人工智能技術(shù)在國際知識(shí)管理研究領(lǐng)域中的應(yīng)用

張?jiān)３?，邱均平，陳仕?/p>

（杭州電子科技大學(xué)中國科教評(píng)價(jià)研究院，浙江杭州 310018）

人工智能 (Artificial Intelligence，AI)被描述為擁有能夠模擬精確描述的特征能力的機(jī)器，這一概念由麥卡賽等科學(xué)家于1956 年夏天首次提出［1］。近年來，隨著大數(shù)據(jù)、云計(jì)算等信息技術(shù)的發(fā)展，AI相關(guān)研究范疇如深度學(xué)習(xí)、知識(shí)獲取、自然語言處理、神經(jīng)網(wǎng)絡(luò)、智能搜索等不斷發(fā)展，有望成為引領(lǐng)“第四次工業(yè)革命”的核心驅(qū)動(dòng)力［2］。國務(wù)院于2017 年7 月印發(fā)的《新一代人工智能發(fā)展規(guī)劃》提出要將人工智能上升為國家戰(zhàn)略層面進(jìn)行布局［3］，我國AI 技術(shù)迎來了發(fā)展的關(guān)鍵時(shí)期。

斯坦福大學(xué)尼爾遜教授認(rèn)為AI 是關(guān)于如何表示知識(shí)和如何獲得知識(shí)并利用知識(shí)的科學(xué)［4］，將來擁有AI 的組織不僅會(huì)提升知識(shí)服務(wù)的專業(yè)性，更給知識(shí)服務(wù)領(lǐng)域帶來顛覆性變革。近年來，AI 作為一種數(shù)據(jù)智能已被廣泛應(yīng)用于知識(shí)管理(Knowledge Management，KM)研究領(lǐng)域，國內(nèi)外學(xué)者也對(duì)此展開了相關(guān)研究。Avdeenko 等［5］運(yùn)用人工智能技術(shù)提出了一種將知識(shí)管理系統(tǒng)(Knowledge Management System，KMS)中的隱性知識(shí)向顯性知識(shí)轉(zhuǎn)化的方法。Yu 等［6］提出了知識(shí)統(tǒng)一表達(dá)概念，他們將人工神經(jīng)網(wǎng)絡(luò)與遺傳算法（ANN-GA）相結(jié)合作為知識(shí)挖掘技術(shù)應(yīng)用于KMS 中，并證明了其有效性。Kornienko 等人［7］在AI 認(rèn)知研究的框架內(nèi)，描述了邏輯模型、基于框架和生產(chǎn)系統(tǒng)、語義網(wǎng)絡(luò)等不同的知識(shí)表示方法。國內(nèi)學(xué)者唐曉波等［8］認(rèn)為AI 是一門關(guān)于知識(shí)的學(xué)科，知識(shí)服務(wù)將由原來的經(jīng)驗(yàn)主義轉(zhuǎn)化為數(shù)據(jù)驅(qū)動(dòng)為主，服務(wù)將多元化、智能化。張省等［9］從技術(shù)、組織和戰(zhàn)略3 個(gè)維度分析了AI對(duì)知識(shí)管理的影響，將知識(shí)管理劃分為知識(shí)跨界協(xié)同、系統(tǒng)匹配優(yōu)化和創(chuàng)新績(jī)效激勵(lì)3 種模式，并提出了相應(yīng)的知識(shí)管理策略。歐陽智等［10］認(rèn)為AI 對(duì)知識(shí)管理特別是知識(shí)創(chuàng)造產(chǎn)生了實(shí)質(zhì)性的變革，并構(gòu)建了嵌入深度學(xué)習(xí)、自然語言處理等人工智能技術(shù)的KMS 框架。田倩飛等［11］從知識(shí)收集、知識(shí)搜索、處理與知識(shí)挖掘、知識(shí)預(yù)測(cè)以及知識(shí)決策服務(wù)等諸多步驟闡述人工智能關(guān)鍵技術(shù)在知識(shí)分析中的應(yīng)用與影響，提出人工智能2.0 時(shí)代知識(shí)分析將朝向全面、精準(zhǔn)、自動(dòng)、高效、智能和深度等方向發(fā)展。這些研究成果反映了人工智能已成為國內(nèi)外學(xué)者進(jìn)行知識(shí)管理研究的重要技術(shù)，本文的研究有助于我們系統(tǒng)了解人工智能在知識(shí)管理領(lǐng)域的實(shí)踐(Artificial Intelligence in Knowledge Management，簡(jiǎn)稱AI-KM)。

總體上，國內(nèi)外學(xué)者對(duì)AI-KM 的相互作用已基本達(dá)成共識(shí)，并取得了一定的科研成果，但仍有2 方面不足：一是研究比較傾向于AI 技術(shù)研究，對(duì)KM 的分析略顯不足；二是重視個(gè)案分析，所參考的文獻(xiàn)有限，缺乏系統(tǒng)的國際前沿研究進(jìn)展梳理。在國內(nèi)AI 研究大發(fā)展的背景下，相關(guān)學(xué)者也很希望系統(tǒng)的了解目前國際上哪些人、機(jī)構(gòu)在使用AI 進(jìn)行KM 研究？AI-KM 研究論文主要涉及哪些主題？高影響論文及其主題分布是如何的？論文期刊分布及知識(shí)吸收自哪些領(lǐng)域？本文將圍繞這幾個(gè)方面的問題來對(duì)國際AI-KM 的應(yīng)用進(jìn)行研究。

1 數(shù)據(jù)與方法

選擇Web of Science 數(shù)據(jù)庫(包含SSCI 和SCI2個(gè)數(shù)據(jù)庫)，以TS=("artificial intelligence") and TS=("knowledge management")為檢索式，檢索得到2003—2019 年（截至2019 年7 月7 日）發(fā)表在各類期刊上主題關(guān)于人工智能和知識(shí)管理的388篇論文，題錄導(dǎo)出格式為全記錄加參考文獻(xiàn)。AI 在知識(shí)管理研究領(lǐng)域中應(yīng)用的論文年度分布趨勢(shì)見圖1。2003—2018 年AI-KM 研究處于平緩階段，該時(shí)間段人工智能與知識(shí)管理的交叉研究平穩(wěn)發(fā)展，論文產(chǎn)出多年來未超過30 篇。2015 年，論文數(shù)首次超過30 篇，并在2017 年達(dá)到了40 篇。這種增長(zhǎng)反映了AI 技術(shù)在知識(shí)管理領(lǐng)域的應(yīng)用近15年來處于平穩(wěn)發(fā)展的狀態(tài)。

圖1 AI 在國際知識(shí)管理研究領(lǐng)域中應(yīng)用的論文年度產(chǎn)出分

在科學(xué)計(jì)量與知識(shí)圖譜繪制上，本文使用CiteSpace 5.4 和VOSviewer2 款軟件。CiteSpace 是由國際著名的信息可視化專家陳超美教授用JAVA 語言開發(fā)的、基于引文分析理論的信息可視化軟件［12］。VOSviewer是由荷蘭萊頓大學(xué)的Nees Jan van Eck等［13］于2009 年開發(fā)的用以繪制各個(gè)領(lǐng)域科學(xué)知識(shí)圖譜的文獻(xiàn)計(jì)量分析軟件。數(shù)據(jù)清洗、分析及制表主要使用excel 2007。

本文將從以下4 個(gè)方面對(duì)題錄數(shù)據(jù)進(jìn)行研究：一是通過Web of Science 數(shù)據(jù)庫中檢索到的AI-KM研究論文，來了解主要研究群體是哪些人和機(jī)構(gòu)；二是通過構(gòu)建關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)時(shí)間線圖，并進(jìn)行節(jié)點(diǎn)中心性分析、突顯主題探測(cè)，來研究AI-KM 研究的主題都有哪些；三是通過文獻(xiàn)共被引分析、聚類分析，識(shí)別出高影響力論文，并分析其內(nèi)容特征；四是通過期刊雙圖疊加，識(shí)別出AI-KM 研究的期刊分布與知識(shí)吸收。

2 結(jié)果

2.1 AI-KM 研究主體

我們基于Web of Science 數(shù)據(jù)庫中檢索到的388篇論文進(jìn)行機(jī)構(gòu)和作者發(fā)文量排名前10 的微觀統(tǒng)計(jì)，結(jié)果如表1 所示。機(jī)構(gòu)發(fā)文方面，2003—2019年，只有來自中國香港的香港理工大學(xué)產(chǎn)出超過了10 篇，來自西班牙的格拉納達(dá)大學(xué)以9 篇產(chǎn)量緊隨其后，來自中國臺(tái)灣的國立臺(tái)灣科技大學(xué)以7 篇排名第3。吉羅納大學(xué)（6 篇）、多倫多大學(xué)（5 篇）、卡洛斯三世馬德里大學(xué)（5 篇）、加泰羅尼亞政治大學(xué)（4 篇）、帕維亞大學(xué)（4 篇）、阿姆斯特丹大學(xué)（4 篇）、卡拉布里亞大學(xué)（4 篇）這7 個(gè)機(jī)構(gòu)發(fā)文量均小于10 篇。值得注意的是，這些高產(chǎn)機(jī)構(gòu)的前10 名中沒有一個(gè)機(jī)構(gòu)是來自中國大陸的。這些機(jī)構(gòu)首次發(fā)表AI-KM 論文的時(shí)間分布在2003—2011年，香港理工大學(xué)和格拉納達(dá)大學(xué)首次發(fā)表時(shí)間都是2003 年，是高產(chǎn)機(jī)構(gòu)中發(fā)文最早的2 個(gè)組織。在作者層面上，WANG WM（7 篇）、CHEUNG CF（6篇）、SANCHEZ-MARRE M（6 篇）、LEE WB（5 篇）、RODRIGUEZ-RODA I（5 篇）、TERENZIANI P（5 篇）發(fā)表的論文都達(dá)到了5 篇以上，CHAU KW、CHENG MY、CHOY KL 及COMAS J 均只有4 篇。他們是過去15 年國際上AI-KM 研究領(lǐng)域內(nèi)最為活躍的組織和個(gè)人。

表1 國際AI-KM 研究產(chǎn)出論文量排名前10 的機(jī)構(gòu)和作者 單位：篇

表1（續(xù)）

2.2 AI-KM 研究主題

通過關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)可以從宏觀上分析AI-KM的研究熱點(diǎn)及其聯(lián)系，節(jié)點(diǎn)大小代表關(guān)鍵詞出現(xiàn)頻次，節(jié)點(diǎn)越大代表出現(xiàn)的頻次越多，節(jié)點(diǎn)之間連線代表關(guān)鍵詞之間存在共現(xiàn)關(guān)系，連線的寬度代表了共現(xiàn)強(qiáng)度，連線的顏色代表了首次共現(xiàn)的時(shí)間。通過CiteSpace 5.4 軟件繪制得到了2003—2019 年節(jié)點(diǎn)數(shù)量為104，合作關(guān)系數(shù)為371，密度為0.069 3 的關(guān)鍵詞共現(xiàn)時(shí)間線圖，如圖2 所示。由共詞網(wǎng)絡(luò)可以統(tǒng)計(jì)出2013—2019 年國際AI-KM 研究的高頻關(guān)鍵詞，按共現(xiàn)頻次從高到低依次是人工智能（130）、管理（68）、系統(tǒng)（58）、知識(shí)管理（45）、模型（43）、專家系統(tǒng)（40）、知識(shí)（36）、設(shè)計(jì)（26）、人工神經(jīng)網(wǎng)絡(luò)（21）、框架（21）、神經(jīng)網(wǎng)絡(luò)（20）、決策支持系統(tǒng)（19）、性能（16）、本體論（14）、技術(shù)（13）、分類（12）、遺傳算法（11）、算法（10）、預(yù)測(cè)（10）。共現(xiàn)高頻詞首次出現(xiàn)的時(shí)間段主要集中在2003—2013 年。這些高頻關(guān)鍵詞反映了國際AI-KM 核心研究主題和方法。

圖2 國際AI-KM 研究關(guān)鍵詞共現(xiàn)時(shí)間線圖

在時(shí)間線圖上，形成了6 個(gè)包含不同關(guān)鍵詞的聚類，分別是0#theme logic structure identification（主題邏輯結(jié)構(gòu)識(shí)別）、1#repetitive construction processes（重復(fù)施工工藝）、2#comprehensive evaluation（綜合評(píng)價(jià)）、3#pull control policies（拉動(dòng)控制政策）、4#networked enterprises（網(wǎng)絡(luò)化企業(yè)）、5#medical web information（醫(yī)療網(wǎng)絡(luò)信息）、6#decision support system（決策支持系統(tǒng)）。不同聚類里包含有相應(yīng)的關(guān)鍵詞，按照出現(xiàn)的先后順序展示在時(shí)間線圖中。早期的關(guān)鍵詞通常詞頻更高，反映的是早期國際AI-KM 研究的主題，主要有人工智能、管理、系統(tǒng)、知識(shí)管理、模型、專家系統(tǒng)、設(shè)計(jì)、決策支持系統(tǒng)、分類等。后期的關(guān)鍵詞詞頻相對(duì)較低，如近3 年出現(xiàn)的大數(shù)據(jù)、行業(yè)、財(cái)務(wù)困境預(yù)測(cè)、文本挖掘、平衡核心卡、臨床決策支持、故障檢測(cè)、資產(chǎn)管理、粒子群優(yōu)化、進(jìn)化、建筑學(xué)、嵌入性、記憶、機(jī)器智能、教育、認(rèn)知計(jì)算、故障管理、情緒分析等，體現(xiàn)了AI-KM 領(lǐng)域的一些應(yīng)用和研究前沿?zé)狳c(diǎn)。中介中心性（Betweenness centrality）是測(cè)度節(jié)點(diǎn)在網(wǎng)絡(luò)中重要性的一個(gè)指標(biāo)，使用此指標(biāo)來發(fā)現(xiàn)和衡量文獻(xiàn)的重要性。將中介中心性大于0.1 的共現(xiàn)關(guān)鍵詞按從高到底排序依次為知識(shí)（0.3）、知識(shí)管理（0.24）、人工智能（0.2）、框架（0.17）、專家系統(tǒng)（0.16）、管理（0.14）、神經(jīng)網(wǎng)絡(luò)（0.12）、本體論（0.12）、模型（0.11）、人工神經(jīng)網(wǎng)絡(luò)（0.1）。綜合中心性及時(shí)間線圖看，文本挖掘、嵌入性、認(rèn)知計(jì)算、故障管理等是近3 年AI-KM 研究的前沿?zé)狳c(diǎn)。

Burst 突顯主題檢測(cè)用于探測(cè)主題、作者、文獻(xiàn)、期刊的突發(fā)性變化，可以反映在一定時(shí)期內(nèi)相關(guān)主題的重要性程度。通過檢測(cè)共探測(cè)到7 個(gè)突顯主題（表2），按照時(shí)間先后順序分別是decision support（決策支持）、expert system（專家系統(tǒng)）、artificial intelligence（人工智能）、decision support system（決策支持系統(tǒng)）、ontology（本體論）、design（設(shè)計(jì)）、decision making（決策）。從突顯主題的分布來看，國際AI-KM 的研究在決策支持、專家系統(tǒng)以及設(shè)計(jì)方面關(guān)注度較高。從時(shí)間跨度來看，與決策有關(guān)的主題突顯時(shí)間最長(zhǎng)，從2003 年開始一直持續(xù)到了2019 年，反映了人工智能技術(shù)在知識(shí)管理決策系統(tǒng)方面的運(yùn)用研究熱度持續(xù)時(shí)間較長(zhǎng)。在2009—2015年這個(gè)階段中，國際AI-KM 研究對(duì)本體論、設(shè)計(jì)的研究關(guān)注程度較高。

表2 國際AI-KM 研究關(guān)鍵詞共現(xiàn)突顯前10 的主題

表2（續(xù)）

2.3 AI-KM 研究文獻(xiàn)共被引分析

通過文獻(xiàn)共被引分析可以從宏觀上分析國際AI-KM 研究的高被引文獻(xiàn)及其引證關(guān)系，采用VOSviewer 軟件制作文獻(xiàn)共被引標(biāo)簽視圖，閾值設(shè)置被引次數(shù)4 次及以上，得到包含62 篇文獻(xiàn)的共被引圖譜，如圖3 所示。圓形大小代表文獻(xiàn)被引頻次的高低，面積越大代表文獻(xiàn)被引用的頻次越高，相同顏色則代表文獻(xiàn)屬于同一聚類。從圖譜中可以看出，AI-KM 的高被引文獻(xiàn)共有8 個(gè)聚類，每個(gè)聚類都有一篇影響力較大的核心文獻(xiàn)?？傮w上看，共被引文獻(xiàn)群落分布較均勻。

圖3 國際AI-KM 研究文獻(xiàn)共被引標(biāo)簽視

對(duì)圖譜進(jìn)行深入分析，從中我們可以提取出被引頻次超過10 次的6 篇文獻(xiàn)信息，如表3 所示。1號(hào)文獻(xiàn)“基于案例的推理：基礎(chǔ)問題、方法變化和系統(tǒng)方法”概述了基于案例推理的基本問題，總結(jié)了案例檢索、重用、解決方案測(cè)試和學(xué)習(xí)的方法，并討論了基于案例的方法在集成系統(tǒng)架構(gòu)中作為一種推理和學(xué)習(xí)方法的作用［14］。2 號(hào)文獻(xiàn)“知識(shí)創(chuàng)造公司：日本公司如何創(chuàng)造創(chuàng)新動(dòng)力”是一本專著，作者是Hitosubashi 大學(xué)的管理學(xué)教授野田光二，他在書中明確了2 種類型的組織知識(shí)：包含在程序和手冊(cè)中的顯性知識(shí)和僅憑經(jīng)驗(yàn)學(xué)習(xí)的隱性知識(shí)［15］。3 號(hào)文獻(xiàn)“基于案例的推理”是該主題的第一本綜合性著作，書中闡述了基于案例的推理系統(tǒng)是如何根據(jù)存儲(chǔ)在內(nèi)存中的案例信息來解決新出現(xiàn)問題的［16］。4 號(hào)文獻(xiàn)“信息與控制”系統(tǒng)介紹了模糊集的概念，并將包含性、并集、交集、補(bǔ)集、關(guān)系、凸性等概念推廣到這類集合中，明確了模糊集合背景下這些概念的各種性質(zhì)［17］。5 號(hào)文獻(xiàn)“知識(shí)管理和知識(shí)管理系統(tǒng)：概念基礎(chǔ)和研究問題”是一篇研究綜述，文章在對(duì)不同領(lǐng)域的知識(shí)管理文獻(xiàn)進(jìn)行了回顧和解讀基礎(chǔ)上明確了該領(lǐng)域的研究重點(diǎn)，并詳細(xì)介紹了組織知識(shí)管理的過程視圖以及信息技術(shù)在這一過程中的潛在作用［18］。6 號(hào)文獻(xiàn)“可移植本體規(guī)范的翻譯方法”描述了一種在表示系統(tǒng)上定義可移植本體的機(jī)制，以標(biāo)準(zhǔn)格式編寫的謂詞演算定義由一個(gè)稱為本體語言的系統(tǒng)翻譯成專門的表示形式，使得研究人員可以共享和重用本體，同時(shí)保留專門實(shí)現(xiàn)的計(jì)算優(yōu)勢(shì)［19］。這6 篇高被引文獻(xiàn)對(duì)國際AI-KM 研究有較大的影響。從發(fā)文時(shí)間上看，有4 篇文獻(xiàn)是上世紀(jì)九十年代中期發(fā)表的，2000 年以后高被引論文較少。從涉及主題看，包括了知識(shí)管理、知識(shí)管理系統(tǒng)、顯性知識(shí)、隱性知識(shí)等基本概念以及基于案例的推理、信息與控制、模糊集合等智能控制的算法，大部分是AI-KM 研究的基礎(chǔ)理論和方法。

表3 國際AI-KM 研究文獻(xiàn)共被引超過10 次的論文

2.4 AI-KM 研究的期刊分布與知識(shí)吸收

通過期刊的雙圖疊加分析可以從宏觀上分析AI-KM 研究相關(guān)期刊在學(xué)科期刊地圖上的分布及其與其他期刊間的聯(lián)系。對(duì)2003—2019 年國際AI-KM研究期刊數(shù)據(jù)進(jìn)行期刊的雙圖疊加分析，如圖4 所示。左邊是基于10 000 多種SCI/SSCI 期刊之間的引證關(guān)系創(chuàng)建的期刊地圖，疊加后的橢圓代表了施引期刊在科學(xué)期刊地圖中的位置，右側(cè)的期刊圖譜基于期刊的被引關(guān)系構(gòu)建，每一個(gè)點(diǎn)也代表了被左側(cè)施引期刊所引用的期刊［20］。作為施引期刊的2003—2019 年AI-KM 研究期刊位于左側(cè)，橢圓的橫軸表示了2003—2019 年AI-KM 研究發(fā)表論文的作者數(shù)量，橢圓的縱軸軸則反映了AI-KM 在2003—2019 年所發(fā)表的論文量。

圖4 國際AI-KM 研究在2003—2019 年引證期刊軌跡

圖4 中的每個(gè)引證軌跡代表了AI-KM 所引用文獻(xiàn)的來源期刊。從左側(cè)宏觀的期刊類團(tuán)位置上來看，388 篇AI-KM 論文期刊最主要分布在"數(shù)學(xué)、系統(tǒng)、數(shù)理”領(lǐng)域，代表期刊有（數(shù)字為引用次數(shù)）［24］EXPERT SYSTEMS WITH APPLICATIONS（中文名《專家系統(tǒng)及其應(yīng)用》，主要發(fā)表有關(guān)專家系統(tǒng)的設(shè)計(jì)、開發(fā)、測(cè)試、實(shí)施、管理方面的研究論文）［7］、JOURNAL OF INTELLIGENT MANUFACTURING（中文名《智能制造》，主要刊發(fā)有關(guān)人工智能在制造業(yè)中應(yīng)用的研究論文）、［7］ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE（中文名《人工智能的工程應(yīng)用》，主要刊發(fā)有關(guān)人工智能方法在工程各個(gè)領(lǐng)域的實(shí)際應(yīng)用的研究論文），其次是位于地圖正下方的“心理、教育、健康”領(lǐng)域。結(jié)合引證軌跡，得到其引用期刊最大的引用領(lǐng)域是“系統(tǒng)、計(jì)算、計(jì)算機(jī)”，代表期刊 有［16］EUROPEAN JOURNAL OF OPERATIONAL RESEARCH（中文名《歐洲運(yùn)籌學(xué)雜志》，主要刊登運(yùn)籌學(xué)方法論（OR）和決策實(shí)踐方面的研究論文），其次是“心理、教育、社會(huì)”領(lǐng)域。宏觀來看，這4 個(gè)主要領(lǐng)域還存在著交叉引用的情況。除此之外，AI-KM 研究期刊還在“生態(tài)、地球、海洋”“分子、生物、遺傳”等領(lǐng)域有分布和引用。從疊加圖我們可以大體明確國際AI-KM 研究所分布的期刊及其與其他期刊間的聯(lián)系和知識(shí)吸收關(guān)系。

3 結(jié)論

針對(duì)2003—2019 年國際AI-KM 研究主題論文，從高產(chǎn)作者和機(jī)構(gòu)、主題共現(xiàn)、高被引文獻(xiàn)網(wǎng)絡(luò)，期刊疊加等方面進(jìn)行了知識(shí)圖譜分析，得到以下結(jié)論：

（1）國際AI-KM 研究主要集中在香港理工大學(xué)、格拉納達(dá)大學(xué)、國立臺(tái)灣科技大學(xué)等機(jī)構(gòu)，且發(fā)文時(shí)間也相對(duì)較早。WANG WM、CHEUNG CF、SANCHEZ-MARRE M 等作者是過去15 年國際上AI-KM 研究領(lǐng)域內(nèi)較為活躍的研究主體。中國大陸在該領(lǐng)域的研究相對(duì)薄弱。

（2）國際AI-KM 研究重點(diǎn)關(guān)注的主題涉及專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、決策支持系統(tǒng)、本體論等方面，分別分布在主題邏輯結(jié)構(gòu)識(shí)別、重復(fù)施工工藝、綜合評(píng)價(jià)、拉動(dòng)控制政策、網(wǎng)絡(luò)化企業(yè)、醫(yī)療網(wǎng)絡(luò)信息、決策支持系統(tǒng)7 大類群中。文本挖掘、嵌入性、認(rèn)知計(jì)算、故障管理等是該研究領(lǐng)域的前沿?zé)狳c(diǎn)。大數(shù)據(jù)、平衡核心卡、臨床決策支持、故障檢測(cè)、粒子群優(yōu)化、嵌入性、認(rèn)知計(jì)算等可能是今后研究的新熱點(diǎn)。

（3）國際AI-KM 研究高被引論文的主題集中在知識(shí)管理、知識(shí)管理系統(tǒng)、顯性知識(shí)、隱性知識(shí)等基本概念以及基于案例的推理、信息與控制、模糊集合等技術(shù)方法等方面。從時(shí)間上看，有重要影響力的高被引文獻(xiàn)集中在了1993—1995 年，這些高被引論文為后后續(xù)人工智能技術(shù)在國際知識(shí)管理中的應(yīng)用提供了研究基礎(chǔ)，而近20 年高被引論文相對(duì)缺乏。

（4）國際AI-KM 研究的期刊主要分布在“數(shù)學(xué)、系統(tǒng)、數(shù)理”和“心理、教育、健康”等領(lǐng)域，并從“系統(tǒng)、計(jì)算、計(jì)算機(jī)”“心理、教育、社會(huì)”等學(xué)科領(lǐng)域進(jìn)行知識(shí)吸收，說明AI-KM 研究交叉性較強(qiáng)。國際AI-KM 研究重點(diǎn)期刊主要有《專家系統(tǒng)及其應(yīng)用》《智能制造》《人工智能的工程應(yīng)用》《歐洲運(yùn)籌學(xué)雜志》。