摘要：实现任何人(anyone)在任何时间(anytime)在任何地方(anywhere)访问所需要的任何内容(anything)是知识管理希望实现的4A目标，随着技术的发展，任何时间、任何地点想必已不再是难题，而任何人“需要”的内容，即提供针对性、个性化内容的问题，仍然是当今知识管理需要解决的问题。融合多种智能推荐技术的个性化知识服务应运而生。

　　知识管理的重要性无需多言，但很多管理者认为这是一件“不可能完成的任务”。也的确有不少“惨烈”的例子，刚开始时轰轰烈烈，逐渐偃旗息鼓，最后费时费力上马的知识管理系统，只做员工闲来翻翻之用。KM CENTER经过调研后，在其《中国知识管理现状、问题和趋势：2012中国知识管理实施调研结果分析》中给出了右图的一组数据。

　　既然知识对于员工开展工作如此重要，知识管理平台的使用却为何如此低效呢?答案其实很简单：没用!再进一步分析，为什么没用吗?大致有2个原因：其一是知识库里存的“知识”，不是业务人员开展工作真正需要的知识;其二是提供的知识管理和应用手段不智能，找一条知识很麻烦。

　　实现任何人(anyone)在任何时间(anytime)在任何地方(anywhere)访问所需要的任何内容(anything)是信息社会希望实现的4A目标，随着WEB、移动通讯等技术的发展，任何时间、任何地点想必已不再是难题，而任何人“需要”的内容，即提供针对性、个性化内容的问题，仍然是企业以及知识服务提供商需要解决的问题。

　　面对以上难题，个性化知识服务应运而生。在电子商务领域。以亚马逊为例，这家零售巨头的推荐系统推荐的基础是一系列基本元素：用户过去购买过哪些商品;他们的虚拟购物车里有什么;哪些商品被他们评价或“赞”过;其他用户浏览及购买了哪些东西。亚马逊把这套自主研发的算法称为“从项目到项目的协同过滤算法”。依靠这套算法，亚马逊向回头客们提供了深度定制的浏览体验。数码爱好者们会发现亚马逊上满是新潮电子产品的推荐，而新妈妈们在相同的位置看到的却是婴幼儿产品。 据统计，亚马逊推荐系统每秒卖出的商品达72.9件，推荐的转化率高达60%，它清楚消费者的喜好，可以预测出消费者的需求进行推荐形成购买。

　　在企业级应用方面，目前一些服务商也将推荐技术应用在企业的知识服务平台上。北京亿维讯科技有限公司面向企业业务应用的知识工程平台就综合使用了多种推荐技术来进行知识推荐，大致可分为两类：

　　一类是基于用户或知识的属性进行匹配推荐，包括两种方式。一种方式是根据用户对知识的订阅、浏览、下载、评价等行为构建用户兴趣模型，即用户描述文件。利用知识属性等和用户兴趣进行匹配，通过相似性来过滤推荐知识;另一种方式是基于知识之间的关联进行搜索推荐，在该平台中，知识之间通过人工和自动两种方式建立了知识网络，当客户检索某一类知识时，不仅该类知识的检索结果会按照匹配度排序呈现，与该类知识相关的其它知识也会出现在推荐知识里，进而提高查全率与查准率。

　　另一类是基于对企业业务梳理基础上进行的特定业务活动相关领域知识推送。其中涉及业务流程的梳理和业务活动的建模、业务与知识的关联以及流程驱动的知识推送等关键技术。

亿维讯知识工程平台检索推荐模块截图


亿维讯知识工程平台基于业务活动的推荐模块截图
 

　　相信，随着个性化推荐技术的日益成熟，其在企业内部知识管理与应用中也将大有作为，知识的高效管理和应用不再是“不可能完成的任务”。