知识管理、知识工程、知识图谱、知识库，这些技术之间错综复杂的历史渊源。

 

1、技术的定义、来源与发展知识，这可能是当前最为令人迷惑的的技术体系了！知识管理，知识工程，知识图谱，知识库，之间的复杂关系，有其历史渊源知识管理和知识工程，它们在内容上几乎就是俩个东西知识图谱，其实是一个人工智能领域的技术。

即便如知识库，有两个截然不同的知识库概念，而它们并没有什么交集知识，知识管理，知识工程，知识库，人工智能，专家系统，知识图谱，我自己都搞不清楚有一条什么样的纽带将它们连接在一起所以，将这几个概念放在一起讲，也是一件很难的事情，但是，要分清楚它们之间错综复杂的关系，又必须放在一起谈。

以下内容 请跟住思路走，串起来，就明白了知识 是人类通过实践对自然、社会和思维活动形态及其规律认识和描述的信息他来源于人类实践，并反作用于实践，对实践具有指导性作用知识管理是知识经济时代涌现出来的一种最新管理思想与方法, 它融合了现代信息技术、知识经济理论、企业管理思想和现代管理理念 。

知识管理 被定义为：在组织中建构一个人文与技术兼备的知识系统，让组织中的信息与知识，透过获得、创造、分享、整合、记录、存取、更新等过程，达到知识不断创新的最终目的，并回馈到知识系统內，个人与组织的知识得以永不间断的累积，从系统的角度进行思考这将成为组织的智慧资本，有助于企业做出正确的决策，以因应市场的变迁。

（百度）知识工程 是一种知识管理的实施方法和实施过程，它是一种技术方法，而知识管理是一种管理方法（但是，知识管理有很多种实现方法，知识工程是其中之一）专家系统，是人工智能的重要技术流派之一：符号主义学派（人工智能三大流派，专家系统在70年代前后处于主导性的鼎盛时期）的实践性软件，其核心是建立面向专家分析的。

知识库，而知识库中知识的获取就是通过知识工程技术获得知识，在专家系统中就是一种判断逻辑，从技术本身来说，专家系统就是是用来获得“知识”（例：“如果，膏岩比例大于35%，则，流体阻断系数等于1” 类似的表述），并且将知识给予专家系统的知识库中，用来进行专家系统的应用（专家预测与决策）。

知识工程技术，是应用人工智能的原理和方法，对那些需要专家知识才能解决的应用难题提供求解的手段恰当运用专家知识的获取、表达和推理过程的构成与解释，是设计一个基于知识的系统（专家系统）的重要技术知识图谱 是知识工程的一种新技术。

由于大数据时代来临，人工获取知识的难度，产生了的一种自动化过程构建的方法而基于知识图谱的技术建立后，转身回来改造了整个知识工程的技术流程知识库：是存储“知识：的数据库或其他系统问题来了，上面有两个知识定义，知识库存储的是哪个概念的内容？。

事实上，WIKI百科就指出来，知识库的概念来自两个不同的领域，一个是人工智能及其分支-知识工程领域，另一个是传统的数据库领域这也就是目前各种知识库建设中的差异性出现的原因，因为大家理解的知识库，根本就不是一个概念。

在搞清楚了知识这一系列内容的来龙去脉，我们看看知识管理与知识工程的发展历史1977年，知识工程的概念，由美国斯坦福大学计算机科学家费根鲍姆教授(E.A.Feigenbaum)在第五届国际人工智能会议上提出的。

1986年，斯威比（Karl E. Sveiby)博士用瑞典文出版了《知识型企业》，使他成为知识管理理论与实践的“瑞典运动”的思想源泉1987年，他和英国知识管理专家汤姆·劳埃德合著出版了《知识型企业的管理》一书，提出一整套知识型企业管理理论和实用方法，成为知识型企业管理的开山之作。

1990年，斯威比出版了《知识管理》一书，是世界上第一部以“知识管理”为题的著作为什么需要知识管理1995年，欧共体开始通过ESPRIT计划为知识管理的相关项目提供资助2012年，谷歌公司提出了知识图谱

（Knowledge Graph）的概念用来支撑下一代搜索和在线广告业务，并在此后陆续推出开源项目于是基于图谱的知识管理（理论方法）与知识工程（知识应用实践）在技术实现上得到了巨大的改变2013 年，知识图谱技术开始引领了全球范围的知识管理技术变革，基于知识图谱技术的知识表示、知识抽取、知识融合和知识推理成为知识管理项目建设的关键技术。

SAP称企业知识图谱（enterprise knowledge graph）为下一代知识管理技术（来源：SAP产品）经过多年发展，传统的知识管理与知识工程概念经过长期技术演变，已形成了一套非常成熟的理论体系和实施方法。

需要注意的是，知识管理和知识工程是有区别的把知识工程包含于知识管理或把知识管理包含于知识工程都是不可取的，知识管理更多地关注人的因素，属于管理范畴；知识工程更多地关注技术的实现，属于技术范畴因此，无论从目标、处理手段与方法、应用领域、学科范畴等各个方面来讲，知识管理与知识工程都有着很大的不同，是完全不同的两个研究领域。

但是概念混用现象依然存在由于理论表述的系统性要求，很多技术和方法在表述的时候，习惯于将相关的技术整合在一起，形成一个系统的概念例如，知识工程作为知识管理的重要实现方法，常常被人们与知识管理混用后期知识图谱技术的重新崛起，知识图谱的实现内容一定程度也存在与知识工程混用的现象。

我个人看法，这，也算是技术发展演变中的一个正常现象吧！2、技术的革命性特征知识管理，知识工程，知识库（1）知识管理知识管理的概念，是有其明显的应用目标和应用特点的在关注对象上，知识管理关注的是对企业内外部的显性、隐性知识的管理，显性知识包括内外部的研究报告、标准规范、程序文档和数据等；而隐性知识包括隐藏在人的大脑中的经验，和隐含在企业业务中还没有被发现的知识或经验。

在应用主体上，知识管理主要面对企业，在企业现有管理架构 和 IT应用系统结合方面实现企业价值增值，关注的是企业知识的梳理，知识和人的关联，人与人的关联以及和企业业务的融合在过程上，知识管理作为企业提高工作效率和增加竞争力的关键，其建设将与企业的信息化内容管理结合并融合。

传统的知识管理概念经过长期技术演变，已形成了一套非常成熟的理论体系和实施流程一般来说，知识管理的一般通过五个典型步骤实现第一步：认知统一企业对知识管理的认知，梳理知识管理对企业管理的意义，评估企业的知识管理现状。

第二步：规划知识管理的推进是一套系统工程，在充分认知企业需求的基础上，详细规划也是确保知识管理实施效果的重要环节第三步：试点此阶段是第二阶段的延续和实践，按照规划选取适当的部门和流程依照规划基础进行知识管理实践。

第四步：推广和支持在试点阶段不断修正知识管理规划的基础上，知识管理将大规模在企业推广，以全面实现其价值第五步：制度化制度化阶段既是知识管理项目实施的结束，又是企业知识管理的一个新开端，同时也是一个自我完善的过程。

(2) 知识工程和知识图谱（很重要的一节）

知识工程 是人工智能的原理和方法，对那些需要专家知识才能解决的应用难题提供求解的手段恰当运用专家知识的获取、表达和推理过程的构成与解释，是设计基于知识的系统的重要技术问题知识工程也是以知识为基础的系统，就是通过智能软件而建立的专家系统。

知识工程过程包括5个活动（来自百度百科）知识获取知识获取包括从人类专家、书籍、文件、传感器、或计算机文件获取知识，知识可能是特定领域或特定问题的解决程序，或者它可能是一般知识或者是元知识解决问题的过程知识验证：知识验证是知识被验证(例如，通过测试用例)，直到它的质量是可以接受的。

测试用例的结果通常被专家用来验证知识的准确性知识表示：获得的知识被组织在一起的活动叫做知识表示这个活动需要准备知识地图以及在知识库进行知识编码推论：这个活动包括软件的设计，使电脑做出基于知识和细节问题的推论。

然后该系统可以推论结果提供建议给非专业用户解释和理由：这包括设计和编程的解释功能在知识工程的过程中，知识获取被许多研究者和实践者作为一个瓶颈，限制了专家系统和其他人工智能系统的发展，直到知识图谱技术成熟。

知识图谱 本质上是基于语义网络（semantic network）的知识库，旨在描述客观世界的概念、实体、事件及其之间的关系知识图谱（Knowledge Graph）的概念最先是由谷歌于 2012 年正式提出（之前有类似概念提出，但并非同一概念），主要用来支撑下一代搜索和在线广告业务。

2013 年以后知识图谱开始在学术界和业界普及，并在搜索、智能问答、情报分析、金融等领域应用中发挥重要作用谷歌的知识图谱实现三个主要的目标：（1）理解分析搜索请求的含义，找到最想要的信息；（2）基于搜索词，提供最全面的摘要信息，并总结出与话题相关内容；

（3）通过KG理解多种含义之间的差别，让搜索更有深度和广度也是在这一年，Google提出了知识图谱的概念并在之后陆续推出了开源项目以提供支持，于是基于图谱的知识管理（理论方法）与知识工程（知识应用实践）在技术实现上得到了巨大的改变。

而基于知识图谱技术的知识表示、知识抽取、知识融合和知识推理成为知识工程的关键技术知识图谱通常使用三元组的形式来表示，即 G=(E,R,S)其中E={e1,e2,e3,…,en}是知识库中的实体集合，共包含|E|种不同的实体；R = {r1,r2 ,… ,rn}是知识库中的关系集合，共包含|R|种不同关系；S⊆E×R×E代表知识库中的三元组集合。

三元组的基本形式主要包括“实体1、关系、实体2”和“概念、属性、属性值”等，实体是知识图谱中的最基本元素，不同的实体间存在不同的关系概念主要指集合、类别、对象类型、事物的种类，例如人物、地理等；属性主要指对象可能具有的属性、特征、特性、特点以及参数，例如国籍、生日等；属性值主要指对象指定属性的值，例如中国、1988-09-08等。

每个实体(概念的外延)可用一个全局唯一确定的ID来标识，每个属性-属性值对可用来刻画实体的内在特性，而关系可用来连接两个实体，刻画它们之间的关联（来源：《知识图谱简介》Walker，CSDN-磐创 AI）。

知识图谱的架构主要包括自身的逻辑结构以及体系架构,目前，大多数知识图谱都采用自底向上的方式进行构建，其中最典型就是Google的Knowledge Vaule，知识图谱体系架构如下图所示：

图：知识图谱的架构知识图谱的构建包括三个步骤：(1)信息抽取：从各种类型的数据源中提取出实体（概念）、属性以及实体间的相互关系，在此基础上形成本体化的知识表达；(2)知识融合：在获 得新知识之后，需要对其进行整合，以消除矛盾和歧义，比如某些实体可能有多种表达，某个特定称谓也许对应于多个不同的实体等；

(3)知识加工：对于经过融合的新知识，需要经过质量评估之后（部分需要人工参与甄别），才能将合格的部分加入到知识库中， 以确保知识库的质量新增数据之后，可以进行知识推理、拓展现有知识、得到新知识（CSDN博主磐创 AI）。

关于软件研发，借助开源项目的加持，知识图谱技术的入门的门槛不高如果你是一名程序员，安装一个Neo4J，用它来建立自己的知识库；然后安装Python语言下Py2neo，用来访问数据库并生成图谱，跑通一个案例，你会发现知识图谱的使用并非复杂的事情。

很抱歉！将知识图谱作为单独一个章节的文章已经取消，是基于这么几点原因：（1）知识图谱技术虽然原理复杂，但实现还是很简单的，网络上技术文章和软件代码非常全；（2）业内对于知识图谱的关注，不是因为知识图谱技术本身，而是将它看作了一个知识工程；

（3）知识图谱作为一种技术，在业务中的落地完全取决于业务思路；（4）目前知识图谱作为技术在油田中，还缺乏较大的系统性应用，应用方法和落地案例比较匮乏（3）油气领域的 知识库 技术维基百科中提到，知识库的概念来自两个不同的领域，一个是人工智能及其分支-知识工程领域，另一个是传统的数据库领域。

由人工智能（AI）和数据库（DB）两项计算机技术的有机结合，促成了知识库系统的产生和发展石油行业中的知识库建设主要是两者的结合，以后者为主(实现企业知识的数据库)国内油田与油公司在多年的勘探开发知识库建设过程中，面向企业显性和隐性知识的建设，出现了两类典型的知识库内容设计模式。

一个是通用的、基于知识图谱的面向报告与文献知识管理，另一个是专门针对油气勘探开发核心过程的专业软件研究成果的整理融合通用模式：面向企业档案资料的知识管理与共享，基于知识图谱的面向报告与文献知识管理专业模式：

面向专业研究成果的知识管理与共享，针对油气勘探开发核心过程的专业软件研究成果融合.通用模式，是基于传统知识管理方法而创建，偏重于传统的资料文档的管理，进而在文本基础上，通过本体标定、知识抽取来锚定知识，进而提供知识钻取和挖掘。

专业模式，是基于石油行业研究模型而创建，偏重于针对专业研究的全业务流程梳理和组织，实现从物探、地质、油藏、工程全流程的各类半结构化和非结构化的专业数据内容的存储，同时也会将文字报告和相关图件以业务主线来组织起来。

这一模式的知识管理偏重于地质与油藏模型的认知它是针对专业研究的全流程，实现从物探、地质、油藏、工程全流程的各类半结构化和非结构化的专业数据内容的存储，同时也会将文字报告和相关图件以业务主线来组织起来，以图形界面方式提供知识搜索、抽取和共享。

重点说一下后者，目前一些石油行业的研究成果管理和挖掘应用软件（如斯伦贝谢的StudioManager），都称这一过程为“知识管理系统”在这一模式的知识库建设，是基于专业化研究软件形成的中间成果和最终成果（工程文件）作为主要内容。

这些知识库整合了地震属性、地质构造、岩石物理属性、地质研究成果、钻完井成果、油藏知识、油气生产知识、工程建设知识等，通过统一的集中管理，形成了勘探开发专业知识库继而，通过交互式三维界面，提供用户知识的搜索和获取和集成交互，从而辅助用户形成面向业务对象的认知提升。

图：石油公司和油服公司的知识管理与知识库建设模式3、行业应用领域（1）知识管理的广泛应用与数字油田的不同层次知识管理与知识库应用广泛，不同业务的生产、研究到管理流程中，所有过程性的设计、报告、标准和文献，都会纳入知识管理的范畴。

同时，一般的知识库系统还会提供知识搜索和知识共享的内容因此，知识收集和共享的任务存在于每一个环节

在石油行业的应用，知识管理与知识工程是从三个层面来开展的知识管理层面：面向业务模型和业务价值链，基于现有的研究工具和研究流程开展勘探开发知识体系建设，通过知识有形化积累，以实现各研究环节成果的系统化管理。

知识共享层面：面向勘探开发工作的业务主线，开展基于工作流的知识组织与知识共享，促进知识与业务流程的融合，实现经济效益的获取战略支撑层面：以业务协同作为知识应用的方向，通过知识传递实现人员、软件和流程的连接，创建E&P多学科的无缝衔接的生态系统。

（2）石油石化领域的知识管理系统建设模式石油行业的知识管理，基于不同技术体系和设计思想，出现了不同的实现模式传统的知识管理与知识库形成了一套非常成熟的理论体系和实施流程，如图所示，各油公司与相关的研究部门做了知识管理系统和知识库的探索与实践，取得了一定的研究成果。

图：各油公司与研究部门在知识管理方面的建设应用实践但不可否认，油气行业知识管理的技术体系发展，还是缓慢了些近年来，企业级知识管理技术发展不温不火，即便有知识图谱这样的技术加持，也基本等同与资料管理+智能搜索。

对于石油行业来说，囿于石油地质与油藏理论的高度复杂性，以及地学数据标准和软件的薄弱，知识体系建设也不得不停留在档案管理层面由于未能有效深入到勘探开发与采油生产的业务逻辑中，导致现有的知识工程技术远远没有发挥其应有的作用。

4、典型应用场景分析（1）中国石化知识管理平台建设实践通过国家级的知识工程示范样板，中国石化进行了多方面的相关实践首先建立了勘探开发知识体系，覆盖油田业务8大业务领域、57个一级业务、1000多个业务活动。

二是融合大数据、云计算、移动应用等技术，打造云架构的知识管理平台SKM，实现知识全生命周期管理其次，面向业务场景实现四大应用模式：“石油百度”实现一站式石油知识检索与服务；项目应用，项目前期成果可借鉴，过程成果可沉淀，最终成果可复用；专题应用，形成跨组织的开放虚拟团队，与志同道合者想法碰撞，促进学习；同时针对个人打造了个人知识空间。

再者，是构建了一个庞大的油气知识库，汇集了内外部1000个知识源，形成千万级节点，构建800万量级知识库，涵盖了所有的勘探开发领域最后，是打造了石油领域的专家资源库，梳理入库867名领域专家，涵盖22个专业领域；五是将激励制度与平台有机结合，有效促进知识共享。

中石化知识工程建设有力地促进了中国石化KM理论和关键技术的创新突破基于发明问题解决理论(TRIZ，这是一个好东西！最近学习的强烈感受)、知识管理与知识工程、自然语言处理、数据库挖掘、软件工程等理论，以知识的产生和应用为主线，采用CommonKADS方法建模梳理企业知识，实现知识的继承和创新，结合中国石化实际，形成一套企业知识管理整体解决方案，解决了从设计、开发、实施到运营4个阶段的落地问题。

此外，中国石化通过算法优化、技术创新，打通了知识采-存-管-用的智能化、工程化通路，比如在采集方面通过多源异构信息自动化采集技术、基于自然语言处理的知识加工技术，将准确率从52%提高到94%，首次实现石化行业知识图谱构建及工程化应用。

（以上内容来自网络媒体，仅供参考：）（2）典型应用：斯伦贝谢公司的“勘探开发知识环境工作室”斯伦贝谢的知识管理是我个人最为推崇的石油行业知识管理和知识工程的实践模式，既来源于知识管理传统理论，又能够将知识图谱等人工智能技术有效的选择应用，最后还结合石油行业的传统建模和分析的技术流程做了极好的落地，很实用。

目前，这一技术体系被斯伦贝谢以Studio Manager平台和DELFI认知环境两套系统进行了完美的实现。

图：斯伦贝谢的知识管理体系和知识工程实现如上图，斯伦贝谢的知识管理体系和知识工程实现中，大量的企业级知识（包含数据、成果和资料）按照专业进行统一的存储管理，在StudioManager中，可以用一个完整的“地质与油藏模型”概念将其展示出来，用户通过可视化方式对于这些“知识”进行浏览、搜索、重组织并获取，将其在DELFI认知环境中加载应用。

图：斯伦贝谢的知识管理与认知环境的结合的行业认知模式知识的应用是与其核心业务的认知相关联的，DELFI认知环境本身是一个多种数据和知识的汇总和模型化交互分析的平台，在这里，知识不仅仅是用来查看，更是通过认知技术用来集成各种专业软件与工具，来认识分析问题。

5、技术分析与解读知识管理与知识工程技术发展到今天，是一个需要重新审视其技术架构和应用架构的时候了具有油气勘探开发业务特色的知识系统是知识管理建设的目标包括：以地质与油藏为核心的知识库内容，以油气价值链为核心的知识应用系统，以此凸显行业的专业化和特色化。

原有的、基于知识管理和知识工程理论体系的 知识库建设，在文档管理和企业科技成果（含专利、版权、著作权等）管理的市场上具有很强大的生命力但也因为这种普遍性，它不具备对于石油行业核心研究过程的支持，更无法构建一个清晰描述油气知识体系的成果模型，而这才是地质和油藏研究的核心需求。

 因此，面向石油勘探开发的知识管理，需要我们综合传统知识管理和行业研究成果，形成一个具有“鲜明行业特色”的知识库体系基于知识库，通过以知识图谱为代表的知识工程，建立对于以地质和油藏为核心的勘探开发业务认知，通过知识搜索关联和挖掘，形成业务认知以及辅助的分析与决策，建立一个知识管理和应用的系统。

图：数字油田知识管理的应用架构建设构想这里，基于国内外相关知识管理的技术与实践，初步构想一个理想的知识管理应用框架（如上图，仅供参考）数字油田的知识管理应用架构，体现了几个重要的因素（1）面向具体行业应用的知识建设流程。

在一个理想的知识管理技术和应用体系中，应该覆盖从知识采集、知识抽取管理，到知识共享应用的三个层面下一步的知识管理，应该从“新技术应用”和“专业化逻辑结合”两个方面实现结合，充分结合现有的专业研究软件、核心管理流程软件，梳理流程、抽取成果，提供知识获取方法，从而形成新一代的智能化知识管理。

国内目前较多油田和油公司的知识管理，做成了的文档文献管理、资料管理；或者用知识图谱等技术加一个全文检索，就宣称这是知识管理；更有高大上却不落地的理论来代替知识内容建设，等等；这些思路，不可取（2）以支撑知识管理新技术新方法提升业务智能。

关联分析、数据挖掘及知识图谱等技术让知识管理的应用得以逐步的深化和系统，知识管理逐渐从通用性技术，向专业性支撑方向进行衔接，用来解决局部的具体问题，变得更加接地气尤其是知识图谱技术，这种人工智能技术让知识系统具备了认知能力。

这种机器认知智能在知识管理应用方面是广泛而多样的，重点体现在精准分析、智慧搜索、智能推荐、智能解释、更自然的人机交互和深层关系推理等多个方面实际上，借助于知识图谱与机器学习等新技术的应用，目前的知识管理，已经逐渐从资料的管理，逐步抽象到业务（商业）认知的层次，从人类感知、理解和分析的角度来组织知识，分析知识和思考知识。

（3）知识管理未来的演化方向知识管理不是一个孤立的技术体系，作为一个业务体系最顶层的“大脑”，它是完成业务价值链闭环的极其重要、极其高层次的环节，也是最具智慧性的一个环节从系统发展角度看，未来的知识管理，会基于知识本身开始、逐步打通与核心业务分析的沟通，融入到业务认知分析的领域，也就是“认知计算”这一技术课题中。

（完）

免责声明：本站所有信息均搜集自互联网，并不代表本站观点，本站不对其真实合法性负责。如有信息侵犯了您的权益，请告知，本站将立刻处理。联系QQ：1640731186