孫琳

〔摘 要〕[目的/意義]產(chǎn)品情報的有效獲取能夠幫助企業(yè)及時掌握市場動態(tài)及競爭態(tài)勢，并有利于提升產(chǎn)品競爭力。對產(chǎn)品情報及其知識需求呈現(xiàn)跨領(lǐng)域、跨行業(yè)、多主體的綜合性及深度挖掘商業(yè)價值的迫切性。[方法/過程]構(gòu)建細(xì)粒度的產(chǎn)品情報知識元模型，通過基于證據(jù)理論的多屬性融合過程，實現(xiàn)產(chǎn)品情報知識元屬性集與關(guān)系集描述空間的擴(kuò)展以及知識元屬性關(guān)系網(wǎng)絡(luò)的生成。[結(jié)果/結(jié)論]實例研究從業(yè)務(wù)和競爭力兩個視角，實現(xiàn)產(chǎn)品情報知識元屬性集的融合與深加工，為產(chǎn)品情報的隱性關(guān)聯(lián)知識發(fā)現(xiàn)提供相對完備的知識基礎(chǔ)。證明了基于證據(jù)理論的多屬性融合方法對產(chǎn)品情報知識元融合的可行性和有效性。

〔關(guān)鍵詞〕產(chǎn)品情報；多屬性融合；知識元；證據(jù)理論；屬性關(guān)系網(wǎng)絡(luò)

DOI：10.3969/j.issn.1008-0821.2018.10.010

〔中圖分類號〕N99 〔文獻(xiàn)標(biāo)識碼〕A 〔文章編號〕1008-0821（2018）10-0065-08

〔Abstract〕[Purpose/Significance]Effective acquisition of product intelligence can help enterprises timely grasp market dynamics and competitive situation，as well as improve product competitiveness.Product intelligence and knowledge needs show not only the comprehensiveness of cross-domain，cross-industry and multi-subject，but also the urgency of deep exploration of business value.[Method/Process]A fine-grained knowledge element model of product intelligence was constructed.Through the multi-attribute fusion process based on evidence theory，the description space of the attribute-set and relation-set of product intelligence was extended，and the corresponding knowledge element attribute-relation network was generated.[Result/Conclusion]From two perspectives of business and competitiveness，the case study realized the fusion and deep processing of the attribute-set of product intelligence knowledge element，which provided a relatively complete knowledge base for the discovery of implicit association knowledge of product intelligence.It also proved the feasibility and effectiveness of multi-attribute fusion based on evidence theory for fusing product intelligence knowledge elements.

〔Key words〕product competitive intelligence；multi-attribute fusion；knowledge element；evidence theory；attribute-relation network

產(chǎn)品被視為企業(yè)成功的關(guān)鍵因素之一，產(chǎn)品情報是企業(yè)競爭情報分析與利用的重要領(lǐng)域。對產(chǎn)品情報的跟蹤與融合還能夠幫助決策者更加全面深入地了解市場需求動態(tài)，認(rèn)清競爭形勢，不斷提升產(chǎn)品的競爭力。Amarouche K等[1]綜述了現(xiàn)有產(chǎn)品競爭情報挖掘研究的主要研究成果；Mariadoss B J等[2]對銷售人員的產(chǎn)品知識、競爭情報的行為和表現(xiàn)之間關(guān)系進(jìn)行建模和測試；Xiao S等[3]提出了一種計量經(jīng)濟(jì)偏好度量模型用于從在線產(chǎn)品評論中提取總體消費(fèi)者偏好。雖然大量的研究將產(chǎn)品競爭情報成功地應(yīng)用于解決不同領(lǐng)域的商業(yè)決策，但幾乎僅支持單一的應(yīng)用領(lǐng)域，鮮有研究給出一個能夠描述跨領(lǐng)域、跨行業(yè)、多主體的復(fù)雜情報要素的描述和綜合解析，從而影響了產(chǎn)品情報辨識及其知識表示的通用性和全面性。

基于知識元模型可以實現(xiàn)企業(yè)產(chǎn)品的細(xì)粒度共性知識描述，為產(chǎn)品情報的關(guān)聯(lián)知識融合提供基礎(chǔ)。然而，受到認(rèn)知局限性、領(lǐng)域差異性等因素影響，需要通過高效的融合方法實現(xiàn)情報先驗知識生成及情報描述對象的概念、屬性及其關(guān)系的深入解析，以實現(xiàn)產(chǎn)品情報知識元的完備描述。相較于其他知識融合方法，證據(jù)理論[4-5]能夠在不需要提供先驗概率信息的條件下，對不確定性問題進(jìn)行決策[6-7]，且即便僅有少量信源證據(jù)依然能夠得到不確定性度量結(jié)果[8]。近年來，證據(jù)理論也被擴(kuò)展以進(jìn)一步支持組合型特征證據(jù)的多屬性融合計算[9]。

本文提出了一種基于證據(jù)理論的產(chǎn)品情報知識元多屬性融合方法，通過不斷收集的產(chǎn)品情報素材中的情報元屬性要素描述，實現(xiàn)產(chǎn)品情報共性知識的屬性集與關(guān)系集描述空間的擴(kuò)展。通過情報知識元屬性關(guān)系網(wǎng)絡(luò)的融合，實現(xiàn)產(chǎn)品情報知識元的深加工，為產(chǎn)品情報的隱性關(guān)聯(lián)知識發(fā)現(xiàn)提供相對完備的知識基礎(chǔ)。

1 產(chǎn)品情報知識元與情報元

作為知識發(fā)現(xiàn)和推理的基本元素，知識元[10]從事物本原視角構(gòu)建細(xì)粒度的知識單元，將復(fù)雜知識抽象化、形式化以描述客觀事物的共性特征[11]，并通過事物屬性關(guān)系揭示微觀規(guī)律[12]。其有利于綜合詮釋跨領(lǐng)域、跨行業(yè)、多主體的產(chǎn)品情報，為產(chǎn)品情報融合提供相對完備的知識結(jié)構(gòu)。

1.1 知識元模型

知識元（Knowledge element，KE）是對客觀事物的主觀抽象模型的知識表示，可以通過三元組來描述客觀事物[10]。

1.2 產(chǎn)品情報知識元

基于知識元模型，企業(yè)各類競爭情報均可建立細(xì)粒度的結(jié)構(gòu)化描述，分別進(jìn)行概念集、屬性集和關(guān)系集的界定和刻畫。情報知識元實現(xiàn)了多主體、跨領(lǐng)域、跨行業(yè)的競爭情報綜合詮釋，提升了情報的可組織性，有利于知識的重用和共享。由于產(chǎn)品在企業(yè)參與市場競爭的全域全過程中占據(jù)不可替代的核心地位，在競爭情報知識元體系中，產(chǎn)品情報知識元是構(gòu)建情報知識元網(wǎng)絡(luò)的中心節(jié)點(diǎn)。

產(chǎn)品情報知識元描述競爭產(chǎn)品的共性知識結(jié)構(gòu)，不僅支持產(chǎn)品特性分類的層次結(jié)構(gòu)描述，同時也滿足產(chǎn)品異質(zhì)特征的個性化描述。對于產(chǎn)品情報知識元屬性的描述可以從不同視角展開。比如，從情報收集的渠道視角，公開的產(chǎn)品情報屬性特征包括產(chǎn)品名稱、產(chǎn)品描述、所屬類別、上市時間、功能參數(shù)、價格、目標(biāo)客戶、市場定位、產(chǎn)品特性、銷售渠道、促銷、服務(wù)等；非公開的產(chǎn)品情報屬性特征可能包括生產(chǎn)資料、加工工藝、原材料、核心技術(shù)、現(xiàn)有商業(yè)關(guān)系、營銷策略、銷售量、銷售總額、成本、利潤、市場占有率等。

1.3 產(chǎn)品情報元及映射元

對產(chǎn)品情報描述對象的具體屬性狀態(tài)的刻畫過程，就是按照對應(yīng)的產(chǎn)品情報知識元結(jié)構(gòu)進(jìn)行信息重構(gòu)以及相關(guān)特征要素的內(nèi)容描述或狀態(tài)賦值，即構(gòu)建產(chǎn)品情報描述對象的情報元（Intelligence Element，IE）。也就是說，產(chǎn)品情報元是將產(chǎn)品情報描述對象按照所屬知識元的結(jié)構(gòu)進(jìn)行屬性的定量化或定性化描述，從而構(gòu)建更高層次的概念和復(fù)雜的語義關(guān)系，為邏輯推理和情報隱含關(guān)聯(lián)關(guān)系融合提供情報數(shù)據(jù)支持。

從多個情報源中收集的情報素材代表了對情報描述對象的不同屬性特征描述。所謂產(chǎn)品情報映射元是指從情報素材中抽取的針對產(chǎn)品情報描述對象的屬性要素描述全集，與屬性的狀態(tài)描述無關(guān)。換言之，映射元相當(dāng)于對情報描述對象屬性要素共性知識描述的半成品，其與對應(yīng)的情報知識元屬性集描述間既可能存在交叉，也可能蘊(yùn)含新的要素，被視為情報知識元融合的知識儲備。

2 產(chǎn)品情報知識元多屬性融合框架及融合觸發(fā)過程

產(chǎn)品情報的知識元體系為高效開展隱性知識發(fā)現(xiàn)提供了知識基礎(chǔ)。然而，受到認(rèn)知局限性、領(lǐng)域視角的差異性等因素的影響，產(chǎn)品情報知識元的屬性集和關(guān)系集在構(gòu)建之初并非具有完備的描述。隨著情報素材的不斷積累和知識儲備的豐富，借助于高效的多屬性融合方法，產(chǎn)品情報知識元描述將得到不斷完善。

2.1 基于證據(jù)理論的產(chǎn)品情報知識元融合框架

基于證據(jù)理論的產(chǎn)品情報多屬性融合框架如圖1所示。從情報源中辨識和收集高價值的產(chǎn)品情報有賴于構(gòu)建精準(zhǔn)的情報先驗知識。所謂情報先驗知識，是指基于產(chǎn)品情報知識元體系構(gòu)建的一系列情報主題特征要素的集合，其不僅包含了情報收集目標(biāo)的對象主體的名稱描述，甚至細(xì)化至主體的屬性要素描述，是判別情報是否具有收集與分析價值的主要依據(jù)。

經(jīng)辨識被抽取的產(chǎn)品情報元，將以映射元形式作為知識儲備，成為完善產(chǎn)品情報知識元體系的情報素材。加之從其他途徑收集到的相關(guān)產(chǎn)品屬性特征、屬性關(guān)系描述的專業(yè)資料，圍繞各個產(chǎn)品情報描述對象將形成多批知識儲備。當(dāng)滿足觸發(fā)條件時，相關(guān)知識儲備中的屬性集將在多屬性融合決策框架下作為證據(jù)，通過合成規(guī)則求解得出融合決策結(jié)果，即知識元屬性集、關(guān)系集的共識描述。

隨著產(chǎn)品情報素材及知識儲備的不斷豐富，情報描述對象屬性的識別框架規(guī)模將得到不斷擴(kuò)展，經(jīng)過多屬性融合后的決策結(jié)果將使得產(chǎn)品情報知識元屬性集、關(guān)系集的描述日趨完備。

2.2 產(chǎn)品情報知識元的多屬性融合觸發(fā)過程

每收集到新的產(chǎn)品情報素材就執(zhí)行一次知識元多屬性融合是不可取的。一方面，若映射元中出現(xiàn)了未納入對應(yīng)情報知識元中的新要素，則識別框架容量將增大，繼而提高了融合計算的工作量；另一方面，即便未有新屬性產(chǎn)生，一個情報素材中映射元的數(shù)量也不可小覷，由此產(chǎn)生的融合計算工作量也較為繁重。因此，需要設(shè)計一個合理的產(chǎn)品情報知識元多屬性融合處理觸發(fā)策略，通過觸發(fā)閾值的設(shè)定，有效控制知識元屬性集描述框架更新的范圍和頻率，提升融合的效率和效果，具體過程如下：

步驟1：在產(chǎn)品情報知識元庫中，獲取對應(yīng)知識元的知識儲備量，設(shè)So為已積累的待映射元數(shù)量，則現(xiàn)有知識儲備量為So+1。

步驟2：判斷知識元的知識儲備量So+1是否達(dá)到觸發(fā)閾值（設(shè)為Sm，由用戶給定），若So+1

步驟3：進(jìn)行Sm個產(chǎn)品情報映射元與匹配知識元的多屬性融合計算，更新知識元屬性集描述，So重置為零。

步驟4：按照對應(yīng)知識元的屬性集描述框架生成情報元，完成屬性狀態(tài)賦值。

3 產(chǎn)品情報知識元的多屬性融合方法

情報知識元從事物本原的細(xì)粒度視角深入刻畫情報描述對象要素的構(gòu)成方式，對事物屬性特征、事物內(nèi)在屬性間的映射關(guān)系、以及不同事物間的屬性關(guān)聯(lián)關(guān)系等進(jìn)行情報知識要素的構(gòu)成形式與關(guān)聯(lián)機(jī)制的描述和呈現(xiàn)。利用情報知識元的多屬性知識融合方法，有利于完善多主體、跨領(lǐng)域、跨行業(yè)的情報共識知識描述，為面向決策的情報隱含關(guān)聯(lián)知識融合提供日益完備的知識基礎(chǔ)[13-14]。

一方面，進(jìn)行產(chǎn)品情報知識元屬性集融合的目的是對產(chǎn)品情報描述對象的屬性描述提供完備的知識表示。當(dāng)某產(chǎn)品情報知識元滿足多屬性融合觸發(fā)條件時，知識元及相關(guān)映射元各屬性的名稱所構(gòu)成的集合是進(jìn)行多屬性融合計算的對象；另一方面，進(jìn)行產(chǎn)品情報知識元的屬性關(guān)系網(wǎng)絡(luò)融合的目的是對產(chǎn)品情報描述對象間的直接關(guān)系描述提供完備的知識表示。通過知識元間的輸入和輸出屬性要素的匹配關(guān)系，自動建立產(chǎn)品情報描述對象間復(fù)雜關(guān)聯(lián)關(guān)系網(wǎng)絡(luò)的知識描述。

3.1 基于證據(jù)理論的情報知識元多屬性融合方法

人類對世間萬物的認(rèn)知始于對事物的概念及屬性的描述。知識元以揭示微觀本原規(guī)律的視角進(jìn)行對事物認(rèn)知的知識表示。受到認(rèn)知的主觀性、領(lǐng)域視角和語言習(xí)慣等因素影響，知識元屬性描述如何客觀反映共識性認(rèn)知仍是未解難題。充分利用豐富的數(shù)據(jù)和共享知識資源，開展知識元多屬性融合[9]能夠進(jìn)一步完善對描述對象屬性要素全集的認(rèn)知描述。同時，通過高效的融合方法識別事物的關(guān)鍵屬性特征及關(guān)聯(lián)關(guān)系還有助于實現(xiàn)數(shù)據(jù)潛在價值的深度挖掘[15]。

3.1.1 辨識框架

情報知識元多屬性融合的最終目的就是找到一個命題Xf滿足mα（Xf）=Max[mα（Xi）]的組合型證據(jù)為決策結(jié)果。如果無法獲取基準(zhǔn)數(shù)組，則可直接求解每個命題的綜合支持度，融合結(jié)果滿足Sup（Xf）=Max[Sup（Xi）]即可。該方法能夠保證融合結(jié)果Xf的要素互斥繼承性，且不需要對描述要素間可能存在的復(fù)雜語義關(guān)系進(jìn)行預(yù)處理[9]。

3.2 產(chǎn)品情報知識元的屬性集融合

將新收集的產(chǎn)品情報映射元的屬性集描述A1={a11，a21，…，an11}作為新增的知識儲備，當(dāng)相關(guān)知識儲備A2，…，Ap達(dá)到如2.2觸發(fā)條件時實施融合。設(shè)對應(yīng)的產(chǎn)品情報知識元屬性集描述為A0={a1o，a2o，…，aqo}，則確定該產(chǎn)品情報描述對象的屬性識別框架為θ=A0∪A1∪A2∪…∪Ap。其中，設(shè)w=θ-q為新增屬性要素個數(shù)。新的冪集空間2θ={，{a1}，{a1，a2}，…，{a1，…，aq+w}}，待融合證據(jù)為A0，A1，…，Ap。那么，多屬性融合的最終結(jié)果A′={a′ 1，…，a′ m}（其中，a′ i∈θ，1≤i≤m）即為該產(chǎn)品情報知識元的屬性集描述，從而完成了知識元屬性集的更新。

事實上，依據(jù)情報素材進(jìn)行產(chǎn)品情報知識元的屬性集擴(kuò)展時可能存在一個現(xiàn)象，即映射元并不一定是對相應(yīng)產(chǎn)品情報知識元屬性集要素的全面描述。產(chǎn)品情報映射元可能由于描述視角不同而僅僅提及了部分屬性，甚至由于缺失基準(zhǔn)數(shù)組要素而影響了該證據(jù)的可靠性判斷。此時，若已知情報素材的可信度，則取信源的可信度b與該證據(jù)的覆蓋度指數(shù)β的最大值進(jìn)行融合計算的權(quán)重分組自動加載。

綜上所述，在領(lǐng)域?qū)＜?、情報知識建立者以及決策者的知識和經(jīng)驗進(jìn)行產(chǎn)品情報知識元屬性集的初始描述基礎(chǔ)上，不斷汲取來自于開放信源中的同類描述知識，利用多屬性融合方法能夠一定程度上實現(xiàn)產(chǎn)品情報知識元屬性集的智能更新，以克服情報知識元描述的主觀性和局限性，為深度解析和綜合詮釋產(chǎn)品情報中隱藏的商業(yè)價值提供了日益完善的知識結(jié)構(gòu)。

3.3 產(chǎn)品情報知識元的屬性關(guān)系網(wǎng)絡(luò)生成

情報知識元屬性關(guān)系網(wǎng)絡(luò)可劃分為同一知識元的屬性間關(guān)系網(wǎng)絡(luò)以及不同知識元的屬性間復(fù)雜關(guān)系網(wǎng)絡(luò)。情報知識元屬性關(guān)系網(wǎng)絡(luò)的生成揭示了情報描述對象屬性間的聯(lián)系機(jī)理，為深層次的隱含關(guān)聯(lián)知識融合提供了基于本原視角的知識元關(guān)系網(wǎng)絡(luò)支持。情報知識元關(guān)系集通過將描述對象的外部輸入屬性納入到自有屬性集，借助關(guān)系知識元的屬性集實現(xiàn)知識元網(wǎng)絡(luò)節(jié)點(diǎn)關(guān)系的描述，從而使知識元網(wǎng)絡(luò)的自動生成得以實現(xiàn)，并保證了其完整性與可擴(kuò)展性[16]。

產(chǎn)品情報知識元的屬性關(guān)系網(wǎng)絡(luò)融合是在產(chǎn)品情報知識元屬性集更新的基礎(chǔ)上實現(xiàn)的。產(chǎn)品情報知識元關(guān)系集就是對相應(yīng)知識元屬性關(guān)系網(wǎng)絡(luò)構(gòu)成的結(jié)構(gòu)化知識呈現(xiàn)，其目的是為產(chǎn)品情報描述對象的屬性關(guān)系刻畫提供完備的知識表示。

設(shè)某一產(chǎn)品情報知識元的初始屬性集表示為A0={AI0，AS0，AO0}，則知識元網(wǎng)絡(luò)的生成機(jī)理本質(zhì)上就是根據(jù)新收集的相關(guān)情報元的輸出屬性集（例如AO1={a11，…，ap1}，AO2={a12，…，aq2}）中的屬性與AS0中屬性的直接關(guān)聯(lián)關(guān)系的描述，最終確定AI0的描述，即AO1和AO2中的哪些屬性直接影響了AS0中的哪些屬性狀態(tài)。由公式（1）和公式（3）可知，產(chǎn)品情報知識元的關(guān)系集需要界定r∶AIr→AOr（r∈R），本質(zhì)上可以歸結(jié)為輸入屬性集AIr與輸出屬性集AOr間的多屬性融合問題。

但是，顯然在一個關(guān)系集中，AIr和AOr需要成對出現(xiàn)才能夠明確界定關(guān)系函數(shù)fr的描述。因此，在進(jìn)行產(chǎn)品情報知識元的關(guān)系集融合時不能分別進(jìn)行AIr和AOr的多屬性融合。又由于在知識元屬性集中存在隱含特性AOAS，而輸入屬性集AI會影響屬性狀態(tài)集AS，因此AI也對AO具有影響。由此，需要針對合并后的輸出屬性集AO=AO1∪AO2中每一屬性要素，篩選所有與之有關(guān)的輸入屬性集作為證據(jù)，進(jìn)行多屬性融合求解并最終合成具有共識認(rèn)知描述的AI。

關(guān)系集融合處理也需要滿足如2.2的觸發(fā)條件，即滿足一定的知識儲備之后方可進(jìn)行。以下僅以兩個產(chǎn)品情報知識元間的關(guān)系集融合為例，設(shè)產(chǎn)品情報知識元和新獲取的情報元的輸入、輸出屬性集分別為AI1={a1，a2}，AO1={a6，a9}和AI2={a1，a4}，AO2={a6，a7}，則關(guān)系集融合過程如下：

步驟1：求解AS={a5，a6，a7，a8}，且有AO=AO∪AO={a6，a7，a9}。

步驟2：得到以a6為輸出的證據(jù)為X1={a1，a2}和X2={a1，a4}，以a7為輸出的證據(jù)為X3={a1，a4}，以a9為輸出的證據(jù)為X4={a1，a2}。a7和a9只有單一證據(jù)不需要融合，對a6處理如步驟3。

步驟3：對應(yīng)a6這一輸出屬性要素，基于證據(jù)X1和X2構(gòu)建識別框架開展多屬性融合，求解Xf以確定唯一對應(yīng)于a6的輸入屬性集。假設(shè)基準(zhǔn)數(shù)組B={a1，a2}，則Xf={a1，a2}。

步驟4：合并所有輸入屬性集，則AI=Xf∪X3∪X4={a1，a2，a4}。

步驟5：更新A={AI，AS，AO}={{a1，a2，a4}，{a5，a6，a7，a8}，{a6，a7，a9}}。

步驟6：更新R={r1，r2，r3}，其中，r1∶{a1，a2}→a6，r2∶{a1，a4}→a7，r3∶{a1，a2}→a9。

綜上所述，本文將基于證據(jù)理論的多屬性融合方法應(yīng)用到產(chǎn)品情報知識元的屬性集和關(guān)系集融合中，通過產(chǎn)品情報知識元的屬性集融合與關(guān)系集融合，支持產(chǎn)品情報知識元屬性關(guān)系網(wǎng)絡(luò)的生成，完成了基于證據(jù)理論的產(chǎn)品情報知識元多屬性融合，為面向商業(yè)決策的企業(yè)產(chǎn)品情報融合提供了堅實的知識基礎(chǔ)。

4 實例研究

開展產(chǎn)品情報知識元的融合實例研究，聚焦于產(chǎn)品情報知識元的屬性集融合進(jìn)行基于證據(jù)理論的多屬性融合模型的深入分析，以驗證本文提出的基于證據(jù)理論的產(chǎn)品情報知識元融合方法的有效性，為產(chǎn)品情報的隱性關(guān)聯(lián)知識發(fā)現(xiàn)提供相對完備的知識基礎(chǔ)。

4.1 數(shù)據(jù)源的選取及數(shù)據(jù)預(yù)處理

本實例聚焦于產(chǎn)品情報知識元屬性集描述，通過Web（取于B2C和C2C官網(wǎng)）收集產(chǎn)品的推介信息及CNKI專業(yè)數(shù)據(jù)庫文獻(xiàn)資料中產(chǎn)品屬性要素描述等，進(jìn)行產(chǎn)品情報知識元多屬性融合分析，以求完善對產(chǎn)品知識元屬性集的知識描述。

由于對產(chǎn)品屬性描述的細(xì)分類別、特點(diǎn)以及對其展示用途、文字表達(dá)等的差異性，開展屬性集融合分析前對各樣本的相關(guān)特征要素進(jìn)行了歸類預(yù)處理，10個樣本的屬性描述如表1所示，僅選擇產(chǎn)品概要信息和生產(chǎn)、市場營銷兩類業(yè)務(wù)的相關(guān)屬性進(jìn)行分析，并分別加粗標(biāo)記了每一分類下的基準(zhǔn)數(shù)組作為融合證據(jù)可靠度權(quán)重判斷的依據(jù)。表中紅色加粗字體標(biāo)注了完全匹配類證據(jù)Xm（滿足XmXB）。

更進(jìn)一步，企業(yè)高度關(guān)注競爭產(chǎn)品情報的最終目的是要進(jìn)行產(chǎn)品的競爭力評價分析，比較市場同類產(chǎn)品或替代產(chǎn)品的優(yōu)劣勢，并進(jìn)行相應(yīng)的競爭戰(zhàn)略決策制定或調(diào)整。因此，本實例還以產(chǎn)品競爭力評價的視角，從CNKI數(shù)據(jù)庫的科學(xué)文獻(xiàn)以及百科類網(wǎng)站搜集了10個樣本的產(chǎn)品競爭力評價情報素材，進(jìn)行相關(guān)的產(chǎn)品屬性特征要素的抽取，結(jié)果如表2所示。除特別標(biāo)記了基準(zhǔn)數(shù)組外，還對樣本中各屬性要素的提及頻次進(jìn)行了計數(shù)統(tǒng)計。

正如2.2所述，只有當(dāng)滿足多屬性融合的觸發(fā)條件時才開展融合計算。因此，本實例將出現(xiàn)頻率小于閾值（設(shè)定μ=0.25）的屬性要素過濾掉。在表2中，計數(shù)統(tǒng)計項中紅色標(biāo)記屬性要素均未分配英文字母標(biāo)識，不作為融合的識別框架要素參與分析計算。

分別對表1產(chǎn)品情報知識元屬性描述樣本的3個細(xì)分業(yè)務(wù)的特征要素進(jìn)行識別框架定義，記為θ1={A，B，C，D，E，F(xiàn)，G，H，I，J，K，L，M，N，O，P，Q}，θ2={A，B，C，D，E，F(xiàn)，G，H，I，J，K，L}，θ3={A，B，C，D，E，F(xiàn)，G，H，I，J，K，L，M，N，O}，基準(zhǔn)數(shù)組分別為B1={C，F(xiàn)，L}，B2={B，C，F(xiàn)}，B3={E，G，J}。英文標(biāo)識與屬性要素的對應(yīng)關(guān)系如表1所示，其中紅色標(biāo)注了完全匹配類證據(jù)。同理，對表2基于產(chǎn)品競爭力評價的產(chǎn)品知識元屬性描述樣本的特征要素進(jìn)行識別框架定義，記為θ={A，B，C，D，E，F(xiàn)，G，H，I，J，K，L，M}，基準(zhǔn)數(shù)組B={A，B，G}。

4.2 融合結(jié)果及分析

概要信息、生產(chǎn)、銷售以及產(chǎn)品競爭力的產(chǎn)品屬性融合結(jié)果如表3所示，結(jié)果取概率分布的最大值且以藍(lán)色粗體突出標(biāo)記。由此，在現(xiàn)有的情報素材知識儲備下，關(guān)于產(chǎn)品情報知識元的概要信息屬性集A1={產(chǎn)品編號，產(chǎn)品名稱，所屬類別，上市時間，產(chǎn)品特性，品牌，產(chǎn)地，規(guī)格}；生產(chǎn)業(yè)務(wù)屬性集A2={加工工藝，原材料，包裝，庫存量，質(zhì)量，供應(yīng)商，標(biāo)準(zhǔn)}；銷售業(yè)務(wù)屬性集A3={市場定位，目標(biāo)客戶群體，地區(qū)，銷售渠道，現(xiàn)有客戶，價格，銷量，客戶滿意度，服務(wù)，配送}；而基于產(chǎn)品競爭力視角的屬性集A={質(zhì)量，價格，客戶滿意度，關(guān)鍵技術(shù)，品牌，服務(wù)，設(shè)計，產(chǎn)品特色}。

可見，基于競爭力的屬性集A中，絕大多數(shù)特征取自產(chǎn)品業(yè)務(wù)類屬性特征。因此，基于業(yè)務(wù)屬性描述的產(chǎn)品知識元更適于本企業(yè)產(chǎn)品情報知識元構(gòu)建；而基于產(chǎn)品競爭力的屬性集更適合描述其他市場參與者的產(chǎn)品情報知識元。此外，融合結(jié)果還體現(xiàn)了基于證據(jù)理論的產(chǎn)品情報知識元多屬性融合方法的以下特點(diǎn)[1]：

1）融合結(jié)果取自證據(jù)。多屬性融合方法認(rèn)為證據(jù)中必存在唯一的共識屬性全集。實例中，各融合結(jié)果對應(yīng)的證據(jù)樣本在表1中用藍(lán)色填充突出標(biāo)記。

2）融合結(jié)果中不存在語義沖突要素。多屬性融合方法假設(shè)語義沖突要素不會在證據(jù)內(nèi)部出現(xiàn)，但不同證據(jù)間可能出現(xiàn)語義沖突要素。比如，概要信息中“產(chǎn)品編號”和“型號”（對應(yīng)標(biāo)識A和K）存在語義交叉，但由于兩要素并沒有在證據(jù)中被同時提及，因此融合結(jié)果也不會同時存在A和K。

3）證據(jù)的聚焦性對融合結(jié)果的影響。出現(xiàn)頻率遠(yuǎn)高于其他組合證據(jù)的證據(jù)稱為焦點(diǎn)。沒有出現(xiàn)焦點(diǎn)說明對該描述對象的觀點(diǎn)比較分散。如果儲備證據(jù)中存在焦點(diǎn)，那么其是否屬于完全匹配證據(jù)對融合結(jié)果的影響存在如下規(guī)律：

①若焦點(diǎn)為完全匹配類證據(jù)，則融合結(jié)果快速收斂于該焦點(diǎn)。如產(chǎn)品的生產(chǎn)屬性存在樣本X7=X10={BCFHIKL}，概率分配值m=0.7107。為此，增加X7數(shù)量則融合結(jié)果如表4。隨著X7數(shù)量的增加，融合結(jié)果如圖2無限接近于1。

②若焦點(diǎn)為非完全匹配類證據(jù)，則融合結(jié)果逐漸向該焦點(diǎn)傾斜。如產(chǎn)品的銷售屬性存在樣本X9=X10={ABCDGHJKO}，概率分配m=0.0582并非融合結(jié)果。增加X9數(shù)量，融合結(jié)果如表5。可見，隨著X9數(shù)量的增加，其融合概率分配增長較緩，僅在強(qiáng)烈聚焦情況下扭轉(zhuǎn)融合結(jié)果如圖3。

此外，如圖5比較了計數(shù)統(tǒng)計、多屬性融合的權(quán)重組內(nèi)概率以及交融合處理后的各證據(jù)概率分布情況。如表2按照屬性在證據(jù)中的出現(xiàn)頻次，“市場占有率”和“銷量”概率較高，但并沒有最終被收入到融合決策結(jié)果中。

綜上，多屬性融合方法不僅能夠克服頻次統(tǒng)計帶來的割裂集合要素間共現(xiàn)、互斥等關(guān)聯(lián)關(guān)系的弊端，體現(xiàn)組合型證據(jù)的內(nèi)聚力和外部排他性特點(diǎn)，同時解決了高沖突、不可靠證據(jù)的有效融合，能夠為產(chǎn)品情報知識元的屬性集擴(kuò)展提供科學(xué)合理的融合方法，為商業(yè)決策提供相對完備的情報知識基礎(chǔ)。

5 結(jié) 論

充分利用知識經(jīng)濟(jì)和大數(shù)據(jù)的發(fā)展機(jī)遇，積極開發(fā)和深度挖掘具有潛在商業(yè)價值的產(chǎn)品情報以支持管理決策已成為企業(yè)應(yīng)對激烈競爭的必然選擇。產(chǎn)品情報知識元模型有利于應(yīng)對多主體、跨領(lǐng)域、跨行業(yè)競爭情報的共性知識表示難題，有利于對產(chǎn)品情報資源進(jìn)行概念分析和知識推理。

為進(jìn)一步整合產(chǎn)品情報共識知識描述，不斷提升情報知識元構(gòu)建的科學(xué)性，本文提出了基于證據(jù)理論的產(chǎn)品情報知識元多屬性融合方法，從知識元屬性集和屬性關(guān)系網(wǎng)絡(luò)融合兩個層面實現(xiàn)產(chǎn)品情報知識的深加工，為面向決策的產(chǎn)品情報隱性知識發(fā)現(xiàn)提供完備的知識結(jié)構(gòu)。實例研究結(jié)果一定程度上體現(xiàn)了該融合方法的科學(xué)性、可行性和智能性，為探索競爭情報在企業(yè)產(chǎn)品管理與決策層面提供知識支持的相關(guān)研究提供借鑒。

參考文獻(xiàn)

[1]Amarouche K，Benbrahim H，Kassou I.Product Opinion Mining for Competitive Intelligence[J].Procedia Computer Science，2015，73：358-365.

[2]Mariadoss B J，Milewicz C，Lee S，et al.Salesperson Competitive Intelligence and Performance：The Role of Product Knowledge and Sales Force Automation Usage[J].Industrial Marketing Management，2014，43（1）：136-145.

[3]Xiao S，Wei C P，Dong M.Crowd Intelligence：Analyzing Online Product Reviews for Preference Measurement[J].Information & Management，2016，53（2）：169-182.

[4]Dempster A.Upper and Lower Probabilities Induced by Multivalued Mapping[J].Annals of Mathematical Statistics，1967，38（4）：325-339.

[5]Shafer G.A Mathematical Theory of Evidence[M].Princeton University Press，Princeton，New Jersey，1976.

[6]Soundappan P，Nikolaidis E，Haftka R T，et al.Comparison of Evidence Theory and Bayesian Theory for Uncertainty Modeling[J].Reliability Engineering and System Safety，2004，（85）：295-311.

[7]Lin G，Liang J，Qian Y.An Information Fusion Approach by Combining Multigranulation Rough Sets and Evidence Theory[J].Information Sciences，2015，314：184-199.

[8]Comber A，Carver S，F(xiàn)ritz S，et al.Different Methods，Different Wilds：Evaluating Aalternative Mappings of Wildness Using Fuzzy MCE and Dempster-Shafer MCE[J].Computers，Environment and Urban Systems，2010，（34）：142-152.

[9]Sun L，Wang Y Z.A Multi-attribute Fusion Approach Extending Dempster-Shafer Theory for Combinatorial-type Evidences[J].Expert Systems with Applications，2018，96（4）：218-229.

[10]王延章.模型管理的知識及其表示方法[J].系統(tǒng)工程學(xué)報，2011，26（6）：850-856.

[11]陳雪龍，董恩超，王延章，等.非常規(guī)突發(fā)事件應(yīng)急管理的知識元模型[J].情報雜志，2011，30（12）：22-26.

[12]王寧，郭瑋，黃紅雨，等.基于知識元的應(yīng)急管理案例情景化表示及存儲模式研究[J].系統(tǒng)工程理論與實踐，2015，35（11）：2939-2949.

[13]Nov O，Ye C，Kumar N.A Social Capital Perspective on Meta-knowledge Contribution and Social Computing[J].Decision Support Systems，2012，53（1）：118-126.

[14]Scally J R，Cassimatis N L，Uchida H.Worlds as a Unifying Element of Knowledge Representation[J].Biologically Inspired Cognitive Architectures，2012，（1）：14-22.

[15]Bolón-Canedo V，Sánchez-Maroo N，Alonso-Betanzos A.Recent Advances and Emerging Challenges of Feature Selection in the Context of Big Data[J].Knowledge-Based Systems，2015，86：33-45.

[16]馬創(chuàng)新.論知識表示[J].現(xiàn)代情報，2014，34（3）：21-24，28.

（責(zé)任編輯：陳 媛）