面向知识服务的领域知识结构研究

马海云，薛 翔

（南京大学信息管理学院，南京 210093）

1 引言

随着学科领域的发展，寻找普遍适用的方法来组织全人类的知识已不可行，知识组织正在走向领域知识组织的时代[1]。领域知识结构作为领域知识组织的研究基础，与此相关的研究逐渐成为知识管理、图书情报等学科的重要研究内容[2]。现有研究主要集中在如何通过技术手段和文献数据揭示学科领域内的知识关联和知识分布结构。关于领域知识结构的理论研究较为零散，相关研究可梳理为两类：一类是参照社会网络分析的方法，认为知识节点及其关系组成的网络即为知识结构[3]；另一类则根据知识内容的粒度大小，将知识结构分为宏观层面、中观层面和微观层面[4]。这两类研究各有侧重，张发亮等[2]将其综合起来，提出了基于文献数据的学科领域金字塔知识结构模型。但不同于以结构化数据或文献数据为主的传统知识结构设计，大数据时代下的信息内容还包含了包括音频、视频和文本在内的非结构化数据，且数据具有极强的动态性，这对领域知识的结构设计提出了新的要求。

大数据技术的发展使得大数据环境下知识组织的研究工作引起了部分机构的关注，如由原国家新闻出版署推动建设的国家知识资源服务中心制定并发布了知识组织与服务相关行业的标准[5]；中国工程科技知识中心建设了大数据环境下工程科技领域知识融合的架构[6]。这些研究虽然对大数据环境下知识组织与服务的技术和规范开展了一些有益的探索，而在大数据环境下，用户在获取知识的过程中更加依赖于知识服务，用户的知识服务需求也愈加精细化，但现有研究未能充分重视知识服务在知识组织中的作用。

鉴于此，本文拟从以用户需求为导向的知识服务视角出发，探讨大数据环境下的领域知识结构。首先，根据大数据环境下领域知识服务的特点厘清了用户主导的领域知识服务模式；其次，根据该模式设计了大数据环境下能够满足用户个性化需求的可分领域的知识结构模型；最后，结合领域大数据向领域知识转化的过程以及用户需求信息给出了该领域知识结构模型的构建流程。以期领域知识结构的设计在满足大数据时代下用户知识服务需求的同时，还能够灵活应对数据动态变化情况下的领域知识库扩充，为今后关于领域知识组织的研究和实践工作提供参考。

2 文献回顾

2.1 知识组织与知识服务

知识组织，是指对知识客体所进行的诸如整理、加工、揭示、控制等一系列组织化过程及其方法[7]。这一概念最早在20世纪20年代末由美国著名分类法专家Bliss[8]在其著作《知识组织和科学系统》中提出，并详细阐述了以文献分类为基础的知识组织理论与图书馆工作的关系。早期的知识组织的相关研究主要建立在分类法、叙词表等工具方法的基础上，发展相对缓慢；直到1989年国际知识组织协会（International Society of Knowledge Organiza‐tion，ISKO）成立，关于知识组织问题的研究才正式引起学界的广泛关注[9]。1991年，刘洪波发表的论文《知识组织论——关于图书馆内部活动的一种说明》[10]，首次将知识组织理论引入国内图书情报研究领域。此后，王知津[11]、蒋永福[7]、毕强等[12]对知识组织的理论与方法进行了重要拓展，使之成为了国内图情研究领域的一个重要分支。

知识服务，是指在搜寻、分析、组织知识的能力基础上，根据用户所面临的具体问题与环境，参与到用户解决问题的过程当中，为用户提供有效的知识应用和知识创新服务[13]。这种服务不单纯是为用户提供一份答案，还囊括了接收用户知识需求、开展知识检索、筛选、组织以及最终帮助用户应用知识解决问题的全过程[14]。

由此可见，知识组织与知识服务两者之间存在紧密关联，知识组织构建了知识体系框架，是知识服务的前提和基础，而知识服务则为知识组织工作的开展提供了根本动力和指导方向，是知识组织的前向延伸和最终目标，两者相辅相成、互不可缺。近年来，一些学者开始将知识服务与领域知识组织相结合，尝试基于特定的服务场景或系统探索与之相契合的领域知识组织方法，以期提高知识服务中的工作效率。譬如，颉艳萍[15]从多维度分析了图书馆环境下知识组织和个性化知识服务的内涵，为图书馆构建知识服务平台、开展知识服务提供了行动建议；徐绪堪等[16]立足水利现代化建设新形势，在充分了解用户知识需求和现有水利知识资源供需矛盾的基础上，从知识服务角度对水利工程知识组织进行宏观架构，形成了一套包含知识组织结构设计、知识再生、组织实现到服务提供的完整流程；王曰芬等[17]从个性化知识服务角度出发，了解个性化服务中知识组织的目标、对象和原则，同时剖析知识组织机制内涵和组成要素，借此探索出了面向个性化知识服务的知识组织的过程与方法；吴恺等[18]根据用户行为信息的类型、知识组织和利用的需求，设计了通用的用户信息知识组织模型，该模型能够按照预先设定的模式进行信息析取、组织，为不同类型的用户提供服务。

需要注意的是，虽然学界已经意识到了用户个性化需求对个性化服务的最终效率，乃至领域知识组织的对象、深度、广度、有效性等有着重要影响，并且已经构建了一批基于单一领域下的面向知识服务的知识组织体系。但随着网络技术的发展和大数据时代的到来，面对庞大繁杂、急剧膨胀的数据和日益差异化的用户知识需求，这些领域知识组织架构中知识来源、类型单一、体量较小、更迭缓慢，用户特征识别率不高等问题被充分暴露，已经成为知识服务效率提升的阻碍之一。因此，有必要深入剖析大数据背景下知识服务的特点，从用户知识服务需求角度入手，重新展开知识组织架构设计。

2.2 领域知识组织中的知识结构

随着人类对世界的了解和掌握的知识不断增加，学者们意识到寻找普遍适用的方法来组织全人类的知识已不可行，转而开始关注不同领域知识组织的研究。1995年，Hjørland等提出了领域分析是信息科学的新方法[19]，并在后续研究中进一步指出领域分析已经成为知识组织的研究热点[20]。此后，学者Mai[21]在区分从本体论角度发现知识的组织方法和基于认识论角度对已经存在事物的客观中立描述的知识组织方法时，指出知识组织已经进入领域知识组织的时代。随后，学者们开始了关于领域知识组织所涉及的理论、方法及实证研究。本文对相关研究进行了梳理，具体如表1所示。

表1 领域知识组织的研究进展

从表1可见，目前关于领域知识组织的研究仍处于探索阶段，且以如何使用相关技术与方法实现领域的知识组织为主。在理论研究方面，已有少部分研究梳理了领域知识的概念、构成要素以及分析流程等基础理论，这些研究为后续领域知识组织的研究奠定了基础。

由于知识组织形式对知识服务最终质量存在根本性影响，而领域知识结构作为领域知识组织的底层架构，决定了领域知识组织的最终形式，自然也开始受到学界和业界的广泛关注[30]。在对已有文献梳理后发现，现阶段领域知识结构相关研究主要集中在领域知识结构的概念辨析[31-32]、特征识别[33]、构成分析[4,34-35]、类型划分[36]以及在具体学科领域中的实践应用[37]等方面。例如，赵蓉英等[38]在对知识网络结构系统分析的基础上，提出了知识网络机构具有知识节点的独立性、继承性、变异性、多维性和再生性等多种特性；文庭孝等[39]对领域知识组织中国网络结构的发展历程、结构类型以及测度方法等进行了详细梳理；陈必坤[40]基于可视化视角，对学科领域知识的理论基础、结构分类以及构建方法等进行了系统的研究与实证。

但是，这些研究当中关于指导领域知识结构设计与构建的研究相对较少，仅有部分学者对知识图谱、知识网络等结构的构建流程进行了探索性研究，或者在介绍某个具体领域中知识结构构建方法时对构建流程其进行简要介绍[37,41]。整体来看，相关研究尚不够系统，研究结果难以具有普适性。此外，随着大数据技术的快速发展和资源类型的日趋多元，以及知识服务用户需求的差异化加剧，领域知识组织开始面临来自多方面的挑战与压力。现有模式下的领域知识结构已经无法完全适应新形势下领域知识组织和服务的多样化需求，因此，有必要系统分析大数据时代的知识服务模式，在此基础上对领域知识结构重新架构，为提高知识服务质量奠定基础。

3 大数据环境下知识服务模式研究

3.1 大数据环境下领域知识服务的特点

传统的领域知识服务以文献数据为基础，挖掘领域内知识的关联，并按照一定的规则将知识或信息组织起来呈现给用户。大数据时代，不仅领域知识的数据内容发生了改变，用户的群体的需求也在不断变化，领域知识服务呈现出以下几个特点。

（1）数据多元化。传统的知识服务主要依托于文献数据和结构化的数据；大数据时代，在进行领域知识服务时，所涉及的数据不仅包含了文献及结构化的数据，还包含了社交媒体、百科网页以及知识库的数据，这些数据是随着时间推移不断变化的。此外，知识服务提供者还需要分析用户的反馈信息与需求信息，及时补充领域信息库中的数据内容。数据多元化不仅是大数据时代领域知识组织与服务的特点，更是一种挑战。

（2）方式智能化。机器学习、人工智能以及本体技术的发展使得领域知识服务方式更加智能。知识服务提供者不再完全依托于人工去搜寻、清洗、辨别数据，而是实现了通过机器学习的方式自动识别与领域相关的信息。另外，在大数据环境下，通过对用户行为数据收集分析，能够更加准确地进行用户画像分析，智能地为用户提供不同层次、不同内容的领域知识服务。智能化的知识与服务方式提高了大数据背景下领域知识组织与服务的效率和用户满意度。

（3）内容专业化。领域知识服务是指为了满足特定某个领域用户的需求，提供以内容为基础的知识产出（决策建议、解决方案等）的过程[42]。大数据时代下的领域知识服务提供者不仅需要具备与该领域相关的专业化知识和技能，而且还要掌握用户需求分析的专业知识，以便在充分掌握用户的实际知识需求的基础上给出能够解决用户实际性问题的专业知识。内容专业化是领域知识服务最显著的特征。

（4）服务个性化。对于同一个领域而言，不同用户的知识需求也是存在差异的[43]。例如，对于刚入门某领域的用户而言，其最需要的是通识性的领

域知识；对于科研用户而言，其需要的是自己所关注主题的领域知识；对于实践型的用户而言，其需要的是应用知识……大数据时代，互联网平台可以收集用户注册的基础资料以及信息检索行为等信息并进行用户画像分析，以便更精准地判断用户所需的知识，满足用户个性化的需求。个性化是大数据时代下领域知识服务新的特点。

3.2 用户主导的领域知识服务模式

根据第3.1节的分析，不论是服务方式还是服务内容，大数据环境下的知识服务都更加注重用户体验。对于同一个领域而言，知识组织与服务的视角可以是不一样的，为满足用户的个性化体验，知识服务模式也应适应不同用户群的特征[44]。例如，对于食品科学这一领域，有的用户只想了解有关营养健康的基础知识，满足日常生活需求；有的用户比较关注食品的质量监测标准与方法；有的用户则关注食品行业的技术工程；还有的用户关注绿色、功能性、有机食品的开发问题，等等。因此，大数据环境下，如何通过用户信息数据对用户进行分类画像，实现为不同层次的用户制定不同的服务方案已成为新的研究趋势。本文提出了以用户为主导的领域知识服务模式，如图1所示。

如图1所示，大数据环境下，以用户为主导的领域知识服务模式主要分为用户分析、服务提供以及根据再生知识扩充领域信息库三个部分。

图1 用户主导的领域知识服务模式

第一部分是针对用户的特点对用户群体进行分类，以便为不同群体的用户提供对应的专业化知识。为后续按用户的个性特征制定知识服务方案做好铺垫，以达到强化知识服务质量、渗透知识服务覆盖的目的。该部分的具体做法为，在保护用户隐私的前提下，根据用户的注册信息、信息检索行为信息或者以问卷调查的方式获取用户的偏好数据，利用数据挖掘、行为建模等方式进行用户画像分析。

第二部分是针对不同层次不同特点的用户，为其提供个性化的领域知识服务。例如，对于大部分领域而言，用户群体都可以分为刚入门的基础用户、专业的科研用户以及注重应用的实践型用户。领域知识服务提供者应摸清各类用户群体的特征，在明确用户需求并确定好服务内容后，从领域信息库里提取并组合相应的知识元，生成对解决每位用户实际问题均有用的通识知识、专题知识、应用知识或方案建议等内容，并以可视化的方式将结果展现给用户。这一部分是大数据环境下领域知识服务模式的核心部分，该部分的关键点在于深刻理解各个用户群体的知识需求，并在此基础上根据用户的需求组织知识元，以达到满足不同用户群体的个性化需求的目的。

第三部分是领域信息库的扩充部分，该部分主要是对在用户分析时所用到的用户需求信息、知识使用场景信息以及提供知识服务之后的用户反馈信息做更进一步的挖掘，探测出隐含知识中的潜在规律，进而生成以用户为中心的再生知识。该部分是一个以用户为中心的动态优化学习过程，以此为基础扩充领域信息库是大数据环境下领域知识服务创新持续发展的核心。

本节以不同用户群体需求差异为出发点，厘清了以用户需求为导向的知识服务模式，该模式不仅满足了大数据环境下知识服务内容专业化、方式智能化和服务个性化的特点，同时也为后续从以用户为主导的知识服务视角设计领域知识结构打下了基础。

4 面向知识服务的领域知识结构分析

4.1 知识服务视角下的领域知识结构

Simon[45]在其一本关于人工智能科学的书中曾指出，复杂的系统往往具有可分解的层次结构，该结构使得人们能够描述并理解系统及其包含的主要因素。因此，国内外不少学者在研究知识体系结构时，都将其划分为不同的要素层次。例如，赵蓉英[3]将知识网络结构归纳为知识节点及其关系的两层次结构；胡昌平等[4]给出了基于K-core层次划分的共词分析方法，将知识网络结构分解为基础层、细节层和中间层；王昊等[34]在研究图书情报学科的知识体系构建和演化时，将学科的知识结构理解为各知识点之间的层次体系。这些研究均以文献数据为基础，探讨了知识结构的层次结构，但是在大数据的时代背景下，知识的数据来源发生了变化，领域数据具有很强的动态性，领域知识也会随之进行不断的扩充，因此，大数据环境下的领域知识结构设计思路需要进行调整，本文按照不同的粒度对领域知识进行了层次划分。

此外，根据前文的分析可知，不同于传统知识服务下的知识结构，大数据环境下的知识结构设计要面向用户的个性化需求。由于用户所需解决的问题和场景是不断变化的，为了领域知识元提取的灵活性，该知识结构不应该也不能是不可分割的整体。由此，本文在设计领域知识结构时，又对每个层次的领域知识块进行了聚类，将每层的领域知识划分为不同的模块。根据上述分析，本文设计了大数据环境下面向知识服务的领域知识结构，如图2所示。

图2 面向知识服务的领域知识结构

具体说来，本文在设计领域知识结构时，从大数据资源、用户需求以及用户反馈的信息中提炼出领域知识后，进一步对领域知识进行知识分解，并分成了四个层次：基础细节层、中间要素层、问题求解层以及知识拓展层。

1.农产品流通不畅。农村地区有大量优质的农产品，但是由于交通的阻碍和信息的不对称导致这些资源难以转化为经济优势，最终这些农产品白白浪费掉。但是一些城市地区，农产品价格却逐渐上涨。

基础细节层包含了某领域概念、事实等在内的领域知识全部特征项，这些特征项完整地反映了某一领域的知识信息。基础细节层是构成领域知识的最小单位，也是领域知识结构的基础。

中间要素层通过对领域知识基础细节层中的各个特征项进行频次统计、人工筛选以及专家判断等手段，筛选出领域知识的核心要素，这些要素是领域知识核心内容，能够反映某领域知识的主要特点。

问题求解层在对中间要素层根据用户问题及需求进行分类聚类的基础上，生成了能够解决用户实际问题的知识单元。问题求解层是面向知识服务的领域知识结构的核心部分。

知识拓展层在对领域知识单元以及用户的反馈信息和需求信息进行关联分析、合并计算后，形成再生知识，以扩充领域知识库，使得领域知识库能够更加贴近用户需求。知识拓展层是领域知识服务保持活力的关键。

本文设计的领域知识结构具有如下特点：

（1）可分性。在将领域知识结构划分为不同层次的基础上，根据用户需要将每层的知识划分为不同的模块。这种领域知识结构的设计思想是本文的一个特色，方便了知识服务提供者按照用户需要解决问题以及根据需求灵活地从知识库中提取相应的信息。

（2）用户导向性。在知识结构的设计中，知识服务概念的引用是一个新的尝试，也是本结构的重点之一。首先，通过对用户需求进行主题分类，将领域知识的各要素关联起来组合成面向用户实际需求的知识单元。其次，通过对用户需求信息及反馈信息的挖掘，生成新的信息以扩充领域知识。这两个过程充分体现了领域知识结构设计中用户的重要性，为领域知识组织满足用户的个性化需求提供了可能。

4.2 领域知识的转化流程

大数据环境在推动领域知识服务发展的同时，也对领域知识服务中的数据搜集、信息分析以及知识生成等工作提出了更高的要求。具体说来，大数据时代下的领域知识服务面临着以下挑战：①如何从海量、多源、异构的大数据中搜集并集成碎片化的领域数据[46]。②如何判断信息真值，提高知识服务的价值。大数据时代下的数据资源形态各异，来源广泛，在处理从网络资源中收集的信息时，常常会发现这些信息存在严重冗余、歧义的现象[47]。③如何正确解读用户需求。用户的信息素养以及个人特征等的差异导致用户在表达自己信息需求时的全面性和准确性大有不同，尤其是在大数据时代，当用户面对着纷繁复杂、形式多样的信息时，往往会信息迷失。此时更需要知识服务提供者能够引导用户全面地表述出其显性的信息需求，并根据用户的检索信息行为，挖掘出其隐性的信息需求，以便提高领域知识服务的水平与效率。

为了解决上述挑战，已有学者从技术角度出发，致力于解决领域大数据向领域知识转化过程中所面临的问题并取得了相应的成果。例如，林海伦等[46]在对网络大数据时代下的知识融合方法进行综述时，总结出了开放网络环境下的知识评估方法包括基于贝叶斯概率估计的评估方法、基于D-S证据理论（Dempster-Shafer envidence theory）的评估方法、基于模糊集理论的知识评估方法以及基于图模型的知识评估方法。2020年12月15日，国家图书馆数字资源部主任曹宁在报告国图专题领域知识组织关于《中国战疫记忆库人物谱和大事记》建设的实践和探索时指出，资源遴选分为两个步骤，一是通过前期人工遴选建立词表，二是将建立的词表交予机器学习建模，以实现自动识别目标资源。上述研究成果主要关注大数据环境下的知识组织的实现方法，还缺乏一套针对大数据环境下领域数据向领域知识转化的模式和框架，参考传统环境下的数据向知识转化的过程DIKW（data,information,knowl‐edge,wisdom）模型[48]。本文结合上述成果构建了领域数据向领域知识转化的过程框架，认为将领域数据向领域知识转化的过程主要分为四个阶段：①从海量、多源异构的数据资源中抓取与某领域相关的数据，形成某领域的数据资源；②将资源按照数据类型分类，形成领域数据集；③对领域数据集进行信息提取，生成领域信息库；④融合领域信息库中的信息，进而将其转化为领域知识。具体过程如图3所示。

图3 大数据背景下领域知识转化流程

第一阶段是对百科网页数据、文献资源数据、社交论坛数据和知识库数据进行采集、清洗、去重及选择，以形成与某领域内容相关的数据集。上文在分析大数据环境下领域知识的特点及挑战时已经指出，科学、客观、全面的领域数据资源是为用户提供优质服务的前提。因此，大数据环境下遴选出优质的领域数据资源是后续生成领域知识并进行知识服务的基础，在资源遴选的过程中，不仅要保证资源的科学性与全面性，还要保证资源的动态性。在这个阶段中，主要的实现方法是通过爬虫技术和人工采集的方式来不定期获取数据资源，而后对这些数据资源进行噪声及冗余数据的清洗，采用人工标注的方式标注有用信息，再将人工标注的结果传给计算机，利用机器学习的方法建立模型，并对机器提取的核心信息进行人工核对，确保核心资源的准确性，以实现定期准确地从海量数据资源中自动识别出与某领域资源相关的数据，保证数据资源的动态性。

第二阶段是对已经获得的领域数据按数据形式进行归类，主要将数据分为文本型数据和多媒体数据。

第三阶段是判断领域数据资源的真伪并对收集的信息资源进行拆解。具体来说，对于文本数据而言，在对其进行自然语言处理后进行实体和关系的抽取；对于视频、音频、图片等信息而言，首先需要对其进行归类处理，然后通过语音识别技术与人工转录的方式，记录下该类信息中的内容，并将其转化为文本信息，再按照文本数据的方式进行处理，信息真伪的判断方式主要有D-S证据理论法、模糊集理论法以及图模型法。在知识抽取获得领域资源的概念和关系后，建立相应的概念库、实体库及关系库。

第四阶段是对领域信息资源的融合，主要是对知识抽取中所提取的概念、实体、关系等进行关联分析和合并计算，以生成对解决实际问题有用的领域知识。

通过定期数据抓取、清洗、知识抽取、关联聚类等操作可以将领域大数据逐步转化为能够解决用户实际问题的领域知识，本文总结的领域大数据向领域知识转化的过程不仅为从海量多源异构的数据源中获取领域知识提供了行动参考，也为进一步分析设计领域知识结构的构建流程奠定了基础。

4.3 领域知识结构的构建流程

关于领域知识结构的构建方法与构建流程方面，目前已有部分学者就文献数据基于本体、社会网络、频次统计、共现、引用、合作等内容开展了相关研究，并已经形成了较为完整和成熟的方法体系。例如，胡昌平等[4]以领域关键词的强共现关系为基础的知识网络，给出了基于K-core值的领域知识结构划分过程；陈雪飞等[38]基于领域文献绘制了包括知识点抽取、关系建立、知识可视化等内容的领域知识网络构建过程；张发亮等[2]总结出了基于文献数据的领域知识结构通用构建流程。总体上，这些研究关于领域知识结构的方法和流程更加适用于单一的文献数据，尚缺乏一套针对大数据环境下面向知识服务的领域知识结构构建过程。基于以上分析，本文在梳理了现有关于领域知识结构构建研究的基础上，通过从海量、多源异构的数据源中采集、提取、遴选出与某领域的相关信息，面向用户需求逐步设计了大数据环境下知识服务驱动的领域知识结构，如图4所示。

从图4中可以看出，用户需求驱动的领域知识结构的构建过程主要分为三个部分。

图4 用户需求驱动的领域知识结构构建过程

第一部分的主要工作是将从海量数据中收集并清洗过的某领域相关的数据转化为领域信息库，该信息库包含了某领域的全部原始数据，是领域知识结构构建的基础。该部分的转化过程见第4.2节。

第二部分是领域知识结构的构建部分，这部分的主要流程可以分为四步。第一步是基础细节层的构建。该层是对领域信息库中的信息进行拆解，通过自然语言处理技术中的词法分析和句法分析，实现对领域知识的全部特征项的提取，这些特征项包括了该领域的基本概念、实体、实例等在内的领域基本信息。基础细节层的特征项最为丰富，是某领域知识的全貌通过对基础细节层特征项之间的关系分析，可以获得某领域的通识知识。第二步是构建中间要素层。中间要素层是对基础细节层的浓缩，主要是通过特征项的出现频次统计、专家意见等方法遴选出某领域较为重要的特征项集，如核心人物、重要机构、主要成就等。这些特征项集是领域知识的核心，对这些核心要素进行分析可以获取领域发展的主要分支和热点方向。第三步是问题求解层的构建。主要是利用用户基本信息、行为信息及需求信息等进行用户画像分析，根据不同用户群体的特点从基础细节层或中间要素层中提取信息，并根据用户的特点及需求将各个要素联系起来，通过聚类、关联等方法形成能够满足解决用户实际问题的知识单元，问题求解层是领域知识结构构建的最终目的。第四步是知识拓展层的构建。这一步是通过分析问题求解层各个知识单元之间的关系，以及中间要素层在向问题求解层转化过程中关联聚类时的依据，如用户使用知识的场景、用户的需求特点、用户的需求变化过程等挖掘出新的领域知识。知识拓展层是领域知识结构的升华。

第三部分的主要内容是领域信息库的扩充，该部分主要是将知识拓展层的信息以及再生知识增加到领域信息库中。再生知识的产生主要是利用分类、聚类、关联、粒度分析等方法对用户需求及行为信息进行挖掘。通过融合用户的需求和知识使用情景，以解决用户的实际问题为主线展开知识的推理，从不同视角分解和认识用户的问题，在寻求隐含知识的同时，挖掘其中的规律和模式。利用再生知识对领域信息库进行扩充是领域保持生命力与创新力的关键所在。

5 结语

大数据环境下，知识组织的内容经历了从传统的结构化数据和文献数据向多源异构数据的转变，这种转变在赋予知识组织与知识服务新特点的同时也带来了新的挑战。为应对这些挑战，本文首先总结出了大数据背景下的领域知识服务特点，并在此基础上，对以用户为导向的知识服务模式进行梳理。其次，结合该模式，设计了知识服务视角下的领域知识结构。最后，本文给出了该结构的构建流程。本文设计的领域知识结构既能够及时根据用户需求及反馈信息，以及在大数据环境下挖掘的新知识补充领域知识库，也能够根据用户需求灵活地从知识库中提取信息。在后续研究中我们会将本文所提出的知识结构运用于实际领域的知识组织中，并通过用户调研的方式来检验依据该领域知识结构展开的领域知识组织的可行性以及其能否满足用户的个性化需求，根据发现的问题在实践中不断完善该结构的构建框架与流程。