专长管理研究进展
刘 萍1 陈姝婷2
(1.武汉大学信息管理学院 2.湖北省科技信息研究院)
【摘 要】 作为知识管理的子集，专长管理在过去的十年中经历了长足的发展。本文分析了专长的本质和表征，阐述了专长管理系统的主要功能，归纳了不同类型的专长管理系统，最后探讨了专长管理系统所涉及的主要技术和未来发展方向。
【关键词】 专长管理 隐性知识 专家定位
Advances in Expertise Management
Liu Ping1 Chen Shuting2
(1.School of Information Management，Wuhan University; 2.Hubei Academy of Scientific and Technical Information)
【Abstract】 The recent decade has witnessed the development of expertise management.This article first analyses the nature and indicator of expertise.Next the functions of expertise management systems are described.Then the different types of expertise management systems are reviewed.Finally，key techniques，challenges and future directions are also discussed.
【Keywords】 expertise management tacit knowledge experts locator
组织中的知识一般可以分为两类:显性知识和隐性知识。其中显性知识是指那些可以通过语言、书籍、文字、数据库等编码方式进行传播的知识，易于被人们学习。隐性知识则是指那些存在于人们的头脑中，是人们在长期的实践中积累起来的与个人经验密切相关的知识，它往往是一些关于技巧、经验方面的知识。这种知识难以用语言表达，也难以被他人学习。根据Delphi的调查，在组织知识的组成结构中可被符号化、文档化的显性知识只占其中很少一部分，大部分是保存在组织员工头脑中的隐性知识(如专长技能、工作经验等)，约占组织知识的80%。而组织员工所拥有的隐性知识是组织中真正具有增值价值的资产。在现今日益激烈的竞争环境中，有效管理组织中的知识，特别是保存在员工头脑中的隐性知识，是组织保持并发展核心竞争力的关键。专长管理关注的重点就是储存在人们头脑中的隐性知识。和以往针对显性文档的内容管理不同，专长管理的重点是创建内容的人及其拥有的专长知识。通过对组织内有专长的个人与群体进行有效挖掘与利用，使人们可以发现和找到知识与专长后面的人，促进人们交流与合作，促进专长的共享与转化，实现人们从相互感知到走向共同合作，并最终达到提高组织业绩的目的。
1 专长概述
1.1 专长的定义与实质
在过去的三十多年里，学术界一直对“专长”这一词的定义有激烈的争议，心理学、行为科学、计算机科学领域的研究者们对专长的本质进行了大量研究，由于他们各自对专长本质的观察与理解的角度不同，因此也出现了许多不同的专长定义。对专长本质的理解与定义可以归纳为以下五种:
1.1.1 专长是“对技能与知识的掌握”
一般常见的对专长本质的理解与定义都是基于专门知识或具体技能，这是专长最基本的一种定义，我们将此类定义称为技能类定义。这类定义在早期的专家或专长研究中比较普遍，如Bedard就将专长定义为对知识与技能的掌握[1]，McDonald等将专长定义为“在个人中体现的知识与技能”[2]，后来Ackerman等又提出专长指代人们具有的一定水平的知识[3]。心理学领域对专长的研究也多是从对技能掌握的角度来进行的。de Groot和后来的Chase等研究了专家级国际象棋大师的行为表现，并由此将专长定义为大师级象棋技艺[4][5]。而Glaser等则在对打字技能的研究中将专长具体规定为每分钟能打多少个字的能力[6]。这些例子说明体力和脑力的能力都是基于技能定义的一部分。基于此类专长本质的研究通常会运用对人的智力进行研究的方法，并会试图对人的具体行为表现进行客观评测，在这种评测中会设定一个基准值，如果某人的表现值在这个基准值之上，就说他有专长或具备专家水平的技能。纵观技能类定义，都不外乎是将技能或知识看作是像可以为个人所掌握的一种物质，一旦某人拥有了这种“物质”，他就有了“解决问题的能力”[7]，就能够“在某领域表现得较优秀”[8]。
技能类的定义不能反映专长动态、变化的特点，这类定义的不变性和静态性经常受到批评或反驳。Gaines就曾指出人们在预先规定好的任务(如打字)中所表现出的技能并不能说明他们拥有知识[9]。此外，基于技能的专长研究的主要关注对象是个人可以表现出的某种单纯技能，而不太重视这种技能所适用于的实际情况与背景，这也是技能类定义遭到批评的另一个方面。
1.1.2 专长是“学习和掌握技能与知识的过程”
一个人的专长并不是一成不变的，而是随着个人的成长与其年龄的增长而动态发展的。真正的专家并不仅仅只保持他们当前的能力或只停留在其原有水平上，而是随着实际情况的变化与发展而不断学习和拓展其知识面，以适应动态变化的应用环境，甚至包括未可预知的环境与情况[10]。一些研究人员注意到这一点，并基于此理解在专长的定义中增加了过程这个要素。这类定义认为技能与知识是专长和专家表现的重要方面，但在此基础上增加和更侧重了人们是如何学习知识与技能并从而获得专长这一方面。本文将这类定义称为过程类定义。例如，Marchant将专长看作是“个人发展其能力以实现针对任务的出众表现的过程”[11]。在Dreyfus等提出的专家技能获取模型中，将专长分为五个发展阶段，即新手、高级启步者、竞争者、熟练者、专家(Novice，Advanced Beginner，Competence，Proficient，Expert)，并对每个阶段予以区别——这些区别是通过个人对相关知识与技能规则的内化以及更有效区分实际情况而取得的表现提高[12]。许多这类定义试图通过知识与技能的内化和常规化来解释人们是如何获得专长并成为专家的，它们通常也会考虑到专长应用的外部环境，认为专长是在具体情况中表现出来的，具体情况的轻微不同都能对专家的表现或专长水平进行区别，因而这类定义也建立在对专长理解的更高层次上。这类定义的关注重点是学习和获得专长的过程，正是这个过程使专家由一个阶段发展到另一个更高的阶段。
1.1.3 专长是“解决未知问题的创造性能力”
在复杂、动态和未可预知的新情况中，专家具有将其固有的知识与技能转化应用到新情况中并找到新解决方案的创造能力。他们有着“影响规则”的能力[13]。这就是专家和一般人的重要区别。根据Clancey，知识是根据具体环境适应性表现的能力，它不能够被减少或替换为某种具体表现[14]。这种适应能力正是专长的关键要素，也是专家与众不同的方面。为了获得这种适应能力，专家热衷于学习，不仅是学习已有什么，而且更为重要的是了解与探索“还没有什么”[15]。Gadamer也曾注意到专家会从许多经验中提取知识，但是他们从不会停止，也从不会对他们已经学习的感到满足[16]。在不断学习和探索中，专家也连续不断地遇到新问题和寻找新答案，由此他们也不断增强他们的知识、方法与适应力，为进一步解决未知的、越来越复杂的问题做积累[17]。据此，一些研究者认为对知识与技能的掌握及其模式化的过程都不能完全代表和体现专长的特性，他们提出专长的关键所在是将知识与技能应用到新的实际情况的能力，也就是在原来没有答案的地方创造新答案。今天的专家之所以成为专家是因为他们能够快速解决新的、前所未有的问题，专家在本质上是创新者、问题的创造者和解决者[18]。在此将这类定义称为创造类定义。
1.1.4 专长是“合作活动”
知识的创造可通过集体合作学习的过程而加快[19]，在这个过程中所有团队成员的隐性知识都能被利用。人们之间的交流与合作对保持专长是必需的[20]，集体活动远比任何个人的贡献重要得多，团队的工作质量也可以提高[21]。与前面只将专长孤立地进行不同理解，有一些研究者提出专长应该被看作是合作活动。在此将这类定义称为合作类定义。Vygotsky和Leont'ev将技能与专长的模型看作发生于一个“活动的系统”中，该系统由个人、同事和其工作团队组成[22][23]。因此，专长来自于个人与他人合作并不断获得学习收获、取得创新和提高的能力[24]。当团队形成共同的默契和文化，通过相互配合和共同工作表现出一种集体智慧与技能，也就形成了体现于团队的专长[25]。
1.1.5 专长是“社会归因”
还有一类不太常见的定义只纯粹从一种社会认知与归因的角度对专长进行理解。在此将其称为归因类定义。Sternberg及Cicourel的研究都具有社会归因的方面[26][27]，在他们的研究中，专长都是通过某人与其他人的社会交往与社会背景而被其他人所归因的。这类定义将专长看作是与某人社会背景与活动密切相关的一系列能力，它是由其他人和多种社会因素共同归因于该人的。这类定义并不强调某人所能表现的具体专长，而只注意某人具有专长这个社会归因。从社会归因角度来理解专长的研究通常都会识别社会关系和社会网络，并将他们看作是某人被其他人认为具有专长的重要因素。Allen[28]、Ehrlich[29]、Paepcke[30]的研究都注意到社会关系作为专长背景和促进专长被人们认同的重要作用。
1.2 专长的表征
专长表征(expertise evidence)指任何可以反映专长的有形或无形资源[31]。作为隐性知识的专长有着隐性知识固有的特点:人们很难把他们的专长写出来，他们知道却无法表达。尽管专长是具体化和嵌入化的，但通常可以通过有形的结果被观察[32]。比如专长可表现于显性文档中，在此对专长的各种表征归类如下:
(1)个人主页:通常人们会在个人主页中明确和集中地介绍自己的简历、在组织内的职务、职称、在组织外相关专业协会或机构内的任职、主要研究领域、工作成果、获得的相关专业认证或奖励等，这些都能够反映某人的专长及其水平，因此是较好的专长表征。
(2)出版物:如公开或在组织内正式出版的期刊文章、会议论文、专著等，都可以反映某专业领域的研究工作或信息，由于出版物一般都经过其他专家审核，因此其内容质量较高，真实性和可靠性也可得到保证，是表现专长的较好载体。
(3)工作文件:与正式出版物相区别，指专家为了其研究或工作而写的各种形式文件，一般用于组织内非公开用途，如技术报告、工作日志、工作总结、备忘录、演示稿等。
(4)项目文件:项目文件也可是工作文件的一种，这里与工作文件相区别主要是由于项目对于组织业务和个人工作的重要性。人们通常会通过承担和参加专业项目工作而获得宝贵的知识与经验，并增加和巩固其专长，个人的专长也能在项目工作中得到充分发挥。项目文件可包括项目建议书、项目进展报告、项目总结及与项目执行相关的各种书面文档。正式立项的项目都经过严格的专业审查，因此项目文件中所反映的专长的真实性和可靠性有充分保证，是反映专长的较好载体。
(5)专利文件:专利是专家实际应用其智慧与专长的表现结果，也是体现专长的较好载体。
(6)电子邮件:它已经成为许多人工作中不可或缺的一部分，人们会经常使用电子邮件与他们的同事交流信息、讨论问题并获得答案。因此电子邮件的内容也可反映人们的专业兴趣与知识水平。
(7)博客(Blog):它是近两年随着个人出版网络化和普遍化而兴起和繁荣的，目前已经成为广为流行的个人内容发布形式，不少专家和研究人员都有自己的博客，并在其中传递信息、发布观点和讨论问题，由于博客可更多地反映人们对其专业领域最新进展的关注，因此可更多地体现其专业兴趣的新发展与新的兴趣点。
(8)其他电子内容:如人们在论坛、新闻组、即时通信工具里发布的信息和对其他人提问的回答。如果有人总能发布或推荐某主题较有用的信息，或某人能够较好地回答某一主题的问题时，他可能会比较熟悉该主题，也可能是那个领域的专家，因此这些内容也可作为专长的表征。
(9)如果某人具有某领域的专长和知识，为了从事其专业工作，他可能会搜索或浏览更多的与其专业领域相关的文档。其中人们在互联网上浏览的行为和内容可以被跟踪，因此专家的网络浏览行为和内容可作为其专长的一种表征。但由于这些内容不是专家本人所写(这里假定专家只看别人写的内容)，因此浏览内容与专家的联系是间接的。
2 专长管理的定义和目标
1999年，欧洲计算机支持的协同工作会议专长管理研讨会(ECSCW'99)的组织者提出:“我们创造了这个术语‘Expertise Management’……它重点关注人，包括其知识工作的认知、社会、文化与组织方面，以及储存与检索”[33]。文档管理(内容管理)与专长管理可被看作是知识管理中的两个方面，分别处理显性知识与隐性知识。有效的专长管理建立于较好的内容管理基础之上，内容管理的相关技术也可以应用于专长管理之中。笔者认为，专长管理是内容管理与人力资源管理的结合点与纽带，它将知识管理的范围扩展到人与人之间、人与社会之间、人与信息之间。它是一种以人为核心的管理思想，是人本主义思想在管理中的真实体现。
专长管理需要实现三个主要目标，识别组织的专长分布、提供寻找专家的途径和促进专长的交流、共享与转移。下面分别阐述。
(1)识别组织的专长分布
世界经济合作与发展组织(OECD)明确提出了“以知识为基础的经济”，提出知识可以分为四类[34]:①关于事实的知识(know-what);②关于自然原理和规律的知识(know-why);③关于做事的技能或能力的知识(know-how);④涉及何人知道什么以及何人知道如何做什么的信息(know-who)，它需要形成一种社会关系，使了解和联系专家并有效获得他们的知识成为可能，对于组织内部管理来说，know-who的知识比其他任何知识都重要。这里的“know-who”就是专长管理的主要对象。大多数组织所面临的压力需要他们知道什么，要知道的内容涉及三个方面，一是有专长的个人，如有哪些人拥有哪些专长;二是有专长的群体，如有哪些人拥有相似或互补的专长，不同专长群体的人员比例如何;三是这些个人与群体间的交流与社会网络，如哪些人经常发生联系、交流或合作。对组织内专长的整体分布情况的识别尤其有助于了解组织拥有专长的种类、数量、被利用的情况等，而对组织内专长群体的交流与社会网络的识别则有助于理解人与人或部门之间的交互关系并发现专长共享中的问题，从而有利于提高组织对于专长交流和知识传播网络的干预与管理能力。
(2)提供寻找专家的途径
网络向人们提供了越来越多的信息，然而这并不意味着人们能够很容易地得到问题的答案。搜索引擎使用语法而不是语义分析技术因而不能处理复杂的查询请求。即使搜索引擎找到了相关的文献，问题的答案可能隐含在文章中而用户不能容易地得到。当你遇到难题时，你当然希望能和专家讨论而不是面对庞大的“相关文献集合”，所以向用户提供寻找专家的途径是很重要的。有研究表明，工作在信息密集环境中的人们为了搜索信息，通常会在使用正式渠道之前与相关的人进行交流[35][36]。人们经常需要寻找能够帮助他们将信息具体应用于实际情况或问题的人，如果知识是隐性的，与人打交道是不可或缺的。如果要解决的是复杂问题或以前未有过的新问题，人们通常更愿意寻找专家，而不是静止的文件[37]。对复杂问题的解决通常需要专家群体或多种专长，从而可以使他们聚集到一起来解决复杂问题[38]。由于找到可靠的专家如此重要，许多个人建立起一系列个人联系，这样就可以在有临时问题或需要寻求合作时与他们取得联系[39]，人们大大依赖于自身的社会关系网络来寻找解决问题的知识与方法[40]。但是这种依赖于个人社会网络来找专家的方法受到诸如“不太可靠、通常有效性受局限、不便衡量”问题的困扰[41]。并不奇怪，其实几乎在现今的大部分组织内，寻找具有某项专长知识的专家都不是件容易的事。如果组织要充分利用其智力资本，那么在正确的时间将正确的知识与正确的人相联系就非常重要[42]。在需要的时候快速识别具有多年积累经验与专长的组织成员是发掘组织潜力的关键所在，可以使组织更有效率、更具适应性、更能应对经常变化的外部环境。
(3)促进专长的交流、共享与转移
专长的价值只有在个人专长能够与其他人共享并帮助他人解决实际问题时其价值才得以最大体现，这样人们才能通过获得需要的专长知识与经验来完成任务，从而在尽可能短的时间内实现尽可能大的生产力[43]。有两种方式共享专长:第一种是将专长转化为明晰的形式，如文档或数据库，这样就方便人们共享与传播，但这种方式的主要缺点是专长可能很难于表达或编码化。另一种共享专长的途径是社会化，这种方法被许多研究者所推荐，如Horvath[44]和Fitzpatrick[45]。这种方法通过人们之间的相互交流与互动来使人们能够捕获丰富的实际应用相关背景情况，从而将知识更好地适用于他们自己的实际[46]。交流在专长共享与管理中的重要价值已经被人们认同[47]。如果搜索引擎是检索显性知识的有效工具，对话交流就是检索隐性知识的机制，对话的价值在于重构问题和找到好的解决方案[48]。在一项电子公司里专长共享的研究中，Hansen发现个人间的提问与反馈性的交流会促使更成功的知识转移，尤其是隐性知识[49]。许多研究者都认为，人们在相互交流与交互的过程中可以更有效地共享和创建新知识，从而促进运用群体的智慧进行创新，以赢得竞争优势。只有通过经常与别人相互合作和交流知识，一个团队才能实现比他们个人工作相加起来更大的能力[50]。有不同种类专长的人可以交流和互相帮助来创建新的知识。专长管理的目标就是促进组织内个人或群体的广泛交流，使知识从一个人传递给另一个人，不断循环转化，形成知识螺旋，进而转变成整个组织结构层的知识，即实现主体隐性知识的转化，从而充分获得知识资产的价值。
3 专长管理系统
3.1 专长管理系统应具备的功能
专长管理系统是一个特殊的知识管理系统，但它不是管理文件的传统意义上的知识管理系统，也不是专家系统，“它的重点在于:①找到组织中的人(即专家)并不断记录他们知道的知识(即专长);②使用户可以访问这些专长知识，从而能够帮助他们回答或解决超出个人或团队工作能力的问题。[51]”专长管理系统把整个组织所拥有的专家和他们的知识进行分类，并使得这些资源可以为所有的成员利用，尤其是新员工，帮助他们快速利用已有的知识来解决问题，而不是重复地思考如何解决问题并因此浪费时间。[52]”
具体来说，专长管理系统应该实现以下三种主要功能:
(1)专长的展示:识别组织内拥有专长的个人和群体，并将他们和他们拥有的专长知识表现出来，不仅需要表现出专家的知识，还需要以促进知识检索和应用的方式来表示知识。
(2)专长的查询:使人们能够在需要的时候查找到需要的专家或他们的专长知识。
(3)专长的交流:使人们能够在需要的时候与需要的专家建立起联系和进行交流。
作为一种组织内的信息系统，专长管理系统可以是独立运行的系统，也可成为组织内规模更大的信息系统的一部分，或者与其他系统相衔接。为了更多地适用和结合到需要使用专长管理系统的多种应用中，系统应该既能在不同的应用中迁移，也能与其他系统互操作。实际上，专长管理系统应与组织内的其他相关系统相衔接和整合时能发挥更大的作用[53]，如内容管理系统、人力资源管理系统、E-Learning、推荐系统等，这样既可以利用其他系统的资源与功能，这些系统之间也可以相互促进，从而共同促进组织效能的提高(图1)。
图1 专长管理系统与组织内其他信息管理系统的结合
3.2 现有的支持专长管理的系统简述
3.2.1 专家数据库
对组织内有专长的人们进行记录的最常见系统就是专家数据库，一些技能数据库或员工目录也属此类，有不少组织都建有这类数据库[54]，如大学内的专家数据库[55]或企业内的员工目录。这种方法要求专家用一系列关键词或者句子来描述他们的专长知识和水平，并将这种描述保存在数据库中，然后将用户输入的查询请求和数据库中专家的专长描述进行匹配以获取符合条件的专家及其信息。但是利用构建专家数据库的方法查找组织专家存在着以下问题:
(1)人工开发专家数据库的人力、物力成本对高校来说相对较高;
(2)组织专家数据库需要专家花费大量时间来填写他们的专长知识和专长水平，大大增加了专家的负担。而且专家自己对其专长水平的理解具有很强的主观性，可能在某领域已有深入研究的专家却只将自己的专长水平定位在中级水平上，这样在查询时会给用户造成误解，使他们不能获得专家们客观的专长描述，不能找到满足需要的专家;
(3)人们的知识并不是一成不变，而是动态变化的。但存储在数据库中的专家知识却是静态的，不能自动更新，导致其中的专家信息过时和不完整。而人工更新专家数据库中的专长技能信息对专家来说则是浪费时间，对组织来说则是浪费大量资源;
(4)专家对自己的专长描述往往是不完整的、概括性的，而用户提交的查询词往往是精细的、特指的，有时还有定性要求[56]，就会导致匹配失败，找不出相关的专家。
3.2.2 专长定位系统(ELS)
专长(或专家)定位系统(Expert/Expertise Location System)或专家查找系统(Expert Finding System/People Finder)试图弥补上述专家数据库的不足，通过从多种专长表征信息源中挖掘专家专长，自动生成专家专长档案。这种方法的关键是在文献和人之间建立联系，具体来说有以下三种策略:
(1)基于档案型(Profile-based)。这种策略是首先收集有关每个专家的所有文档并建立一个集成档案，这些文档包括的类型有专家发表的文章、专家主持项目的介绍、专家对其他人所提问题的解答等。这个集成的专家档案和用户查询式的匹配就可以用标准的文本相似度计算方法来得出。比如MITRE的Expert Finder系统[57]、P@noptic系统[58]、Balog[59]提出的第一个专家查询模型(Candidate Models)等都是基于这种方法来获取和识别组织员工专长知识。其中Expert Finder系统在查找与用户需求相关的组织员工(专家)时，利用了查询关键词或短语在员工专长档案中出现频次来获取与查询主题相关的各个专家并进行排序，同时返回相关的支撑文档;P@noptic系统则利用信息检索技术中的向量空间模型来计算用户的查询请求和组织员工的专长档案之间的相关度并对专家进行排序，提供排在列表首位专家的详细联系方式和相关支撑文档等;而Balog提出的第一个查询模型则利用基于概率的语言模型来计算查询主题与员工专长档案的相关概率，并按概率大小对专家进行排序。Petkova和Croft还进一步把文档类型进行分组，并给不同类型的文档设定不同的权值来改进检索结果。考虑到用户选词的局限性，Macdonald和Ounis[60]利用查询扩展技术，从排在前面的专家档案中挑选几个词来扩展原有的查询式以提高检索精度。
(2)基于文档型(Document-based)。这种策略是首先计算出和查询相关的文档集合，然后在这个集合中去查找谁是和这些文档联系最为紧密的专家。如一个查询式q对应于m个相关文档，而这组相关文档又对应于n个专家，每一篇文档和查询式的匹配度不同，每一个专家又对应一篇到多篇相关文档。Balog等提出的第二个专家查询模型[61]先利用基于概念的语言模型来获取与查询主题相关的文档列表，再根据各个文档的相关概率以及文档与专家之间的关联概率(Document-Candidate Associations)来计算各专家相对于查询主题的专长水平。Craig Macdonald等利用现有的数据融合技术(Data fusion techniques)[62]来整合与各专家有关的相关文档。数据融合技术，又称为元搜索技术，主要目的是将针对同一查询请求的多个排序列表整合成单一的排序列表(类似于元搜索引擎的排序原理)，在专家查询中使用数据融合技术的目的就是将排序的文档列表转化成一个排序的专家列表。使用数据融合技术整合专家文档时，Craig Macdonald不仅考虑了相关文档列表中文档的相似权重，而且还全面地考虑了文档的数量、文档的排序等因素对专家专长的影响。
(3)基于窗口型(Window-based)。这种策略并不是把文档作为一个整体来考虑，而是设定更小的窗口来分析相对应的内容。例如Yu[63]抓取包含专家名字的固定窗口尺寸的内容来构建专家档案，Balog和de Rijke[64]则比较了不同窗口尺寸下的专家检索结果，而Zhu则设置了不同权重的多尺寸窗口方法[65]，并证明这种方法能更进一步提高检索性能。
3.2.3 专长网络系统
专家数据库和专长定位系统主要针对和表现的是专家个人，而专长网络系统则主要反映专家的群体。专长网络是根据组织内人们的专长与他们之间的交往而形成的专业社会网络[66]。专长网络系统主要对这种基于专长而形成的社会网络进行绘图，反映组织内的专家群体及其成员间的关系，具体表现形式为专长(或专家)地图或知识地图，它可用来识别组织内的专长分布。专长网络系统主要的优点是便于在人们对组织内其他专家一无所知的情况下(如刚到组织的员工)快速地了解到“谁是谁”和识别专家群体中的核心人物。目前构建专长网络系统主要所依据的有文档合著关系和文档相似关系，例如Referral Web根据组织内人们通过邮件往来、合著或引用论文而形成的关系创建专家网络，使人们可以看到专家通过这些合作而建立起的网络和关系[67]。XperNet对MITRE公司内部文档库的内容进行分析和聚类，形成核心专长知识主题群，同时将低级主题合并到核心主题而成为其子主题，然后与相关专家的名字相匹配，并辅以项目合作关系分析，最终形成一个专家网络地图，网络的中心反映了处在该位置的专家在组织内的核心与重要程度[68](见图2)。组织内人们之间的关系多种多样，如邮件往来、项目合作、文档合著与引用、社会交往等，因此专长网络可以挖掘的专家群体关系还有一定空间。此外，如将专长网络与专家档案相结合，会更便于人们了解专家。
图2 XperNet(图中数字代表员工ID)
3.2.4 问答系统
问答系统如Answer Garden[69]和Chicago Information Exchange(CIE)[70]有时也被称为一种组织记忆系统。问答系统的基本模式是将用户的在线提问和专家的答案保存成为知识库，当有新问题时，系统首先在已有的问答库里寻找是否有匹配答案，如果有就直接提供给用户，如果没有就将问题转发给指定的专家，专家回答了问题后再转发给用户，新的问题和答案随时添加到知识库中。问答系统的知识库会随着用户与专家的互动而不断扩大，专家可根据新问题的出现重新设计或调整知识库的组织结构。在问答系统中所捕获的专长与培训手册或其他形式的事先制作好的显性化知识不同，它是伴随着用户实际问题的解决而在线形成的，因此其提供的知识都是最新和及时的。同时，专家不必反复回答重复出现的问题，而可以更加专注于新的和更复杂的问题或研究。问答系统的侧重点是通过储存和检索相关问题与答案而对专长知识予以显性化和进行重复使用。随着网络的发展，出现了新型态的网络信息交流服务平台(如雅虎知识堂)，以互动问答的形式，提供向他人请教、回答他人提问及贡献分享个人知识的服务。网友不但能获得知识，还可以通过解答问题来体现自身的价值。然而，如何对参与者的智慧价值进行评估与管理，如何最大限度调动参与者积极性等问题还都处于萌芽状态。事实上还有大量问题没有人回答或是要等很长时间才能获得答案。Liu和Croft[71]研究如何把合适问题提交给合适的人(“专家”)。针对每一个新的提问，系统自动查询以往类似的问题并评估谁是最有可能提供最佳答案的人。
3.2.5 计算机支持的协同工作(CSCW)系统
CSCW系统的目的是在计算机环境下提供对人们群体工作的支持，它涉及对人们之间的交流与合作提供技术支持，因此有研究人员考虑如何利用它来支持专长的交流与共享。1999年，欧洲CSCW的会议主题就是“专长共享”，其组织者在此次会议上还提出了“专长管理”的概念。目前已有的用于专长交流的CSCW系统主要基于空间概念，如“合作虚拟工作空间(CVW)”[72]、“TeamWave Workplace”[73]、IBM内部使用的“TeamRoom”[74]，它们模拟实际组织的空间分布与结构而提供相应的虚拟空间，如楼层、房间、部门等，它对人们的交流提供如下支持:一是反映人们在线与否的状态及在虚拟空间中的什么位置(如在第几层、哪个部门、哪个房间)，二是提供多种方式的交流手段，如基于时间的同步即时通信和异步留言板，基于交流媒体的文本交流、语音交流、视频交流等，它既支持个人间的交流，也支持群体交流。CSCW的基本工作模式是人们登录系统后通过查看别人的在线状态与虚拟位置而相互识别与找到，并可利用系统提供的多种手段来进行交流，从而在交流的过程中共享专长(图3)。CSCW系统尤其适用分布于不同地点的人们之间的交流和团队合作，如IBM的员工全球分布，利用虚拟空间进行合作和交流对于保证组织的效率与运行尤其重要，在IBM采用虚拟合作工具后的几年里，其员工共创建了50000多个虚拟房间，到目前还有27000个保持活跃。
图3 CVW用户界面[75]
综上所述，现将目前可支持专长管理的信息系统比较如表1:
表1 现有的支持专长管理的信息系统比较
4 专长管理所涉及的技术和方法
4.1 信息检索
信息检索是对信息与数据进行处理和查询的常用方法，信息检索是对信息项进行表示、存储、组织和存取。本文所讨论的专长管理系统的主要功能是对专长进行表示和支持查询，对专长的识别与处理主要是基于对相关专长信息与数据的处理，因此信息检索技术将是主要可采用的技术之一。信息检索的三个经典模型是布尔模型、向量模型和概率模型，其中布尔模型是基于集合理论，向量模型属于代数模型，概率模型则是基于概率论。在过去数年中，研究者们已经为每一种经典模型提出了各种不同的改进模式:在基于集合理论的模型基础上，又提出了模糊集合论模型和扩展布尔模型;对于代数模型，衍生出广义向量模型、潜语义标引模型和神经网络模型;对于概率模型，则进一步提出基于贝叶斯网络的推理网络模型和信任度网络模型。
近年来，随着信息技术与互联网的异军突起与普遍应用，信息检索也成为人们查找信息与知识的常用工具。然而，不管采用上述哪一种检索模型，目前的检索方式仍然主要是基于关键词检索，即通过基于句法的简单语词匹配来实现检索。人类的自然语言体系非常复杂，用户很难简单地用关键词或关键词串来忠实地表达他所真正需要检索的内容，表达困难导致检索困难。此外，同一概念可以用不同的词语来表达，对同一概念的检索，不同的用户可能使用不同的关键词来查询，或者同一词语可以有多种涵义，这些问题造成的直接结果一方面可能是返回大量的无关信息，即少量的有用信息被大量的无用信息包围，用户必须从结果中进行一一浏览和筛选，另一方面也有可能是没有获得查询结果。造成上述检索结果原因的实质在于通常的关键词检索仅仅采用机械的关键词匹配来实现，缺乏知识处理能力和理解能力，无法处理在用户看来非常简单的常识性知识，更不能处理随用户不同而变化的个性化知识、随地域不同而变化的区域性知识以及随领域不同而变化的专业性知识等。现代的信息检索系统必须改变传统的信息检索模式，处理信息资源的内涵、语义信息和语用信息，对信息资源的本质内容进行检索，把信息检索从目前基于关键词的层面提升到基于概念(或知识)的层面，从而实现新一代的智能检索。概念检索就是在检索时不仅能检索出包含某具体词语的结果，还能检索出包含那些与该词同属一类概念的词语的结果。概念检索主要有两个特征，即同义扩展检索和相关概念联想。为用户提供相关的检索结果分析是概念检索的另一个应用前景。概念检索通过对繁多复杂的原文信息进行语义层次上的自然语言处理来析取各种概念信息，将相关的信息从不同的原始信息中滤出，并由此形成知识库，在此基础上还可根据对用户查询或提问的理解来检索知识库中相关的信息以提供直接的回答。
目前，将人工智能技术结合到信息检索系统中是智能检索研究的热点与趋势，如对文本挖掘与自然语言处理技术的应用，实际上，这二者密不可分，需要结合在一起才会产生较好效果。表征专长的信息通常是大量由自然语言表述的文本，这两种技术的应用对于专长信息的处理将非常必要，也会有效促进对专长知识的识别与表示。
文本挖掘是从大量半结构化或非结构化文本数据中抽取其中隐含的、事先未知的、可理解的、最终可用的知识的过程，同时运用这些知识更好地组织信息以便将来参考。文本挖掘可以对大量文档集合的内容进行摘要、分类、聚类，提取出的知识表示为概念、规则、模式、规律等形式。在文本挖掘过程中，文本的特征表示是整个挖掘过程的基础，而关联分析、文本分类、文本聚类是三种最主要也是最基本的功能。文本挖掘已成为一项具有较大实用价值的关键技术，是组织和管理数据及知识的有力手段，可用于信息检索和知识管理等领域。
自然语言处理也称为自然语言理解，是语言信息处理的一个重要分支。在信息检索中应用自然语言处理的目的是通过它对句子、段落以及整篇文档的逐级理解和处理来实现检索的智能性。自然语言处理不仅要运用语言学中的词汇、语法、句法、语用和语义学知识，而且还要涉及大量的客观世界的知识以及与其相关学科的知识。与传统的方法相比，运用了自然语言处理技术的信息检索系统具有以下优点:①在文档集的预处理阶段，可以利用自然语言处理技术对文档进行表示和存储，形成一个知识库。如果对信息内容能够进行广泛而深入的分析，那么在更具智能的信息检索系统中，知识库就会表现出更大的潜力。②用户进行查询时可以使用一句话或一段文本来清楚、准确地描述自己的信息需求，这既符合人类的思维习惯，也有助于解决查询歧义的问题。另外，采用自然语言处理技术而建立的查询扩展会更为合理，可以同时提高信息检索中的查准度和查全度两个指标。③基于自然语言处理技术的信息检索系统可以以优化的匹配选择算法完成用户查询和文档集的相似度计算，能够从多种角度判断两者之间的相关性，并改善了文档的排序，从而把更佳的检索结果提交给用户。在一般性的信息检索中，自然语言处理技术已应用到其中的三个领域，即自然语言接口、文档处理和知识获取。实际上，自然语言处理技术已可用于信息检索过程中的所有阶段，不仅包括上述的文档处理阶段，而且也包括对用户查询的处理以及两者之间的匹配计算。在自然语言处理过程中，必须通过一定的程序对自然语言做适当的转化，这其中主要包括分词技术、过滤技术和语义提取技术等。目前尽管对中文自然语言处理的技术和研究已经取得了相当多的成果，但是由于中文复杂的句法结构和语法结构，中文自然语言处理的效果仍然不太乐观。
在已有的相关系统中，信息检索是主要应用的技术，并且大部分是基于关键词检索，这只列举几个例子如Answer Garden[76]、Expert Finder[77]、MEMOIR[78]等，也有一些提供概念检索，如CKBS[79]、SAGE[80]、Find Competence[81]，其中Expert Finder和SAGE都用到了文本挖掘和自然语言处理，不过它们的运用仍然是初步和简单的。同时，还有一些对专长检索算法(如匹配与排序)和用信息检索技术对专长建模的研究[82]。
4.2 语义网
语义网研究的不断发展，提供了表示含义和表达知识的技术体系，通过它可以在语义层面上描述任何信息资源。语义网力图使得计算机在一定程度上做到“理解信息的含义”，从而使计算机自动分析和处理信息资源的语义信息成为可能。语义网可以表达词语和概念，还表达词语或概念之间的逻辑关系。语义网，首先是表达含义，采用扩展标记语言(Extended Markup Language，XML)以结构化的方式描述信息资源的内容;其次是表示关系，用资源描述框架(Resource Description Framework，RDF)体系表示词语或概念之间的逻辑关系或表示不同资源之间的逻辑关系;第三是表示概念及其之间的关系，用本体(Ontology)对术语或概念进行定义和规定概念之间的分类与推理规则;最后是代理，利用计算机程序自动代理应用。语义网构成了完整的语义分析的技术体系，由于它所支持的强大语义处理功能，它在专长表征数据的语义识别、集成、智能处理、专长的表示等多个方面可以发挥作用，下面分别阐述。
XML是Web上的数据交换标准，它提供了独立于应用的共享数据的方法，事实上，它已经几乎成为用于所有应用程序之间数据传输的标准，而不管这些应用程序是否基于Web的。XML可作为异构数据交换的中介，它可以将不同的数据结构转换为嵌套的标签元素集，通过这种方式，异质的数据结构可以用统一的句法表示出来。XML Schema可以定义和验证XML文档的结构和内容，支持更多的数据类型和数据继承，并且有很强的扩展性和重用性。XML Schema可以引用其他的Schema，也可以限制和扩展其他的Schema。此外，由于XML将文档的结构与表示分开，可以给不同的用户显示同一内容的不同视图。不过，XML和XML Schema都不对集成信息需要的语义知识提供支持，因而不能支持在语义层上集成。
RDF是在Web上描述元数据的标准，也是元数据处理和操作的基础，它可以用来解决语义异质问题。在RDF中资源的属性是资源，属性值可以是资源，关于资源的陈述也可以是资源，都可以用RDF来描述。这样就可以很容易地将多个描述综合，以达到发现知识的目的。RDF能够提供以下一些优点:元数据互操作;机器语义识别元数据;比全文检索更精确的资源发现;通过Schema验证应用。RDF最终的目的是定义一个不针对任何特定应用的资源描述机制，可以对资源进行自动发现和归类处理。RDF Schema是一种词汇描述语言，是RDF的扩展，它与XML Schema功能相似，主要是对RDF的结构和内容进行控制。RDF Schema定义了语义关系描述的类型，它可以具体化定义某类资源、资源的属性、资源与属性之间的关系以及资源与资源之间的关系。
XML与RDF都能为所描述的资源提供一定的语义，然而XML和RDF在处理语义上还存在两个问题:同一概念有多种词汇表示;同一个词有多种含义(概念)。为了解决上述两个问题，很自然地需要引入Ontology。Ontology的目标是捕获相关领域的知识，提供对该领域知识的共同理解，确定该领域内共同认可的词汇，并从不同层次的形式化模式上给出这些词汇(术语)和词汇间相互关系的明确定义。Ontology不仅包括术语的定义，还包括这些术语的关系，它通过规定术语或概念的严格定义及概念之间的关系来确定概念的精确含义，表示共同认可的、可共享的知识。因此，在语义网中，Ontology具有非常重要的地位，是解决语义层次上信息共享和交换的基础。通过使用Ontology使不同术语的隐含意义明确化，就有可能基于内容而动态定位相关数据源，并根据需要而集成。Ontology具有标注和表示语义的作用，使人和计算机共享具有相同含义的结构化信息。Ontology还提供一种定义数据意义的方法，能够精确的区分不同概念之间的关系，允许不同的代理在不同的方面使用这些语义。Ontology支持一定的假设，区分特定领域的知识与其他知识，强调知识重用与分析。因此，Ontology有利于知识的交流、共享和重用;有利于自动推理，提高知识的分类和发现水平。
词汇加结构构成分类学，分类学与关系和规则构成Ontology，Ontology加实例构成知识集，这种由基本词汇向知识集递进的方式也可对应于专长知识的表示:表示专长的术语或概念加结构和关系构成专长知识体系(可以是分类体系，也可以是更一步的Ontology)，专长体系加实例就构成专长知识库。
由于语义网的强大功能和应用前景，它在专长管理系统中也有较大的应用空间，例如杨光飞利用本体详细讨论了领域专家的匹配算法[83]，Alani等学者利用语义网技术来监控学术合作[84]，用可视化的方法展示出不同领域的专家在不同时间段所开展的学术合作。
4.3 信息可视化
信息可视化正在成为信息科学一个重要的研究分支，它是将抽象的数据或信息用可视的形式表示出来，以利于分析数据和发现规律，它的目标是实现信息的知觉化与感性化，运用图形化技术使得信息系统和用户之间的直接交互直观而方便。有效的可视化界面不仅给信息以直观的形象，使得我们能够观察、研究、浏览、探索、过滤、发现、理解、操纵大规模数据与信息，并与之方便交互，而且可以极其有效地发现隐藏在数据与信息内部的特征和规律，挖掘隐含的模式和结构，从而有助于我们更有效地利用信息和发现知识[85]，因此，信息可视化在专长数据与信息的处理中也有较大的利用空间，例如从专长表征数据中发现隐藏的专长知识、专长的表示、专长的导航与检索等，较为典型的是对不同专长相关性和专家群体网络的表现。在我们这个信息与知识日益丰富的社会，信息可视化技术的研究和应用已经从根本上改变了我们表示和理解大型复杂数据的方式，从而可能引导我们获得新的洞察和有效的决策。
信息可视化集成了多方面的内容，包括:信息抽取和描述、人机交互、数据挖掘、制图学和成像学。信息可视化是一个过程，它将数据、信息或知识转化为一种可视的形式。基于人们对可视图形快速识别的自然能力，可视形式一般指图形，其中以二维图形或三维图形较为常用。信息可视化的关键是将数据、信息或知识用有意义的图形表示出来，在信息可视化的参考模型中，其核心是数据表到可视化结构的映射，因此如何寻求一个好的可视化结构，是信息可视化的一个关键问题。目前，信息可视化系统主要采用树(Trees)、图(Graphs)、地图(Maps)及虚拟现实(Virtual Reality)等隐喻方式来表示和呈现信息及其结构的可视化[86]。由于可视化的最终表现结果是图形，因而可视化常被误以为是制作一个图形或图像的过程，其实可视化的最终用途是发现和解释，而不仅仅是呈现图形。在这个领域，人们更加关心的是如何使图形更有利于人们的认知、理解与处理，而不是图形的质量，因而交互性和动画成了这些系统更为重要的特征。现代的信息可视化常常不局限于单纯的处理静态数据，而是提供给用户一个动态的、灵活的环境，在这种环境中，用户可以控制信息和分析数据，并可进行某些操作。
对专长的可视化是一个较新的研究方向，Huang等人运用自组织图(Self-organizing Map，SOM)和多维尺度分析(Multidimensional Scaling，MDS)一方面以人为中心对专家的聚类及其专长相似性进行可视化表示，另一方面也以专业领域为中心表现了人们拥有多种专长之间的关联程度[87]。Song等人用可视化的方法既表现专家拥有的所有专长领域，也呈现在一段时间内专家的专长变化的轨迹[88]。
4.4 智能代理
智能代理是人工智能研究的产物，又称为“会思维的软件”，它是在一般的Agent中加上了智能算法，从而使得Agent能根据已有的知识(信息)推出新的知识(信息)。智能代理是具有信息处理能力的主动实体，具有较强的自主性、反应性和交互性，可用于资源整合、信息过滤、知识挖掘、网络导航和服务集成[89]，特别适用于分布计算或客户服务器环境，它可用来采集用户端的相关专长表征数据，同时可在专长查询和自适应性方面发挥较大作用。一方面，智能代理可以应用有效的信息采集策略，按一定的语法规则智能地、有选择地自动收集信息;另一方面，智能代理可以具有个人独特风格知识和识别特定语义模式的能力，它能够识别和更好地表达用户的需求，帮助不懂技术的使用者快捷地获得信息，提供灵活方便而又最新的自动化服务，可以使人们在搜寻和获取信息的过程中对信息进行自动搜索、过滤、分析、综合等处理，从而大大节省时间和提高工作效率。智能代理可以在用户没有明确具体要求的情况下，根据用户的需要，代替用户进行各种复杂的工作，如信息查询、筛选和管理，并能推测用户的意图，自主制定、调整和执行工作计划，直接为用户搜集所需要的信息，并经过加工、处理后将信息主动推送到用户面前，而且能够管理大量信息。有的智能代理具有通过学习而获得知识的能力，多智能代理还能彼此间进行交流，共同执行单个智能代理软件所不能胜任的任务。
代理技术在相关系统中应用较早，如MEMOIR[90]、Expertise Finder[91]、Yenta[92]、Portfolio管理系统[93]等，不过它们的主要功能还是简单的信息收集和查询，其学习性、推理性和自适应性等智能特征还不高。
4.5 Web2.0
Web2.0的概念是最近两年兴起的，目前IT界对于它尚无统一定义，较为公认的是，Web2.0不是一种具体的事物，而是一个阶段，是促成这个阶段的各种技术和相关的产品与服务的一个总称。Web2.0着眼于用户个体，它注重信息交流的双向性与互动性，使传统的“人机对话”向“人人对话”转变，个人化和去中心化是Web2.0的显著特征。Web2.0可以定义为协助人际交互和机器间协作的计算机技术应用，它由具备更强大交互能力和更高互操作效率的技术、为大众广泛认同的应用服务理念和系统设计规则所组成，它总的思想是:开放分享，用户参与。在Web2.0中，用户间以一对一、一对多、多对多的方式传递和交流信息，庞大的、分散的信息与知识通过这种形式自发而有机地组织起来，而且在用户交互的过程中所产生的思想火花中还会继续深化。尽管Web2.0兴起的时间不长，目前其发展前景还不十分明朗，但它至少可以昭示出一个普遍的价值和意义，即它有可能为用户带来个性化的、能真正进行知识交流、共享和创造的自由环境，因此它非常适用于专长的交流与共享。
社会性网络软件(Social Network Software)是Web2.0的典型应用，它是帮助人们建立社会网络和自动组织群体的软件，支持人们建立更加互信和紧密的社会关联，是对真实社会关系和交往活动的反映。社会性软件以现实社会关系与交往活动为基础，模拟或重建现实社会的人际关系网络，因此它体现了社会交往的新模式，其次，它使得知识和信息的采集变得十分可行和便捷，也体现了知识传播的新模式。社会性网络软件的主要功能是对人们对话与互动提供支持，虽然它的概念是伴随着Web2.0的兴起而于近年出现，但从广义的角度来说，实际上它早就存在了，如传统的E-mail、BBS、Usernet等都是用于人们的交流与互动，而在Web2.0中的社会网络软件应用则更具智能性和用户友好性，因此也受到人们更多的青睐，如目前广为流行的博客(Blog)、维基(Wiki)、标签(Tag)、即时通信(IM)等，它们既是支持用户交流的平台，更体现了当前人们通过网络交流的潮流与趋势。
Blog是目前Web2.0中最具代表性的应用，它是一种管理个人微内容的工具。Blog对于隐性知识的挖掘和共享有重要意义[94]，用户通过它可以很方便地发布自己的信息，可以与他人相互分享彼此的经验、想法与感受等，专家的Blog就可反映他所关注和研究的内容。通过使用Blog，用户可以同许多有共同兴趣的人接触，了解到志同道合的朋友，并由此形成一种新型的网络虚拟社群和人际交往方式;它还能很好地支持网络协作学习，是一种很有前景的网络环境下协作学习的社会软件。
与处于个体发布的Blog不同，Wiki提供共同创作的环境和辅助工具，同时也包括一组支持这种写作的辅助工具，它具有简便和开放的优点。通过利用Wiki，可以使分布在不同地点的人们进行共同写作、编辑、整理资料、整理常见问题等工作。Wiki的写作者也自然构成了一个社群，在这个社群内用户可以发布大家都关心和感兴趣的话题，并且共同收集或创作某领域的知识，因此Wiki可以帮助人们在一个社群内共享某个领域的知识。
Tag是一种更为灵活的新的分类系统，用户可以为Blog添加Tag，为人们寻找相关内容提供方便，还可以为自己或他人添加Tag来描述专长或兴趣，通过这种方式，还可以将人与人、人与内容关联起来，从而也利于发现和形成社群。
IM也是目前广为流行的交流工具，目前的IM功能都比较丰富和强大，支持个人与多人的多媒体同步对话与文件传输等，对人们之间的即时联络和沟通可以起到非常强的支持，这里不再多述。
由于Web2.0的特点是用户的交流与互动，因此通过它可以促进真实社会中人们的社会网络发展和交往活动的形成，从而可能帮助构建人与人之间的“弱联系”，并由此促进人与人之间和个人与组织之间的信任，并形成各个小社群之间沟通的“桥”[95]，这些也都非常有利于专长的共享与管理。
目前Web2.0工具越来越多地被集成到知识管理活动中[96]，它们在专长的管理中也将有活跃的应用空间，例如Fringe Contacts是IBM研究中心开发一个可以针对自己和他人的兴趣和工作加Tag的软件，从而形成自发的兴趣或专长分类来帮助人们识别专家和了解组织内的社会网络联系，它还可跟IM相集成促进人们的交流[97]。Demartini从Wikipedia筛选描述专家的文章来为专家构建档案，同时也关注Wikipedia用户所写的文章来发现用户中的专家[98]。
4.6 信息计量学
信息计量学的主要内容是应用数学、统计学等方法来从定量的角度分析和研究信息的动态特性，并找出其中的内在规律[99]。定量性是信息计量学的最大特点，因此它可用于对专长的评测和发现相关信息与内容中隐藏的知识与关系，下面具体阐述如下:
(1)对作者著作文档数量的分析
一般来说，科技人员的学术造诣、专业水平及成就与他发表的文献数量有关。原苏联著名情报学家A.И.米哈依洛夫曾经指出:“每个科学家发表的文章数目，可以作为他的科学劳动效率足够准确和客观的指标(自然，这里讲的仅仅是相对的衡量)。(转引自文献[100])”因此，人们发表文章或著作的数量是一般评价人才的常用方法，可以作为评价他专业水平的一种依据，尤其是在相关专业的核心或重要期刊上发表的文章数量，人们所写的相关非发表工作文档(如项目建议书、项目报告等)的数量同样也可以作为专长管理中评测专长的参考依据。不过，这种方法虽然简单直接，但是不够充分，通常需要与其他方法配合使用。在相关系统中，Expert Finder[101]和ExpertiseNet[102]采用了这种方法。
(2)对引文的分析
对文献参考引文进行研究的文献计量分析方法叫引文分析法(Citation Analysis)，它利用各种数学及统计学的方法以及比较、归纳、抽象、概括等逻辑方法对期刊、论文、著者等各种分析对象的引用与被引用现象进行分析，以揭示其数量特征和内在规律[103]。一般来说，科技人员的学术造诣、专业水平及成就还与他发表的文献的被引次数有关。文献的被引次数越多，一方面能在一定程度上反映该文献的质量和价值，是衡量该论文的学术价值和影响的一种测度，另一方面也能说明该文作者在其专业界的影响以及贡献，因此，人们发表的文献的被引率也是评价人才的重要指标之一，它为专长的评测提供了更进一步的定量依据;而且，对于某一著者来说，他发表的文献越多，其被引的次数也可能会越多，从这个角度来说，著者的文献被引率既从质量上也从数量上反映了文献的价值，从而可以衡量著者的专业水平。此外，对于被引作者聚类和对组织内人们之间引用与被引用的关系进行分析还可揭示他们专长的相似性、支持性或互补性。如Tho采用了对引文分析的方法来发现研究学者专长[104]。
(3)对文档合著者的分析
目前组织内的许多项目或工作都需要依靠集体的力量由多人合作来承担和完成，合作最显著的表现形式之一就是合著论文，因而研究论文的合著现象就成为研究科研合作行为的一个重要方面，论文中的合著行为一直是文献计量学家关注和讨论的问题之一。在组织内，由于合作关系，作者间相互联系而构成合作著者集合，同时使与之相关的文献或文档也构成合作文档的集合，合作使作者间相互联系，同时由于合作使相关文档在主题、内容乃至方法上也产生了相关性，因此对组织内合著者之间的合作关系的分析有助于发现专家群体网络以及人们合作的程度，例如以合著者之间的合作次数为合作频度，合作频度越高，则反映合著关系越密切，其各自代表的专业学科间的关系也越密切[105]。
一般来说，合著论文由合作项目而产生，而合作项目通常由一个有丰富经验和较高专业水平的主持人领导一些助手进行，例如高等院校和科研机构中由导师或学科带头人带领其学生构成的集体，而合著的论文通常会由主持人和其助手共同署名完成。助手同时参加的几个项目之间会具有相关性，这些项目的主持人之间一般也会具有比较稳定和经常的学术联系。主持人的这种“共有助手”关系可能正反映了这种合作联系，所有共有助手的主持人和他们的助手可看作为一个“专业圈”，不同的专业圈之间可能有一些联系，也可能完全没有联系，所有的主持人和助手之间的合作关系就可以看作由许多专业圈构成的一个网络。此外，通常拥有越多助手的主持人可能发表的论文越多，论文质量也越高，他带领的助手发表的论文也会越多越好(不同助手之间会有所差别)。同样，被更多的主持人选中而参加更多项目的助手通常也会发表更多更好的论文[106]。
目前对合著者的分析多是对某专业学科的跨组织合著关系进行研究，如党亚茹讨论并构建了由合著者及合作文献构成的合著网络系统的递阶结构模型[107];Yu等讨论了根据合著关系查询专家[108]。近年来出现的科研合作网络研究也是以论文合著关系为对象而研究由合著关系形成的合作网络，如刘杰与陆君安对混沌科学方面的论文合著者所形成的小型网络的聚类与分布特性进行了初步研究[109];何阅等提出了科研合作网络的双粒子图自适应发展模型[110];王志亮以合著者分析为主要对象讨论了组织内的科研合作网络关系[111]。Referral Web[112]中也用到了合著者分析来定位组织内的专家。
(4)对内容的分析
对文档内容进行系统、客观、定量的研究方法称为内容分析法(Content Analysis)，它通常对一定时间内或多种文档中的有关内容进行比较和推理分析，由表征信息中有意义的词句推断出其准确或真正意义，它的目的是了解或发现内容中本质性的事实、趋势或变化，揭示内容自身所包含的隐性信息。内容分析法是一种定性与定量相结合的一种研究方法，其基本方法是把媒介上非量化的和有价值的信息转化为定量的数据，建立有意义的类目和分解信息内容，并以此来分析信息的某些特征。因此从某种意义上来说，内容分析法是基于定量研究的定性分析方法，它通常需要使用一些数学方法，如统计学等。
对内容的分析主要有基于语法的和基于语义的两种层面。基于语法的分析将文字符号直接作为分析单元进行统计分析，例如对文字的出现频率进行统计分析，它指定统计字面上完全一样或词根一样的文字，而对其他语义相同或相近的具有暗示或比喻意义的词语都不予统计。基于语义的分析将文字符号所含的信息涵义作为分析单元，通过统计分析反映特定内容的文字符号以便揭示出其所隐含的内容实质。它不是局限于字面，而是针对文字的语义内容进行统计分析，因此这种方法比基于语法的分析具有更高的准确性。例如，可对由单个词语或词组表达出来的预定概念在文档中的出现频率进行统计来推断文档的内容特征，还可在统计预定概念出现频率的同时分析预定概念之间的关系、与上下文的关系、概念组合及其含义等，它比对概念的分析又进了一步，它可以通过对上下文语境的分析而分辨出各种词语的真正含义，从而推断出信息源的内容重点及其隐含的信息。
不过，现有的内容分析法主要还是通过统计分析某些词条或编码在分析对象中出现的频率而得到一些相应结论，因此对内容信息的分析仍然还停留在语法的层次上。尽管基于语义的内容分析提出了对特定词语进行信息涵义的分析，但是由于分析工具与手段的局限，这种分析一直没有得到很好的研究及应用，而且更没考虑到词语之间的语义关系。对概念以及概念之间的关系虽然可以进行关联分析，但是它对复杂程度相对较高的内容进行分析时容易出现错误，其分析结果的精确性也不高。
4.7 社会网络分析
社会网络分析(Social Network Analysis，SNA)分析和映射团体、组织、社群等内部人与人之间的关系，提供对这些关系的丰富的、系统的和直观的描述，因此它可以用来分析组织内专家群体的社会网络关系和发现联系专家的途径，并促进隐性知识的共享与管理[113]。社会关系网络是由多个节点(行为者)和节点之间的连线(行为者之间关系)组成的集合，用节点和连线来表示网络，这就使社会网络的分析可以得到较好的形式化界定与表现。SNA主要是对行为者之间的社会关系进行量化研究，因此需要采用一些数学方法，如图论是SNA的基础数学理论之一，社会网络的形式化描述因此可分为社会关系网络图及社会关系矩阵。SNA分析问题的理论视角主要集中在行为者之间的关系(网络拓扑结构)而不是行为者的某些特性上，并且强调行为者之间相互影响与依赖，从而可以对社会网络的整体特性进行分析和描述。
社会网络分析通过收集社会网络数据而分析绘制组织内人与人之间的信息沟通、知识传递的关系网络，可以映射及量化员工、团队、部门之间的社会关系网络，这种网络也是隐形知识传播的重要途径，因此SNA能够使不可见的信息、知识传播途径转变为清晰直观的图形描述。它使管理者可以较为全面地了解信息与知识在组织内的共享和传递渠道与路径，如信息与知识在组织内部如何流动、人们会向谁咨询求助等，并可以因此进一步推导出可能推动或阻滞知识共享与传递的因素，探索和发现个人、团队、组织在信息流动、知识的共享及传播过程中所存在的各种问题。SNA的定量分析结果有助于理解人与人或部门之间的交互关系，有助于提高管理者对于信息沟通、知识共享与传播网络的干预能力，从而促进组织的隐形知识管理[114]。
社会网络分析目前主要还是一种静态分析的工具，对于以知识的传播和创新为内容的社会关系网络的动态形成尚不能有效追踪，如组织内各类知识复杂联系的结构与关联、个体知识到组织知识的形成等问题。要对社会关系网络的动态形成与发展进行研究还需要利用网络动态学、复杂网络等理论进行进一步探讨[115]。
将社会网络分析方法运用到知识管理或更具体的专长管理中也是近年来一个新的方向[116]，清华大学李娟子等利用社会网络来发现专家[117];王志亮将社会网络分析应用到对组织内的科研合作网络构建与分析中，描绘出网络结构图，并对该科研合作网络的静态与动态演变进行了分析[118]。
5 结语
当今组织面临的巨大挑战是如何利用员工的隐性知识。隐性知识只有很少一部分比例转化成了显性知识(10%)，大部分的隐性知识还没有也很难转化成显性知识。开发利用隐性知识的最好方法是尽可能地打开多种渠道让隐性知识在组织中传递开来，这正是专长管理的核心目标。专长管理近十年来受到越来越多的关注，不少供应商(如Tacit Knowledge Systems Inc.，AskMe，Participate Systems Inc.，Entopia Inc.，IBM Corp.PeopleSoft Inc.等)都推出了相应的软件，世界各国学者也开始从多角度致力于这方面问题的研究。知名的文本检索国际会议TREC自2005年开始在“Enterprise Track”中特别引入了“专家检索”(Expert Search)的任务[119]，旨在利用检索技术在企业或组织的数据中检索出专家，清华大学、北京大学、南开大学、上海交通大学、复旦大学、武汉大学、中国科学院、微软亚洲研究院等分别参加了该项评测。另外从2007年开始召开的三届专家查询国际研讨会(Expert Finder workshop)还探讨了包括词汇设计、规则制定、元数据标引、本体映射等方面问题。目前绝大多数的研究重点放在如何检索到最相关的专家上，然而发现某个专家并不等同于解决了问题，或是给需要者提供了帮助。专长管理的核心是共享隐性知识，所以促进专长需要者和专长拥有者的交流也是非常重要的。在某领域最具专长的专家不一定要回答所有针对这一领域的问题，也不应该重复地去回答相同或类似的问题。所以对组织来说专家网络以及知识库的构建的重要性就凸显出来。当问题分散给不同的专家就能得到更快的回答而且也减轻了专家的负担，同时知识库的构建使得更多的人能分享专家的隐性知识。另外一个专家检索系统面临的挑战是如何以更好的方式展示检索结果。一长串专家姓名排序提交给用户，使得用户不得不逐一点击、逐一评判，浪费了不少时间。如果能在每个专家姓名后面有一小段总结信息展示给用户，那么用户在第一时间就能排除那些不相关的反馈结果，缩短用户比较专家、选择专家的时间。除此之外，用户模型以及用户评价体系的构建也是未来发展方向。目前绝大多数专家推荐系统没有考虑专长需求者的区别，事实上如果能给需求者推荐和他社会网络关系较近的专家则让需求者产生更多的信任度。而对专长管理系统的评价也绝不仅仅局限于对检索专家排序的精确度的评判，更应关注实际用户的反馈，如对系统性能满意度，对专家的评价等都可以补充进来。总之专长管理是一个新兴的交叉研究领域，期待更多的学者关注这一领域，深化理论和实证研究。
【参考文献】
[1]Bedard J..Expertise and Its Relation to Audit Decision Quality[J]．Contemporary Accounting Research，1991，8(1):198-222.
[2]Mcdonald，D.W.，Ackerman，M.S..Just Talk to Me:A Field Study of Expertise Location[C]Steven，P.，Jonathan，G..Proceedings of the ACM Conference on Computer-Supported Cooperative Work(CSCW'98)，Seattle，WA，USA，November 14-18，1998.New York:ACM Press，1998:315-324.
[3]Ackerman，M.，Pipek，V.，Wulf，V..Sharing Expertise:Beyond Knowledge Management[M]．Cambridge，MA:MIT Press，2003.
[4]De Groot，A.D..Thought and Choice in Chess[M]．The Hague，Netherlands:Mouton Publishers，1965.
[5]Chase，W.G.，Simon，H.A..Perception in Chess[J]．Cognitive Psychology，1973(4):55-81.
[6]Glaser，B.G.，Strauss，A.L..The Discovery of Grounded Theory:Strategies for Qualitative Research[M]．New York:Aldine De Gruyter，1967.
[7]Green，A.J.，Gilhooly，K.J..Empirical Advances in Expertise Research[M]//Keane，M.T.G.，Gilhooly，K.J..Advances in the Psychology of Thinking，Vol.1.Hemel Hempstead，UK:Harvester Wheatsheaf，1992:45-70.
[8]Frensch，P.A.，Sternberg，R.J..Expertise and Intelligent Thinking:When is it Worse to Know Better[M]．STERNBERG R.Advances in the Psychology of Human Intelligence，1989:157-188.
[9]Gaines，B.R..The Collective Stance in Modeling Expertise in Individuals and Organizations[R/OL]．Calgary，Canada:Knowledge Science Institute，University of Calgary，1995[2010-01-10]http://pages.cpsc.ucalgary.ca/～gaines/reports/PSYCH/Collective/Collective.pdf.
[10]Sch9n，D.A..The Reflective Practitioner:How Professionals Think in Action[M]．New York:Basic Books，1983.
[11]Marchant，G..Analogical Reasoning and Hypothesis Generation in Auditing[J]．The Accounting Review，1989，64(3):500-513.
[12]Dreyfus，H.L.，Dreyfus，S..Mind Over Machine:The Powers of Human Intuition and Expertise in the Era of the Computer[M]．New York:The Free Press，1986.
[13]Gray，P..Knowledge Management Overview[R/OL]．Irvine，CA:Center for Research on Information Technology and Organizations，University of California，January 2000[2010-02-06]．http://www.crito.uci.edu/papers/2000/km-overview-pgray.pdf
[14]Clancey，W.J..A Boy Scout，Toto，and a Bird:How Situated Cognition is Different from Situated Robotics[M]．STEELS L，BROOKS R.The Artificial Life Route to Artificial Intelligence:Building Embodied，Situated Agents.Hillsdale，NJ:Lawrence Erlbaum Associates，1995:227-236.
[15]Engestr9m，Y..Expertise as Mediated Collaborative Activity[M]//Engestrom，Y.，eds..Interactive Expertise:Studies in Distributed Working Intelligence.Helsinki:University of Helsinki.1992:3-28.
[16]Gadamer，H.G..Truth and Method[M]．2nd ed.New York:Continuum International Publishing Group，1989.
[17]Bereiter，C.，Scardamalia，M..Surpassing Ourselves:An Inquiry into the Nature and Implications of Expertise[M]．Chicago，IL:Open Court，1993.
[18]Penuel，B.，Cohen，A..Coming to the Crossroads of Knowledge，Learning，and Technology:Integrating Knowledge Management and Workplace Learning[M]//Ackerman，M.，Pipek，V.，Wulf，V..Sharing Expertise:Beyond Knowledge Management.Cambridge，MA:MIT Press，2003:57-76.
[19]Argyris，C.，Sch9n，D.A..Organizational Learning II:Theory，Method，and Practice[M]．Reading，MA:Addison-Wesley，1996.
[20]Alas，E.，Cannon-Bowers，J.A.，Johnston，J.H..How Can You Turn A Team of Experts into An Expert Team?:Emerging Training Strategies[M]//Zsambok，C.E.，Kleig，G..Naturalistic Decision Making.Mahwah，NJ:Lawrence Erlbaum Associates，1997:359-370.
[21]Raeithel，A..Activity Theory as a Foundation for Design[M]//Floyd，C.，Zullighoven，H.，Budde，R.，et al..Software Development and Reality Construction.Berlin:Springer Verlag，1993:391-415.
[22]Vygotsky，L.S..Mind in Society:The Development of Higher Educational Processes[M]．Cambridge，MA:Harvard University Press，1978.
[23]Leont'Ev，A.N..Activity，Consciousness and Personality[M]．Englewood Cliffs，NJ:Prentice Hall，1981.
[24]Hill，R.，Bullard，T.，Capper，P.，et al..Learning about learning organizations:Case studies of skill formation in five New Zealand organizations[J]．The Learning Organization，1998，5(4):184-192.
[25]Fitzpatrick，G..Emergent Expertise Sharing in a New Community[M]//Ackerman，M.，Pipek，V.，Wulf，V..Sharing Expertise:Beyond Knowledge Management.Cambridge，MA:MIT Press，2003:81-110.
[26]Sternberg，R.J.，Frensch，P.A..On Being an Expert:A Cost-Benefit Analysis[M]//Hoffman，R.R..The Psychology of Expertise:Cognitive Research and Empirical AI.New York:Springer Verlag，1992:191-203.
[27]Cicourel，A.V..The Integration of Distributed Knowledge in Collaborative Medical Diagnosis[M]//Galegher，J.，Kraut，R.E.，Egido，C..Intellectual Teamwork.Hillsdale，NJ:Lawrence Erlbaum Associates，1990:221-242.
[28]Allen，T.J..Managing the Flow of Technology[M]．Cambridge，MA:MIT Press，1977.
[29]Ehrlich，K.，Cash，D..I Am An Information Waitress:Bringing Order to the New Digital Libraries[R]．Cambridge，MA:Lotus Development Corporation，1994.
[30]Paepcke，A..Information Needs in Technical Work Settings and Their Implications for the Design of Computer Tools[J]．Computer Supported Cooperative Work:The Journal of Collaborative Computing，1996，5(1):63-92.
[31]Yimam-Seid，D.，Kobsa，A..Expert Finding Systems for Organizations:Problem and Domain Analysis and the DEMOIR Approach[J]．Journal of Organizational Computing and Electronic Commerce，2003，13(1):1-24.
[32]Stenmark，D..Information vs.Knowledge:The Role of intranets in Knowledge Management[C]．Proceedings of the 35th Hawaii International Conference on System Sciences(HICSS-35)，Hawaii，USA，January 7-10，2002:928-937.
[33]ECSCW'99 Workshop on Expertise Management[EB/OL]．[2010-02-05]．http://www.cs.uni-bonn.de/～prosec/ECSCW-XMWS/．
[34]Organisation for Economic Co-operation and Development(OECD)．The Knowledge-based Economy[M/OL]OECD Science，Technology and Industry Outlook 1996，Paris:OECD，1996[2010-01-25]．http://www.oecd.org/dataoecd/51/8/1913021.pdf．
[35]Wilson，T..Information-Seeking Behavior:Designing Information Systems to Meet our Client's Needs[C/OL]．Paper at ACURIL(Association of Caribbean University，Research and Institutional Libraries)25th Conference，San Juan，Puerto Rico，1995[2009-10-23]．http://informationr.net/tdw/publ/papers/acuril.html.
[36]Hertzum，M.，Pejtersen，A.M..The Information-Seeking Practices of Engineers:Searching for Documents as well as for People[J]．Information Processing ＆ Management，2000，(36)5:761-778.
[37]Ackerman，M.，Pipek，V.，Wulf，V..Sharing Expertise:Beyond Knowledge Management[M]．Cambridge，MA:MIT Press，2003.
[38]Maybury，M.T..Expert Finding Systems:MTR 06B000040[R/ OL]．Bedford，MA:Center for Integrated Intelligence Systems，The MITRE Corporation，June 2006[2010-01-14]．http://www.mitre.org/work/tech_papers/tech_papers_06/06_1115/06_1115.pdf.
[39]Nardi，B.，Whittaker，S.，Schwarz，H..It's Not What You Know，It's Who You Know:Work in the Information Age[J/OL]．First Monday，2000，5(5)[2009-12-26]．http://www.firstmonday.org/issues/issue5_5/nardi/.
[40]殷国鹏，莫云生，陈禹.利用社会网络分析促进隐性知识管理[J]．清华大学学报:自然科学版，2006(S1):964-969.
[41]Bussell，J.，Holter，J..Do You Know Where Your Intellectual Capital Is[R/OL]．Viant Corporation，2002[2009-12-19]．http://knowledgemanagement.ittoolbox.com/pub/CT041002.pdf.
[42]Lamont，J..Expertise Location and the Learning Organization[J/OL]．KM world，January 1，2003，12(1)[2010-02-10]．http://www.kmworld.com/Articles/ReadArticle.aspx?ArticleID=9410.
[43]Finley，M..Expertise Management 101[J/OL]．ComputerUser，February 16，2001[2009-12-20]．http://www.computeruser.com/articles/daily/7，5，1，0216，01.html.
[44]Horvath，J.A..Working with Tacit Knowledge[M]//Cortada，J.W.，Woods，J.A..The Knowledge Management Yearbook 2000-2001.Boston，MA:Butterworth-Heinemann，2000:34-51.
[45]Fitzpatrick，G..Emergent Expertise Sharing in a New Community[M]//Ackerman，M.，Pipek，V.，Wulf，V..Sharing Expertise:Beyond Knowledge Management.Cambridge，MA:MIT Press，2003:81-110.
[46]Lyons，K.L..Using Patterns to Capture Tacit Knowledge and Enhance Knowledge Transfer in Virtual Teams[M]//Malhotra，Y..Knowledge Management and Virtual Organizations，Hershey，PA:IGI Global，2000:124-143.
[47]Fagrell，H.，Ljungberg，F..Exploring Support for Knowledge Management in Mobile Work[C]．Proceedings of the 6th European Conference on Computer-Supported Cooperative Work，Copenhagen，Denmark，1999:259-275.
[48]Ehrlich，K.，Cash，D..Turning Information into Knowledge:Information Finding as a Collaborative Activity[C]．Proceedings of Digital Libraries Conference，College Station，Texas，1994:119-125.
[49]Hansen，M.T..The Search-Transfer Problem:The Role of Weak Ties in Sharing Knowledge Across Organization Subunits[J]．Administrative Science Quarterly，1999，44(1):82-111.
[50]Bishop，K..Heads or Tales:Can Tacit Knowledge Really be Managed[C/OL]．[2010-01-19]．Proceedings of ALIA 2000 Biennial Conference，Canberra，Australia，October 23-26，2000．
[51]Mcdonald，D.D..Proposed Definition for“Expertise Management Systems”[EB/OL]．September 14，2006[2009-12-10]．http://www.ddmcd.com/expertise_definition.html.
[52]钱磊.IBM Lotus对知识管理的理解[EB/OL]．北京:中国知识管理网，(2003-08-22)[2010-01-10]．http://www.chinakm.com/share/list.asp?id=2578.
[53]Yimam-Seid，D.，Kobsa，A..Expert Finding Systems for Organizations:Problem and Domain Analysis and the DEMOIR Approach[J]．Journal of Organizational Computing and Electronic Commerce，2003，13(1):1-24.
[54]Scarbrough，H..Network Nirvana:The Management of Knowledge in the Postmodern Organization[C]．Paper at British Academy of Management Conference，Manchester，UK，September 1999.
[55]杨彩鸽，曹俊霞.基于Web的学术专家管理系统的设计与实现[J]．现代电子技术，2005，28(17):53-55.
[56]Kautz，H.，Selman，B.，Milewski，A..Agent Amplified Communication[C]．Proceedings of the 13th National Conference on Artificial Intelligence(AAAI-96)，Portland，OR，USA.Cambridge，MA:MIT Press，1996:3-9.
[57]Mattox，D.，Smith，K.，Seligman，LJ..Software Agents for Data Management[A]//Thuraisingham，B.Handbook of Data Management，CRC Press:New York，1998:703-722.
[58]Craswell，N.，Hawking，D.，Vercoustre，A.，Willkins，P..P@noptic expert:Searching for experts not just for documents[A]．Proceedings of Ausweb，2001:21-25．
[59]Balog，K.，Azzopardi，L.，De Rijke，M..Formal Models for Expert Finding in Enterprise Corpora[A]．Proceedings of the 29th annual international ACM SIGIR conferencen Research and development in information retrieval，New York，NY，USA，2006，ACM，43-55.
[60]Macdonald，C.，Ounis，I..Using Relevance Feedback in Expert Search[C]．ECIR 2007，431-443.
[61]Balog，K.，Azzopardi，L.，De Rijke，M..Formal Models for Expert Finding in Enterprise Corpora[A]．Proceedings of the 29th Annual International ACM SIGIR Conferencen Research and Development in Information Retrieval，New York，NY，USA，2006.ACM，43-55.
[62]Macdonald，C.Ounis，I..Voting for Candidates:Adapting Data Fusion Techniques for an Expert Search Task[C]．CIKM'06:Proceedings of the 15th ACM international conference on Information and Knowledge Management，2006:387-396
[63]Fu，Y.，Xiang，R，Zhang，M.，Liu，Y.，Ma，S..A PDD-Based Searching Approach for Expert Finding in Intranet Information Management[C]．Proceedings of the Third Asia Information Retrieval Symposium，Singapore，2006:43-53
[64]Balog，K.，De Rijke，M..Non-local Evidence for Expert Finding[C]．CIKM'08:Proceedings of the 17th ACM Conference on Information and Knowledge Management，New York，NY，USA，2008，ACM，489-498.
[65]Zhu，JH.，Song，DW.，Ruger，S..Integrating Multiple Windows and Document Features for Expert Finding[J]．Journal of the American Society for Information Science and Technology，2009，60(4):694-715
[66]Ackerman，M.S.，Mcdonald，D.，Lutters，W.，et al..Recommenders for Expertise Management[C/OL]．Paper at the Workshop on Recommender Systems:Algorithms and Evaluation at the 1999 ACM International Conference on Research and Development in Information Retrieval(SIGIR'99)，Berkeley，CA，USA，August 15-19，1999.[2009-11-29]．http://www.csee.umbc.edu/～ian/sigir99-rec/papers/ackerman_m.pdf.
[67]Kautz，H.，Selman，B.，Shan，M..The Hidden Web[J]．AI Magazine，1997，18(2):27-36.
[68]Maybury，M.T.，D'Amore，R.，House，D..Awareness of Organizational Expertise[J]．International Journal of Human-Computer Interaction，2002，14(2):199-217.
[69]Ackerman，M.S..Augmenting the Organizational Memory:A Field Study of Answer Garden[C]//Smith，J.B.，Smith，F.D.，Malone，T.W..Proceedings of the ACM Conference on Computer-Supported Cooperative Work(CSCW'94)，Chapel Hill，NC，USA，October 22-26，1994:243-252.
[70]Kulyukin，V.A.，Hammond，K.J.，Burke，R.D..Answering Questions for an Organization Online[C]．Proceedings of the 15th National Conference on Artificial Intelligence(AAAI-98)，Madison，WI，USA.Cambridge，MA:MIT Press，1998:532-538.
[71]Liu，X.，Croft，W.，Koll，M..Finding Experts in Community-Based Question-Answering Services[C]．Proceedings of the 14th ACM international conference on Information and knowledge management，October 31-November 05，Bremen，Germany，2005:315-316．
[72]Maybury，M.T.，D'Amore，R.，House，D..Automated Discovery and Mapping of Expertise[M]//Ackerman，M.，Pipek，V.，Wulf，V..Sharing Expertise:Beyond Knowledge Management.Cambridge，MA:MIT Press，2003:359-382.
[73]Greenberg，S.，Roseman，M..Using a Room Metaphor to Ease Transitions in Groupware[M]//Ackerman，M.，Pipek，V.，Wulf，V..Sharing Expertise:Beyond Knowledge Management.Cambridge，MA:MIT Press，2003:203-256．
[74]Powers，V..IBM's KM Strategy[J/OL]．KM World，July 7，2006，15(7)[2009-10-12]．http://www.kmworld.com/Articles/PrintArticle.aspx?ArticleID=16907.
[75]Maybury，M.T.，D'Amore，R.，House，D..Automated Discovery and Mapping of Expertise[M]//Ackerman，M.，Pipek，V.，Wulf，V..Sharing Expertise:Beyond Knowledge Management.Cambridge，MA:MIT Press，2003:359-382.
[76]Ackerman，M.S.，Mcdonald，D.W..Answer Garden 2:Merging Organizational Memory with Collaborative Help[C]//Olson，G.M.，Olson，J.S.，Ackerman，M.S..Proceedings of the ACM Conference on Computer-Supported Cooperative Work(CSCW'96)，Boston，MA，USA，November 16-20，1996:97-105.
[77]Maybury，M.T.，D'Amore，R.，House，D..Awareness of Organizational Expertise[J]．International Journal of Human-Computer Interaction，2002，14(2):199-217.
[78]Pikrakis，A.，Bitsikas，T.，Sfakianakis，S.，et al..MEMOIR-Software Agents for Finding Similar Users by Trails[C]//Nwana，H.S.，Ndumu，D.T..Proceedings of the 3rd International Conference on the Practical Applications of Agents and Multi-Agent Systems(PAAM-98)，London，UK，March 23-25，1998:453-466.
[79]Liao，M.，Hinkelmann，K.，Abecker，A.，et al..A Competence Knowledge Base System as Part of the Organizational Memory[C]//Puppe，F..Knowledge-based Systems:Survey and Future Directions:Proceeding of the 5th Biannual German Conference on Knowledge-based Systems，Würzburg，Germany，March 1999. Lecture Notes in Computer Science，Vol.1570.Berlin:Springer Verlag，1999:125-137.
[80]Becerra-Fernandez，I..Searching for Experts with Expertise-Locator Knowledge Management Systems[C/OL]//Proceedings of the Association for Computational Linguistics Conference(ACL 2001):Workshop on Human Language Technology and Knowledge Management，Toulouse，France，July 6-7，2001[2010-02-19]．http://acl.ldc.upenn.edu/acl2001/HLT-KM/Becerra.pdf.
[81]Lindgren，R.，Stenmark，D..Designing Competence Systems:Towards Interest-Activated Technology[J]．Scandinavian Journal of Information Systems，2002，14:19-35.
[82]Balog，K.，De Rijke，M..Determining Expert Profiles(With an Application to Expert Finding)[C]．Proceedings of International Joint Conference on Artificial Intelligence 2007(IJCAI-07)，Hyderabad，India，January 6-12，2007:2657-2662.
[83]杨光飞.基于本体的项目和领域专家匹配系统研究[D]．管理科学与工程硕士学位论文.大连:大连理工大学，2005.
[84]Alani，H.，Gibbins，N.，Glaser，H.，Harris，S.，Shadbolt，N..Monitoring Research Collaborations Using Semantic Web Technologies[C]．Proc.2nd European Semantic Web Conf.(ESWC)，pages 664-678，Crete，2005.
[85]靖培栋.信息可视化——情报学研究的新领域[J]．情报科学，2003，21(7):685-687.
[86]周宁，张会平，陈勇跃.信息可视化与知识组织[J]．现代图书情报技术，2006(7):62-65.
[87]Huang，Z.，Chen，H.，Guo，F.，et al..Expertise Visualization:An Implementation and Study Based on Cognitive Fit Theory[J]．Decision Support Systems，2006，42(3):1539-1557.
[88]Song，X.，Tseng，B.L.，Lin，C.，et al..ExpertiseNet:Relational and Evolutionary Expert Modeling[C]//Ardissono，L.，Brna，P.，Mitrovic，A..Proceedings of the 10th International Conference on User Modeling(UM2005)，Edinburgh，UK，July 24-29，2005.Lecture Notes in Computer Science，Vol.3538.Berlin:Springer Verlag，2005:99-108.
[89]陈朋，黄如花.智能代理技术与网络信息组织模式优化[J]．图书馆理论与实践，2006(5):33-34，56.
[90]Pikrakis，A.，Bitsikas，T.，Sfakianakis，S.，et al..MEMOIR-Software Agents for Finding Similar Users by Trails[C]//Nwana，H.S.，Ndumu，D.T..Proceedings of the 3rd International Conference on the Practical Applications of Agents and Multi-Agent Systems(PAAM-98)，London，UK，March 23-25，1998:453-466.
[91]Crowder，R.，Hughes，G.，Hall，W..An Agent Based Approach to Finding Expertise[C]//Karagiannis，D.，Reimer，U..Proceedings of the 4th International Conference on Practical Aspects of Knowledge Management(PAKM2002)，Vienna，Austria，December 2-3，2002.Lecture Notes in Computer Science，Vol.2569.Berlin:Springer Verlag，2002:179-188.
[92]Foner，L.N..Yenta:A Multi-Agent，Referral-Based Matchmaking System[C]．Proceedings of the 1st International Conference on Autonomous Agents，Marina del Rey，CA，USA，February 5-8，1997.New York:ACM Press，301-307.
[93]Niu，X.，Mccalla，G.，Vassileva，J..Purpose-based Expert Finding in a Portfolio Management System[J]．Computational Intelligence，2004，20(4):548-561.
[94]孙茜.Web2.0的含义、特征与应用研究[J]．现代情报，2006(2):69-74.
[95]沈固朝.Web2.0能为建立竞争情报人际网络做些什么[J]．中国图书馆学报，2007，33(167):52-57.
[96]曾红，张树人.BLOG与知识管理[J]．情报科学，2006，24(2):251-254.
[97]Farrell，S.，Lau，T..Fringe Contacts:People-Tagging for the Enterprise[C/OL]//Proceedings of the Collaborative Web Tagging Workshop at the 15th International Conference on the World Wide Web(WWW2006)，Edinburgh，UK，May 23-26，2006[2009-12-26]．http://www.rawsugar.com/www2006/25.pdf.
[98]Demartini，T..Finding Experts Using Wikipedia[C]//Anna V.Zhdanova，Lyndon，J.B.Nixon，Malgorzata Mochol，John，G.Breslin，eds..Finding Experts on the Web with Semantics 2007.Proceedings of 2nd International ISWC+ASWC ExpertFinder Workshop(FEWS'07)，Busan，Korea，November，2007，33-41．
[99]邱均平.信息计量学(一):第一讲信息计量学的兴起和发展 [J]．情报理论与实践，2000，23(1):75-80.
[100]转引自邱均平.信息计量学(十二):第十二讲信息计量学在科学学与科技管理中的应用[J]．情报理论与实践，2001，24(6):474-478.
[101]Maybury，M.T.，D'Amore，R.，House，D..Awareness of Organizational Expertise[J]．International Journal of Human-Computer Interaction，2002，14(2):199-217.
[102]Song，X.，Tseng，B.L.，Lin，C.，et al..ExpertiseNet:Relational and Evolutionary Expert Modeling[C]//Ardissono，L.，Brna，P.，Mitrovic，A..Proceedings of the 10th International Conference on User Modeling(UM2005)，Edinburgh，UK，July 24-29，2005.Lecture Notes in Computer Science，Vol.3538.Berlin:Springer Verlag，2005:99-108.
[103]邱均平.信息计量学(九):第九讲文献信息引证规律和引文分析法[J]．情报理论与实践，2001，24(3):236-240.
[104]Tho，Q.T.，Hui，S.C.，Fong，A.C.M..A Citation-based Document Retrieval System for Finding Research Expertise[J]．Information Processing and Management，2007，43(1):248-264.
[105]党亚茹.合著网络系统及其递阶结构模型[J]．情报学报，1996，15(3):228-236.
[106]何阅，张培培，许田，等.一个科研合作网的双粒子图自适应演化模型[J]．物理学报，2004，53(6):1710-1715.
[107]党亚茹.合著网络系统及其递阶结构模型[J]．情报学报，1996，15(3):228-236.
[108]Yu，B.，Singh，M.P..Searching Social Networks[C]．Proceedings of the 2nd International Joint Conference on Autonomous Agents and Multi-Agent Systems(AAMAS).New York:ACM Press，2003:65-72.
[109]刘杰，陆君安.一个小型科研合作复杂网络及其分析[J]．复杂系统与复杂性科学，2004，1(3):56-61.
[110]何阅，张培培，许田，等.一个科研合作网的双粒子图自适应演化模型[J]．物理学报，2004，53(6):1710-1715.
[111]王志亮.社会网络分析方法在科研协作网中的应用研究[D]．管理科学与工程硕士学位论文.大连:大连理工大学，2006.
[112]Kautz，H.，Selman，B.，Shah，M..The Hidden Web[J]．AI Magazine.1997，18(2):27-36.
[113]王平.基于社会网络分析的组织隐性知识共享研究[J]．情报资料工作，2006(2):102-104.
[114]殷国鹏，莫云生，陈禹.利用社会网络分析促进隐性知识管理[J]．清华大学学报:自然科学版，2006(S1):964-969.
[115]方福康.经济复杂性及一些相关的问题[J]．科技导报，2004(8):7-11.
[116]张树人，刘颖，陈禹.社会网络分析在组织管理中的应用[J]．中国人民大学学报，2006(3):74-80.
[117]Zhang，J.，Tang，J.，Li，J..Expert finding in a Social Networks[C]．Proceedings of Database Systems for Advanced Applications(DASFAA'2007)．
[118]王志亮.社会网络分析方法在科研协作网中的应用研究[D]．管理科学与工程硕士学位论文.大连:大连理工大学，2006.
[119]TREC Enterprise Track WIKI[EB/OL]．[2010-01-20]．http://www.ins.cwi.nl/projects/trec-ent/wiki/index.php/Main_Page.
【作者简介】
刘萍，女，汉族，1972年3月出生，武汉大学信息管理学院副教授，1999—2004年留学英国，获博士学位，主要研究方向为智能信息检索、知识管理、语义网技术及应用。
陈姝婷，女，汉族，湖北省科技信息研究院工程师，硕士，研究方向为知识管理。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
