2. 哈尔滨工程大学 经济管理学院, 黑龙江 哈尔滨 150001
2. School of Economics and Management, Harbin Engineering University, Harbin 150001, China
知识经济时代,任务分解的模块化运营模式成为组织应对不可预测环境变化的重要战略措施[1]。而基于任务模块的知识流动作为满足知识主体知识需求,低成本获取知识技能缩小主体间知识差距,提高知识创造效率的重要途径[2],已成为当前新兴的知识管理议题。
基于任务模块的知识流动相关研究经历了“模块规划—任务联结—语义转换—信息抽取”的不同阶段。Fensel提出,模块规划是组织生产加工和知识分配的途径[3]。随后,知识挖掘、知识地图等相关研究的兴起,也为基于任务模块化的知识流动研究提供了新的思路。Liu等认为围绕模块规划提取的任务联结是知识流动的渠道[4]。Rubin强调,由于业务联结划分形成的不同任务模块是知识流动的多个知识节点,多个节点的次序性联结即为知识流动提供了条件的空间,每个节点内蕴含的语义信息是关联不同知识节点知识信息内容的关键,并运用本体论提出了一个团队知识流动的虚拟构想[5]。Lai等根据组织成员对任务模块节点查阅次数的记录动态时抓取了不同流程的语义次序和信息内容,运用Petri网络理论提出了任务模块化的知识流动网络模型[6]。Edgar等结合过程视图(process view)理论,采用知识关联度方法论证了基于知识流动语义次序进行信息的抽取[7]。Chauhan等选择语义转换的结构特征为切入点,根据本体转移特性建立了知识信息抽取和流动的概念模型,用以分析语义访问者对于某种特定知识的兴趣和数据渠道[8]。
综合以上发现虽然现有研究多采用知识获取、知识语义次序等理论分析任务模块的知识流动问题,但存在两个不足:1) 现有模型缺少一个整体串联知识信息内容的结构,对不同模块间信息如何协同的分析有避重就轻之嫌;2) 若基于Patil[9]等学者的知识链视角来理解任务模块化背景下的知识流动现象,那么在不同任务模块共同构成的多重信息本体知识链中,如何根据知识需求、知识重要程度以及知识关联度抽取组织发展所需的核心知识仍存在疑问[10-12]。鉴于此,本文以本体论为理论核心,以不同任务模块构成的组织知识链为对象,通过对不同知识流动形成的分析完善现有模型,更透彻地认识和解释知识流动在模块网络运营模式中的作用原理,在完整保留知识链原始序列的基础上,识别影响知识链产出的核心知识内容。
1 定义与模型 1.1 过程知识链的知识流动标准任务模块的划分使得知识的流动成为主导组织资源的重要依托,每个任务模块所蕴含的知识内容亦成为知识主体完成相关工作所需的知识编码序列[13]。过程视图理论认为,组织在分解任务关系时,通过整合不同层级关系的知识内容和功能组件形成业务流程环节,由此产生由多个任务模块构成,且具有指向次序逻辑的组织过程知识链[14],而多个任务模块的次序性联结也为过程知识链的知识流动提供了渠道和平台,从事不同任务的知识主体一方面可将自身的高价值知识贡献于相关的生产实践活动中,另一方面也能够参考或借鉴知识链中有利于任务进程的相关知识。根据上述分析,建立任务模块化知识流动的过程知识链结构模型,如图 1所示。
过程知识链的形成代表组织不同任务模块间各类相关知识在隐性环境中的联结性传递[15]。由于过程知识链的知识内容具有层级性、关联性等特质,加之任务模块的划分目的是带动组织内部非一体化下的分工整合[16],故每个任务模块蕴含的知识内容一定由多种存在相互关联的知识概念集合共同构成[17]。抽取每个任务模块知识内容的意义在于,通过对知识链核心知识内容的挖掘与整合,组织可随时根据环境所需激活相关任务模块节点的知识沉淀,维护并及时更新组织核心竞争力的优势来源[18]。由此,为达到从过程知识链中抽取核心知识,构建核心知识链的目的,首先提出相关概念:
定义1 系统边界内,本体代表过程知识链关系中包含的多个关键词及相关知识间的层次关系。过程知识链本体记做Ontology=[K, G],其中K代表过程知识链内可能包含的信息,G映射K领域(过程知识链)本体内信息的递进层次关系集合,记做G={α|α∈x×y},根据Liu[4]对于本体层级知识包含关系的定义,x和y代表系统边界内两个独立、且存在交互关系及作用的知识概念。
定义2 层次关系集合G由高层级的复杂性知识a和底层级的一般性知识b共同构成,其中复杂性知识控制并影响一般性知识,记做a={b|b=C, I(a)},其中C代表知识链内的本体信息。对于特定的模块化任务,存在个体的知识需求Demand(M*),当且仅当a∈Demand(M*)时,该任务模块的知识集合可以被访问。
定义3 规定p和q是领域本体K中存在的两个独立知识集合,若p存在于q的上层,或p是过程知识链中论证q的前提,则将p和q称为过程知识链中的关系知识集。其中,p为q的初代知识,q为p的迭代知识。根据Huang知识进化论的观点[19],p和q是存在层级关系的两个知识集合,结合Liu的知识挖掘论模型[20],p和q也可分别理解为知识螺旋中的表层知识(surface-level knowledge)和深层知识(deep-level knowledge),记做
Sur(p)={q|q=premise(p)};
Dee(q)={p|p=core(q)}。
定义4 知识节点Mn代表不同从属关系且具有异质性的知识集合。对于一个知识节点M*包含的知识内容记做KC(M*)={C1, C2, …, Cm},C*由过程知识链中的本体信息决定;
定义5 如果任意两个节点Ma与Mb存在从属性质的依赖关系,则两个节点的交互记做RO(Ma, Mb)。进一步地,若过程知识链中任意两个节点的关系隶属于knowledge Collection=RO(Ma, Mb),则判断Ma与Mb在过程知识链中为从属临近关系。
定义6 过程知识链本体内,流动的知识是由知识节点集合KnowledgeCollection=K(M*)、依赖关系集合RelationshipCollection=RO(Ma, Mb)和知识需求集合DemandCollection=De(M*)构成的三元组,记做KF=〈K(M*), RO(Ma, Mb), De(M*)〉。其中,RelationshipCollection=RO(Ma, Mb)的子集在知识节点集合K(M*)中客观存在,是具有从属临近关系的方向性节点。
定义7 过程知识链本体内,知识流动KF=〈K(M*), RO(Ma, Mb), De(M*)〉的路径起始点为知识流动的初端M1,中间知识节点为M2, M3,…,Mn-1,终止节点为知识链的终端Mn。如果从属依赖关系RO(Ma, Ma+1)∈RO(Ma, Mb)(a, b均为常数),且Ma和Ma+1中任意一个节点能提供的知识内容均满足De(M*),则知识流动路径记做Path=M1→Mn。Path=M1→Mn的流通性由过程知识链本体内的语义内容决定,每一个知识节点M*的知识关联性用R/NR进行判断。
定义8 过程知识链本体内,存在KF=〈K(M*), RO(Ma, Mb), De(M*)〉和随机知识节点Mx、My,均有(Mx, My)∈K(M*)。规定知识流动路径Path=Mx→My,认为Mx相较于My具有优先等级,记做Level(x>y)。Level的优先程度是在模块化分解的过程知识链中判断知识节点势差和知识流动方向的先决条件,每一级Level对迭代知识的影响由过程知识链本体内的信息集合决定。
定义9 过程知识链本体内,规定可以串联异质性知识、整合分散知识并供给详细专业化解释的知识节点称为社会化知识节点(socialization knowledge nodes,SKN),对于为保持任务模块初始次序所添加的知识概念称为次序知识节点(order knowledge nodes,OKN),所有次序知识节点集合中具有临近关系的方向性节点称为临近知识节点(neighboring knowledge nodes,NKN)。其中,OKN⊂SKN,如果NKN中任意知识节点的指向性次序不满足任务模块化划分的初始次序,则将NKN中违规的知识节点并入OKN。
1.2 核心知识链的知识流动标准核心知识链由默会知识构成,是决定组织竞争能力和优势的关键知识集合,贯穿于组织基于任务模块化的生产、销售与售后服务过程中。由于默会知识具有高情境特性,且无法以文本化形式编撰[21]。故为了整合任务模块内容,需从过程知识链中对核心知识进行提取,完整塑造组织的核心价值链。由此,借鉴Zhuge隐性知识挖掘的研究结论[22],界定核心知识链的知识流动标准:
定义10 核心知识链由知识需求者demander、过程知识链的所有知识节点M*及和基于任务的Key Words共同决定。根据知识的异质性特征,Key Words选取特定的知识属性Ω表征。核心知识链的用CoreKnowledgeChain=[demander, M*, Ω]表示,其中Ω对于demander的反馈R/W决定核心知识链的适用性;
定义11 核心知识链的知识节点用CM=〈Collection(KM), CC〉表示,其中Collection(KM)代表核心知识链的节点集合,(CM, KM)∈Collection(KM),CC代表核心知识的本体知识概念集合,子集为过程知识链本体定义的知识节点内容。将核心知识链的知识节点CM的知识内容记做CC(M)={K1, K2, …, Kn},Kn由核心知识链中本体定义的知识内容决定。
定义12 过程知识链本体内,对于知识流动KF=〈C(M*), RO(Ma, Mb), De(M*)〉中存在的两个核心知识节点CMa与CMb,如果两个节点存在相互影响或从属性质的依赖关系,记做CRO(CMa, CMb)。同时,严格限定充要条件RO(Ma, Mb)∈KF存在时,CMa∈Ma;CMb∈Mb。
定义13 过程知识链本体内,核心知识流动(core knowledge flows)是形成的核心知识链(core knowledge chain,也称为关键词知识链,key words chain)的动态要素性条件。核心知识流动是由核心知识节点集合coreknowledgecollection=CC(M*)、核心知识节点间的从属依赖关系core relationshipcollection=CRO(Ma, Mb),以及核心知识需求集合coredemandcollection=CDe(M*)构成的三元组,记做CKF=〈CC(M*), CRO(Ma, Mb), CDe(M*)〉。
定义14 过程知识链本体内,核心知识流动CKF=〈CC(M*), CRO(Ma, Mb), CDe(M*)〉的路径起始点为CM1,中间核心知识节点为CM2, CM3,…,CMn-1,终止节点为核心知识链的终端CMn。严格限定充要条件核心知识节点CM*∈CC(M*)的顺序指向,得到CRO(Mi-1, Mi)∈CRO(CMa, CMb),i=1, 2, …,n,则核心知识流动路径表示为CPath=CM1→CMn。CPath=CM1→CMn的流通性由核心知识链本体内的内容决定,每一个核心知识节点CM*的知识关联性用R/N进行判断。
定义15 过程知识链本体内,存在核心知识流动CKF=〈CC(M*), CRO(Ma, Mb), CDe(M*)〉和两个随机核心知识节点CMx、CMy,有(CMx, CMy)∈CC(M*)。规定核心知识流动路径CPath=CMx→CMy,认为CMx相较于CMy具有优先等级,记做CLevel(x>y)。CLevel的优先程度决定核心知识链中核心知识节点的势差。
过程知识链流动标准的形成可以有效地从任务模块化或知识供给的角度为知识主体界定知识流动规则,融合不同任务模块彼此传递的知识概念,合理调整组织在任务执行过程中可能面临的知识冲突。然而,由于知识链中知识节点包含的概念可能较为宽泛,这对于具有专业知识的知识主体进行辅助决策时并不适用,加之传统单一的过程知识链知识流动对于组织核心知识的整合和转化效率偏低,故对于不同的任务模块而言,知识流动应更加明确地概括其包含的知识语义,区分交叉的知识层级,将核心的重要知识予以凸显。由此,将以任务模块化为情境的核心知识链抽取原理概括为组织根据知识所需和模块信息的权限访问原则,用以精炼并为知识主体提供关键任务信息,更为准确进行产品决策的知识管理思想和方法。根据上述理论,将模块化任务流程所形成的过程知识链予以拆分和精确,建立基于任务模块化的核心知识链抽取原理模型(如图 3所示)。
操作规则1 过程知识链知识节点的访问需要相应的职能权限,即知识节点需要验证访问人员是否拥有读取该节点知识的资格,用Y/N予以结果反馈。
操作规则2 知识节点的指向具有顺序属性,对应知识流动的方向。每个知识节点包含的知识内容严格限定知识供给对象,对于适用的知识需求者,每个知识节点的知识内容可以多次读取。
操作规则3 核心知识节点是过程知识链知识流动路径中一个或多个高价值知识概念的集合单位。核心知识节点的激活条件是直接关联的任务团队对核心知识概念的访问,当且仅当所有核心知识节点被激活后,核心知识链形成。
操作规则4 核心知识的抽取必须以任务模块的实际要求为导向,且任意两个核心知识节点间的隐含次序必须遵守过程知识链知识流动的原始次序。
操作规则5 核心知识链中,如果两个核心知识节点CMx和CMy存在CLevel(CMx>CMy)的等级关系,则CMx中的核心知识内容读取顺序先于CMy。当且仅当CMx的核心知识访问完成后,CMy的核心知识访问权限才能被开放。
操作规则6 核心知识链中所有核心知识节点的内容可以反复被读取,当且仅当所有任务模块均被知识主体完成后,核心知识节点完成相关的知识供给。
为满足从事不同任务模块工作知识主体获取高价值知识的精神需求,提高知识供给和任务模块间的协同度,应将常规知识链中知识节点内蕴含的知识概念进行精简,完成对核心知识的最小化扩展,将其定义为最小次序知识节点集合(minimum order knowledge nodes collection,MOK),该集合包括社会化知识节点及次序知识节点,以使所有核心知识节点的隐含顺序满足过程知识链,即任务模块化执行顺序的初始次序。
借鉴Eshuis[23]以本体论为视角的仿流动线性假说,核心知识链知识流动模型的运行原理遵循最小次序知识节点集合探寻→核心知识节点依赖关系识别→核心知识节点知识内容提取→核心知识链串联4个核心流程。
2.1.1 最小次序知识节点集合规定任务模块化本体产生的过程知识链知识流动KF=〈K(M*), RO(Ma, Mb), De(M*)〉存在社会化知识节点(SKN)和若干次序知识节点(OKN)。从事不同模块任务知识主体的个性化知识需求是任意模块的知识供给内容,将过程知识链知识流动、知识需求和社会化知识节点作为模型输入端,运用核心知识节点集合CC(M)={K1, K2, …, Kn}求解最小次序知识节点集合。其中,SKN是得到MOK重要的先决条件,任意节点与其他知识节点自身概念的顺序关系必须符合任务模块化的初始顺序。通过本体信息循环的方法挖掘范围次序的NKN,直至出现该节点和OKN中其他知识概念的关系满足任务模块化顺序后停止循环。通过SKN从核心知识节点中得到MOK,借助MOK获得核心知识链中的核心知识节点CC(M*),具体操作步骤如下:
输入端(Input Side):
KF=〈K(M*), RO(Ma, Mb), De(M*)〉;SKN;De(M*)
输出端(output side):MOK1):
1) 建立以知识需求为前提的最小次序知识节点集合判断标准〈De(M*), M*, Y/N〉,并基于IF/THEN语句进行判断。IF知识主体拥有该模块的访问和执行权限,对应判断结果为Y,THEN该知识节点可划入此类知识主体的核心OKN。反之,IF判断结果为N,代表该知识主体未经授权或无法访问该知识节点的知识概念,THEN从知识流动KF=〈K(M*), RO(Ma, Mb), De(M*)〉中剔除该节点并返回过程知识链起点进行重新搜索;
2) 假设过程知识链本体内,存在SKN=OKN。知识节点满足知识主体的知识需求,对应知识节点M=OKN;
3) 临近知识节点
4) 规定NKN≠Φ,在NKN中随机挑选一个步骤1) 中不属于知识主体知识需求的知识节点Mω并从NKN中将其移除;
5) 假设∃(θ, Mω)∈OKN,过程知识链知识流动KF=〈K(M*), RO(Ma, Mb), De(M*)〉中存在Level(
6) 循环执行4) 和5),直至出现MOK=OKN,停止循环。得到CC(M*)中
对于以任务模块化划分为合作方式的知识流动KF=〈K(M*), RO(Ma, Mb), De(M*)〉,1)~6) 可以完成基于初始逻辑关系的核心知识链最小次序知识节点集合归纳。以最小次序核心知识节点集合为依据,同样引入IF/THEN语句进行可知核心知识链知识节点间的依赖关系识别:
7) 从核心知识节点CC(M*)中随机挑选两个核心知识概念C(
8) 对于两个核心知识概念C(
$\left\{ \begin{array}{l} {\rm{IF}}\;{\rm{RO}}\left( {{M_a},{M_b}} \right)存在{\rm{RO}}\left( {\wp ,\theta } \right),\\ {\rm{THEN}}\;核心节点间依赖关系{\rm{CRO}}\left( {{C}\left( \wp \right),C\left( \theta \right)} \right)\\ \quad 成立\\ {\rm{IF}}\;{\rm{RO}}\left( {{M_a},{M_b}} \right)不存在{\rm{RO}}\left( {\wp ,\theta } \right),或{C}\left( \wp \right),\\ \quad C\left( \theta \right) \notin {\rm{MOK,}}\\ {\rm{THEN}}\;核心节点间依赖关系{\rm{CRO}}\left( {{C}\left( \wp \right),C\left( \theta \right)} \right)\\ \quad 不成立 \end{array} \right.$ |
9) 对RO(Ma, Mb)的集合内容进行判断,当且仅当RO(Ma, Mb)≠∅时,
社会化知识节点(SKN)的存在使得蕴含于不同任务模块间的知识一定具有相关性。基于这种知识的虚拟相关性,将过程知识链本体的知识流动KF=〈K(M*), RO(Ma, Mb), De(M*)〉中,需要进行核心知识提取的知识集合用NE表示,每一个独立的知识内容用E表示。
在完成对MOK的获取及核心知识节点间依赖关系的识别后,考虑MOK包含的子集内容对NE进行精细化提炼。将知识主体的知识需求,最小次序知识节点及社会化知识节点作为输入端,采用核心知识节点CC(M)={K1, K2, …, Kn}和IF/THEN语句对核心知识节点知识内容进行提取。
输入端(Input Side):De(M*),MOK,SKN
输出端(Output Side):CC(E)
10) 规定过程知识链本体中,NE=∅,CRO(Cλ)=∅且CRO(Ma, Mb)=∅;
11) 对于知识节点λ,存在{λ∈SKN|∀λ},NE=NE∪KE(λ)且KE(λ)∈De(M*);
12) 对于知识内容E,存在E=∅,{E∈NE|∀E}且CRO(Cλ)=CRO(Cλ)∪Dee(λ);
13) 对于知识节点
14) 对于知识内容E,存在{E∈CRO(Cλ)∀E}。IF{E∈NE|∀E},THEN将知识内容E从CRO(Cλ)中移除;
15) 对于知识内容E,IF{E∈CRO(Cλ)|∀E}且{Dee(E)∈CRO(Cλ)|∀E},THEN将知识内容E从CRO(Cλ)中移除;
16) 检验精细化NE,IF存在NE∈De(M*),THEN整理并返回CRO(Cλ)。IFDe(M*)NE De(M*),THEN重新执行12)~15),直至提取完整的核心知识节点知识内容CKE。
初始条件中,CRO(Cλ)实际上源于知识主体对NE知识内容的迭代。随后,CRO(Cλ)纳入了MOK的知识内容。若CRO(Cλ)中隐含的部分知识内容直属于NE或由NE的核心概念衍生,为实现核心知识链对关键知识的隐匿和权限保护,将其从CRO(Cλ)中剔除。最后,从CRO(Cλ)中淘汰已经包含或无价值的概念化知识内容,得到核心知识节点的知识内容。
根据信息本体论,如果{E∈NE|∀E},则认为知识内容E存在于过程知识链中的某个知识节点Mt中。其中Mt可能有n个子节点Mtn(n=1, 2, 3…)。倘若每个Mtn蕴含的知识内容均在NE中存在,或可以被NE中相关的其他知识语义所替代,则认为知识内容E是NE的子概念。同时,知识主体从NE中提取知识内容E的迭代知识整合得到核心知识节点中的核心知识内容。进一步地,对于属于MOK但不属于SKN的某个或个多个过程知识链知识节点,考虑到其一定包含于CRO(Cλ)中,故相应的知识内容无需专业化迭代。
2.1.4 核心知识链串联在完成1)~16) 后,重新进入知识链初始端,以De(M*)为验证条件对所得的核心知识节点知识内容CKE进行最终的模块化知识检验。若所有CKE和非精细化的知识内容均满足任务模块化的实际要求,则将所得核心知识内容按照过程知识链的初始顺序予以串联,得到核心知识链并反馈于本体领域内。
2.2 算例检验选用图 1进行算例分析,验证模型和正确性和科学性。根据图 1,知识节点M2是后续任务模块开展的前提,需要对其概念进行精细化筛选,故建立该知识节点的知识适用性判断标准三元组[demande, M2, Ω]用以满足该任务分配主体的知识需求,知识节点M2在映射核心知识链时应当被确认为社会化知识节点(SKN)。同时,假设知识节点M5是决定任务完成的核心任务模块,故知识节点M5包含的知识子集对其他任务模块的知识内容应当具有更完善的解释力,建立该知识节点的知识适用性判断标准三元组[demander, M5, Ω],将知识节点M5添加至社会化知识节点SKN中。至此图 1的任务模块化知识节点就由SKN={M2, M5}构成。
在确立社会化知识节点SKN后,借助1)~6) 可求得知识链的核心知识节点及最小次序知识节点集合。图 1中在排除概念化知识节点后,得到临近的次序知识节点OKN={M1, M3, M6, M10},SKN=OKN={M2, M5}。由于Level(M1>M2)且Level(M1>M5),故知识节点M1不能添加至OKN中,由于Level(M2>M3)且Level(M5<M3),故将知识节点M3添加至OKN中;由于Level(M2>M6)且Level(M5>M6),故知识节点M6无法添加至OKN中,知识节点M10同理。进行循环后,考虑到OKN中包含的知识子集必须满足任务模块划分的初始次序,故知识节点M1,M6,M10仍无法添加至OKN中,停止循环,得到MOK={M2, M3, M5}及核心知识节点CM1。在基础上,通过7)~16) 得到核心知识节点的知识概念,假定在添加知识节点M3后SKN={M2, M3, M5}由每层2项的3层知识子集内容构成,加之知识节点M3满足12),此时核心知识节点CM1中存在重复及相互包含的知识子集内容,故根据13) 和14) 对其进行最小次序知识节点的子集内容整合。例如,若分解后的子任务模块内容及本体知识信息结构(如图 2)中存在不同层级知识间的相互迭代关系,如
Dee(M21, M22)∈CRO(M221),(M21, M22)∈NE;
Dee(M31, M32)∈CRO(M311),(M31, M32)∈NE;
Dee(M51, M52)∈CRO(M523),Dee(M51, M52)∈NE
故将核心知识节点的知识内容CM1={M221, M311, M523}。将不同核心知识节点的知识内容予以串联,得到组织的核心知识链。
3 结论1) 核心知识链的知识节点可能由一个或多个过程知识链中的知识节点抽取产生。核心知识链的知识流动次序严格遵循模块任务查阅及执行次序;
2) 核心知识链能够为知识主体提供任务执行时的高价值知识需求,也是组织针对性进行知识创造等活动的重要依据;
3) 核心知识链是对基于任务模块化过程知识链知识流动的深入挖掘、凝练、细分与最小化,可应用于组织内部的知识交流,提高组织的创新效率和知识支持效率。
研究明确了过程知识链与核心知识链的关系,解决了繁复任务模块环节背景下,组织如何为知识主体提供知识支持,改善知识流动效率等决策问题。
研究仍存在许多值得继续探索的方向:一是选择实际的组织机构对提出的理论模型加以验证;二是根据从事不同任务模块工作的职能团队特性对原理模型进行个性化的改进和调整。
[1] | OH S J, YEOM H Y. A comprehensive framework for the evaluation of ontology modularization[J]. Expert systems with applications, 2012, 39(10): 8547-8556. DOI:10.1016/j.eswa.2012.01.129 (0) |
[2] | TASI W. Knowledge transfer in intraorganizational networks:Effect of network position and absorptive capacity on business unit innovation and performance[J]. Academy of management journal, 2001, 44(5): 996-1004. DOI:10.2307/3069443 (0) |
[3] | FENSEL D. Ontology-based knowledge management[J]. Computer, 2002, 35(11): 56-59. DOI:10.1109/MC.2002.1046975 (0) |
[4] | LIU D R, LIN C W. Modeling the knowledge flow view for collaborative knowledge support[J]. Knowledge-based systems, 2012, 31: 41-54. DOI:10.1016/j.knosys.2012.01.014 (0) |
[5] | RUBIN T H, AAS T H, STEAD A. Knowledge flow in Technological Business Incubators:Evidence from Australia and Israel[J]. Technovation, 2015, 41-42: 11-24. DOI:10.1016/j.technovation.2015.03.002 (0) |
[6] | LAI C H, LIU D R. Integrating knowledge flow mining and collaborative filtering to support document recommendation[J]. Journal of systems and software, 2009, 82(12): 2023-2037. DOI:10.1016/j.jss.2009.06.044 (0) |
[7] | EDGAR S M, SERNA A. Ontology for knowledge management in software maintenance[J]. International journal of information management, 2014, 34(5): 704-710. DOI:10.1016/j.ijinfomgt.2014.06.005 (0) |
[8] | CHAUHAN A, VIJAYAKUMAR V, RAGALA R. Towards a multi-level upper ontology/foundation ontology framework as background knowledge for ontology matching problem[J]. Procedia computer science, 2015, 50: 631-634. DOI:10.1016/j.procs.2015.04.096 (0) |
[9] | PATIL S K, KANT R. A fuzzy AHP-TOPSIS framework for ranking the solutions of Knowledge Management adoption in Supply Chain to overcome its barriers[J]. Expert systems with applications, 2014, 41(2): 679-693. DOI:10.1016/j.eswa.2013.07.093 (0) |
[10] | TSENG S-M. A study on customer, supplier, and competitor knowledge using the knowledge chain model[J]. International journal of information management, 2009, 29(6): 488-496. DOI:10.1016/j.ijinfomgt.2009.05.001 (0) |
[11] | GIL R J, MARTIN-BAUTISTA M J. A novel integrated knowledge support system based on ontology learning:Model specification and a case study[J]. Knowledge-based systems, 2012, 36: 340-352. DOI:10.1016/j.knosys.2012.07.007 (0) |
[12] | WANG K, TAKAHASHI A. Semantic web based innovative design knowledge modeling for collaborative design[J]. Expert systems with applications, 2012, 39(5): 5616-5624. DOI:10.1016/j.eswa.2011.11.056 (0) |
[13] | SORENSON O, RIVKIN J W, FLEMING L. Complexity, networks and knowledge flow[J]. Research policy, 2006, 35(7): 994-1017. DOI:10.1016/j.respol.2006.05.002 (0) |
[14] | CEPEDA G, VERA D. Dynamic capabilities and operational capabilities:A knowledge management perspective[J]. Journal of business research, 2007, 60(5): 426-437. DOI:10.1016/j.jbusres.2007.01.013 (0) |
[15] | WONG H-K. Knowledge value chain:implementation of new product development system in a winery[J]. The electronic journal of knowledge management, 2004, 2(1): 77-90. (0) |
[16] | TSENG S-M. Correlations between external knowledge and the knowledge chain as impacting service quality[J]. Journal of retailing and consumer services, 2012, 19(4): 429-437. DOI:10.1016/j.jretconser.2012.04.004 (0) |
[17] | RYOO S-Y, KIM K-K. The impact of knowledge complementarities on supply chain performance through knowledge exchange[J]. Expert systems with applications, 2015, 42(6): 3029-3040. DOI:10.1016/j.eswa.2014.11.055 (0) |
[18] | NASR E S, KILGOUR M D, NORRI H. Strategizing niceness in co-opetition:The case of knowledge exchange in supply chain innovation projects[J]. European journal of operational research, 2015, 244(3): 845-854. DOI:10.1016/j.ejor.2015.02.011 (0) |
[19] | HUANG J J. The evolutionary perspective of knowledge creation-A mathematical representation[J]. Knowledge-based system, 2009, 22: 430-438. DOI:10.1016/j.knosys.2009.05.008 (0) |
[20] | LIU D-R, LAI C-H. Mining group-based knowledge flows for sharing task knowledge[J]. Decision support systems, 2011, 50(2): 370-386. DOI:10.1016/j.dss.2010.09.004 (0) |
[21] | PHELPS C C. A longitudinal study of the influence of alliance network structure and composition firm exploratory innovation[J]. Academy of management journal, 2010, 53(4): 890-913. DOI:10.5465/AMJ.2010.52814627 (0) |
[22] | ZHUGE H. Knowledge flow network planning and simulation[J]. Decision support systems, 2006, 42(2): 571-592. DOI:10.1016/j.dss.2005.03.007 (0) |
[23] | ESHUIS R, GREFEN P. Constructing customized process views[J]. Data & knowledge engineering, 2008, 64(2): 419-438. (0) |