Knowledge Management Forum >

2026 , Vol. 11 >Issue 1: 13 - 23

DOI: https://doi.org/10.13266/j.issn.2095-5472.2026.002

Pioneering Exploration of AI-Empowered Knowledge Management and Services

AI Recognition from the Perspective of Knowledge Representation

  • Li Yuhai 1 ,
  • Chen Xi , 2 ,
  • Jin Zhe 2
Expand
  • 1. Innovation and Development Research Center for Chinese Libraries, Central China Normal University, Wuhan 430079
  • 2. School of Information Management, Central China Normal University, Wuhan 430079
Chen Xi, Doctoral Candidate, E-mail:

Li Yuhai, Professor, Doctor, Doctoral Supervisor

Jin Zhe, Doctoral Candidate.

Received date: 2025-11-13

  Online published: 2026-02-28

Supported by

"Golden Osmanthus" Program of the Humanities and Social Sciences of Central China Normal University, titled "Research on Knowledge Organization Theory and Method of Multi-Perspective Knowledge Representation"(30106240150)

Fold

Abstract

[Purpose/Significance] People can quickly obtain the necessary knowledge from a vast amount of information, relying on knowledge to represent complex structured and semantic modeling of information. This article describes knowledge from multiple perspectives, constructs a multi-perspective knowledge representation framework model, and explores the innovation of knowledge organization theories and methods, with the aim of further promoting the strategic development of artificial intelligence. [Method/Process] Knowledge representation perspectives were classified into perspectives such as knowledge object, knowledge subject, and knowledge situation based on different perspectives. The theoretical basis of the methods under these knowledge representation perspectives was described. The framework and model of multi-perspective knowledge representation were constructed, the formal representation of knowledge order was realized, and a brand-new operating mechanism of multi-perspective knowledge representation was proposed. [Result/Conclusion] To maximize the effectiveness of knowledge representation in a digital and intelligent environment, multi-perspective knowledge representation can be adjusted in aspects such as establishing a flexible and multi-dimensional holographic knowledge order, integrating multi-modal and contextualized expressions, and dynamically evolving for user problems, so as to better serve specific practical fields.

Key words： multi-perspective knowledge representation; knowledge order; knowledge integration; knowledge reasoning

Cite this article

Li Yuhai , Chen Xi , Jin Zhe . AI Recognition from the Perspective of Knowledge Representation[J]. Knowledge Management Forum, 2026 , 11(1) : 13 -23 . DOI: 10.13266/j.issn.2095-5472.2026.002

当下，信息的使用方式和表达形式日益丰富，知识的呈现形式趋向于动态化、异构化，这加大了知识结构化的难度，知识表示面临原始数据的异构性与知识结构化需求之间的根本矛盾。知识表示任务是将不同形式存在的知识转化为计算机可识别的编码，使知识符号化、形式化和模型化，形成计算机可处理的结构化材料。知识组织的本质是知识表示和序化[1]，其根据知识的内部特征，对各种形式存在的知识进行加工处理，形成有关联的、序化的、便于人使用的知识。随着计算机技术和人工智能的发展与普及，二者不断走向融合。在《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》[2]中多次强调发展人工智能是国家重大战略需求，同时AIGC（artificial intelligence generated content，人工智能生成内容）大模型的快速崛起对传统知识组织理论体系发起了挑战。探索知识组织理论和方法的创新，进一步推动人工智能战略发展，已成为一项备受关注的重要议题。
本文从多视角知识表示出发，从知识主体、知识客体、知识情境3个视角，探讨不同特征知识的多视角统一表征理论与方法，在此基础上确认不同粒度知识的具体组分，以及组分的构成。首先分析3种视角下知识的具体组分，然后对知识组分构建的知识组态在知识管理中的应用进行简述，同时在多视角具体组分的基础上构建知识表示的系统模型，构建一个包括知识抽取、知识融合和知识推理3个阶段的系统框架。

1 知识表示的视角/Perspective of Knowledge Representation

1.1 知识表示的视角类型与范围

知识表示是从一定的视角出发对知识进行建模，通常包括多视角和单视角的知识表示方法。单视角知识建模受限于知识者的立场、经验、感受以及所涉及的领域知识和操作情境，不同主体会对同一事物有不同的理解，给予同一客观事物不同的标签。单一视角的知识组织方法已无法满足知识组织的发展要求[3]。本文将知识表示的视角分为知识客体、知识主体、知识情境3类。
（1）知识主体视角的范围。在知识生态视角下，知识主体既可以是个体，也可以是组织或群体，其通过显性与隐性知识的交流、融合，推动知识生命周期的演进[4-5]。现有理论中，知识主体是指对客观世界进行认知与解释的人类个体或种群，是推动知识生成、流动与演化的核心动力。随着人工智能等信息技术的发展，知识主体的范围得以扩展，具有自主学习能力的智能系统逐渐参与到知识生产与加工过程中[6-7]。知识主体则可从个体、群体和社会3个视角进行区分，分别得到微观层次、中观层次和宏观层次的知识组分。
（2）知识客体视角的范围。在传统知识生态理论中，知识客体是知识主体认识和加工的对象，包括概念、事实、规则及其关系结构[8]，其价值需通过主体的认知活动才能实现[9]。在AI技术共同推动下，知识客体在知识生态系统中的地位与形态正在发生转变。现有研究指出，AI技术的自我学习能力推动知识客体不断自我更新，在一定程度上反向影响主体的认知方式[10]。生成式AI拓展了知识资源的来源，在黑箱中通过生成、重组和演化的知识与现有的文献、数据和经验共同构成虚实相生的知识资源体系。虚拟知识与现实知识在多重空间与多条时间线中持续交互，知识资源呈现出数量激增、结构异质、表达多样的复杂特征，并导致认知迷雾、AI错觉等现象出现。因此，有必要深入到知识客体的表示层面，从语法、语义与语用3个维度，对知识客体进行结构化拆解，识别知识客体的内在组分，从而为多视角知识表示提供基础。知识客体主要表现在知识的名称、属性、概念及其外延等内容要素，以及语法、语义和语用3个层面[11]。
（3）知识情景视角。知识情景是知识在被生成、加工与应用时的具体状态和知识活动发生的时点、任务、背景、规则等。从内容构成上看，知识情境包含与知识客体相关的所有事物、政策、观点，并进一步可区分为知识的产生情景与知识的运用情景两类。已有研究表明，知识的流动、共享与演化嵌入于特定的情境之中，知识主体的参与方式、显隐性知识的转化均依赖于情景条件[4]。因此，知识情景是知识主体对知识客体进行认知实践的具体情景，是连接知识主体与知识客体的中介。

1.2 各视角下的知识组分

1.2.1 主体视角下的知识组分

（1）个体视角。用户在深入探索问题时需要粒度更小的知识，而有时需要粒度较大的整合类型的知识，面向用户不同情境下对知识的使用需求，将知识划分为不同粒度，可以更好地满足用户的实际使用需求[12]。现有研究从不同角度划分知识粒度，赵冠壹等[13]基于网络图谱结构，构建了知识缘层、知识集合层、资源层的多粒度知识组织模型；范昊等[14]从知识关联视角出发，将标准文档的知识内容划分为文档特征、技术规则、规范实体3个层次，并将知识载体划分为篇、句、词语或短语3个层次，与知识内容进行对应；王忠义等[15]依据知识的抽象程度，将学科知识的粒度由粗到细划分为事理知识、事件知识、概念知识和实例知识；陈燕方[16]结合用户需求与资源组织两个维度，将文本结构划分为知识服务层、知识聚合层、知识组织层和馆藏资源层。
现有知识多粒度划分方法粒度较为粗糙，缺乏对知识内部结构与组分的深入剖析，且在面对多样化的用户需求时，难以提供充分的支持。个体在认知过程中的认知模式，遵循“对象→问题→原理（事理）→方法（事件）→概念→实例”的知识构建路径，即主体首先围绕具体对象感知问题，其后通过对问题成因与运行机制的解释形成对“事物如何发生及为何如此”的原理性理解。从知识需求的角度，个体知识需求是在解决某对象的相关问题的过程中，首先产生对原理性解释的需求，进而衍生出对方法知识、概念知识和实例知识的进一步需求。因此，在个体视角下，知识组织从用户的认知路径和认知需求出发，从微观层次上识别知识的多粒度特征，挖掘出各粒度知识（实例、概念、事件、事理等）的基本组分。在王忠义等[15]对学科知识划分的基础上，笔者确立了个体视角下的知识组分，并构建个体视角知识秩序，如表1—表4所示。
表1 事理知识表示模型

Table 1 Model for representing rational knowledge

知识组分属性类型 具体要素
主题标识 ID::={唯一标识符}
名称::={事理名称}
内部属性 研究对象::={研究所指向的事物}
科研问题::={研究所指向的方向}
事件::={包含的事件}
事件链::={事件流程}
情境属性 产生情境::={描述事理知识的产生情境，包括：背景、原因、后果、目标等}
应用情境::={描述事理知识适于解决的问题情境，包括：背景、原因、后果、目标}
外部关联属性 静态关联::={与其他事理知识之间的语义关系}
消息接口::={输入的消息、输出的消息}
来源::={描述事理知识的文本及文献来源}
表2 事件知识表示模型

Table 2 Event knowledge representation model

知识组分属性类型 具体要素
主题标识 ID::={唯一标识符}
名称::={事件名称}
内部属性 主体::={充当事件主体的概念}
客体::={充当事件客体的概念}
方法::={描述事件凭借手段的概念}
行为::={描述事件行为的概念}
事理::={事件所属的事理}
情境属性

产生情境::={描述事件知识的产生涉及的背景、前提、时间、地点等}

应用情境::{描述事件知识适于解决的问题情境，包括：背景、原因、后果、目标等}

外部关联属性 静态关联::={与其他事理知识之间的语义关系}
消息接口::={输入的消息、输出的消息}
来源::={描述事件知识的文本及文献来源}
表3 概念知识表示模型

Table 3 Conceptual knowledge representation model

知识组分属性类型 具体要素
主题标识 ID::={唯一标识符}
名称::={概念名称}
内部属性 内涵::={充当概念本质内涵属性}
外延::={与概念相对应的实例对象}
操作::={概念中声明的操作}
事件::={概念所属的事件、及在事件中所扮演的角色}
情境属性

产生情境::={描述概念知识产生涉及的，背景、前提、时间、地点等}

应用情境::={描述概念知识适于解决的问题情境，包括：背景、原因、后果、目标等}

外部关联属性 静态关联::={与其他概念之间的语义关系}
消息接口::={输入的消息、输出的消息}
来源::={描述概念知识的文本及文献来源}
表4 实例知识表示模型

Table 4 Instance knowledge representation model

知识组分属性类型 具体要素
主题标识 ID::={唯一标识符}
名称::={概念名称}
内部属性 属性::={实例对象特定属性的具体属性值}
操作::={实例执行的具体操作}
概念::={实例所属的概念}
情境属性

产生情境::={描述实例知识产生涉及的，背景、前提、时间、地点等}

应用情境::{描述实例知识适于解决的问题情境，包括：背景、原因、后果、目标等}

外部关联 静态关联::={与其他实例之间的语义关系}
消息接口::={输入的消息、输出的消息}
来源::={描述实例知识的文本及文献来源}
（2）群体视角。J. Swales[17]指出：话语共同体是一个拥有共同目标和交流机制，通过特定体裁和专业术语以及约定俗成的符号进行维系。团体成员有共同的知识和相似的认知方式，通过成员间的角色分工实现知识的生产。可见话语共同体理论强调知识根植于特定群体的信息交流实践，知识表示可视为群体话语实践的一种表现形式，不同的话语共同体根据其特定的目标和社会化角色对知识进行表征。知识的秩序体现在群体交流和实践中，从群体的视角出发，可揭示同一知识在不同话语共同体中的差异。结合知识的生命周期理论与与话语共同体理论，群体视角选择终端用户、标引员与出版者作为对象。终端用户、标引员、出版者作为知识共同体的不同角色，分别带有不同的社会化标签，如某领域的研究人员、行业从业人员、政策制定者、学生或者普通公众，每个群体具有共有知识和相似的认知方式。不同群体有不同的知识秩序特征，如终端用户的特征是社会化标签、标引员的特征是叙词与分类号、出版者的标签是元数据（如出版者、出版年等）。
（3）社会视角。知识组分的社会视角分析是基于超领域分析的理论和方法，以客观对象为中心，跨越不同学科，从宏观视角识别有关该对象的全域知识的基本知识组分及其客观逻辑结构。超领域是指超越知识的领域层次，以多重知识领域的集合体为对象，研究知识在领域的交叉地带以及领域与领域之间的交流与转换[18]。例如在各学科中都有与“水资源”相关的概念知识，其在自然学科与社会学科的交叉研究中又创造出新的知识，例如经济学利用水文气候学中干旱和洪涝数据，构建出“虚拟水”贸易理论，并以“虚拟水”发展出金融衍生产品。

1.2.2 客体视角下的知识组分

知识表示是知识组织的一种，知识表示的根本问题是语言及其意义之间的问题[19]，从语法、语义、语用角度分析知识客体，有助于全面揭示知识的组成结构，如图1所示。
图1 知识客体视角的知识组分分析

Figure 1 Analysis of knowledge components from the perspective of knowledge objects

（1）语法层。在知识多视角表示中，客体视角的语法分析是指以知识本体为中心，研究组织符号或词语之间的组织规律，实现对隐性知识的显性化表示。符号学理论可以很好地解释知识组织中符号、概念与客观对象之间的对应关系与作用机制[20]。首先，符号或词素是能够承载概念的最小单位，是语言的基本单位，也是知识表示与传播的基础。概念是人类对客观事物抽象认知的结果，通过符号得以显化。指示物代表现实中的客观事物，符号与指示物之间不存在必然的联系，人类通过概念完成对客观事物的意义赋予和抽象认知。人类首先对客观事物形成概念，再利用符号对概念进行显性表达。因此，概念是知识表示与客观世界的中介。知识多视角表示的语法分析也就是对承载概念的符号系统及其组合进行语法分析，如对词语、术语、分类号、关系语句等符号以及这些符号所形成的结构进行分析。知识客体视角下语法层面分析的结果，为知识表示提供了符号系统与结构规则，确保知识能够以形式化和规范化的方式被编码与存储。
（2）语义层。语义分析的目的是对知识的意义进行解释，以得到知识表示模型在语义层的具体描述，在知识多视角表示的框架下，客体视角的语义层面是从概念的意义进行揭示和具体描述。从语义视角出发，概念的内涵、外延、属性等要素决定了概念的语义特征。概念的属性解释了其内部语义特征，也反映了概念间的潜在联系，如功能、用途、时空特征和约束限制等，这些特征是语义关系的基础。在系统论视角下，概念之间的语义关系是语义层的纽带，具体体现为路径依赖关系（如上下位关系）和关联关系（如因果、时序、功能等多位联系），体现知识对象的多维度互动。由此可见，语义层视角下知识组分包括概念及其属性、语义关系网络、语义约束规则等基本要素，并且还强调这些要素的交互与整合，以形成有序、可推理的知识语义体系。
（3）语用层。在知识多视角表示的客体视角下，语用视角刻画的是知识使用情境，反映与知识外部关联的联系。语用视角下的知识组分是消解多义与歧义，包括知识本身的主题和对象属性以及上下文中的提示特征。王忠义指出，语用视角下是对知识的学科特性进一步收敛，具体包括知识客观对象在不同学科中的特殊性，并明确具体研究对象和研究主体[21]。因此，语用视角下的知识组分揭示了知识所属的学科与主题。此外，知识的内在组分中还有与外部关联的元素（如法规、标准、文化背景等），其为明确知识使用范围提供支持，还能反映知识客体与外部环境的交互。

1.2.3 情境视角下的知识组分

知识情境是知识产生和应用的具体背景和环境[22]，知识用户能否快速、准确地获取想要的知识，取决于知识产生情境与知识应用情境的相似程度，即通过知识情境将知识客体与知识主体动态关联。因此，在知识组织时应将知识情境纳入知识表示中。具体而言，知识情境视角的知识组分包括两部分内容。①知识产生情境下的知识组分。在知识产生情境中，与知识内容密不可分的有诸如条件、背景、环境等维度的知识组分，通过知识产生情境视角的知识组分分析，可以促进用户对知识的正确理解，增强对知识的索引能力。②知识应用情境视角的知识组分，是与用户问题求解相关的情景要素，包括问题的产生背景、原因、后果、目标、环境等知识应用情境。

2 视角的组态/Configuration of Perspective

2.1 视角组态的定义及必要性

视角组态是将知识表示的各视角及其子视角按照一定的方式进行组合而形成的合成视角形态（也可称为“视角模式”），如图2所示。视角组态提供了一种将知识组分有机组织的方法，使知识从碎片走向有机整体，类似“句子结构”对词语的组织，同样的词通过不同语序表达不同含义，其价值在于定义了知识组分之间特定的、有意义的连接方式和空间/逻辑关系。它不仅是元素的罗列，还描述了元素如何相互关联、相互依赖、相互作用以形成一个有意义的整体单元或模式。在实际的知识表示与组织中，单一视角的知识表示受到受控词表限制，难以将不同视角的知识置于统一的知识组织框架内，难以满足用户的多方位需求，因此需要借助其他视角来增加确定性。
图2 视角组态的模式

Figure 2 Pattern of perspective configuration

2.2 视角组态的作用

2.2.1 本体的结构化

在知识表示中，知识组态通过编排知识组分，使得知识组分之间形成逻辑关系与结构。通过结构化，将零散、碎片化的知识转变为有机整体。知识组态回答了哪些知识元素以实体、属性、关系等进行组合以及如何组合，使知识内部结构呈现出清晰的框架与结构，形成了通用的本体框架。知识组态丰富了知识表示的形式，知识组分的组态独立于知识载体，在具体领域中可直接演化为不同的实例，实现跨领域知识迁移和利用。

2.2.2 知识的模块化

模块化设计通过对不同模块的组合，以有限的资源生产出更多产品系列，是面向大批量定制和快速生产的一种柔性设计方法，同时也是为了快速响应用户需求的手段。知识的模块化设计是一种知识的柔性设计方法，支持从多视角对知识进行快速表征，以满足用户多视角获取知识的需求[23]。模块化设计理念下，识别出知识的某种视角组态，就意味着识别出特定的知识秩序，是对知识组分的组合方式的抽象和概括，形成了更高层次的知识单元。将高维复杂的知识封装为低维的结构单元（如子图、概念框架），知识组态可被视为各视角下知识秩序的可重复组合模板，识别出某种知识组态，就意味着识别出一种知识组分的组合结构。知识模块化可被视为一个由识别到组合的过程性结果：①从各视角出发，识别不同视角下知识组分的特征；②在此基础上抽象各视角中知识要素的组织方式，识别并区分不同类型的知识秩序，为模块化提供结构单元；③根据主体的具体需求，确定知识秩序的调用重点与组合方向，构建满足用户需求的知识秩序；④依据秩序之间的逻辑关联规则，对多视角知识秩序进行选择、组合与封装，形成可复用、可组合的模块化知识单元，实现复杂知识的结构化表示。

2.2.3 知识复用

P. Demian等提出知识复用是指在不同情境下，知识主体对其他主体产生的知识进行再次利用[24]，以便提升工作效率和降低创新成本[25]。M. L. Markus[26]指出知识复用的关键在于知识在不同使用场景的适应性。知识组态将一组具有稳定关系的知识组分定义为一种“组态”，其中包含了各视角下知识组分的内部结构关系，还考虑了知识与情境的互动。知识组态通过情境将知识主体与知识客体有机关联起来，将知识情境纳入知识表示中，使同一种知识在不同情境下均能被灵活调用，从而使知识在各主体之间进行流转。知识复用是知识管理的重要环节，知识组态可以提升知识的利用效率，快速实现知识共享。

3 多视角知识表示的运行机理解析/Analysis of the Operating Mechanism of Multi-Perspective Knowledge Representation

3.1 视角组态是多视角知识表示的机理

在多视角知识表示中，由于各单视角下知识秩序的构建、知识秩序的划分、各类知识秩序的特征识别、知识秩序的组合规则是多视角知识表示产生新的运行机理，即视角组态机理。视角组态机理是指：在特定情景中知识主体视角下的知识秩序与知识客体视角下的知识秩序之间形成的组合知识秩序，也代表着知识不再是在单一视角中形成，视角的组态将成为多视角知识表示的新范式。

3.2 多视角知识表示机理运行的前提

知识视角组态机理是多视角知识表示的核心机理，其表现形式是知识秩序的特征识别与组合。随着人工智能技术的发展，知识表示的运行方式由单一秩序组织，转向多种知识秩序并行存在与动态组合。因此，多视角知识表示所面对的核心问题是：不同视角下知识秩序的特征如何被识别以及多种知识秩序如何组合。从知识秩序的构建方式来看，多视角知识表示中包括单视角秩序与多视角知识秩序。单视角秩序是根据各视角知识的特征构建的不同视角下的知识秩序，并对知识的秩序类型进行划分，具体包括主体、客体、情景3个视角8种秩序类型。从系统运行的角度来看，知识秩序的组合规则至少包括两个大类。①面向知识客体的知识秩序组合规则。首先，依据多视角知识表示中的事件框架，基于接口（或消息）定义知识秩序的原子组合规则，如顺序规则、条件规则和循环规则等；而后，依据多视角知识表示框架中的事件逻辑，定义知识秩序的复合组合规则；最后，基于语义推理方法挖掘新的知识秩序的复合组合规则。②面向知识主体的知识秩序组合规则分析。首先，基于用户的知识应用情境和用户的知识需求，定义用户的知识需求秩序；而后，基于用户的知识需求秩序，定义满足用户需求的知识秩序复合组合规则。

3.3 视角的组态是多视角知识表示的表征形式

如前所述，视角的组态被定义为在多视角知识表示框架下，知识在客体、主体、情境视角下知识的具体组分交互组合而形成的一种知识存在形态和结构模式。知识组态不仅揭示了知识在形式、意义和使用上的客体特征，也反映了知识在个体、群体与社会层面的主体归属，同时还体现了知识产生与运用过程中的情境依托。知识组态的动态功能类似于“魔方”的运作方式，魔方通过旋转，可以重新排列和连接不同的色块，从而生成一个新的整体方案。同样，知识组态可重新组合不同视角、不同维度的知识组分，形成新的知识单元。这种“旋转—重组”的过程，形成了一个动态生成的知识组织机制。“数智魔方模型”如图3所示。
图3 知识表示的多视角模型“数智魔方”模型

Figure 3 The multi-perspective model for knowledge representation, the "Digital Intelligence Cube" model

结合多视角知识表示的机理，研究绘制出“数智魔方”理论—知识组织机理，如图4所示。
图4 “数智魔方”理论—知识组织机理

Figure 4 "Digital Intelligence Cube" Theory - Knowledge Organization Mechanism

4 视角的AI识别系统框架构建/Framework Construction of AI recognition System based on Perspective

4.1 知识抽取：构建自然秩序

多视角知识表示的核心思想在于不同视角下可映射出不同的知识组分，在进行知识抽取时，并非是直接识别“视角”。而是识别在该视角下可被感知、操作的知识组分，如实体、关系、属性、事件、概念等内容，形成可操作的自然秩序结构。传统的知识抽取方法通常以单一对象为中心，知识抽取还需考虑知识应用情境的多样性与复杂性。用户的知识需求往往具有内隐性、个体差异性以及动态变化特征。因此，基于自然秩序构建的知识体系需能适应不同应用情境，动态生成满足用户语用需求的新知识秩序，这对知识抽取和自然秩序构建提出了挑战。而本文的知识多视角表示框架下，需对每一类知识表示视角匹配相应的抽取方法，形成综合性的知识抽取策略。

4.1.1 知识主体层面

在知识主体视角下，知识抽取关注认知主体因主体差异而产生不同的认知结果，以及不同主体对知识生产的影响。个体视角下知识抽取关注个体的认知过程和认知需求，主要抽取实例知识、概念知识、事件知识[27]、事理知识[28]；群体视角关注不同的社会主体标签，通过社会网络分析、用户画像建模、元数据识别等技术方法识别各类终端用户、知识生产者与知识流转者的社会化标签；跨学科社会角度则结合跨领域实体对齐、语义相似度计算与知识图谱链接等技术识别不同学科之间的交叉关联。

4.1.2 知识客体层面

在知识客体视角下，知识抽取聚焦于知识的语法、语义、语用的知识组分结构化表达。语法层主要是通过关系抽取与语义角色标注抽取概念之间的语义关联。例如，结合使用大语言模型与提示词工程识别复杂语义环境下的实体与关系[29]；语义层侧重识别知识组分中的语义关系，通过语义嵌入与上下文理解，使用BERT、RoBERTa等模型实现语义角色标注与关系推理[30-31]；语用层关注知识的具体学科、领域与语境，如通过分析政策文本中的“为了”“旨在”等提示词获取政策的目的信息[32]；利用大语言模型知识引导的机器学习方法，在由术语密、构成复杂且难以理解的科学文本内容中获取学科信息[33]。

4.1.3 知识情境层面

知识情境视角的知识抽取关注知识产生与应用逻辑。除了时间、空间外，还包括问题产生与应用相关的条件、背景、因果、环境、目标等情境，通过知识抽取获得每个情境下的知识组分。例如，通过政策与论文关联图谱构建，实现政策决策与科学证据之间的语义链接；基于《钦定大清会典事例》对清代驿站制度文本进行知识抽取，挖掘出“驿站制度”与清代政治、经济、文化、外交等情境的关联[34]。

4.2 知识推理：挖掘隐性秩序

知识抽取能够揭示显性知识和自然秩序，但受限于认知的局限性、主观性和表达方式的约束，人们难以对知识单元的自然秩序进行全面认知，往往丢失和遗漏了知识自然秩序中包含的重要信息（如隐含的秩序），人们利用的各种秩序都是显性知识，难以发现和表达一些潜在的隐性秩序。首先，知识推理通过在现有显性知识的基础上，通过因果推理、关联规则分析、逻辑或概率等方式，可以揭示知识单元之间潜在的逻辑链条，推导出隐性知识秩序。其次，知识表示学习与语义迁入技术能够识别多模态、多视角的关联特征。无论是基于规则，还是基于知识图谱和本体的推理模型，实际上是将隐含的关系与规律进行结构化的表达。在知识推理过程中，知识单元的语义关联和逻辑规则，决定推理结构的准确性。知识推理可对节点之间的属性、关系依循逻辑规则进行推演得到未知结论。例如，基于知识图谱的知识推理是以实体与关系的三元组为单位，通过语义相似度来进行约束，生成初始推理路径集合，然后在路径扩展中利用逻辑规则和概率权重对不确定知识进行评估，以确保推理的合理性和可靠性；在知识图谱中引入语义感知的知识推理模型，以知识图谱中的语义信息为基础，引入外源语义特征，通过局部语义间相互作用增强实体的表征能力；然后将优化后的实体表示作为先验信息，结合三元组序列挖掘知识的上下文关联，丰富推理语义空间，最后通过对不确定知识进行置信度学习，量化推理知识的可信度[35]。

4.3 知识融合：生成数字秩序

4.3.1 知识表示的多视角融合路径

知识的形成是多维度、跨模态知识从语义、结构等多重维度的交织与关联，因此知识融合是多视角知识表示框架中的关键环节。在多视角知识表示的框架下，各视角所映射出来的知识组分各有侧重，通过融合各视角下的知识组分，对知识进行统一的抽象表示，构建知识表示的多视角框架。知识融合旨在整合知识主体视角、知识客体视角、知识情境视角的各知识组分，将多源知识进行统一表征，并且可满足多种应用场景和弹性服务[36]。因此，知识融合是对不同知识表示视角进行整合的过程，既包括细粒度层面的实体和关系属性等方面的语义对齐，也包括粗粒度层面的概念和本体结构的融合[37]，二者相互作用，形成从语义对齐到知识重构的融合路径。
因此，本研究的知识组分融合路径由两个主要部分构成。第一部分，通过多视角语义映射，对来自主体、客体和情境视角的知识组分，在概念、属性与关系等方面采用相似度比较的方式进行对齐，实现跨视角知识本体层面的融合；第二部分，通过多源知识组分的消歧与合并操作，将来自不同视角、不同粒度的知识组分进行合并统一，实现知识表示视角的整体化融合。经过这两个环节的融合，最终可获得结构完整、清晰的知识单元。

4.3.2 知识表示的多视角融合关键技术

实现知识表示的多视角融合的关键在于使不同来源、不同形式的知识能够在语义空间中统一表征与灵活组合，其关键技术主要包括3个方面。
（1）基于语义相似度的组分匹配。通过语义表示模型对知识组分进行嵌入编码，比较不同视角下组分的概念属性与关系模式的语义相似度，识别可对齐的知识组分。语义相似度的计算可基于上下文嵌入模型、图表示学习或词向量模型，从而实现语义空间的跨视角映射。
（2）知识聚合技术。在语义对齐的基础上，融合过程利用聚类算法对语义相似度高、结构互补的知识组分进行聚合，从宏观和微观、内容与结构等多维度展示知识结构[38]。聚类结果揭示知识多视角表示的“链接”过程，是实现多视角知识表示的核心环节。
（3）动态演化技术。知识表示的多视角融合过程，可根据使用情境、任务和用户需求进行动态调整。通过情境感知、情境建模技术构建情境特征空间，对用户时间、位置、行为数据及社会关系等情境进行量化，使情境要素嵌入知识表示中[39]。通过反馈学习机制，将用户交互行为、情境相应等数据作为优化信号，动态更新情境模型与融合参数[40]。融合模型自适应调整各视角知识组分的权重，如通过情境权重矩阵、注意力分配机制和叶斯算法更新规则，及时调整知识融合策略[41]。此外，还引入反馈学习机制，将用户交互行为、情境相应等数据作为优化信号，动态更新情境模型与融合参数。

5 结语/Conclusion

现如今，多模态、多源化的知识使得知识表示面临着更加艰巨的挑战，为适应智能化时代的需求，并充分发挥其应有的作用，知识表示需要在一些方面进行适当的调整。
（1）建立灵活多维的虚拟知识秩序。为解决传统的基于信息单元的知识组织方式存在的粒度过粗，难以通过有效分割和重新组合满足用户多元、动态的知识需求的问题，实现面向知识内容单元的多视角知识表示和全息知识组织，可依据多视角知识表示框架和模型对知识单元进行描述、揭示、表示，并借助知识抽取方法从多模态的数字资源中获取显性的知识内容；而后，基于连接式知识表示方式，借助知识表示学习方法从多模态数字资源中挖掘隐性的知识内容；最后，基于实体对齐和链路预测等方法，识别潜在的新的知识关联，实现知识增强，最终实现面向知识单元的多视角全息知识表示和组织。
（2）多模态与情境化的融合表达。多视角知识表示是对知识的一种抽象描述，属于知识的抽象模态，为实现多模态知识从初始模态到抽象模态的映射，需要在分析各类型知识初始模态的基础上，对多视角知识抽象表示的内在需求进行分析。首先，剖析各类型知识的初始符号表示和感知形态，包括语音、文字、图片、视频等，识别各类型知识的初始模态，辨别知识表示的特征（如相似表示、象征表示等）；接着，解析各模态知识的元功能构成，识别各模态知识的元功能类型（如概念功能、人际功能等），识别不同模态知识的统一感知情境；然后对多模态知识进行跨模态关联分析，基于统一感知情境，通过跨模态对齐，识别不同模态知识的组分之间的关联关系，揭示多模态知识的意义构建形式；最后，基于多模态知识的意义构建，剖析各模态知识之间的意义互动机制，识别从异构的知识初始模态到统一的知识抽象模态之间的映射关系，从而明确多视角统一知识表示的内在需求。
（3）面向用户问题的动态演化。面对不断变化的知识体系，知识表示应具备自我更新与演化能力。在多视角知识表示框架和模型的基础上，借助知识抽取、情境建模等技术，通过用户知识应用情境与知识产生情境的匹配进行知识要素的裁剪，识别出可以满足用户需求的知识单元，然后通过对“数智魔方”旋转，对知识单元进行组配，动态生成满足用户问题求解的新知识秩序，从而实现面向用户的动态知识组织。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
BLAIR D C. Language and representation in information retrieval[M]. Amsterdam: Elsevier, 1990: 37-40.

[2]
中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要[EB/OL]. [2025-12-23].

The outline of the 14th Five-Year Plan (2021-2025) for National Economic and Social Development and the Long-Range Objectives Through the Year 2035[EB/OL]. [2025-12-23].

[3]
贾君枝. 知识组织中多视角知识表示方法的内在逻辑、类型及实现方式[J]. 中国图书馆学报, 2025, 51(1): 49-60.

JIA J Z. The internal logic, types and implementation of multi-perspective knowledge representation method in knowledge organization[J]Journal of library science in China, 2020, 51(1): 49-60.

[4]
毋江波, 司玥. 知识生态视角下数字人文领域学科知识的演化态势及其扩散逻辑分析[J]. 图书情报工作, 2025, 69(20): 134-152.

WU J B, SI Y. Evolution trend and proliferation logical analysis of disciplinary knowledge in digital humanities from the perspective of knowledge ecology[J]. Library and information service, 2025, 69(20): 134-152.

[5]
储节旺, 夏莉. 国内知识生态系统研究述评[J]. 情报科学, 2021, 39(8): 184-193.

CHU J W, XIA L. Review of domestic knowledge ecosystem research[J]. Information science, 2021, 39(8): 184-193.

[6]
顾婷, 高斌. 新技术形态下图书馆智慧化知识服务的重塑——以ChatGPT为例[J]. 图书馆理论与实践, 2025(1): 30-41.

GU T, GAO B. Reshaping the intelligent knowledge services of libraries in the new technological form: a case study of ChatGPT[J]. Library theory and practice, 2025(1): 30-41.

[7]
储节旺, 李佳轩, 唐亮亮. 元宇宙视域下的知识生态系统探析——要素、机理与展望[J]. 情报科学, 2023, 41(4): 10-16, 25.

CHU J W, LI J X, TANG L L. An analysis of knowledge ecosystems in the metaverse perspective: elements, mechanisms and prospects[J]. Information science, 2023, 41(4): 10-16, 25.

[8]
于梦月, 申静. 大数据时代的知识融合理论体系构建[J/OL]. 科学学研究[2025-12-23].

YU M Y, SHEN J. Construction of knowledge fusion theoretical system in the era of big data[J/OL]. Studies in science of science[2025-12-23].

[9]
蒋永福. 图书馆与知识组织——从知识组织的角度理解图书馆学[J]. 中国图书馆学报, 1999(5): 19-23.

JIANG Y F. Library and knowledge organisation: understanding library science from the point of view of knowledge organisation[J]Journal of library science in China., 1999(5): 19-23.

[10]
周兰羽. 知识异化下图书馆知识服务体系的解构与价值再定位[J]. 新世纪图书馆, 2025(5): 12-18.

ZHOU L Y. The Reconstructive effect of the knowledge alienation phenomenon on the library knowledge service system and its value repositioning [J]. New century library, 2025(5): 12-18.

[11]
贾君枝, 崔西燕, 任明. 数据与知识双驱动的知识组织系统构建框架研究[J]. 情报理论与实践, 2023, 46(10): 157-162.

JIA J Z, CUI X Y, REN M. Research on the construction framework of knowledge organization system driven by data and knowledge[J]. Information studies: theory & application，2023, 46(10): 157-162.

[12]
徐绪堪, 房道伟, 蒋勋, 等. 知识组织中知识粒度化表示和规范化研究[J]. 图书情报知识, 2014(6): 101-106, 90.

XU X K, FANG D W, JIANG X, et al. Research on knowledge granularity representation and standardization during knowledge organization[J]. Documentation, information & knowledge, 2014(6): 101-106, 90.

[13]
赵冠壹, 韩松花. 科技文献的多粒度知识组织研究[J]. 情报科学, 2023, 41(8): 134-138, 161.

ZHAO G Y, HAN S H. Multi-granularity knowledge organization of sci-tech literature[J]. Information science, 2023, 41(8): 134-138, 161.

[14]
范昊, 王一帆.知识关联视角下标准文档的多粒度知识组织方法研究[J]. 信息资源管理学报, 2024, 14(4): 133-145.

FAN H, WANG Y F. Research on multi-granularity knowledge organization method for standard documents from the perspective of knowledge association[J]. Journal of information resources management, 2024, 14(4): 133-145.

[15]
王忠义, 夏立新, 李玉海. 基于知识内容的数字图书馆跨学科多粒度知识表示模型构建[J]. 中国图书馆学报, 2019, 45(6): 50-64.

WANG Z Y, YIA L X, LI Y H. Construction of interdisciplinary multi-granularity knowledge representation model in digital library based on knowledge content[J]Journal of library science in China, 2019, 45(6): 50-64.

[16]
陈燕方. 基于多粒度的图书馆知识服务创新[J]. 数字图书馆论坛, 2018(3): 25-30.

CHEN Y F. Library knowledge service innovation based on multi-granularity[J]. Digital library forum, 2018(3): 25-30.

[17]
SWALES J. Genre analysis: English in academic and research settings[M]. Cambridge: CUP, 1990.

[18]
MAI J E. Semiotics and indexing: an analysis of the subject indexing process[J]. Journal of documentation, 2001, 57(5): 591-622.

[19]
蒋永福, 李景正. 论知识组织方法[J]. 中国图书馆学报, 2001(1): 3-7.

JIANG Y F, LI J Z. On the methods of knowledge organization[J]. Journal of library science in China, 2001(1): 3-7.

[20]
翟可欣, 袁靖舒, 袁满. 整合多学科理论的知识组织系统理论元模型研究[J]. 情报学报, 2024, 43(10): 1154-1165.

ZHAI K X, YUAN J S, YUAN M. Metamodel study of knowledge-organization-system theory integrating multidisciplinary theories[J]. Journal of the China Society for Scientific and Technical Information, 2024, 43(10): 1154-1165.

[21]
王忠义, 彭思源, 夏立新. 跨学科知识组织的概念关联研究[J]. 中国图书馆学报, 2022, 48(3): 43-62.

WANG Z Y, PENG S Y, XIA L X. The concept correlation of interdisciplinary knowledge organization[J]. Journal of library science in China, 2022, 48(3): 43-62.

[22]
施星国, 张丹, 包振强, 等. 基于知识情境的知识重用与创新机制研究[J]. 管理工程学报, 2009, 23(2): 7-10, 6.

SHI X G, ZHANG D, BAO Z Q, et al. Study on knowledge reuse and innovation based on knowledge scenario[J]. Journal of industrial engineering and engineering management, 2009, 23(2): 7-10, 6.

[23]
黄康, 陈祥, 朱晓慧, 等. 基于知识重用的模块化快速重组方法[J]. 合肥工业大学学报(自然科学版), 2016, 39(7): 880-886.

HUANG K, CHEN X, ZHU X H, et al. A rapid modular restructuring method based on knowledge reuse[J]. Journal of Hefei University of Technology(natural science), 2016, 39(7): 880-886.

[24]
DEMIAN P, FRUCHTER R. An ethnographic study of design knowledge reuse in the architecture, engineering, and construction industry[J]. Research in engineering design, 2006, 16(4): 184-195.

[25]
卢艳秋, 宋昶, 王向阳. 基于工业互联网平台的企业间知识复用研究[J]. 情报科学, 2022, 40(2): 141-147, 161.

LU Y Q, SONG C, WANG X Y. Knowledge reuse between enterprises based on industrial internet platform[J]. Information science, 2022, 40(2): 141-147, 161.

[26]
MARKUS M L. Toward a theory of knowledge reuse: types of knowledge reuse situations and factors in reuse success[J]. Journal of management information systems, 2001, 18(1): 57-93.

[27]
王忠义, 王泽人, 李志鹏, 等. 面向馆藏数字资源的跨学科事件知识融合研究[J]. 情报学报, 2025, 44(5): 577-591.

WANG Z Y, WANG Z R, LI Z P, et al. Interdisciplinary event knowledge fusion research for library digital collections[J]. Journal of the China Society for Scientific and Technical Information, 2025, 44(5): 577-591.

[28]
肖亚龙, 冯皓, 朱承璋, 等. 面向复杂网络舆情知识发现的事理图谱方法优化研究[J]. 情报杂志, 2024, 43(10): 134-143.

XIAO Y L, FENG H, ZHU C Z, et al. Optimization of event evolutionary graph method for complex online public opinion knowledge discovery[J]. Journal of intelligence, 2024, 43(10): 134-143.

[29]
谢婉莹, 李瑞, 徐泽水. TTKE-LLM：基于大语言模型与提示工程的旅游知识图谱构建框架[J/OL]. 图书馆论坛[2025-11-12].

XIE W Y, LI R, XU Z S. TTKE-LLM：TTKE-LLM: a tourism knowledge graph construction framework based on large language models and prompt engineering[J/OL]. Library tribune[2025-11-12].

[30]
陈昱成, 韩涛, 胡正银. 科技文献文本知识抽取的提示框架研究[J]. 现代情报, 2026, 46(2): 91-101.

CHEN Y C, HAN T, HU Z Y. Research on the prompt framework for knowledge extraction from scientific and technological literature text[J]. Journal of modern information, 2026, 46(2): 91-101.

[31]
林巧, 胡智杰, 吴俣, 等. 数智驱动的科研领域创新路径识别方法[J]. 科技管理研究, 2025, 45(18): 250-258.

LIN Q, HU Z J, WU Y, et al. Methods for identifying innovation paths in scientific research domains driven by digital intelligence[J]. Science and technology management research, 2025, 45(18): 250-258.

[32]
刘彦辉, 周红磊, 刘伟利, 等. 融合事理图谱与人工智能技术的政策建议方案生成研究[J/OL]. 情报理论与实践[2025-11-12].

LIU Y H, ZHOU H L, LIU W L, et al. Research on policy recommendation generation integrating event logic graphs and AI technology[J/OL]. Information studies: theory & application[2025-11-12].

[33]
马雨萌, 王延飞. 国外战略布局关键技术的线索发现研究[J]. 情报杂志, 2026, 45(1): 32-38.

MA Y M, WANG Y F. Research on clue discovery of key technologies in foreign strategic layout[J]. Journal of intelligence, 2026, 45(1): 32-38.

[34]
宋雪雁, 张祥青, 张伟民. 大模型驱动的清代驿站给驿制度知识抽取及知识发现研究[J]. 图书情报工作, 2025, 69(20): 120-133.

SONG X Y, ZHANG X Q, ZHANG W M. Research on knowledge extraction and discovery of the postal service system of Qing dynasty post station driven by large model[J]. Library and information service, 2025, 69(20): 120-133.

[35]
赵一晴, 李喜华, 邓彬. 基于语义感知的不确定知识推理模型[J]. 系统工程理论与实践, 2026, 46(1): 401-411.

ZHAO Y Q, LI X H, DENG B. Semantics-aware model for uncertain knowledge reasoning[J]. Systems engineering-theory & practice, 2026, 46(1): 401-411.

[36]
赵星, 李溢峰, 王乐, 等.生成式AI赋能之AI4LIS探索：理论结构与技术应用[J]. 中国图书馆学报, 2025, 51(6): 49-59.

ZHAO X, LI Y F, WANG L, et al. Exploring AI4LIS powered by GenAI: its theoretical structure and technical application[J]. Journal of library science in China, 2025, 51(6): 49-59.

[37]
彭珺, 邓君, 鞠海龙. 面向网络游记文本的事理知识融合框架研究[J]. 情报科学, 2024, 42(3): 156-162.

PENG J, DENG J, JU H L. The framework of travelogue texts knowledge fusion based on the event logic graphs[J]. Information science, 2024, 42(3): 156-162.

[38]
杨欣谊, 杨建林, 叶文豪. 基于异质信息网络的领域知识簇网络特征分析[J]. 情报学报, 2025, 44(9): 1128-1143.

YANG X Y, YANG J L, YE W H. Network characterization of domain knowledge clusters based on heterogeneous information network[J]. Journal of the China Society for Scientific and Technical Information, 2025, 44(9): 1128-1143.

[39]
杨金庆, 程秀峰, 周玮珽. 基于情境感知的资源推荐研究综述与实践进展[J]. 现代情报, 2020, 40(2): 153-159, 167.

YANG J Q, CHENG X F, ZHOU W T. Research review and progress on practice of the resource recommendation research based on context-awareness[J]. Journal of modern information, 2020, 40(2): 153-159, 167.

[40]
张潇璐, 赵学敏, 刘璇. 基于情境感知的高校移动图书馆知识资源推荐研究[J]. 情报科学, 2020, 38(1): 48-52, 92.

ZHANG X L, ZHAO X M, LIU X. Research on the recommendation of knowledge resources in mobile libraries of universities based on context-aware[J]. Information science, 2020, 38(1): 48-52, 92.

[41]
程秀峰, 范晓莹, 杨金庆. 一种融合了基于朴素贝叶斯算法与情境感知的协同推荐系统——以大学图书馆实体图书推荐为例[J]. 现代情报, 2019, 39(2): 57-65.

CHENG X F, FAN X Y, YANG J Q. An Naive Bayes and context awareness-based collaborative recommendation approach for university libraries[J]. Journal of modern information, 2019, 39(2): 57-65.

Options
Outlines

/

〈 〉