，所呈現的分群結果會變成愈相近的分群會排的愈靠近 (Kohonen et al., 2000; Rauber & Merkl, 1999)，主要參數為學習速率、鄰近

距離與地圖大小(map size)。學習速率是用來控制權重調整幅度的參數， 鄰近距離指的是最贏向量的影響範圍，地圖大小則須預先給訂。

(三) SOM 的改進方法

後續學者延伸與修改 SOM 演算法，以增強其在資料採掘的應用，例 如 U-matrix (Ultsch, 1992)、growing grid model(Fritzke, 1995)、adaptive coordinates and cluster connection技術(Merkl & Rauber, 1997)和 LabelSOM (Rauber & Merkl, 1999)，皆是改良單層的 SOM 技術，但尚無法表現文件 資料間的父子關係。Mikkulainen (1990)提出的 hierarchical feature map，始 為階層化 SOM 網路架構，但是仍須事前設定階層架構及每層地圖的大 小，而並非由網路自動學習而形成，故 Dittenbach et al. (2002)提出 GHSOM 方法，以克服前述問題。

四、GHSOM

(一) 簡介 GHSOM為奠基於 SOM 的一種類神經網路模式，它可使眾多的資料 除了前述 SOM 的單張地圖二維呈現外，並可依階層結構（即多層地圖架 構）分群呈現，可更便利於資料分析與探索，為一可處理高維度特徵空間 的穩定且可調整的模式。它可克服前述需事先固定地圖大小與非階層式調 整地圖架構的問題，可根據資料的結構去發展地圖大小與階層架構（如圖 3）。首先，由最上層開始，可個地圖類似 growing grid model(Fritzke, 1995) 一般，為了呈現特定階層的資料集合，可自行成長地圖大小。每當資料呈 現的粒狀(granularity)達成特定的改善時，將分析所有單元，以便觀察在特 定的最小粒狀層次下是否可呈現資料樣貌，太過分散的輸入資料所映射的 單元將會向下一層擴展新的小 SOM，使得個別資料可被更詳細地呈現。 另一方面，當資料呈現同質性時，將不需要再向下一進行任何擴展，結果 GHSOM因此完全地調整以反應它的資料內含的階層架構，分配更多空間 以呈現輸入空間中的不同質區域。

第 0 層

第 1 層

第 2 層

圖 3：GHSOM 架構圖

目前 GHSOM 的應用方面，已成功運用於各種文件分類的領域，例 如新聞文件的分群(Dittenbach et al., 2002)、文件的典藏(Dittenbach et al., 2000)及法律文件的分類(Schweighofer et al., 2001)，但仍未推廣應用至組 織建構管理思想領域，因此，本研究將探討 GHSOM 演算法在建構管理 知識地圖的可行性。 (二) 演算法 1.初始化設定 在訓練前，第 0 層只包含一個單元，以所有輸入向量的平均值初始 化這個單元的權重向量(

m

0)，並計算其平均量化誤差(mean quantization

error, mqe0)。處理單元 i 的 mqei為其權重向量(mi)與所有對應至該單元

的輸入向量們(Ci)之間的平均歐式距離，如(4)，其中| . |表示子集合。 i C C x j i c i

m

x

n

C

n

mqe

i i j i

=

−

⋅

=

∑

∈

,

1

(4) 2.地圖的成長過程 在第 0 層之下建立一個 2x2 的 SOM 地圖（即第 1 層），第 1 層的 地圖依據前述的 SOM 演算法發展，在固定 λ 次訓練回合後，分析所有 單元的 mqe，高的 mqe 值表示輸入空間沒有被正確地分群，因此，需要 加入新的單元，以增進分群呈現的品質，擁有最高 mqe 值的單元因此

被選為誤差單元 e，一個新的列或欄將被插入這個誤差單元和與它最不 相似的鄰居之間（圖 4），新處理單元的權重向量被初始化為與其鄰居 的平均值。假設 Ci為輸入資料向量 xj對應到單元 i 的子集合，

C

_i

⊆

I

， mi是單元 i 的權重向量，誤差單元 e 係依據最大的 mqe(5)所決定。 i C C x k i C i

_n

m

x

n

C

e

i i j o

=

















−

⋅

=

∑

∈

,

1

max

arg

(5) e d e d d e d e (a)插入一列 (b)插入一欄 圖 4：地圖成長方式 資料來源：Dittenbach et al. (2002) 註：選擇最不相似的鄰居 d 係依據單元 e 之權重向量與其鄰近單 元之權重向量間的最大距離，一個完整的列或欄被插入到 d 與 e 之間，其中灰階部分即為所插入的單元，箭頭所指向的 鄰近單元為初始化時所使用的權重向量。 成長的過程將持續到 MQE(即該地圖上所有 mqei值(4)之平均數)達 到地圖所對應到上一層單元的 mqeu值的特定比例

τ

1，如(6)式，則停止 地圖大小的學習。參數 τ1愈小，訓練的時間將愈長，τ1因此為最後每個

地圖大小的控制參數。 u m

mqe

MQE

<

τ

₁

⋅

(6) 其中， m為目前的地圖 u為目前地圖所對應到上一層的單元 3.階層結構的呈現 當地圖訓練完成後，每個單元必須被檢測是否需進一步擴展，即發 展下一層地圖來精鍊，這意味對於一組性質太分散的群集，將需創造次 一層的新地圖，此擴展決策的閥值由第二個參數 τ2所決定，不像前述水

平地圖(horizontal map)的停止成長準則(stopping criterion)是由上一層的 單元所決定，對於所有地圖上的每個單元，這第二個準則--(7)式僅奠基 於 mqe0，亦即第 0 層的 mqe。若單元 i 在(7)式為偽，即 mqei大於或等

於

τ

2

⋅

mqe

0，則需在下一層中展開一個新的小地圖，但是若停止準則(7) 式為真，則不需進一步展開。因此，參數 τ2定義每支最下層地圖上的所 有處理單元所要求最起碼之呈現品質，如此可確保在輸入空間中的所有 部分之資料呈現品質可達到標準。 0 2

mqe

mqe

_i

<

τ

⋅

(7) 新加入的地圖將再依前述的地圖成長程序與階層發展程序精鍊，直 到所有最底層的 mqe 值皆達到停止成長的準則。

五、文件向量

通常文件在經過在斷詞處理後，可能會有數千個關鍵詞從文章中被萃取出 來 。 一 般 多 採 用 Salton (1989) 所 發 展 的 向 量 空 間 展 示 (vector space representation)，其主要是利用詞彙頻率(term frequency, tfi(d))與文章頻率

(document frequency, dfi)的計算以代表文章。詞彙頻率是指詞彙 i 在文章 d 中

出現的頻率；文章頻率則是所有文件中有多少文章包含詞彙 i。通常採用 TFxIDF（Term Frequency-Inverse Document Frequency）來表示文件向量，如(8) 式，其意義為詞彙出現越多次及出現在較少的文章中(代表這個詞彙比較特殊)

會給予較大的權值。通常產生文件向量後，就可以此為輸入向量透過各種演算 法進行文件分類、分群或主題地圖的實作。 ) log( * ) ( ) ( i i i df N d tf d w = (8) 其中： wi(d)代表詞彙 i 在文件 d 的權值 tfi(d)代表詞彙 i 在文件 d 的出現頻率 N代表文章的總篇數 dfi代表包含詞彙 i 的文件數

參、由台塑集團經營理念看王永慶先生管理知識

企業的經營模式(business model)是以人為中心，由人形成及負責執行，而 經營模式則可表示為企業文化、領導者及員工的函數。其中，企業文化為運用 一組共享價值及信念與組織內的成員、組織結構及系統互動，以產生行為上的 用語(norms)，意即在組織內的做事方式。通常企業的高階管理者扮演提出經 營模式概念、鑄造企業文化、定義績效衡量與報酬的重要角色，而每位經理人 將帶給企業經營一組關於他所服務的市場之偏見、信念及假設，這組偏見、假 設及信念即為管理者的管理邏輯，他定義經理人員可能用以進行決策的基礎之 架構(frame)及內心模式(mental model)，企業的策略、系統、技術、組織結構、 文化和成功通常合組成主導管理邏輯，此為一個共同的方法用以觀察企業經理 人如何成功經營業務(Afuah, 2004)。 王永慶先生為台塑集團的領導人，因此其主導管理邏輯深深影響台塑集團 經營，故本研究將嘗試運用 GHSOM 發展王永慶先生的管理知識地圖。以下 將先簡介台塑集團發展，並簡要概述王永慶先生所提出的八個核心管理理念思 想。

一、台塑集團發展簡介

王永慶先生於 1954 年創立福懋塑膠公司（1957 年改名台塑公司），初期 由於產量少，成本偏高，故思考以增加產量來降低單位成本，以加工品拓展外 銷。之後持續不斷多角化發展，先後在 1958 年設立南亞公司，1965 年設立台 化公司，正式跨入紡織業，為提高附加價值及提供下游客戶更完善的服務，並 設立規模龐大的染整廠，為台灣唯一能同時生產四種紡織用纖維且提供染整加 工的企業，也是世界最大的纖維生產廠商之一。 台塑企業鑑於國內上游石化基本原料長期供應不足，自給率僅達 38%， 以致仰賴進口往往被迫購買較貴之原料，損及對外競爭力。因此台塑企業為紓 解石化基本原料短缺之困境，乃提出六輕計劃，並於 1986 年獲政府核准。台 塑石化公司配合六輕計劃於 1992 年成立，負責興建煉油廠、輕油裂解廠、汽 電共生廠等業務，其中煉油廠第一期、輕油裂解廠、汽電共生廠等均已完工生 產，加上關係企業一系列石化相關工廠之陸續投料量產，已逐步發揮六輕計劃 之垂直整合優勢，進一步提升企業整體之營運能力，其在國內油品市佔率高達 三成，重要石化原料乙烯的產能更是以年產一百六十萬噸的數字，大幅領先中 油的一百一十三萬噸。 鑑於印刷電路板是所有電子及資訊工業的最基本零組件，產品生命週期 長，變化少，成功的關鍵在於品質、製程及成本的控制，這些都是和台塑企業 的管理經驗一致，容易獲致成功，透過印刷電路板的營運活動，可以讓台塑集 團充份瞭解及熟悉電子及資訊工業的運作，經過十多年的努力，已從無到有建 立起一完整的電子原材料上下游一貫生產作業，並進一步在 1995 年時設立南 亞科技公司，致力於研發、設計、製造與銷售 DRAM（動態隨機存取記憶體）， 目前為全球第五大 DRAM 廠商。 經過多年的發展，目前共計擁有台塑、南亞、台化、台塑石化等二十餘家 關係企業，分別在台灣、美國、中國大陸及印尼都設有工廠。此外並擁有龐大 的教育和醫療機構，為國內最大的民營集團。

二、王永慶先生的八個核心管理理念

根據台塑集團內高階主管會議中的與會人士表示，王永慶先生主要的企業 管理思想可歸納為八個核心管理理念，分別為瘦鵝理論、勤勞樸實、追根究柢、 止於至善、市場經濟、健保制度、技職教育及公共建設採 BOT 方式。以下將

先簡述這八個核心理念的內涵。 (一) 瘦鵝理論1 此理論的意涵為人在困苦當中，往往會養成一種堅毅力，只要遇到適 當的機會，配合環境的條件，成長就會很快，好比臺灣早期對日抗戰時期， 王永慶先生善加遭人丟棄的菜根及粗糠等廢棄物，即能將鵝養得較一般人 好。 (二) 勤勞樸實 此為台塑集團的經營理念，以「勤勞樸實」的態度追求一切事物的合 理化。所謂勤勞，在不同的時代，基於客觀環境條件的轉變，應該有不同 的意涵。處在現代社會，所謂勤勞，其實質含意應該是兼指勤於運用腦力 智慧的力量；所謂樸實應該是簡樸的生活習性和實事求是的工作態度。 (三) 追根究柢 探討事物的根本，強調處事需有追根究柢的態度與精神。 (四) 止於至善 台塑集團認為企業經營管理合理化的工作必須永無止休的苦心耕 耘，才能精益求精，日新又新，達到「止於至善」的境界，故以此作為台 塑集團的經營理念。 (五) 市場經濟 市場經濟的定義為在市場機能的自然運作之下，由市場的力量主導經 濟發展。 (六) 健保制度 王永慶先生談論對全民健保制度的各種觀點，包括制度的設計、衍生 的問題、改進的建議等。 1_{台灣在抗戰時期，一般人要維持溫飽並非易事，在此情況下，養鵝的飼料來源更是非常稀少。所以鄉下} 很多家庭，所養的鵝都很瘦，即使養了兩三個月，也不見其長大。可是王永慶先生看到農人們種植的高 麗菜於收割後，往往把一些根和粗枝葉都丟棄在田裡，任其腐壞。而他認為這些廢棄物可以拿來養鵝， 因此，便收集這些東西，再加上他碾米廠的副產品粗糠，二者混合後餵給鵝吃，這樣經過數月，鵝便長 得很大。一般人養鵝，最多養成五、六斤，他利用這些飼料，可以養成六、七斤。

(七) 技職教育 台塑集團為培訓工業人才及護理人才，致力於推動技職教育，先後在 1963創辦了明志工專，1988 年創辦了長庚護專。後來，明志工專在 1999 年改制為明志技術學院，在 2004 年升格為明志科技大學，而長庚護專在 2002 年改制為長庚技術學院。因此，王永慶先生對技職教育的發展有許 多個人的見解。 (八) 公共建設採 BOT 王永慶先生對我國政府推動公共建設所衍生的問題提出一些看法，他 認為公共建設採ＢＯＴ方式，不符市場經濟法則。

肆、研究設計

一、資料蒐集

本研究蒐集王永慶先生多年來於各種場合針對各種議題所發表的演講稿 及專書文章，共計 292 篇文件，其中包括王永慶先生對國家發展、經濟環境、 產業政策、企業管理、社會文化等各種議題所表達的看法。此外，根據我們專 訪台塑集團高階主管會議的與會者所述，可歸納王永慶先生的管理思想為八個 核心管理理念大觀點，包括瘦鵝理論、勤勞樸實、追根究柢、止於至善、市場 經濟、健保制度、技職教育及公共建設採 BOT 方式。

二、系統發展流程

系統發展流程可參見圖 5，首先，須將所蒐集的演講文件進行文章斷詞處 理，以便利統計及產生文件特徵向量，意即 GHSOM 方法的輸入向量。第二， 計算每份文件的詞彙統計值。第三，選取文件的特徵向量。第四，將每份文件 依據特徵向量轉化為文件向量（輸入向量）。第五，利用 GHSOM 演算法發展 地圖。第六，依據每個群集內的建議標籤，由人工判讀給訂該群集的主題名稱。 最後，王永慶先生的管理知識地圖導覽系統即告完成，以下將進一步說明系統 發展的流程。

王永慶先生管理 知識地圖 文章斷詞處理 計算每份文件的 TFxIDF 值 挑選文件的特徵向量元素 產生每份文件的文件向量 演講文件原 始資料文件 製作 GHSOM 地圖 給訂群體主題名稱 圖 5：系統發展流程 (一) 中文斷詞 由於中文文章並非像英文文章可依空白(space)進行斷詞處理，故本研 究先選定適當的辭典，發展中文辭典斷詞程式，以長詞優先擷取的原則 (Chen & Liu, 1992)進行文章斷詞，292 篇文章共計斷出 7,870 個詞彙。 (二) 文件向量 文件經過斷詞後，將由許多重要詞彙來表達一篇文章，我們採用 Salton (1989)所發展的文件向量空間展示。每份文件的特徵向量（關鍵詞） 產生步驟如下： 1.計算每份文件的 TFxIDF 值 統計每篇文章的詞彙頻率與該文章中所出現的詞彙在所有文件中

出現的文件頻率，根據兩個統計值再產生每個詞彙的 TFxIDF 值，相關 計算公式請參考(8)式。 2.挑選主要的特徵向量元素（關鍵詞） 此程序用以選出一組最重要的特徵向量來描述每個文件，首先，將 所有文章所斷出的詞彙依據 TFxIDF 值由大到小排序，而且一個詞彙只 能被挑選一次，同樣詞彙不重複挑選，選出前 2000 個詞彙，作為特徵 向量元素。 3.產生每份文件的文件向量 依據前述步驟所產生的 2000 個特徵向量元素，找出每份文件對應 到這些元素上的 TFxIDF 值，以產生每份文件的特徵向量，作為 GHSOM 的輸入值。 (三) 製作知識地圖

本研究運用 GHSOM 方法(Dittenbach et al., 2002)產生王永慶先生的 管理知識地圖架構，另外，採用 LabelSOM(Rauber & Merkl,1999)演算法 為地圖上每個群集挑選具代表性的標籤詞彙，並設定每個群集至多產生五 個標籤詞彙。因此，可同時在知識地圖上顯示一至五個標籤詞彙，以作為 提示使用者的關鍵詞，詞彙的排序係依據詞彙對於描述所屬的主題群集之 代表性高低，排序愈前面，表示該標籤詞彙（特徵）愈能用以代表該主題 的意義。 在 GHSOM 的參數設定上，起始的學習速率設為 0.5，起始鄰近距離 設為 3，起始的地圖大小設為 2x2 方格（亦即兩列兩欄的方格），經過嘗 試錯誤法(trial-and-error)後，決定地圖大小的參數 τ1設為 0.1，決定階層深 度的參數 τ2設為 0.01。 在主題名稱的給定上，由於這些標籤詞彙本身並無法完全地依據中文 文法或詞性自動組出令人滿意及具有意義的片語（或句子），藉以清楚描 述該主題群集。因此，本研究依據所列出的「標籤詞彙」及群集內的「文 章標題名稱」兩者間的關係，依據(1)詞彙出現在文章標題中的次數、(2) 是否在中文文法上具有獨立表情達意的能力、(3)是否為與「管理」相關 性高的詞彙三個原則，由人工主觀判讀，最後給定主題名稱。

伍、結果與討論

王永慶先生的演講文件經過 GHSOM 聚類後，在第一層（圖 6）產生十二 大類主題，包括公司經營、工業、移轉民營、弊端、勤勞、工業與環保、國際 貿易、大陸與市場經濟、醫療、保護與自由競爭、南亞公司及原住民。在每個 主題中所列的標籤詞彙為採用 LabelSOM 演算法所產生的關鍵詞詞彙，用以輔 助描述該主題群集的內涵意義，排序愈前面，表示該詞彙對於描述該主題群集 內的文件之代表性愈高。 在公司經營主題內，王永慶先生論及許多經營公司的觀點，包括合理化的 觀點、止於至善、中間原料加工等經營之道，其中「止於至善」為台塑企業的 經營理念（粗體字表示該主題可對應至八個管理思想八個核心管理理念）。第 二個主題為工業，這個主題內的文章數相對較少，多為與工業升級與效率相關 的言論。第三個主題為移轉民營，為王永慶先生對於民營企業與公營企業的看 法，提出民營化的潮流趨勢，其中，他本人對公共建設 BOT 的相關見解也在 這個主題內，但是該主題並非以標籤明示於地圖上。第四個主題為弊端，為對 採購、承包、綁標、圍標等各種弊端的見解。第五個主題為勤勞，可對照至其 經營理念中的「勤勞樸實」。第六個主題為工程與環保，他提出對工程與環保 的相關見解，包括養豬、廢棄物、電動車、亂吐檳榔汁、法治等問題的看法。 第七個主題為國際貿易，包括對原料進口、退稅、課徵關稅、亞太地區、大陸 地區等國際貿易相關的看法。第八個主題為大陸與市場經濟，主要的觀點為市 場經濟促成競爭，提高生產力等見解，並與從前社會主義中的市場經濟（例如 中國大陸）進行比較。第九個主題為醫療，為對全民健保制度、醫院、醫療人 員、病患、長庚醫療體系等的觀點。第十個主題為保護與自由競爭，對政府採 用保護或自由競爭政策的影響之觀點。第十一個主題為南亞公司，為王永慶先 生以南亞公司為例發表的言論，此主題內的文章篇數並不多，談論的範圍皆與 南亞公司相關，包括效率、面臨的競爭、國際化等議題。第十二個主題為原住 民，多為王永慶先生對原住民學生的對話，包括對原住民生活、明志工專、技 職教育、職業證照制度等看法。

圖 6：王永慶先生管理知識地圖（第 1 層） 以下進一步運用王永慶先生的八個核心管理理念來評估此系統之成效，並 找出兩者間的關係： 「勤勞樸實」可對應第一層知識地圖中的「勤勞」主題單元(1,2)2_，可在 「勤勞」所衍生的第二層地圖中進一步瀏覽此理念的相關文件。 「市場經濟」可對應第一層地圖中的「大陸與市場經濟」主題(4,2)，而 且可以發現市場經濟經常與「大陸」相關言論並提。 「止於至善」無法初步由第一層地圖判讀取得，但從代表該主題的標籤 可發現它與「公司經營」間的關連性，因為「止於至善」為台塑集團的 經營理念，在該集團經營理念的闡述中，我們不難發現「經營」、「合理 化」與「止於至善」間的關係，故可對照至第一層地圖中的「公司經營」 主題(1,1)，透過間接關係可從該主題中瀏覽「止於至善」的經營理念。 「健保制度」亦無法初步由第一層地圖判讀取得，但在「醫療」主題所 衍生的第二層地圖（圖 7）中，可發現在(1,1)和(2,1)兩個主題群集內皆標 示「健保制度」和「全民健保」等健保相關標籤詞彙，故可將「健保制 度」間接對照至「醫療」主題。 (X,Y)表示在地圖中以左上角為原點，第 X 欄及第 Y 列中的主題位置標示，往右及往下遞增方格座標

「技職教育」在第一層地圖中也無法明顯判讀，但在「原住民」主題(4,3) 所衍生的第二層知識地圖（圖 8）中，則可見到「技職教育」主題的相關 言論(圖 8 的(2,1)及(3,3))。究其原因，王永慶先生非常重視原住民的教育 與生活，故早期在集團下設立不少技職體系的學校，例如長庚技術學院、 新明技術學院等，希望藉由技職教育讓原住民同胞習得一技之長，進而 改善其生活水準。 公共建設 BOT 在第一層地圖中亦無法明顯判讀，但在「移轉民營」主題 (3,1)上，由於提及各種民營化的方式與利弊得失，因此間接與該主題產 生關連（圖 9）。民營化的標的多為政府過去以來的公有財產或是即將興 辦的重大建設，其中又以各種公共建設為大宗，例如台電（各種發電、 輸配電設施）、台鐵、高鐵等，如何透過民營化的方式提升其經營效能， 這些都是王永慶先生對公共建設經營規劃的觀點。 「瘦鵝理論」並無法由第一層或第二層知識地圖中判讀取得，究其原因， 在於該理論雖為王永慶先生所開創，但是在其言論中提到該理論的文章 僅有 20 篇，篇數不多為難以自動聚類的原因之一；另外，由表 2 分佈統 計結果去觀察，發現「瘦鵝」分別出現於七個主題分群中，包括市場經 濟(3)3 、公司經營(1)、工業與環保(1)、國際貿易(1)、保護與自由競爭(1)、 弊端(8)、原住民(5)。以出現次數最多的主題對照觀察，則發現王永慶先 生在談論「弊端」主題時，經常提到瘦鵝理論，但由於篇數未超過二分 之一的總篇數，故無法據而令該「弊端」主題為「瘦鵝理論」主題；出 現頻率第二高的相關主題為與「原住民」主題相關的言論，王永慶先生 經常在演講中提及「瘦鵝理論」以勉勵原住民學生；第三高的相關性為 「市場經濟」主題，在意義上亦不難推論其間的相關性，因為市場經濟 強調由市場力量主導經濟的發展，瘦鵝理論則主張因應所處的環境而找 出本身利基，以尋求成功。在市場所主導的經濟環境中，運用後者所產 生的企業競爭策略，可有效於市場上一舉成功。 3_{（）表示瘦鵝理論出現於該主題中的次數。}

表 2 瘦鵝理論的相關文章分佈統計表 文章名稱 對應之主題 1 厚植潛力，破繭突圍 市場經濟 2 瘦鵝將有恢復體魄的一天 市場經濟 3 談計劃 公司經營 4 為陳水扁先生所著「台灣之子」一書作序 881122 工業與環保 5 和平共存，互補互利 國際貿易 6 談企業永續經營之道 881218 保護與自由競爭 7 建立健全制度，塑造現代化社會 890518 弊端 8 八十八年度明志工專校友會座談講話內容 871115 弊端 9 八十七年度明志工專校友會座談講話內容 870111 原住民 10 明志第廿二屆校友會講話內容 881205 弊端 11 貫徹市場經濟與民主法治,邁向二十一世紀 880130 市場經濟 12 整治環境秩序,再啟發展契機 870815 弊端 13 建立正確人生理念，共創進步現代社會 890425 原住民 14 產業升級，仰賴島內材料 弊端 15 台灣企業在變動時局下的經營理念與策略 840830 弊端 16 膽大心細，尋求起始點 弊端 17 台灣產業結構過去與未來五十年 880816 弊端 18 八十六年度與長庚護專原住民學生座談會紀錄 861024 原住民 19 與明志工專三十一屆畢業生座談 880515 原住民 20 民視記者訪談書面紀錄 880811 原住民 「追根究柢」亦無法於第一層地圖中清楚得到，究其原因，王永慶先生 曾在 66 篇文章中提到該主題，與十二個自動聚類的主題對照觀察，發現 包含該詞彙的 66 篇文章散佈於十二個主題內，而這十二個主題是屬於「功 能導向」的分群，但「追根究柢」則為精神層次的意涵，故導致在自動 聚類所產生的十二個功能導向主題中無法具體顯示。 經由前述比較，本研究發現八個核心管理理念中的六個理念可由地圖中的 第一層或第二層獲得，前者為勤勞樸實及市場經濟兩個主題，後者為止於至 善、公共建設 BOT、健保制度及技職教育四個主題，但是「瘦鵝理論」與「追 根究柢」這兩個屬於精神層次的主題則不易於地圖中尋得。

圖 7：王永慶先生管理思想全覽圖第一層「醫療」主題之下的第 2 層，包 含健保制度，其內包含健保制度的文章「民眾免繳保險費的全民健 康保險制度」。

圖 8：「原住民」主題下的第二層地圖，其中(2,1)及(3,3)主題內的文章明顯 提及「技職教育」相關言論。

圖 9：「移轉民營」主題下的第二層地圖，其中民營化等相關議題為「公共 建設採 BOT」主題相關言論。

本研究於建構知識地圖時，發現若一份演講文件的內容涵蓋愈多主題 時，其自動分群的效果愈差，因為此時很難區別文件之間的差異性，造成文件 的特徵向量無法具體表現文件的特色。故建議未來運用 GHSOM 整理知識時， 可將涵蓋過多主題的文件再依子主題切割為多份文件，將有助於製作較明確且 有效果的知識地圖。 從自動分群的結果觀察，地圖的分群大致上是依功能導向呈現，但在精 神層面的管理主題方面，包括瘦鵝理論及追根究柢，則較難從地圖中明顯標示 顯現，反而被散佈於各個功能主題中，這也顯示出類似精神層次的隱性知識較 難編碼與表現，仍有待未來進一步探究。 本研究所採用的 GHSOM 方法與一般人工智慧方法一樣需面臨各種參數 的設定及調整問題，在知識地圖的建構過程中，我們發現其各項參數的設定並 沒有一定的規則，常因各種應用標的而異，由使用者依照嘗試錯誤法 (trial-and-error)往返的調整，直到聚類結果較佳為止。因此，該技術的參數設 定與調整策略為未來應用上需進一步探究的議題。此外，雖然該技術提供地圖 上每個群集五個具有代表性的標籤，但是為了提高知識地圖的可讀性，我們仍 須半自動化由人工從這些標籤中判讀其意涵後，再主觀給定代表性的主題名 稱，未來，可思考其它做法，例如運用中文詞性的組合來提出精確且具有意義 的中文主題片語，或是預先設好一套候選主題詞組，依據標籤與該詞組的關係 （例如出現頻率等）挑選適合的主題名稱，以達到自動化給定代表性的主題名 稱。從地圖的角度來評論該技術的可用性，雖然可從各主題之間的距離遠近看 出其間的相似性，但我們認為該技術目前為止並未提供主題內文件數量多寡的 資訊，這與地圖可表現地理區域大小的特性相違背，故未來可在應用上改變該 技術的視覺化呈現，考量增加每個主題之下的文章篇數等資訊，使各個主題能 在地圖上依文件數量來顯示區塊大小，以真正達到地圖的意義。 整體而言，GHSOM 技術雖然存在前述應用上的限制，但在知識的保存、 組織及呈現上，若以節省時間與成本及協助人類處理知識的角度來評價，該技 術仍有其貢獻，可扮演協助定性研究方法（例如訪談及內容分析法）的輔助工 具角色，或是更甚而成為一種定性研究方法，因為 GHSOM 可用以歸納及整 理各文件間的垂直與水平關係，因此，過去許多管理研究議題，例如管理哲學 的發展、企業文化的比較等便可藉助該方法來處理。

陸、結論

近年來，主導管理邏輯被認為是影響企業經營模式很深的因素，然而該思 想不易以客觀事實推論，本研究希望藉由文字採掘的方法—GHSOM 來組織擁 有台灣經營之神美譽的台塑集團領導人王永慶先生之管理邏輯思想，以思想導 覽圖的角度，提供其主導管理邏輯之知識地圖。本研究所建構的王永慶先生管 理知識地圖在其功能性的管理主題呈現上，初步獲得不錯的效果，但仍有其限 制，尤其在屬於精神層次方面的主題呈現上，自動分群技術並無法具體有效呈 現這類知識。 本研究期望藉由資訊科技輔助，以自動化產生人物思想的知識地圖，協助 經理人士專書及回憶錄的整理，包括訪談資料蒐集、整理及歸納等處理程序。 許多具有時代指標意義的人物，例如政治人物、企業家、宗教家、文學家等， 皆可嘗試運用 GHSOM 建構其個人的知識地圖，提供世人瞭解這些人物的知 識與思想。 在本研究中，僅針對王永慶先生的言論文字檔案進行自動文件分群，並據 以產生知識地圖，其中詞彙仍是採用一般的辭典。然而，王永慶先生有許多自 創的詞彙與片語，例如瘦鵝、老人養生文化村等並非一般辭典所固有之詞彙， 故建議未來的研究方向可以朝向自動產生辭典(automatic treasury)來輔助瞭解 類似王永慶先生管理思想等專屬領域的知識。 為因應提倡知識入口網站(knowledge portal)的潮流，建議未來研究可進一 步將王永慶先生的管理思想與台塑集團的發展結合（例如時間維度分析），以 及與公開資訊結合（例如企業的年報、財務報告及相關新聞報導），使知識的 呈現更具參考性及豐富性。

參考文獻

阮明淑，2001，「知識經濟時代的主題分析」，21 世紀資訊科學與技術學術研 討會論文集：351。 陳文華、徐聖訓、施人英及吳壽山，2003，「應用主題地圖於知識整理」，圖書 資訊學刊，1 卷 1 期：37-58。

森田松太郎及高梨智弘著、吳承芬譯，2000，知識管理的基礎與實例，台北市： 小知堂。

溫達茂及呂春嬌，2001，知識組織的工具 – Topic Maps，21 世紀資訊科學與 技術學術研討會論文集：389。

Afuah, A. 2004. Business models- A strategic management approaches. McGraw-Hill/Irwin.

Bruno, D., & Richmond, H. 2003. The truth about taxonomies. Information Management Journal, 37(2): 44-51.

Chen, C., Kuljis, J., & Paul, R. J. 2001. Visualizing latent domain knowledge. IEEE Transactions on Systems, Man, and Cybernetics, 31(4): 518-529. Chen, H., Houston, A.L., Sewell, R.R., & Schatz, B.R. 1998. Internet browsing and

searching: User evaluation of category map and concept space techniques. Journal of the American Society for Information Science, 49(7): 582-603.

Chen, K. J., & Liu, S. H. 1992. Word identification for Mandarin Chinese sentences. Paper presented at the Proceedings of the Fifteenth International Conference on Computational Linguistics, Nantes.

Dittenbach, M., Merkl, D., & Rauber, A. 2000. The Growing Hierarchical Self-Organizing Map. In Proceedings of the Int’l Joint Conference on Neural Networks (IJCNN’2000), vol. VI: 15-19. Como, Italy: IEEE Computer Society Press.

Dittenbach, M., Rauber A., & Merkl, D. 2002. Uncovering hierarchical structure in data using the growing hierarchical self-organizing map. Neurocomputing, 48: 199-216.

Fritzke, B. 1995. Growing grid--a self-organizing network with constant neighborhood range and adaption strength. Neural Process Lett. 2(5): 1-5.

Kaski, S., Sinkkonen, J., & Peltonen, J. 2001. Bankruptcy analysis with self-orgnizing maps in learning metrics. IEEE Transactions on Neural

Networks, 12(4): 936-947.

Kohonen T., Kaski, S., Lagus , K., Salojävi, J., Honkela, J., Paatero, V., & Saarela, A. 2000. Self-organization of a massive document collection. IEEE Trans. Neural Networks, 11(3): 574-585.

Kohonen, T. 1995. Self-organizing Maps. Berlin: Springer.

Krogh, G. V. 1998. Care in knowledge creation. California Management Review, 40(3): 133-153.

Lin, X., Soergel, D., & Marchionini, G. 1991. A self-organizing semantic map for information retrieval, Paper presented at the Proc. of 14 th ACM/SIGIR Conf. Research and Development in Information Retrieval.

Merkl, D., & Rauber, A. 1997. Alternative ways for cluster visualization in self-organizing maps. In: T. Kohonen (Ed.), Proceedings of the Workshop on Self-Organizing Maps (WSOM97): 106-111. Helsinki University of Technology, HUT, Espoo, Finland.

Merkl, D. 1998. Text classification with self-organizing maps: some lessons learned. Neurocomputing, 21(1-3): 61-77.

Mikkulainen, R. 1990. Script recognition with hierarchical feature maps. Connection Sci., 2: 83-101.

Noy, N. F., & McGuinness, D. L. 2001. Ontology development 101: A guide to creating your first ontology, Stanford University.

Rauber, A., & Merkl, D. 1999. Automatic labeling of self-organizing maps: making a treasure map reveal its secrets. In: N. Zhong, L. Zhou (Eds.), Proceedings of the Third Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD99), number LNCS/LNAI 1574 in Lecture Notes in Artificial Intelligence: 228-237. Beijing, China.

Rosenberg, M. J.2001. Knowledge management: When information is better than instruction. E-Learning: strategies for delivering knowledge in the digital age, 63-110.

Salton, G..1989. Automatic text processing. New York: Addison-Wesley. Sullivan, D. 2001. Document warehousing and text mining. New York: Wiley. Schweighofer, E., Rauber, A., & Dittenbach, M. 2001. Automatic Text

Representation, Classification and Labeling in European Law. Paper presented at the ICAIL01, ACM Press.

Ultsch, A. 1992. Self-organizing neural networks for visualization and classification. In: O. Opitz, B. Lausen, R. Klar (Eds.), Information and Classification. Concepts, Methods and Application, Studies in Classification, Data Analysis, and Knowledge Organization, Dortmund, Germany: 307-313.

Yang, C.C., Chen, H., & Hong, K. 2003. Visualization of large category map for internet browsing, Decision Support Systems, 35: 89-102.

Yang, H., & Lee, C. 1999. A text data mining approach using a Chinese corpus Based on Self-Organizing Map. Paper presented at the fourth International Workshop on Information Retrieval with Asian Languages. Zack, M. H. 1999. Managing codified knowledge. Sloan Management Review,