非正規化知識本體重構

國 立 交 通 大 學

管理學院（資訊管理學程）碩士班

碩 士 論 文

非正規化知識本體重構

Informal Knowledge Ontology Refactor

研 究 生：陳良彥

指導教授：李永銘 博士

非正規化知識本體重構

Informal Knowledge Ontology Refactor

研 究 生： 陳良彥

Student： Liang-Yen Chen

指導教授： 李永銘 博士

Advisor： Dr. Yung-Ming Li

國立交通大學

管理學院(資訊管理學程)碩士班

碩士論文

A Thesis

Submitted to Institute of Information Management College of Management

National Chiao Tung University

In Partial Fulfillment of the Requirements For the Degree of

Master of Science in Information Management July 2014

Hsinchu, Taiwan, the Republic of China

i

非正規化知識本體重構

研究生：陳良彥 指導教授：李永銘 博士

國立交通大學管理學院（資訊管理學程) 碩士班

摘要

本研究提出一個基於半非正規化知識模型的知識漸進式演進循環架構，幫助個人與 組織理解與重用所面對的大量知識，該架構有四個面向，包含知識載體、知識重構、知 識模型與知識推薦。知識載體敘述知識為何需重構，知識重構說明如何透過知識重構將 知識載體轉化成為知識模型，知識模型則整理了一個知識模型應該保存哪一些知識，知 識推薦介紹該如何重用知識模型。實驗部分則透過平台的實做驗證知識元件的效益，包 括了可閱讀性，可維護性，可延伸性，完整性與關連明確性等五個要素進行分析。最後 在結論的部分提出實務上運用的說明。 關鍵字：知識本體，知識重構，知識推薦，知識模型，知識管理

ii

Informal Knowledge Ontology Refactor System

Student：Liang-Yen Chen Advisor：Dr. Yung-Ming Li

Master Program of Institute of Information Management

College of Management

National Chiao Tung University

Abstract

This paper proposes a knowledge progressive evolution circulation framework, based on semi-informal knowledge model, to help individuals and organizations understand and reuse a lot of knowledge they face. The architecture has four dimensions, including knowledge carrier, knowledge refactoring, knowledge recommendations, and knowledge model. Knowledge carrier describes why we need to do refactoring. Knowledge refactoring illustrates how to transforms knowledge carrier into knowledge model. Knowledge model catches the main knowledge to be saved. Knowledge

recommendation introduces the approach how to reuse the knowledge model.

Experimental verification is done by implementing a knowledge component platform. Five performance factor evaluation, including readability, maintainability, extensibility, and clarity, were analyzed. Finally, the practice of the proposed framework are described in the conclusion.

Keywords：Knowledge Ontology, Knowledge Refactor, Knowledge Recommend, knowledge Management.

iii

誌

謝

這個論文的產生，可以說是一波三折，歷經了兒子的出生與肝功能的異常，讓我不 得不放棄在入學的第二年及時的完成。在晚了一年後，藉由許多人的幫助，最後能讓本 論文得以完成，一路上真是備感艱辛與感恩。 首先感謝家人的支持，沒有家人的幫助，我根本沒有辦法把時間抽出來好好的進行 論文的撰寫，每次兒子在哭鬧的時候，我一點建樹都沒有，只能夠對著電腦猛敲論文內 容，感謝家人的包容，讓我可以當一個失職的爸爸，放下這些事情進行研究。 再來感謝李老師的提點，當公司的事情一多，最後就把論文的事情暫時的拋出腦海 之外，還好老師有請學弟來叮嚀與關心，不然這個論文完成的時間點可能又是下一個學 期的事情了。 在論文進行的過程當中，也謝謝李老師與發哥還有智華學姐的建議與指導，讓我可 以看到我所不足的部分，雖然在有限的時間中沒有辦法完成所有的建議，但是還好最後 能夠讓整個論文有一個完整的架構。 在實驗系統開發中，感謝彥丞學弟給予 CSS 上面的指導，特別感謝我的夥伴英蘭的 耐心等候與鼓勵，我知道我在系統開發上面花了太久的時間，讓妳等超久才有辦法進行 口試，這點我感到很抱歉，也很謝謝妳的鼓勵，讓我在開發到很煩躁的時候，能夠繼續 下去。 在實驗初期感謝渝婷學妹的鼎力相助，如果不是妳的幫忙建立初始資料，我的實驗 就沒有辦法開始進行。進行的過程當中，特別感謝我的太太珮翎，謝謝妳的幫忙，讓更 多人願意來參予這個花超級多時間的實驗，學校裡面該放假的放假，出去玩的出去玩， 公司的同事下班之後，看到那麼久的實驗時間，整個興致都沒有了，沒有妳的話，一個 禮拜內我可能連三十個人都湊不到，真的非常的感謝妳。 一路上謝謝大家的幫忙，讓我可以在今年的暑假，順利完成口試取得碩士學位，再 一次謝謝一路上幫忙的各位。 良彥 2014.7.26

iv 目錄 第一章、 緒論 ... 1 1.1 研究背景 ... 1 1.1.1 資訊爆炸的時代 ... 1 1.1.2 知識搜尋與建構的學說 ... 2 1.1.3 知識搜尋與建構的問題 ... 4 1.2 研究動機 ... 6 1.2.1 評估的結果遺失與知識模型的貧乏 ... 6 1.2.2 初學者迷航與重工 ... 7 1.3 研究目的 ... 8 1.4 論文架構 ... 9 第二章、 文獻探討 ... 11 2.1 本體 (ONTOLOGY) ... 11 2.1.1 發展史 ... 11 2.1.2 定義 ... 11 2.1.3 模型研究 ... 12 2.1.4 正規化程度 ... 14 2.2 其他知識模型 ... 14 2.2.1 SCROM ... 14 2.2.2 KNOWLEDGE MODEL ... 15 2.3 軟體重構(SOFTWARE REFACTOR) ... 15 2.3.1 重構的發展史 ... 15 2.3.2 重構的核心概念 ... 16 2.3.3 重構的步驟 ... 17 2.4 知識重構(KNOWLEDGE REFACTOR) ... 18 2.4.1 知識壞氣味 ... 19 2.4.2 知識重構的方法 ... 22 2.4.3 知識模式 ... 24 2.5 推薦(RECOMMEND) ... 28 2.5.1 推薦輸入 ... 28 2.5.2 推薦方法與相關問題 ... 29 第三章、 系統框架 ... 30 3.1 系統框架簡介 ... 30 3.2 知識載體 ... 31 3.3 知識模型 ... 32 3.3.1 內容層(CONTENT LAYER) ... 33

v 3.3.3 概念層(CONCEPT LAYER) ... 35 3.4 知識重構 ... 35 3.4.1 演進式設計 ... 36 3.4.2 步驟 ... 37 3.4.3 測試驅動 ... 38 3.5 知識推薦 ... 38 3.5.1 知識概念推薦 ... 38 3.5.2 知識元件推薦 ... 39 第四章、 實驗設計 ... 40 4.1 實驗限制 ... 40 4.2 實驗目的 ... 40 4.2.1 知識元件的效益 ... 40 4.2.2 先備程度對於效益的影響 ... 42 4.3 實驗設計 ... 42 4.4 實驗系統 ... 43 4.4.1 系統架構 ... 43 4.4.2 NEO4J圖形資料庫 ... 43 4.4.3 系統功能 ... 45 第五章、 實驗結果分析 ... 50 5.1 受測資訊統計 ... 50 5.2 知識元件的效益 ... 50 5.2.1 可閱讀性 ... 50 5.2.2 可維護性 ... 51 5.2.3 可延伸性 ... 52 5.2.4 完整性 ... 53 5.2.5 關連明確性 ... 54 5.3 先備程度的效益分析 ... 55 5.4 實驗總結 ... 55 第六章、 結論與建議 ... 57 6.1 研究貢獻 ... 57 6.2 管理意涵 ... 57 6.3 實務應用 ... 58 6.4 未來研究方向 ... 58 參考文獻 60

vi 表目錄 表 1 知識搜尋與建構的學說 ... 2 表 2 知識工程面向分析 ... 6 表 3 ONTOLOGY 模型整理 ... 12 表 4 實驗模型與模型要素 ... 42

vii 圖目錄 圖 1 論文架構圖 ... 10 圖 2 軟體重構的 BAD SMELLS ... 17 圖 3 軟體重構的方法 ... 18 圖 4 知識重構的壞氣味 ... 19 圖 5 知識重構的模式 ... 25 圖 6 知識系統框架 ... 31 圖 7 半非正規化(SEMI-INFORMAL)知識模型 ... 33 圖 8 知識重構流程 ... 37 圖 9 實驗流程圖 ... 43 圖 10 NEO4J 主控台查詢結果 ... 45 圖 11 實驗系統-資料初始化頁面 ... 46 圖 12 實驗系統-資料統計頁面 ... 47 圖 13 實驗系統-問卷頁面 ... 48 圖 14 實驗系統-模型顯示頁面 ... 48 圖 15 實驗系統-新增模型頁面 ... 49 圖 16 實驗系統-模型測試頁面 ... 49 圖 17 可閱讀性分析 ... 50 圖 18 可維護性分析 ... 51 圖 19 可延伸性分析 ... 52 圖 20 完整性分析 ... 53 圖 21 關連明確性分析 ... 54 圖 22 先備程度的效益分析 ... 55

1 第一章、 緒論 1.1 研究背景 1.1.1 資訊爆炸的時代 地球村這個名詞，代表著距離這一個因素，逐漸的被各種網路所取代，包括 交通網路，社交網路，網際網路…等，這樣子的環境不但會加速整個人類社會的 進步，但更無法忽視的是，這樣子的環境代表著更加強烈的競爭會迎面而來，不 管自己願意不願意，適者生存，不適者被淘汰，影響的不僅僅是只是個人，更包 括了公司與國家。

根據(Hilbert & Lopez, 2011)的研究，在 2011 年世界上流通的資訊約為兩 百億兆，分配給每一個人相當於一個人一天閱讀 174 份報紙的數量，而且這個數 字只會越來越快速的增加，因此使用者可以看到諸如 BigData，Data Mining…等 顯學當道，這些事實無疑的凸顯資料爆炸性的成長，整個人類社會都在適應這樣 子的變化，試圖能在這樣子的環境中，找到更加有效方法來運用這些資訊，發現 更有價值的資訊。 對於個人而言，當面對這麼多資訊的狀況下，如何有效的組織與內化變成個 人的知識，這個議題就會變得相當重要，萬一沒有辦法有效的轉化，接受外在的 知識，在面對競爭的時候就沒有辦法取得優勢。這種其況尤其出現在知識密集的 行業，知識密集行業的工作者，要面臨的比一般人多上許多的各式各樣知識，而 且一旦停止吸收新知識，就意味著失去了競爭力，一旦學習緩慢，就慢慢與流行 的開發環境脫節。像是程式開發人員，終生需要學習新的語言以及新的開發方法， 不然沒有辦法持續待在這個行業。 對於公司而言，如果沒有妥善地保管與運用組織的知識就無法空出資源進行 創新，反而會一直無意義的使用不同的方法完成同樣的任務，好的方法與結果沒 有被保留，會隨著人員的流動而遺失。而沒有辦法創新的公司就只會有普遍性的 產品，慢慢的相同產品的公司越來越多，就會變成削價競爭的產業，面對削價競 爭的窘境，總會有新的發展中國家能夠提出更低的報價，導致公司無法繼續生存

2 下去。 對於國家而言，當一個國家而言，個人的成功會讓整個社會進步，公司的成 功會讓經濟穩定。一旦國民失去競爭力，最好的人才都沒有創新而是只有付出勞 力維生，公司失去競爭力，當產業無法轉型成為知識密集的產業，永遠只有是毛 三到四（毛利率 3%到 4%）的產業，沒有利潤的產業就會使得員工薪資無法調升， 反而不斷的隨著削價競爭而不斷的下降，當一個國家內員工薪資不斷的降低到無 法留住員工的程度，許多優秀的人員就只能去當外勞。萬一國家變成這個樣子， 使用者對於這個國家還能有什麼信心與期待？因此研究如何加強對於資訊的運用， 無疑是一件非常重要的課題。 1.1.2 知識搜尋與建構的學說 知識搜尋與建構的學說可以包含了下列模型，經典模型、養珠理論、動態模 式、訊息覓食與常識建構，整理如下表。 表 1知識搜尋與建構的學說 模型名稱 相關研究學者 模型說明 經典模型 (Robertson, 1977) 當有資訊需求的時候，人們會把這些資訊需求轉化 成為關鍵字，並且與文件的表現形式進行配對，如 果符合，該文件就是所要尋找的資訊。 養珠法 (Ramer, 2005) 就如同養殖珍珠般，根據需求先找出一篇好的文 章，接著透過這一篇文章，繼續往外找尋適合的知 識，例如 Wiki 的文章有很多引用，要了解一個概念 可以透過其引用，往外學習到一整群的知識。

3 動態模型 (Bates, 1989) 又稱採野莓理論，說明當人閱讀完搜尋時候所找到 的資訊，就會因對於為這一份資訊的理解，增加了 新的詞彙的了解或是新的概念，因此原本的搜尋條 件就會不在適用，所以每當新閱讀一份文件，就會 不斷的改變自己追尋的條件，所找尋的資訊也是隨 之變化。 訊 息 覓 食 理論

(Nielsen, 2003) 覓 食 理 論 最 早 是 由 Robert Mac Arther , Eric

Pianka,在 1966 年提出，其內容為解釋動物在遷徙 的時候，會借由本能評估哪邊是食物最多的地方來 作遷徙。後來 Pirolli ,Card,在 1999 年的時後提出 訊息覓食理論，認為人在找尋資訊就如同動物的遷 徙，會自動往最多 Trigger words 的內容進行找尋， Trigger words(Nielsen, 2003)則是該資訊載體中 與搜尋知識群組目標符合的關鍵字。

常識建構 (Pirolli & Card,

2005) 由 brenda dervin 在 1993 年提出，描述人們如何將 新知識融入就知識中，後來 Pirolli ,Card 整合了 上述的理論，認為常識的建構分為六大步驟： 1. 搜尋資料：對於特定主題搜索相關聯資料。 2. 放入鞋盒：蒐集相關的知識載體。 3. 評估：在蒐集相關資料會進行理解與評估。 4. 建立架構：對於有用的資訊，建立其架構。 5. 訂定假說：對於整理的架構提出新的論點，並 進行驗證。 6. 呈現：以外顯形式，再將證明過的知識進行呈 現。

4 可以總結上述模型，常識建構前四步是知識的搜尋與整理，後兩步驟為知識 的融合與創造，本論文提出問題在於知識的搜尋與整理，因此就前四步驟進行討 論。 人們對於收集資料會依據所了解的詞彙與知識進行經典模型的搜尋，並透過 訊息覓食也就是 Trigger words 加速找尋的過程，了解的詞彙與知識在評估的過 程當中，就如同養珠一般不斷的成長，最後由於這些詞彙與知識的進步增加，使 用者會如同動態模型般，改變評估的標準，再次進行搜尋，放入鞋盒，評估的循 環，直到資訊需求被滿足為止。 1.1.3 知識搜尋與建構的問題 Google 這個字不僅僅是一家公司，作為搜尋的代表，這個字已經被牛津與韋 伯斯特辭典所收入，其意義代表「使用 Google 搜尋引擎在網際網路上獲取資訊」 （to use the Google search engine to obtain information on the Internet）， 這也反映了日常生活中，使用者找尋資訊的方法，通常可以分為下列幾個步驟： 1. 想一些關鍵字，使用 Google 進行搜尋，然後對於搜尋結果進行閱讀。 2. 如果這個結果是有用的，對於一般使用者可能會使用 Evernote，Scope.it 或是 Pinterest 等軟體服務，對這些文章進行儲存，並為其加上關鍵字 與摘要；如果是一個研究生，就會使用 EndNote 的軟體將搜尋結果進行 儲存。 3. 最後當使用者為了某些目的要使用這些知識的時候，使用者會透過關鍵 字或著是全文檢索來使用。 回頭來看知識搜尋與建構的過程，很容易會發生下列問題  初學者迷航與重工

根據(Jenkins, Corritore, & Wiedenbeck, 2003)的研究，初學者與 非初學者差異在於 1.字彙的數量，2.評估的效率，3.則是探索的能力， 非初學者是使用先深後廣，而初學者則是先廣後深。初學者對於所要搜

5 尋概念的字彙數不夠，導致使用者剛開始要搜尋與建構資訊時，動態模 型與養珠法的運作，會讓評估的標準也就是正確的關鍵字與不斷的改變。 找尋正確的關鍵字就有如迷路一般，因此稱之為初學者迷航。當評估標 準改變，初學者對於原本已經閱讀過的知識載體變成又要重新閱讀。同 一份知識載體可能會被閱讀無數次，則稱之為使用者重工。舉個例子來 說像是做論文的研究，原本透過閱讀參考所找到的文獻，將其結論納入 論文的結構當中，但是隨著論文研究的延伸，這時需要整理所有的研究 方法，使用者就會將原本閱讀過的論文在重新拿出來做閱讀與理解。  評估的結果遺失 不是每一份知識載體的品質都是好的，閱讀一份品質不良的知識載體 需要花費大量時間，通常使用者都只有儲存當下評估所需的部分，而其 他的部分就只存在在記憶裡面，但人的短期記憶保存時間有限，當再度 評估同一份文件時，可能早就遺忘之前評估的內容，必須重新閱讀原本 的知識載體。舉例以論文的撰寫來說，撰寫兩三個月是常有的事情，會 因為前述的初學者迷航與重工而必須再次對原有的論文進行閱讀，對於 不熟悉的內容，在經過一個月之後，對於之前所使用到的部分有整理到 自己的論文當中，但是沒有整理到的部分就會忘的差不多了，如果要再 進行使用，則必須進行重新閱讀。  知識模型的貧乏 使用者儲存知識時，通常都只有使用關鍵字與摘要對於整個知識載體 進行描述，當使用者需要再度評估這一份知識載體時，關鍵字與摘要幾 乎無法直接重用，使用者還是必須看完整份文件或是在查看其他文件才 有辦法對原本的文件進行了解。以論文撰寫來說，在搜尋參考資料的時 候，使用者僅能對於使用其內容所提供的摘要與關鍵字進行初篩，對於 細節還是必須閱讀整篇論文才有辦法理解，要整理進自己的論文當中， 需要依靠的還是這些細節，關鍵字與摘要幾乎沒有辦法幫上忙。

6 1.2 研究動機 初學者迷航與重工、評估的結果遺失、知識模型的貧乏這三個問題是本論文 所想探討的，在這邊分為兩點進行探討。 1.2.1 評估的結果遺失與知識模型的貧乏 第一點為了解決評估的結果遺失與知識模型的貧乏的問題，單純的使用關鍵 字與摘要，本論文稱之為 AT(Abstract & Tag)模型，並不能解決這樣子的問題， 因此使用者需要新的知識模型來描述原本的知識，而知識工程的領域，對於這一 個部分已經有探討，知識工程包含了三個面向整理如下表： 表 2知識工程面向分析 功能 方法 知識捕捉  非自動化捕捉  萃取  機械學習 知識模型  本體(Ontology)  派翠網路(Petri net)  物件導向(Object oriented) 知識使用  知識搜尋(Knowledge search)  知識推論(Knowledge inference) 在知識工程研究中主要的目的都是為了讓電腦能夠加有效的使用而非對人， 本論文希望的是讓人能夠有效的利用這些知識模型，因此原本的模型不一定能夠 直接套用。派翠網路(Petri net)，大多數用於自動化為一種離散併行系統的數學 表示，後來才在知識工程上被運用，其內容為嚴謹的數學格式。而物件導向(Object oriented) 與 本 體 (Ontology) 有 著 差 不 多 的 儲 存 型 式 ， 其 差 異 在 於 物 件 導 向 (Object oriented)主要為提供知識樣板，本體(Ontology)著重在於知識的表達。

本體(Ontology)正規化不同主要分為可以分為四種(Uschold & Gruninger, 1996)。

7  Highly informal： 高度非正規化，使用自然語言表現且結構鬆散。  Semi-informal： 半非正規化，使用自然語言表現，有限制並採用結構 化的格式，清晰且減少混淆。  Semi-formal： 半正規化，使用人造的正規化語言表現。  Rigorously formal： 嚴格的正規化，使用精心的定義的詞彙，正規化 語意，定理與證明表現其穩健及完備性。 對 於 非 知 識 工 程 師 與 領 域 專 家 的 使 用 者 ， 使 用 正 規 化 (Formal) 的 本 體 (Ontology)來做為資料模型來表達知識，其內容過於抽象與嚴謹，而且是使用人 造的正規化語言表達知識，了解這樣子的知識其花費也許比直接閱讀原本品質不 佳的知識載體還來的多。 因此本研究希望透過半非正規化(Semi-Informal)的本體(Ontology)，意思就 是有結構的本體，且使用自然語言來描述知識的，來做為知識模型的表達，用以 解決評估的結果遺失與知識模型的貧乏的問題。 1.2.2 初學者迷航與重工 第二點為了解決初學者迷航與重工的問題，評估結果必須要可以重用。如果 使用者能夠重用別人評估的結果，使用者可以解決初學者迷航的問題，如果使用 者能夠重複使用使用者自己評估的結果，使用者可以避免初學者重工的問題， 初學者迷航代表著使用者對於該知識載體，哪一些是重要的可以使用的根本 沒有頭緒，如果已經有別人所建立好的知識元件，對於知識的找尋，就可以參考 別人的知識模型，加速養珠法的過程，幫助使用者快速建立評估標準與增加搜尋 準確性；而對於知識的建構，就可以參考別人的東西直接重用或著經過自己的修 改再進行使用。 初學者重工代表著必須重覆的閱讀同一份文件，如果已經有自己建立好的知 識模型可以重用，就可以幫助自己快速的回憶之前評估的結果。 對於重用，在軟體工程裡面探討過許多，軟體開發的格言就是不要重新發明 輪子，但是不是所有的軟體都可以重用，因為大多數的軟體都會因為許多開發中

8 的因素而有許多的設計債(設計不良的地方導致要修改重用都需花費大量的成本)， Fowler 在 1999 年出版了重構這一本書，這本書提出了如何對原本的軟體進行重構 進而降低設計債，讓軟體能夠重用。 重構主要的目的在於改變原本已經存在程式碼的內部寫法，但是沒有改變外 部的行為，透過重構可以增加軟體的可閱讀性，可維護性，可延伸性等非功能的 屬性。 本研究希望透過重構的方法學來擷取知識，希望能夠增加其可重用性，也就 包括了知識的可閱讀性，可維護性，可延伸性。 1.3 研究目的 本研究包括了以下目的：  為了解決評估的結果遺失、知識模型的貧乏，本論文將定義一個新知識 模型，以半非正規化(Semi-Informal)的本體(Ontology)作為評估結果的 儲存。  為了解決初學者迷航與重工，研究如何應用軟體重構的方法學增加知識 模型可重用性。  研究如何加速重用的效率，重用一個重用性很高的元件多為小尺寸的元 件，因此最後會產生大量的知識元件，如何找到正確的知識元件是很重 要的事情，因此希望能透過推薦的方式，達到加速重用知識元件的目的。  使用本體(Ontology)來表現知識會有下列優點包括了，可重用性，完整 性，關連明確性、使用重構的方法主要希望增加其可用性，可用性又可 以拆解成為可閱讀性，可維護性，可延伸性等三項屬性。因此對於新提 出的模型應該具備 1.可閱讀性 2.可維護性 3.可延伸性 4.完整性 5.關連 明確性等五個要素，本研究希望透過實驗來研究此五個要素的效益。 觀上述研究目標，本研究希望能夠透過重構的方法學，對於原本琛差不齊的 知 識 載 體 ， 進 行 知 識 元 件 的 萃 取 ， 使 用 半 非 正 規 化 (Semi-Informal) 的 本 體 (Ontology)作為知識模型的儲存，並透過推薦的方式加速重用的效率。讓一般使

9 用者可以透過該系統盡快的理解，整理，歸納，分享所需要用到的知識，這樣才 能在這個資訊爆炸的時代獲取主動權與競爭優勢。 1.4 論文架構 本論文接下來討論架構包含文獻探討、系統框架、實驗設計、實驗結果、結 論與建議；其關係及各章節之概述如下： 第二章、 文獻探討 包括了何謂本體(Ontology)，軟體重構與知識重構，推薦進行探討並歸納 如何使用於本研究。 第三章、 系統框架 說明本研究所整合的知識框架，包含了知識載體，知識模型，知識重構與 知識推薦。 第四章、 實驗設計 說明研究限制，以及 1.可閱讀性 2.可維護性 3.可延伸性 4.完整性 5.關連 明確性等五個要素如何驗證。 第五章、 實驗結果 說明本研究實驗的結果。 第六章、 結論與建議 本研究之結論與貢獻匯整，並提出實務運用與可延伸的議題。 論文架構如下圖所示。

10 圖 1 論文架構圖

文獻探討

模型框架

實驗設計

實驗結果

結論與建議

11 第二章、 文獻探討 本章節會就本論文所提及的重要概念包含本體，軟體重構與知識重構，推薦等主題 進行探討、解釋與歸納，以利後續論文之進行。 2.1 本體 (Ontology) 2.1.1 發展史 早期為哲學家所探討，討論的內容包括了存在本身以及其基本特徵，著名的 學 者 有 亞 里 斯 多 德 (Αριστοτέλης) ， 柏 拉 圖 (Plato) ， 笛 卡 爾 (René Descartes)…等人，後來人工智慧的學者開始將本體(Ontology)的觀念使用於知 識表達上面，藉由本體(Ontology)中的概念與概念的關聯，用以描述真實世界的 模型，近代本體(Ontology)的使用，則由蒂姆·伯納斯-李（Tim Berners-Lee）所 倡導的語意網所引導，他主張在網頁中加入包含 Ontology 的中介資料(Meta Data)， 讓電腦能夠(1)區辨詞義(sense)、(2)利用 Ontology 的知識架構判定正確詞義、 以及(3)利用 Ontology 進行推理與訊息整合等能力，進而提升可用性（usability） 和有效性（usefulness），實務上，有許多的公司都有使用到 Ontology，像是 Facebook Google, Yhaoo…等, Facebook 的社交圖是由 RFDa 所定義的，RFDa 可 以將語意儲存在 XHTML 標籤之中；而 Google 與 Yahoo 則是使用 GoodRelations(The Web Vocabulary for E-Commerce)來加強其搜尋能力，BBC 則使用了 Programmes Ontology、Wildlife Ontology、Sport Ontology、Curriculum Ontology…等數 種本體(Ontology)在其網站之中。 2.1.2 定義 Neches 最早提出關於本體(Ontology)的敘述如下： 一個本體(Ontology)對於一個特定的主題定義了基礎的詞彙與關聯以及這些 詞彙與關聯組合的規則用以延伸這些詞彙(Neches et al., 1991)。 而後 Gruber 在 1994 年提出了下面的定義。 本體(Ontology)是對於分享的概念的一種約定，包括了對於概念模型化的領

12

域知識的框架，以及如何進行溝通的協定。(Gruber & Olsen, 1994)。

綜合上述敘述，本體(Ontology)基本上包含了詞彙，關聯，規則，框架，協 定…等，用以表現知識，其優點包括了讓機器也可以使用這些知識，知識之間的 關聯性更加明確，知識分析的結果更佳的完整以及知識可以重用。 2.1.3 模型研究 看了許多目前對於本體(Ontology)的研究，整個研究的方向可以概分為下述 四個： 1. 如何更有效的捕捉知識，例如使用人工智慧進行捕捉。 2. 提出具備更好運算能力的正規化的模型。 3. 如何驗證知識模型內容是否正確無誤。 4. 如何讓電腦更好的使用本體(Ontology)。 其中對於模型的研究，學說上發展的模型有許多種，尤其是各種針對特定領 域的所進行的探討，本論文著重於通用性，因此只有整理較為通用的模型，依照 年分順序整理如下表 表 3 Ontology 模型整理 學者 概念 (Chaudhri, Farquhar, Fikes, Karp, & Rice, 1998)

Open Knowledge Base Connectivity (OKBC)包含了下列知識元件

 Classes and Instances：類別與實體  Slots：類別與實體的屬性。

 Facets：指的是 constraint，Slot 所能允許的值。 Frame ： 為 資 料 結 構 ， 包 含 了 Classes,Instances,Slots 與 Facets.

13 (Devedžić, 1999) 敘述了在人工智慧領域，知識分為四個種類，分別為  領域知識：代表著事實，理論。  控制知識：描述了系統解決問題的能力。  解釋知識：定義了推理過程及解釋語說明的內容。  系統知識：描述知識庫的內容與結構 並且認為知識儲存的基本單元為 OVA(Object-Attribute-Value) 值組，框架，規則，邏輯運算與程序，複雜的邏輯則為基本單元 的組合。 (潘旭偉, 顧新 建, 仇元福, & 程耀東, 2003) 提出 KM=(KC,KI,KS)物件模型，將顯性與隱性的知識用統一的物 件方式進行建模。  KM(Knowledge Management)：知識管理，包含了知識名稱， 以及 KC,KI 與 KS  KC：表示知識載體，可能是文件，資料庫，人…等。  KI：表示知識內容，包括了該知識的簡單描述與關鍵字。  KS：知識情境，使用不同的 KD(Knowledge Dimension)來表 示該知識使用的元素，再加上關聯構成網路圖，不同的知識 情境可以透過路徑來計算相識度，以便判別兩者知識情境是 否易於整合。 (Bobillo, Delgado, & Gómez-Romero, 2008) 首先定義了 KR，KT 與 KA 三種知識元件  KR：規則的集合  KT：術語的集合  KA：物件的集合  接 著 定 義 了 OD(Domain Ontology)=(KR,KT,KA) 與 OC(Content Ontology)=(KR,KT,KA) ， 最 後 定 義 CDR(Context-Domain Relevance) OP=(OD,OC)

可以發現晚期的本體(Ontology)，除了原本所包含的類別，關聯，實體，限 制與規則外，另外增加了情境的概念，代表著知識運用會在特定的場景內，如果

14

要重新使用這些知識，就必須考慮這一些知識的情境，進而避免誤用。

2.1.4 正規化程度

本體(Ontology)正規化不同主要分為可以分為四種(Uschold & Gruninger, 1996)。  Highly informal： 高度非正規化，使用自然語言表現且結構鬆散。  Semi-informal： 半非正規化，使用自然語言表現，有限制並採用結構 化的格式，清晰且減少混淆。  Semi-formal： 半正規化，使用人造的正規化語言表現。  Rigorously formal： 嚴格的正規化，使用精心的定義的詞彙，正規化 語意，定理與證明表現其穩健及完備性。 半正規化還有嚴格的正規化對於一般使用者而言不常見，該類知識多半需要 仰賴知識工程師與領與專家共同發展與定義，而且所定義出來的知識表現形式隨 著正規化程度越來越嚴謹與抽象，這代表著對於一般使用者而言也越難以被理解； 而一般使用者所接觸到的知識多半以高度非正規化以及半非正規化表示，高度非 正規化，舉例來說，就像是開會時的交談紀錄、Blog 的內容，半正規化則像是論 文、圖書等，有經過結構化整理的知識。 2.2 其他知識模型 2.2.1 SCROM 參考其官方網站 http：//www.adlnet.org/scorm/，SCROM 為共享內容物件參 考模型，由 ADL (Advanced Distribution Learning Initiative)整合各個學習標 準制定而成。對數位內容教材的製作、內容開發提供一套共通的規範。SCORM 的實 際內容包括內容包裝模型（CAM），執行時環境支援（RTE）和排序與導航（SN） 三大部分。 可以發現作為一個數位內容教材的主流的標準格式，除了教材內容與如何解 譯執行的環境外，排序與導航單獨成立了一個大的部分，這是因為排序與導航在 知識的學習上有很重要的意義。

15

2.2.2 Knowledge model

Rech 等人(Rech, Decker, Ras, Jedlitschka, & Feldmann, 2007)對於知識 模型則定義了兩個部分，包含了知識元素與知識組件。  知識元素：基本的知識元件，具備有 AID 的特性：  原子性(Atomic)：不可以在被切分成更小的知識項目。  獨立性(Independent)：單獨一個知識項目也應該可以被使用，包括 閱讀與組合。  持續性(Durable)：知識項目是有時效性的。  知識組件：能夠完整且自給自足的描述知識，包含了至少一個知識項目， 這些知識元件則應該有具備 4C 的條件：  正確性(Correct)：描述正確沒有混淆。  完整性(Complete)：具備所有相關的知識沒有遺漏。  一致性(Consistent)：所有的知識組件應該具備一致性。  簡潔性(Concise)：其知識內容應該為簡單、精準。 2.3 軟體重構(Software Refactor) 2.3.1 重構的發展史 重構在物件導向軟體開發中，不可或缺的一部分，最早由(Opdyke, 1992)提 出，其定義為： 對於已經存在的程式碼進行重新建構的程序，但不改變任何的外 在行為，並增進非功能的軟體屬性。

重用在 Biggersta,Charles(Biggerstaff & Richter, 1989)等的人研究中， 分為四個步驟，包括了搜尋用的元件，了解搜尋到的元件，修改這些元件，組裝 這些元件。

目前幾乎主流的 IDE 都支援這樣子的程序，在重構－改善既有程式的設計 (Fowler & Beck, 1999)中提到，軟體的重構包含了四個目的，1.重構可以改善軟 體的設計，2.重構使得軟體更容易被理解，3.重構可以幫助找到 Bug，4.重構可以

16

幫助提高編程速度。

而 在 2004 年 Kerievsky 撰 寫 了 重 構 － 向 模 式 前 進 (Refactoring to Patterns)(Kerievsky, 2005)則明確的說明了，重構的最後目標就是模式。

模式(Patterns) 設計模式這個術語是由 Erich Gamma 等四人(Gamma, Helm,

Johnson, & Vlissides, 1994)從建築設計領域引入到計算機科學的，此四人也稱 四人幫 Gang of Four。模式是對於軟體設計中普遍存在（反覆出現）的各種問題， 所提出的經過驗證有效的解決方案。

2.3.2 重構的核心概念

重構的核心概念(Fowler & Beck, 1999)，包括了三個部分 1.演進式設計 2. 許多的小步驟 3.測試驅動。 1. 演進式設計： 軟體在開發的過程當中，會有很多的限制跟條件，例如時 程壓力、對於領域知識的了解、這一些會讓軟體在開發初期時，對於一 些功能與設計會沒有辦法達到最佳；反過來說軟體開發如果一開始就定 義與時做了許多用不到的功能與設計，只是讓開發的時程延長，而且需 求總是一變再變，做了過多的設計，最後可能都只是一場空根本不會用 到，因此對於軟體開發，重構的核心概念就是不多不少做到剛剛好，一 旦有新增的需求時，再透過重構的方式變更原本的結構以迎合新的需 求。 2. 許多的小步驟： 在重構的過程當中，應該小步驟小步驟的施行變更，小 步驟變更時，可以將影響範圍縮小，幫助使用者更容易的找到問題點。 如果一次做太多步驟，當有問題發生時，必須不斷的還原之前的修改以 確定是哪一個步驟發生問題，這樣會很花費許多成本，由其是一次修改 多個程式碼又進行部分還原，最後只會是一團亂。 3. 測試驅動：Beck 在 2003 年寫了關於測試驅動的書籍，Test-driven development： by example(Beck, 2003)，其開發步驟如下述： A. 在軟體開發前先行依照需求撰寫測試。

17 B. 確認該測試失敗。 C. 進行軟體開發。 D. 進行測試如果失敗就進行修正。 E. 確保所有的測試都是成功的。 2.3.3 重構的步驟

重構的步驟(Fowler & Beck, 1999)包括了察覺壞氣味(bad smell)，使用重 構的方法，達成模式(Pattern) (Kerievsky, 2005)

 察覺壞氣味(bad smell)：壞氣味這一個詞彙是由 Martin Flower 書中所 提出，意指程式的不好的設計。其包含項目如下圖所示：

圖 2 軟體重構的 Bad Smells

以 Commnets 來說，過多的註解代表著程式本身無法良好的表達該程 式的用意，因該透過重構的方式讓程式碼具備有良好的可閱讀性。

18  重構的方法：一系列的步驟與方法，用來執行重構的步驟。 圖 3 軟體重構的方法 以 Decompose Conditional 為例，其動機為程式中會有許多複雜的 If-Else 語句來表達領域規則，如果每一個 If-Else 條件式中，都含有許 多程式碼，則會讓整個程式的可閱讀性變得很低。其方法為將每一個 If-Else 條件式中程式碼用函式進行包裝，這樣子可以更清楚的表達其程 式的意義與條件式的規則。  達成模式(Pattern)： 如同前內容所述，模式是重構最終的目標，對軟 體開發而言，模式的類型可以分為下述四種：  Creational： 提供產生物件的 Pattern，像是工廠模式，單例模式。  Structural： 透過一定的構造來達成資料轉換或是功能修飾，例如 組合模式，橋接模式。  Behavioral： 資料與控制流的模式，包括了命令模式，迭代器模式。  Concurrency： 併發相關的模式，例如雙重檢查鎖定，執行緒池模式。 2.4 知識重構(Knowledge Refactor) 如果重構能夠應用到知識領域，也應該可以達到下列四個目的： (1)重構可 以改善知識結構的設計，(2)重構使得知識更容易被理解，(3)重構可以幫助知識

19 的釐清與找到知識的謬誤，(4)重構可以使知識更快速的被運用。 對於知識重構的步驟也比照軟體重構步驟進行探討，包含了知識的壞氣味， 知識重構的方法，知識模式。 2.4.1 知識壞氣味 知識的壞氣味也就是知識的設計與表達上有所問題，Rech 在 2007 年(Rech et al., 2007)提出了下列知識反模式(Knowledge Anti-Pattern)，代表知識 不好的設計，在本論文中也就是知識的壞氣味。

圖 4 知識重構的壞氣味

模式的表達上面通常使用目錄的形式來進行呈現，其格式包含了，模式的 名稱、問題說明、問題原因與解決方式，整理這些反模式如下:

20

 知識內容反模式(Knowledge Content Anti-Pattern) 模式名稱 知識泡泡(Knowledge Blob) 問題 一個知識元件隨著時間越來越大，承載了過多的資訊，在開放式的資訊 元件中比較常發生。 問題原因 知識元件太容易可以修改，而且修改者沒有常識來維護這些知識元件， 沒有遵守標準化的方式建立知識元件。 解法 壓縮知識(Compact Knowledge) 抽取知識(Extract Elements) 抽取共通(Extract Commonalities) 模式名稱 冗余知識(Superfluous Knowledge) 問題 一個知識元件有太多不必要的資訊，例如無關於該主題，已經在其他地 方描述過，或是過時的資訊，導致使用者的學習被打斷。 問題原因 當知識建立者不知道該如何正確清楚簡短的描述知識時，或是在建立結 構化資訊時沒有指導原則(Guidelines) 解法 壓縮知識(Compact Knowledge) 提供模板(Offer Templates) 模式名稱 不需要的精緻化(Unnecessary Refinement) 問題 過多頁數來描述同一個主題，而且不能被其他知識所重用，使用者需要 打斷學習，直到所有的頁面閱讀結束。 問題原因 寫太多的細節，但是不每一個人都需要這樣子的資訊。 解法 壓縮知識(Compact Knowledge)

21 模式名稱 重複的知識(Duplicated Knowledge) 問題 同一個知識多個版本的資訊儲存在各種不同的位置，如果要修改該知 識，就要修改許多不同的地方。 問題原因 使用者不在乎是不是已經有相似的知識存在。 解法 壓縮知識(Compact Knowledge) 抽取共通(Extract Commonalities)

 知識使用反模式(Knowledge Usage Anti-Pattern) 模式名稱 死亡知識(Dead Knowledge) 問題 一個知識元件沒有人使用，浪費資源，例如增加搜尋所花費的時間。 問題原因 在各種情況下所產生沒有質量的內容 解法 融合知識(Fuse Knowledge) 忘卻知識(Forget Knowledge) 模式名稱 不可拜訪的知識(Invisible Knowledge) 問題 有用的知識元件，但是使用者沒有辦法找到，浪費空間或系統資源。 問題原因 因為重構或知識系統本身的問題所導致。 解法 重新整合知識(Reintegrate Knowledge) 融合知識(Fuse Knowledge) 忘卻知識(Forget Knowledge)

 知識本體反模式(Knowledge Ontology Anti-Pattern) 模式名稱 混淆的關聯(Ambiguous Relations)

問題 關聯沒有被清楚地描述，如果有多個相似或者太多的關聯會讓作者混淆。

問題原因 沒有作者指導原則、模板或是工具來協助創造知識。

解法 最小化關係集合(Minimize Set of Relations)

提供知識創作指導原則(Provide Authoring Guidelines) 提供模板(Offer Templates)

22 模式名稱 無用的中介資料(Useless Metadata) 問題 一個 Ontology 含有太多特性描述沒有用的觀點，而這些資料對於使用者 來說沒有帶來任何利益。 問題原因 知識創造者對於未來的特性做了許多不必要的設計。 解法 只有需要才維護這些特性 刪除中介資訊(Remove Metadata) 融合中介資訊(Fuse Metadata)

 知識表現反模式(Knowledge Presentation Anti-Pattern) 模式名稱 大樣板(Large Template)

問題 知識創作者填寫的太多的中介資訊來描述這一些資料，時常讓使用者喪

失對於閱讀知識的興趣。

問題原因 Ontology 過大，提供過多的功能給使用者，並且支援太多的應用程式。

解法 使用自動化的方式減少需要維護的地方，例如更新日期。

提供模板預設值(Create Template Defaults) 縮短模板(Shorten Template) 模式名稱 資訊洪流(Information Flood) 問題 一次有太多的知識元件呈現給使用者，例如一次呈現全部的收尋結果。 問題原因 知識庫成長到大數量的時候。會依照進行分割與收斂，如果忘記做這些 動作就會導致知識庫太大。 解法 彙總知識(Aggregate Knowledge) 區塊呈現(Chunk Presentation) 結果分群(Cluster Results) 精煉分類(Refine Classification) 2.4.2 知識重構的方法 對於知識的重構(Rech et al., 2007)定義了下列方法，來進行知識的重構：  壓縮知識(Compact Knowledge)：總結與重寫原有的知識，讓知識以較短的方

23

式呈現，並且不改變原有知識的含義。

 抽取知識(Extract Elements)：抽取原本知識的一部份形成新的元素，遞迴 的執行分割與征服(divide & conquer)的策略，使得原本的知識成為一個互 斥的知識元素集合。  抽取共通(Extract Commonalities)： 將兩筆知識元素共通的部分，截取出 來成為新的知識元素。  融合知識(Fuse Knowledge)：將知識中有用的部分抽取出來，加入相似的知 識之中，並把原本沒有用的部分刪除。  忘卻知識(Forget Knowledge)：將要廢棄的知識元素透過標記的方式，宣告 這個知識已死，從各種結構中移除該知識元素，這樣子的動作需要經過實做 或專家驗證。  描述上下文(Describe Context)：清楚地描述該知識的情節，並說明誰創造 了這個知識元素。  重新整合知識(Reintegrate Knowledge)：將原有的知識重新整合成為新的導 航或索引之中。

 連接起始頁(Link To Start Page)：將每一個知識元素或元件加入起始點。  彙總知識(Aggregate Knowledge)：將多個類似的知識元素進行彙整，並建立 新的知識元素體系，舊有的元素不會進行刪除。  區塊呈現(Chunk Presentation)：將所有知識元素細分成幾個區塊，每一個 區塊顯示於單頁。  結果分群(Cluster Results)：將搜尋結果依照共通性顯示。  列出知識(List Knowledge)：依照主題將相關知識列表表示。  鏈接知識(Link Knowledge)：自動將知識本體敘述內的知識進行鏈接。  知識序列化(Serialize Knowledge)：序列化串接連貫的知識塊。  精煉分類(Refine Classification)：將擁有過多元素的分類進行整理，產生

24

更多有意義的子類別。

 創造共通中介類別(Create Common Metadata Class)：創造共通中介屬性的 類別，例如版本，作者名稱...等維護性資訊。

 刪除中介資訊(Remove Metadata)：將沒有人使用的中介資料刪除。

 融合中介資訊(Fuse Metadata)：找尋類似的中介資訊，可以直接使用或是定 義新的中介資訊給所有的人使用。

 最小化關係集合(Minimize Set of Relations)：類似的關係使用相同的關係 名稱，或著是引入一個更一般化的關係。

 提供知識創作指導原則(Provide Authoring Guidelines)：教導使用者如何 在遵循規範下創建知識，例如樣板如何使用。

 提供模板(Offer Templates)：提供整個主題相同的知識模板，包括相同的知 識架構，還有所需要用到的知識。

 提供模板預設值(Create Template Defaults)：提供有意義的預設值，如果 沒有意義，這個模板需要改進。

 縮短模板(Shorten Template)：將模板中不需要的部分移除。  分離焦點(Separate Concerns)：不同的人關注的焦點不同。

 安排會議空間(Arrange Meeting Space)：提供一個舒適的地方討論知識。  討論知識(Talk About Knowledge)：定期談論知識，例如部門會議。

 顯性知識會議(Explicit Knowledge Meetings)：關注特定主題與傳播知識， 並找出知識差距。

2.4.3 知識模式

對於知識良好的設計 Rech 在 2007 年(Rech et al., 2007)提出了下列知識模 式(Knowledge Pattern)：

25

圖 5 知識重構的模式

對於知識模式一樣使用目錄進行描述，包含了問題，問題原因，解法。  知識本體模式(Knowledge Ontology Pattern)

模式名稱 範本(Template) 問題 特定類型知識元素有不同的知識結構是很難被理解的，因為使用者除了 瞭解知識本身，還需要了解整個架構。 問題原因 知識撰寫者通常使用自己的架構描述知識，，也有可能因為不同的專案 有不同的寫法。 解法 提供模板(Offer Templates) 模式名稱 指引(Landmark) 問題 知識元件沒有連結到首頁，導致使用者在結果頁遺失前一頁的一些知識。 問題原因 搜尋使用整個頁面作為回傳頁面。

解法 連接起始頁(Link To Start Page)

模式名稱 大綱(Overview)

問題 語意類似的知識如果沒有大綱只有條列的話，會變得難以理解及找尋。

問題原因 知識創作者沒有被通知相關聯的知識必須整合到原有的架構之中。

26

模式名稱 共通的中介資料(Common metadata)

問題 一個知識系統中總是有不同類型的知識元件，但是對於索引，分類這一

些共通性的中介資料是每一個類別都需要的。

問題原因 如果沒有規則建立這些共通資料，知識創作者時常會忘記編寫。

解法 創造共通中介類別(Create Common Metadata Class)

提供知識創作指導原則(Provide Authoring Guidelines) 提供模板(Offer Templates)

 知識表現模式(Knowledge Presentation Pattern) 模式名稱 序列化閱讀(Sequential Reading) 問題 知識如果沒有被妥善地安排順序提供給閱讀者，閱讀者時常無法正確的 了解與運用該知識。 問題原因 同時有多個知識創作者為了不同的目的在維護這些資訊，導致最後的結 果不是線性的描述，例如解決問題方式。 解法 知識應該依照使用者的需求顯示不同的順序 知識序列化(Serialize Knowledge) 模式名稱 唯一呈現模式(Unique Presentation) 問題 如果一個知識元件有多種呈現會方式會混淆讀者，每一個群組的使用者 應該都有唯一的知識呈現方式。 問題原因 知識創作者，可能依照不同的專案有不同的知識呈現方式。 解法 每一種知識都應該有一種制式格式，像是顏色字體。 提供模板(Offer Templates)

27

 知識轉移模式(Knowledge Transfer Pattern) 模式名稱 豐富上下文(Context-based Enrichment) 問題 知識創作者通常以某一種角度或觀點來描述知識，應該建立內容性的知 識來幫助初學者。 問題原因 知識創作者不知道如何使用，過於簡短的描述這些知識元件。 解法 描述上下文(Describe Context) 鏈接知識(Link Knowledge) 模式名稱 通知(Notification) 問題 在靜態知識系統中，如果對於知識元件有修改並不會通知相關的使用者 進行更新。 問題原因 沒有觀察者自動的通知使用者更新知識元件，尤其對於正在開發中的狀 況。 解法 監控知識(Monitor Knowledge) 監控本體(Monitor Ontology)

 知識組織模式(Knowledge Orgination Pattern) 模式名稱 一群組一區域(One Group One Area)

問題 每一個群組都有關注的焦點，幾乎沒有或小部分重疊，例如 Wiki 的開發 者，管理者跟使用者。 問題原因 不同群知識組知識創作者在描述知識時非常類似導致混淆。 解法 分離焦點(Separate Concerns) 模式名稱 VOIC 問題 如 果 知 識 系 統 沒 有 區 分 呈 現 (View), 結 構 (Ontology), 規 則 (Inference)，知識(Content)，維護會非常困難。 問題原因 因為時間因素或著設計限制，知識並沒有外顯的分離。

28

 社會化知識管理模式(Social Knowledge Management Pattern) 模式名稱 咖啡廚房(Coffee Kitchen Pattern)

問題 交換知識需要空間，像是咖啡廚房，抽煙角落或閱讀室，讓人員可以彼

此認識，這樣子資訊才會流通。

問題原因 管理者因為某些原因，例如浪費時間，而不讓人員交談。

解法 安排會議空間(Arrange Meeting Space)

模式名稱 知識會議(Knowledge Meetings)

問題 知識內容因為時間壓力或是工作負債而沒有被使用，但這些知識是有幫

助的。

問題原因 使用者因為時間壓力或限制，沒有意願使用ＫＭ系統，或著與同事溝通， 交流知識。

解法 討論知識(Talk About Knowledge)

顯性知識會議(Explicit Knowledge Meetings) 2.5 推薦(Recommend)

Schafer 等人在 1999 年對於電子商務提出了推薦的概念(Schafer, Konstan, & Riedl, 1999)，透過資料的分析，推測或建議使用者應該有興趣的資料。以下 就推薦方法進行介紹。 2.5.1 推薦輸入 推薦系統仰賴資料的分析，當系統要對使用者進行推薦分析時，會抓取下列 資料做為輸入，推薦可以以個人做為輸入推薦，也可以以群組作為輸入推薦。  個人輸入 包括導覽，關鍵字，物品屬性，評分，購買歷史…等。  群組輸入 物品屬性，物品受歡迎的程度，群組購買歷史，評分與文字評論…等。

29 2.5.2 推薦方法與相關問題 推薦的方法可以分為三種，以內容為基底的推薦，協同過濾推薦與混合推薦。  內容為基底的推薦 將輸入與對應的物品進行相似度或著是其他計算模型進行計算，將分數高的 物品推薦給使用者。由於其比對內容只有文字敘述，所以經常會遇到下列問題 1. 對於未知物品無法進行推薦。2.當遇到一詞多意或是多詞一意時無法判定是否具 備相同屬性。  協同過濾推薦： 藉由相同興趣群組內的其他人推測使用者對於目標物品是否有興趣，所以計 算時，先將使用者進行分群，在透過同一群的其他人的輸入進行計算。常見的問 題包括了 1.稀疏矩陣，即使是相同興趣的群組也不一定對於所有物品都有輸入， 因此對於沒有輸入的物品預測能力較差。2.冷啟動，在營運的初期缺乏資料，所 以無法進行有效的分群與協同推薦，必須等到使用者輸入資料累積到一段時間時， 其推薦準確率才會上升。  混合推薦 結合內容基底推薦與協同過濾推薦。

30 第三章、 系統框架 在本章節中將對整個架構進行介紹，首先先對系統框架進行簡介，接著在對架構 的每一個部分進行探討。 3.1 系統框架簡介 回顧一下本研究目的：  為了解決評估的結果遺失、知識模型的貧乏，本論文將定義一個新知識模型， 以半非正規化(Semi-Informal)的本體(Ontology)作為評估結果的儲存。  為了解決初學者迷航與重工，研究如何應用軟體重構的方法學增加知識模型可 重用性。  研究如何加速重用的效率，重用一個重用性很高的元件多為小尺寸的元件，因 此最後會產生大量的知識元件，如何找到正確的知識元件是很重要的事情，因 此希望能透過推薦的方式，達到加速重用知識元件的目的。  使用本體(Ontology)來表現知識會有下列優點包括了，可重用性，完整性，關 連明確性、使用重構的方法主要希望增加其可用性，可用性又可以拆解成為可 閱讀性，可維護性，可延伸性等三項屬性。因此對於新提出的模型應該具備 1. 可閱讀性 2.可維護性 3.可延伸性 4.完整性 5.關連明確性等五個要素，本研究 希望透過實驗來研究此五個要素的效益。

31 因此本研究的系統框架包含了知識載體，知識重構，知識模型與知識推薦，以 下圖來做表示： 圖 6 知識系統框架 接著對於以上四個大項進行說明。 3.2 知識載體 知識的來源，包括了各式各樣可能的載體，像是 Word，PPT，網頁，書籍…等， 其形式表達不外乎文字，聲音，圖片與影像等四種，本研究只著重於文字的表現 形式進行探討。 這些知識的作者寫作的風格與組織知識的方式往往是南轅北轍，對於使用者 而言無疑加深了要了解這些知識的成本。在公司內如果沒有做好知識管理，這種 品質不良的知識載體會頻繁出現，導致組織內的知識學習與運用成效不彰，這些 知識載體經常出現下面的知識反模式：  知識泡泡(Knowledge Blob) 隨著公司的不斷成長，知識也會隨之累積，例如軟體開發中的使用案 例，剛開始只有數十頁的規模，可是到後來可能會變成數百頁的規模， 對於這麼大一份文件，系統分析人員可能無暇也無力全部進行通盤的了 •Concept Layer •Ontology Layer •Content Layer •Concept Recommend •Ontology Recommend •Evolutionary Design •Small Steps •Test Driven •Text •Audio •Image •Video Knowledge Carrier Knowledge Refactor Knowledge Model Knowledge Recommend

32 解，在面對時程壓力下，通常只有修改與新增該次專案所要進行的部分， 這會變成整份文件前後可能彼此矛盾，所用的格式上下不同，其結構可 能會出現頭重腳輕的狀況。  冗余知識(Superfluous Knowledge) 該知識已經過時卻沒人整理，隨著公司人員的改朝換代，往往新人無 法理解為什麼有這些知識，而且也不敢對這些知識進行處理，導致每一 個新人都要理解一遍這些無用的知識，浪費時間成本。  重複的知識(Duplicated Knowledge) 公司人員的流動是一個公司很正常的事件，因此交接就會是一件很重 要的事情，如果交接沒有做好就會造成知識斷層，對於同一個職務而言， 當人員流動頻繁，就會造成同一個知識同時存在多個知識載體，一旦這 些知識發生改變，就必須同時修改多份知識載體，萬一有遺漏，就會造 成知識的矛盾。 因此這些知識載體需要進行知識的重構，透過後面所介紹的知識重構，增加 知識的可閱讀性，消除上述的知識反模式。 3.3 知識模型 在知識重構介紹前，先行定義知識模型來了解重構最後達建立的結果，這樣 子在閱讀知識重構時，才更能理解知識重構所要表達的內容。 由於只有關鍵字與摘要的方式並不能幫助使用者快速的理解這些知識，因此 本 研 究 參 考 其 他 正 規 化 (formal) 知 識 模 型 ， 提 出 一 個 基 於 半 非 正 規 化 (Semi-Informal)的知識模型如下圖所示：

33

圖 7 半非正規化(Semi-Informal)知識模型

模型分層三層包括了內容層(Content Layer)，本體層(Ontology Layer)與概 念層(Concept Layer)，其內容由低層級到高層級說明如下： 3.3.1 內容層(Content Layer) 將原始的知識載體進行分解而成，可以依據 Word 中的段落，PPT 中的重點或 HTML 中的<P>標計進行分解，目的是將原有的大段文章拆解成為小塊，這樣子在建 立知識模型時，可以有更明確的關聯。除了可以在閱讀時說明該關鍵字或是觀點 指向的是哪一個段落，當需要重用這些內容時，也較容易修改。 定義： KC(Knowledge Content)：原始知識載體的切片，除了內容外還包括 含了在原始知識載體中的位置，一個知識載體包含多個 KC。 3.3.2 本體層(Ontology Layer) 用以表現知識元件，如果知識載體是血肉的話，那本體層所要描述的即是知 識 的骨 架 ，其 類別 主要 可 以分 成 術語 (Terminology)、觀點 (Insight)與 關連 (Relation)。  知識術語(Knowledge Terminology) 描述特定的知識觀念下的關鍵字為客觀的表示，與原本單純的關鍵字差

Concept Layer

Subject Structure Sequence Context

Ontology Layer

Relation Terminology Insight

Content Layer

34 別在於多了關鍵字的敘述，對於該概念的初學者而言，在建構知識的過程當 中，關鍵字的理解會影響評估的結果，其搜尋的方向也會有所差異。因此不 能只有給使用者例如 EMH 這樣子的縮寫，還必須讓使用者知道 EMH 是效率市 場假說的縮寫，其定義為如果在一個證券市場中，價格完全反映了所有可以 獲得的信息，那麼就稱這樣的市場為有效市場。 對於一個知識密集的產業，其專有名詞與縮寫是非常多的，對於資深的 使用者而言，這些專有名詞與縮寫已經內化成為一種本能，但是對於初學者 而言，頻繁出現的的術語卻大幅增加了其學習的難度，因此知識在呈現上， 除了知識載體本身外，應該透過這樣子的知識元件，幫助初學者使用者理解 知識內容。 定義： 知識術語(Knowledge Terminology)： 客觀的對於關鍵字以及關 鍵字在特定領域下的敘述。  知識觀點(Knowledge Insight) 以人的主觀對於知識載體的理解，包括了重點與心得兩個類型。使用者 在建立觀點知識元件時，必須先對既有知識載體進行閱讀並且進行知識內化， 再透過知識外化，將所學的知識表現出來，如此對於個人而言即完成了知識 的學習。 每一個人對於整個知識的理解程度不同所表達的重點與心得也就不同， 因此如果能夠透過別人的重點與心得，除了可以幫助自己加速理解這些知識， 也可以進行知識理解的自我測試，避免抓錯重點與理解錯誤。 定義： 知識觀點(Knowledge Insight)： 對於特定知識內容主觀的理解， 包括重點與心得兩種類型。  知識關連(Knowledge Relation) 不同知識元件中的關聯，例如一個知識內容可以有零到多個知識術語， 每一個知識內容可以有零到多個知識觀點，知識術語與知識術語之間也可以 有零到多個關聯，當這些關聯定義的越明確，不但能幫助使用者進行搜尋關

35 注的移動，也可以透過關聯進行相似度的計算做為推薦之用。 3.3.3 概念層(Concept Layer) 用以描述特定主題的中介資料，包括了主題，結構，順序與情境。  主題(Subject) 包括了主題名稱與摘要，讓幫助使用者能對該概念有初步的了解。  結構(Structure) 包含了內容層與本體層的結構，對於知識內容，知識術語與知識觀點進 一步的進行歸納與整理，讓相關聯的知識元件能有良好的分群與架構。

良好的結構可以達成 Knowledge Ontology Pattern 中的大綱(Overview) 與指引(Landmark)。  順序(Sequence) 對於同樣的結構能夠提供不同的順序，例如以 CSS 的學習來說，對於美 工背景的使用者可以先提供其語法的表現形式，再提供語法的格式，而對於 程式背景的使用者，則先提供語法的格式，再提供語法表現的形式，來幫助 使用者理解知識。

良好的閱讀順序可以達到 Knowledge Presentation Pattern 中的序列化 閱讀(Sequential Reading)。

 情境(Context)

特定主題的概念有其使用的情境，為了幫助使用者進行搜尋，因此必須 提供主題的屬性進行配對，例如：主題名稱，作者，版本名稱，建立時間， 來源，出版社，ISBN，主題類別、關鍵字集，關鍵字關聯路徑…等。

描述清楚明確的情境可以達成 Knowledge Transfer Pattern 中的豐富上 下文(Context-based Enrichment)。

3.4 知識重構

36

念進行分析與探討。

3.4.1 演進式設計

使用者在建構知識時，會不斷的新增詞彙與理解，因此會不斷的修改已經存 在的知識元件，因此 Knowledge Transfer Pattern 中的通知(Notification)就會 很重要的議題。對於共有模型(多人維護同一份本體，例如公司內共有的知識模型) 或是私有模型(每一個人都有自己的一份本體)，應有不同的處理方式。 對於共有模型應該顯示最新版本，只要有修改的事件出現，就應該通知所有 相關聯的使用者對修改進行確認。 而對於私有模型而言，應該明確的紀錄使用者所選的版本是哪一個，只要使 用者進行修改，就應該產生一個全新的版本，而不影響原有模型的其他使用者。 同一個版本的知識元件不應有多個，應避免知識內容反模式(Knowledge Content Anti-Pattern)中的重複的知識(Duplicated Knowledge)。

37 3.4.2 步驟 對 於 知 識 的 重構 ， 依照 Bottom up 的 原 則， 根 據 下 列 小 步 驟 進行 處 理 圖 8 知識重構流程  建構內容層 將原本的知識載體做為輸入，經由解析規則將其切分為多個知識 內容，由於每一個知識創作者對於知識的表現都不同，解析規則對於 不同的知識載體解析的結果可能會發生誤差，因此必須透過校正，確 認知識內容的大小與完整性。  建構本體層 對於每一個知識內容都進行知識術語與知識觀點的萃取，可以選 擇重用別人所建立的知識元件，也可以重用自己的知識元件，如果都 沒有可以使用的知識元件，則透過抽取知識(Extract Elements)、抽 取共通(Extract Commonalities)、融合知識(Fuse Knowledge)等手 法，建立新的知識元件，最後進行檢覈表測試，確保所建立的知識元 件都符合一定的規範。

 建構概念層

Construct Concept Layer

Subject

Structure

Sequence

Context

Construct Ontology Layer

Terminology

Insight

Relation

Construct Content Layer

38 一旦本體層建構完成，使用者對於整個知識載體就有了基礎的了 解。首先需要建立架構，其中包含內容層與本體層。再來要建立的是 閱讀的順序，要確保對於使用者能夠提供序列化閱讀(Sequential Reading)。接著要建立的是主題，最後建立的是情境。 3.4.3 測試驅動 重構的最後目的是達成模式與避免反模式，所以本論文中以模式做為測試的 內容，提出對於新增知識元件的檢核表，在使用者建立知識模型之前，就先確定 測試項目，使用者所建立的知識必須通過所有的測試。 對於新增知識元素必須考慮下述條件：  確認正確性：確定所輸入的內容正確無誤。  確認獨立性：確認所輸入的內容即使單獨閱讀也可以使用。  避免冗余知識： 確定所輸入的內容都與術語或知識內容有關的主題，。  避免不需要的精緻化： 確定所輸入的內容大小是適合的，避免太多的內 容造成不需要的精緻化。  避免重複的知識： 確認所新增的知識模型並沒有重複。 對於一個知識內容要確認下述條件：  確認完整性：新增的知識模型是否涵蓋所有的知識內容。  避免矛盾：要確認新增的知識模型是否有矛盾的地方。  避免重複的知識： 確認所新增的知識模型並沒有重複。 3.5 知識推薦 知識推薦分為兩個部分一個是知識概念的推薦用於知識的搜尋與閱讀，一個 則是知識元件的推薦用於知識模型的創造。 3.5.1 知識概念推薦 對於想了解特定知識的初學者而言，其字彙數是不足的，因此透過已經建好

39 的知識模型，讓使用者進行選擇所需知識術語以及其關聯是必要的，不然使用者 會不斷的在動態模型上進行循環，所造成的時間成本花費就會大量的增加。 首先使用者輸入想了解的知識名稱，系統將符合該知識名稱的知識術語列出， 使用者再進行知識術語選擇，系統接著將有關聯的知識術語進行拓展，讓使用者 在進行選擇，重複此步驟直到使用者選擇完畢所想了解的知識術語以及其關聯。 接著透過計算知識術語與其關聯與系統中所有的知識概念情境進行相似度計 算，最後依照相似度高低呈現給使用者。 3.5.2 知識元件推薦 知識元件全部都由單一使用者建立的話是很花費時間的事情，在時間有限的 狀況下，重用別人的知識元件是必要的，但有一個很重要的課題，就是在大量知 識元件的狀況下如何找到最符合的知識元件來進行重用，在本論文中知識元件推 薦包含兩個部分，知識元件被重用的次數與其他使用者重用知識元件的相似度。 知識元件如果被重用的次數越多，代表具有一定的重要性，因此對於同一個 知識內容，如果某一個知識元件被重用的次數很多，則優先顯示於使用者重用的 頁面中，提供使用者進行選擇。 另外一方面則是與其他使用者的相似度，使用者所選用的知識元件與某一個 使用者越相近，則代表該其他使用者與使用者對於事情的看法更趨近一致，因此 該其他使用者所重用的知識元件應當優先顯示於使用者重用的頁面中，提供使用 者進行選擇。

40 第四章、 實驗設計 在本章節中會描述實驗的限制，實驗目的、實驗設計上的考量與問題，最後介紹系 統架構。 4.1 實驗限制 由於是新的架構，沒有現存的資料庫或平台可以使用，必須自行實做所有的 內容與框架，在時間有限的狀況下，實做的範圍與實驗的規模受到影響，因此本 次實驗有下列限制。  在框架中知識載體包含了文字、聲音、圖片、影像，本論文與實驗都僅 探討文字的部分，其他的部分留待後人進行研究。  在模型建構上面，僅提供內容層(Content Layer)與本體層(Ontology Layer)建置，概念層(Concept)僅有提供摘要，其他部分並無實做。  在推薦實現上，知識概念的推薦並沒有包含在本次的實驗當中。 4.2 實驗目的 主要的實驗目的有下列主題，包含知識元件的效益，先備程度對於效益的影 響，分別介紹如下。 4.2.1 知識元件的效益 使用 Ontology 來表現知識會有下列優點包括了，可重用性，完整性，關連明 確性、使用重構的方法主要希望增加其可用性，可用性又可以拆解成為可閱讀性， 可維護性，可延伸性等三項屬性。因此對於新提出的模型應該具備 1.可閱讀性 2. 可維護性 3.可延伸性 4.完整性 5.關連明確性等五個要素。  可閱讀性： 目的在於了解知識架構對於可閱讀性的影響，測量讀者閱讀此知識模型所花 費的時間做為量測標的。但有閱讀不一定代表有了解與記憶，所以加入後測的機 制，確認使用者是否真的了解這些知識，如果有錯誤代表使用者應該花費更多的

41 時間進行閱讀才有辦法完全理解知識內容，因此可閱讀性的表現上以(閱讀時間/ 後測答題正確率)做為評量指標。  可維護性 可維護性代表的是否容易將原本的知識元件修改成為自己想要的版本，因 此透過量測修改時間做為評量指標。  可延伸性 可延伸性代表的是否能夠能被重複使用，因此透過不同模型的重用次數做 為評量指標。  完整性 完整性代表知識模型對知識載體表現的程度，因此透過計算平均使用者對 於知識元件(包含術語與觀點)的建構數量來做為評量指標。  關連明確性 關連明確性代表的是知識模型對於知識載體關聯的狀況，因此透過計算平 均使用者所建構知識模型對於知識模型的關聯數做為評量指標。 實驗的對象模型分為三項分別為 AT(Abstract&Tag)、SIO(Semi-Informal Ontology)與 SIOR(Semi-informal Ontology with Refactor)

 AT 為傳統的關鍵字與摘要。

 SIO 為使用半非正規化(Semi-Informal)的本體(Ontology)做為知識模型， 但在知識建構上沒有提供重構的指示。

 SIOR 為使用半非正規化(Semi-Informal) 的本體(Ontology)做為知識模 型並提供重構的指示。

由於 AT 模型並不考慮可維護性與可延伸性，因此在 AT 模型上不會計算編輯 時間與重用次數。

42

表 4 實驗模型與模型要素

Abstract & Tag Semi Informal Ontology

Factor\Model AT SIO SIOR

Readability Reading time/Correct rate

Maintainability Can’t compare Editing time

Extensibility Can’t compare Reuse times

Completeness User average keywords number

Clear Causality User average relations number

4.2.2 先備程度對於效益的影響 考慮到不同人的先備程度不一致，為了解先備程度對於效益的影響，因此加 入前測，分析使用者對於實驗知識概念的了解程度，再透過可閱讀性做為效益的 比較標的。 4.3 實驗設計 為消除單一文章所造成的影響，實驗使用三個主題總共六篇文章進行測試， 文章來源為 Wiki 上隨機找尋的結果，符合字數沒有太短，主題文章字數差異不大 的條件，分別為兩家公司 Apple 與 Google，兩個都市包括東京與柏林，兩個學術 知識分別為技術分析與知識管理，對於三個模型的知識模型初始化建構，則請三 個使用者分別對六篇文章進行知識模型建構，讓使用者得以進行閱讀的實驗。 系統在受試者進入時，平均分派三個主題對應三個模型，所以對於受試者而 言，所做的模型與主題的配對是隨機的。每一個主題都包含兩篇文章，一篇作為 閱讀的測驗，一篇作為建立知識模型的測驗，並且在實驗步驟操作前，提供相關 的說明。 閱讀的測驗都包含前測與後測，其測驗正確答案皆平均分佈至四個內容選項。 使用者會依序進行前測，閱讀知識模型，其閱讀時間會紀錄在系統之中，最後進 行後測。 建立知識模型的測驗，系統提供知識內容給與使用者進行術語與觀點的編寫， 系統會紀錄知識元件重用的次數，以及知識元件修改所花費的時間。