導語：如何才能寫好一篇關于人工智能的綜述報告，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

2017年7月，國務院印發(fā)《新一代人工智能發(fā)展規(guī)劃》，不僅對人工智能的發(fā)展做出了戰(zhàn)略性部署，還確立了“三步走”的政策目標，力爭到2030年將我國建設成為世界主要的人工智能創(chuàng)新中心。[1]值得注意的是，此次規(guī)劃不僅僅只是技術或產業(yè)發(fā)展規(guī)劃，還同時包括了社會建設、制度重構、全球治理等方方面面的內容。之所以如此，是由于人工智能技術本身具有通用性和基礎性。換句話說，為助推人工智能時代的崛起，我們面對的任務不是實現(xiàn)某一個專業(yè)領域或產業(yè)領域內的顛覆性技術突破，而是大力推動源于技術發(fā)展而引發(fā)的綜合性變革。

也正因為如此，人工智能發(fā)展進程中所面臨的挑戰(zhàn)才不僅僅局限于技術或產業(yè)領域，而更多體現(xiàn)在經(jīng)濟、社會、政治領域的公共政策選擇上。首先，普遍建立在科層制基礎上的公共事務治理結構，是否能夠適應技術發(fā)展和應用過程中所大規(guī)模激發(fā)的不確定性和不可預知性?再者，長久以來圍繞人類行為的規(guī)制制度，是否同樣能夠適應以數(shù)據(jù)、算法為主體的應用環(huán)境?最后，如何構建新的治理體系和治理工具來應對伴隨人工智能發(fā)展而興起的新的經(jīng)濟、社會、政治問題?

應對上述挑戰(zhàn)并不完全取決于技術發(fā)展或商業(yè)創(chuàng)新本身，而更多依賴于我們的公共政策選擇。本文試圖在分析人工智能發(fā)展邏輯及其所引發(fā)的風險挑戰(zhàn)的基礎上，對人工智能時代的公共政策選擇做出分析，并討論未來改革的可能路徑，這也就構成了人工智能治理的三個基本問題。具體而言，人工智能本身成為治理對象，其發(fā)展與應用構成了治理挑戰(zhàn)，而在此基礎上如何做出公共政策選擇便是未來治理變革的方向。

全文共分為四個部分：第一部分將探討人工智能的概念及特征，并進而對其發(fā)展邏輯進行闡述。作為一項顛覆性技術創(chuàng)新，其本身的技術門檻對決策者而言構成了挑戰(zhàn)，梳理并捋清人工智能的本質內涵因而成為制定相關公共政策的前提;第二部分將著重分析人工智能時代崛起所帶來的治理挑戰(zhàn)，主要包括三個方面，即傳統(tǒng)科層治理結構應對人工智能新的生產模式的滯后性、建基于行為因果關系之上的傳統(tǒng)治理邏輯應對人工智能新主體的不適用性，以及人工智能發(fā)展所引發(fā)的新議題的治理空白;面對上述挑戰(zhàn)，各國都出臺了相關政策，本文第三部分對此進行了綜述性對比分析，并指出了其進步意義所在。需要指出的是，盡管各國的政策目標都試圖追求人工智能發(fā)展與監(jiān)管的二維平衡，但由于缺乏對人工智能內涵及其發(fā)展邏輯的完整認識，當前的公共政策選擇有失綜合性;本文第四部分將提出新的治理思路以及公共政策選擇的其他可能路徑，以推動圍繞人工智能治理的相關公共政策議題的深入討論。

一、人工智能的概念及技術發(fā)展邏輯：算法與數(shù)據(jù)

伴隨著人工智能技術的快速發(fā)展，尤其是其近年來在棋類對弈、自動駕駛、人臉識別等領域的廣泛應用，圍繞人工智能所可能引發(fā)的社會變革產生了激烈爭論。在一方面，以霍金[2]、馬斯克[3]、比爾-蓋茨[4]、赫拉利[5]為代表的諸多人士呼吁加強監(jiān)管，警惕“人工智能成為人類文明史的終結”;在另一方面，包括奧巴馬[6]在內的政治家、學者又認為應該放松監(jiān)管，充分釋放人工智能的技術潛力以造福社會。未來發(fā)展的不確定性固然是引發(fā)當前爭論的重要原因之一，但圍繞“人工智能”概念內涵理解的不同，以及對其發(fā)展邏輯認識的不清晰，可能也同樣嚴重地加劇了人們的分歧。正因為此，廓清人工智能的概念內涵和發(fā)展邏輯不僅是回應爭論的需要，也是進一步提出公共政策建議的前提。

就相關研究領域而言，人們對于“人工智能”這一概念的定義并未形成普遍共識。計算機領域的先驅阿蘭-圖靈曾在《計算機器與智能》一文中提出，重要的不是機器模仿人類思維過程的能力，而是機器重復人類思維外在表現(xiàn)行為的能力。[7]正是由此理解出發(fā)，著名的“圖靈測試”方案被提出。但如同斯坦福大學計算機系教授約翰·麥卡錫所指出的，“圖靈測試”僅僅只是“人工智能”概念的一部分，不模仿人類但同時也能完成相關行為的機器同樣應被視為“智能”的。[8]事實上，約翰·麥卡錫正是現(xiàn)代人工智能概念的提出者。在他看來，“智能”關乎完成某種目標的行為“機制”，而機器既可以通過模仿人來實現(xiàn)行為機制，也可以自由地使用任何辦法來創(chuàng)造行為機制。[9]由此，我們便得到了人工智能領域另一個非常重要的概念——“機器學習”。

人工智能研究的目標是使機器達到人類級別的智能能力，而其中最重要的便是學習能力。[10]因此，盡管“機器學習”是“人工智能”的子域，但很多時候我們都將這兩個概念等同起來。[11]就實現(xiàn)過程而言，機器學習是指利用某些算法指導計算機利用已知數(shù)據(jù)得出適當模型，并利用此模型對新的情境給出判斷，從而完成行為機制的過程。此處需要強調一下機器學習算法與傳統(tǒng)算法的差異。算法本質上就是一系列指令，告訴計算機該做什么。對于傳統(tǒng)算法而言，其往往事無巨細地規(guī)定好了機器在既定條件下的既定動作;機器學習算法卻是通過對已有數(shù)據(jù)的“學習”，使機器能夠在與歷史數(shù)據(jù)不同的新情境下做出判斷。以機器人行走的實現(xiàn)為例，傳統(tǒng)算法下，程序員要仔細規(guī)定好機器人在既定環(huán)境下每一個動作的實現(xiàn)流程;而機器學習算法下，程序員要做的則是使計算機分析并模擬人類的行走動作，以使其即使在完全陌生的環(huán)境中也能實現(xiàn)行走。

由此，我們可以對“人工智能”設定一個“工作定義”以方便進一步的討論：人工智能是建立在現(xiàn)代算法基礎上，以歷史數(shù)據(jù)為支撐，而形成的具有感知、推理、學習、決策等思維活動并能夠按照一定目標完成相應行為的計算系統(tǒng)。這一概念盡管可能仍不完善，但它突出了人工智能技術發(fā)展和應用的兩大基石——算法與數(shù)據(jù)，有助于討論人工智能的治理問題。

首先，算法即是規(guī)則，它不僅確立了機器所試圖實現(xiàn)的目標，同時也指出了實現(xiàn)目標的路徑與方法。就人工智能當前的技術發(fā)展史而言，算法主要可被劃分為五個類別：符號學派、聯(lián)接學派、進化學派、類推學派和貝葉斯學派。[12]每個學派都遵循不同的邏輯、以不同的理念實現(xiàn)了人工智能(也即“機器學習”)的過程。舉例而言，“符號學派”將所有的信息處理簡化為對符號的操縱，由此學習過程被簡化(抽象)為基于數(shù)據(jù)和假設的規(guī)則歸納過程。在數(shù)據(jù)(即歷史事實)和已有知識(即預先設定的條件)的基礎上，符號學派通過“提出假設-數(shù)據(jù)驗證-進一步提出新假設-歸納新規(guī)則”的過程來訓練機器的學習能力，并由此實現(xiàn)在新環(huán)境下的決策判斷。

從對“符號學派”的描述中可以發(fā)現(xiàn)，機器學習模型成功的關鍵不僅是算法，還有數(shù)據(jù)。數(shù)據(jù)的缺失和預設條件的不合理將直接影響機器學習的輸出(就符號學派而言，即決策規(guī)則的歸納)。最明顯體現(xiàn)這一問題的例子便是羅素的“歸納主義者火雞”問題：火雞在觀察10天(數(shù)據(jù)集不完整)之后得出結論(代表預設條件不合理，超過10個確認數(shù)據(jù)即接受規(guī)則)，主人會在每天早上9點給它喂食;但接下來是平安夜的早餐，主人沒有喂它而是宰了它。

所有算法類型盡管理念不同，但模型成功的關鍵都聚焦于“算法”和“數(shù)據(jù)”。事實上，如果跳出具體學派的思維束縛，每種機器學習算法都可被概括為“表示方法、評估、優(yōu)化”這三個部分。[13]盡管機器可以不斷的自我優(yōu)化以提升學習能力，且原則上可以學習任何東西，但評估的方法和原則(算法)以及用以評估的數(shù)據(jù)(數(shù)據(jù))都是人為決定的——而這也正是人工智能治理的關鍵所在。算法與數(shù)據(jù)不僅是人工智能發(fā)展邏輯的基石，其同樣是治理的對象和關鍵。

總而言之，圍繞“人工智能是否會取代人類”的爭論事實上并無太大意義，更重要的反而是在廓清人工智能的內涵并理解其發(fā)展邏輯之后，回答“治理什么”和“如何治理”的問題。就此而言，明確治理對象為算法和數(shù)據(jù)無疑是重要的一步。但接下來的重要問題仍然在于，人工智能時代的崛起所帶來的治理挑戰(zhàn)究竟是什么?當前的制度設計是否能夠對其做出有效應對?如果答案是否定的，我們又該如何重構治理體系以迎接人工智能時代的崛起?本文余下部分將對此做進一步的闡述。

二、人工智能時代崛起的治理挑戰(zhàn)

不同于其他顛覆性技術，人工智能的發(fā)展并不局限于某一特定產業(yè)，而是能夠支撐所有產業(yè)變革的通用型技術。也正因為此，其具有廣泛的社會溢出效應，在政治、經(jīng)濟、社會等各個領域都會帶來深刻變革，并將同時引發(fā)治理方面的挑戰(zhàn)。具體而言，挑戰(zhàn)主要體現(xiàn)在以下三個方面。

首先，治理結構的僵化性，即傳統(tǒng)的科層制治理結構可能難以應對人工智能快速發(fā)展而形成的開放性和不確定性。之所以需要對人工智能加以監(jiān)管，原因在于其可能成為公共危險的源頭，例如當自動駕駛技術普及之后，一旦出現(xiàn)問題，便可能導致大規(guī)模的連續(xù)性傷害。但不同機、大型水壩、原子核科技等二十世紀的公共危險源，人工智能的發(fā)展具有極強的開放性，任何一個程序員或公司都可以毫無門檻的進行人工智能程序的開發(fā)與應用。這一方面是由于互聯(lián)網(wǎng)時代的到來，使得基于代碼的生產門檻被大大降低[14];另一方面，這也是人工智能本身發(fā)展規(guī)律的需要。正如前文所提到，唯有大規(guī)模的數(shù)據(jù)輸入才可能得到較好的機器學習結果，因此將人工智能的平臺(也即算法)以開源形式公開出來，以使更多的人在不同場景之下加以利用并由此吸收更多、更完備的數(shù)據(jù)以完善算法本身，就成為了大多數(shù)人工智能公司的必然選擇。與此同時，人工智能生產模式的開放性也必然帶來發(fā)展的不確定性，在缺乏有效約束或引導的情況下，人工智能的發(fā)展很可能走向歧途。面對這一新形勢，傳統(tǒng)的、基于科層制的治理結構顯然難以做出有效應對。一方面，政府試圖全范圍覆蓋的事前監(jiān)管已經(jīng)成為不可能，開放的人工智能生產網(wǎng)絡使得監(jiān)管機構幾乎找不到監(jiān)管對象;另一方面，由上至下的權威結構既不能傳遞給生產者，信息不對稱問題的加劇還可能導致監(jiān)管行為走向反面。調整治理結構與治理邏輯，并形成適應具有開放性、不確定性特征的人工智能生產模式，是當前面臨的治理挑戰(zhàn)之一。

再者，治理方法的滯后性，即長久以來建立在人類行為因果關系基礎上的法律規(guī)制體系，可能難以適用于以算法、數(shù)據(jù)為主體的應用環(huán)境。人工智能的價值并不在于模仿人類行為，而是其具備自主的學習和決策能力;正因為如此，人工智能技術才不能簡單地理解為其創(chuàng)造者(即人)意志的表達。程序員給出的只是學習規(guī)則，但真正做出決策的是基于大規(guī)模數(shù)據(jù)訓練后的算法本身，而這一結果與程序員的意志并無直接因果關聯(lián)。事實上也正由于這個特點，AlphaGo才可能連續(xù)擊敗圍棋冠軍，而其設計者卻并非圍棋頂尖大師。也正是在這個意義上，我們才回到了?？滤缘摹凹夹g的主體性”概念。在他看來，“技術并不僅僅是工具，或者不僅僅是達到目的的手段;相反，其是政治行動者，手段與目的密不可分”。[15]就此而言，長久以來通過探究行為與后果之因果關系來規(guī)范人的行為的法律規(guī)制體系，便可能遭遇窘境：如果將人工智能所造成的侵權行為歸咎于其設計者，無疑不具有說服力;但如果要歸咎于人工智能本身，我們又該如何問責一個機器呢?由此，如何應對以算法、數(shù)據(jù)為核心的技術主體所帶來的公共責任分配問題，是當前面臨的第二個治理挑戰(zhàn)。

最后，治理范圍的狹隘性，即對于受人工智能發(fā)展沖擊而引發(fā)的新的社會議題，需要構建新的治理體系和發(fā)展新的治理工具。人工智能發(fā)展所引發(fā)的治理挑戰(zhàn)不僅僅體現(xiàn)在現(xiàn)有體系的不適應上，同時還有新議題所面臨的治理空白問題。具體而言，這又主要包括以下議題：算法是否能夠享有言論自由的憲法保護，數(shù)據(jù)的權屬關系究竟如何界定，如何緩解人工智能所可能加劇的不平等現(xiàn)象，以及如何平衡人工智能的發(fā)展與失業(yè)問題。在人工智能時代之前，上述問題并不存在，或者說并不突出;但伴隨著人工智能的快速發(fā)展和應用普及，它們的重要性便日漸顯著。以最為人所關注的失業(yè)問題為例，就技術可能性來說，人工智能和機器人的廣泛應用代替人工勞動，已是一個不可否定的事實了。無論是新聞記者，還是股市分析員，甚至是法律工作者，其都有可能為機器所取代。在一個“充分自動化(Full Automation)”的世界中，如何重新認識勞動與福利保障的關系、重構勞動和福利保障制度，便成為最迫切需要解決的治理挑戰(zhàn)之一。[16]

上述三方面共同構成了人工智能時代崛起所帶來的治理挑戰(zhàn)。面對這些挑戰(zhàn)，各國也做出了相應的公共政策選擇。本文第三部分將對各國人工智能的治理政策進行對比性分析。在此基礎上，第四部分將提出本文的政策建議。

三、各國人工智能治理政策及監(jiān)管路徑綜述

人工智能時代的崛起作為一種普遍現(xiàn)象，其所引發(fā)的治理挑戰(zhàn)是各國面臨的共同問題，各國也陸續(xù)出臺了相關公共政策以試圖推動并規(guī)范人工智能的快速發(fā)展。

美國于2016年同時頒布了《國家人工智能研究與發(fā)展戰(zhàn)略規(guī)劃》和《為人工智能的未來做好準備》兩個國家級政策框架，前者側重從技術角度指出美國人工智能戰(zhàn)略的目的、愿景和重點方向，而后者則更多從治理角度探討政府在促進創(chuàng)新、保障公共安全方面所應扮演的角色和作用。就具體的監(jiān)管政策而言，《為人工智能的未來做好準備》提出了一般性的應對方法，強調基于風險評估和成本-收益考量的原則以決定是否對人工智能技術的研發(fā)與應用施以監(jiān)管負擔。[17]日本同樣于2016年出臺了《第五期(2016～2020年度)科學技術基本計劃》，提出了“超智能社會5.0”的概念，強調通過推動數(shù)據(jù)標準化、建設社會服務平臺、協(xié)調發(fā)展多領域智能系統(tǒng)等各方面工作促進人工智能的發(fā)展和應用。[18]

盡管美國和日本的政策著力點不同，但其共有的特點是對人工智能的發(fā)展及其所引發(fā)的挑戰(zhàn)持普遍的包容與開放態(tài)度。就當前的政策框架而言，美日兩國的政策目標更傾斜于推動技術創(chuàng)新、保持其國家競爭力的優(yōu)勢地位;當涉及對人工智能所可能引發(fā)的公共問題施以監(jiān)管時，其政策選擇也更傾向于遵循“無需批準式(permissionless)”的監(jiān)管邏輯，即強調除非有充分案例證明其危害性，新技術和新商業(yè)模式默認為都是被允許的。[19]至于人工智能的發(fā)展對個人數(shù)據(jù)隱私、社會公共安全的潛在威脅，盡管兩國的政策框架都有所涉及，卻并非其政策重心——相比之下，英國、法國則采取了不同的政策路徑。

英國政府2016年了《人工智能：未來決策制定的機遇與影響》，對人工智能的變革性影響以及如何利用人工智能做出了闡述與規(guī)劃，尤其關注到了人工智能發(fā)展所帶來的法律和倫理風險。在該報告中，英國政府強調了機器學習與個人數(shù)據(jù)相結合而對個人自由及隱私等基本權利所帶來的影響，明確了對使用人工智能所制定出的決策采用問責的概念和機制，并同時在算法透明度、算法一致性、風險分配等具體政策方面做出了規(guī)定。[20]與英國類似，法國在2017年的《人工智能戰(zhàn)略》中延續(xù)了其在2006年通過的《信息社會法案》的立法精神，同樣強調加強對新技術的“共同調控”，以在享有技術發(fā)展所帶來的福利改進的同時，充分保護個人權利和公共利益。[21]與美日相比，英法的公共政策更偏向于“審慎監(jiān)管(precautionary)”的政策邏輯，即強調新技術或新的商業(yè)模式只有在開發(fā)者證明其無害的前提下才被允許使用。[22]

在本文看來，無論是“無需批準式監(jiān)管”還是“審慎監(jiān)管”，在應對人工智能時代崛起所帶來的治理挑戰(zhàn)方面都有其可取之處：前者側重于推動創(chuàng)新，而后者則因重視安全而更顯穩(wěn)健。但需要指出的是，這兩種監(jiān)管路徑的不足卻也十分明顯。正如前文第二部分所指出，一方面，快速迭代的技術發(fā)展與商業(yè)模式創(chuàng)新必將引發(fā)新的社會議題，無論是算法是否受到言論自由的權利保護還是普遍失業(yè)對社會形成的挑戰(zhàn)，它們都在客觀上要求公共政策做出應對，而非片面的“無需批準式監(jiān)管”能夠處理。更重要的是，“無需批準式監(jiān)管”的潛在假設是事后監(jiān)管的有效性;然而，在事實上，正如2010年5月6日美國道瓊斯工業(yè)指數(shù)“瞬間崩盤”事件所揭示的，即使單個電子交易程序合規(guī)運行，當各個系統(tǒng)行為聚合在一起時反而卻造成了更大的危機。[23]在此種情形下，依賴于合規(guī)性判斷的“事后監(jiān)管”基本上難以有效實施。另一方面，人工智能本身的自主性和主體性使得建立在人類行為因果關系基礎上的“審慎監(jiān)管”邏輯存在天然缺陷：既然人類無法預知人工智能系統(tǒng)可能的行為或決策，開發(fā)者又如何證明人工智能系統(tǒng)的無害性?

正如本文所反復強調的，人工智能與其他革命性技術的不同之處，正是在于其所帶來的社會沖擊的綜合性和基礎性。人工智能并非單個領域、單個產業(yè)的技術突破，而是對于社會運行狀態(tài)的根本性變革;人工智能時代的崛起也并非一夜之功，而是建立在計算機革命、互聯(lián)網(wǎng)革命直至數(shù)字革命基礎上的“奇點”變革。因此，面對人工智能時代崛起所帶來的治理挑戰(zhàn)，我們同樣應該制定綜合性的公共政策框架，而非僅僅沿襲傳統(tǒng)治理邏輯，例如只是針對具體議題在“創(chuàng)新”與“安全”這個二元維度下進行艱難選擇。本文在第四部分從承認技術的主體性、重構社會治理制度、推進人工智能全球治理這三方面提出了政策建議，并希望以此推動更深入地圍繞人工智能時代公共政策選擇的研究與討論。

四、人工智能時代的公共政策選擇

《新一代人工智能發(fā)展規(guī)劃》明確提出了到2030年我國人工智能發(fā)展的“三步走”目標，而在每一個階段，人工智能法律法規(guī)、倫理規(guī)范和政策體系的逐步建立與完善都是必不可少的重要內容。面對人工智能時代崛起的治理挑戰(zhàn)，究竟應該如何重構治理體系、創(chuàng)新治理機制、發(fā)展治理工具，是擺在決策者面前的重要難題。本文基于對人工智能基本概念和發(fā)展邏輯的梳理分析，結合各國已有政策的對比分析，提出以下三方面的改革思路，以為人工智能時代的公共選擇提供參考。

第一，人工智能發(fā)展的基石是算法與數(shù)據(jù)，建立并完善圍繞算法和數(shù)據(jù)的治理體系與治理機制，是人工智能時代公共政策選擇的首要命題，也是應對治理挑戰(zhàn)、賦予算法和數(shù)據(jù)以主體性的必然要求。(1)就算法治理而言，涉及的核心議題是算法的制定權及相應的監(jiān)督程序問題。算法作為人工智能時代的主要規(guī)則，究竟誰有權并通過何種程序來加以制定，誰來對其進行監(jiān)督且又如何監(jiān)督?長久以來公眾針對社交媒體臉書(Facebook)的質疑正體現(xiàn)了這一問題的重要性：公眾如何相信臉書向用戶自動推薦的新聞內容不會摻雜特殊利益的取向?[24]當越來越多的人依賴定制化的新聞推送時，人工智能甚至會影響到總統(tǒng)選舉。也正因為此，包括透明要求、開源要求在內的諸多治理原則，應當被納入到算法治理相關議題的考慮之中。(2)就數(shù)據(jù)治理而言，伴隨著人工智能越來越多地依賴于大規(guī)模數(shù)據(jù)的收集與利用，個人隱私的保護、數(shù)據(jù)價值的分配、數(shù)據(jù)安全等相關議題也必將成為公共政策的焦點。如何平衡不同價值需求、規(guī)范數(shù)據(jù)的分享與應用，也同樣成為人工智能時代公共政策選擇的另一重要抓手。

第二，創(chuàng)新社會治理制度，進一步完善社會保障體系，在最大程度上緩解人工智能發(fā)展所可能帶來的不確定性沖擊。與歷史上的技術革命類似，人工智能的發(fā)展同樣會導致利益的分化與重構，而如何保證技術革命成本的承受者得到最大限度的彌補并使所有人都享有技術發(fā)展的“獲得感”，不僅是社會發(fā)展公平、正義的必然要求，也是促進技術革命更快完成的催化劑。就此而言，在人工智能相關公共政策的考量中，我們不僅應該關注產業(yè)和經(jīng)濟政策，同時也應該關注社會政策，因為只有后者的完善才能夠控制工人或企業(yè)家所承擔的風險，并幫助他們判斷是否支持或抵制變革的發(fā)生。就具體的政策設計來說，為緩解人工智能所可能帶來的失業(yè)潮，基本收入制度的普遍建立可能應該被提上討論議程了。“基本收入”是指政治共同體(如國家)向所有成員不加任何限制條件地支付一定數(shù)額的收入，以滿足其基本生活的需求。盡管存在“養(yǎng)懶漢”的質疑，但有研究者已指出，自18世紀就開始構想的基本收入制度很有可能反過來促進就業(yè)。[25]芬蘭政府已經(jīng)于2017年初開始了相關實驗，美國的一些州、瑞士也做出了一定探索。在人工智能時代尚未完全展現(xiàn)其“猙容”之前，創(chuàng)新社會治理機制、完善社會保障體系，可能是平衡技術創(chuàng)新與社會風險的最佳路徑。

第三，構建人工智能全球治理機制，以多種形式促進人工智能重大國際共性問題的解決，共同應對開放性人工智能生產模式的全球性挑戰(zhàn)。人工智能的發(fā)展具有開放性和不確定性的特征，生產門檻的降低使得人工智能技術研發(fā)的跨國流動性很強，相關標準的制定、開放平臺的搭建、共享合作框架的形成，無不要求構建相應的全球治理機制。另一方面，跨境數(shù)據(jù)流動在廣度和深度上的快速發(fā)展成為了人工智能技術進步的直接推動力，但各國數(shù)據(jù)規(guī)制制度的巨大差異在制約跨境數(shù)據(jù)流動進一步發(fā)展的同時，也將影響人工智能時代的全面到來。[26]故此，創(chuàng)新全球治理機制，在承認各國制度差異的前提下尋找合作共享的可能性，便成為人工智能時代公共政策選擇的重要考量之一。就具體的機制設計而言，可以在人工智能全球治理機制的構建中引入多利益相關模式;另一方面，為防止巨頭壟斷的形成，充分發(fā)揮主權國家作用的多邊主義模式同樣不可忽視。作為影響深遠的基礎性技術變革，互聯(lián)網(wǎng)全球治理機制的經(jīng)驗和教訓值得人工智能發(fā)展所借鑒。

上述三方面從整體上對人工智能時代的公共政策框架做出了闡述。與傳統(tǒng)政策局限于“創(chuàng)新”與“安全”之間做出二維選擇不同，本文以更綜合的視角提出了未來公共政策選擇的可能路徑。就其內在聯(lián)系來講，建立并完善圍繞算法和數(shù)據(jù)的治理體系是起點，其將重構人工智能時代的規(guī)則與制度;創(chuàng)新社會治理機制并完善社會保障體系是底線，其將緩解人工智能所帶來的影響與波動;構建全球治理機制則成為了制度性的基礎設施，推動各國在此之上共同走向人工智能時代的“人類命運共同體”。

五、結語

在經(jīng)歷了60余年的發(fā)展之后，人工智能終于在互聯(lián)網(wǎng)、大數(shù)據(jù)、機器學習等諸多技術取得突破的基礎上實現(xiàn)了騰飛。在未來的人類生活中，人工智能也必將扮演越來越重要的角色。對于這樣的圖景，我們自不必驚慌，但卻也不可掉以輕心。對于人工智能的治理，找到正確的方向并采取合理的措施，正是當下所應該重視的政策議題。而本文的主旨也正在于此：打破長久以來人們對于人工智能的“籠統(tǒng)”式擔憂，指出人工智能技術發(fā)展的技術邏輯及其所引發(fā)的治理挑戰(zhàn)，并在此基礎上提出相應的政策選擇。人工智能治理的這三個基本問題，是重構治理體系、創(chuàng)新治理機制、發(fā)展治理工具所必須思考的前提。伴隨著我國國家層面戰(zhàn)略規(guī)劃的出臺，我國人工智能的發(fā)展也必將躍上新臺階。在此背景下，深入探討人工智能治理的相關公共政策議題，對于助推一個人工智能時代的崛起而言，既有其必要性，也有其迫切性。（來源：中國行政管理 文/賈開 蔣余浩 編選：中國電子商務研究中心）

[參考文獻]

[1]國務院關于印發(fā)新一代人工智能發(fā)展規(guī)劃的通知[EB/OL]. http：//gov.cn/zhengce/content/2017-07/20/content_5211996.htm.

[2]霍金. AI可能成就或者終結人類文明[EB/OL].http：//raincent.com/content-10-7672-1.html.

[3] Elon Musk. Artificial Intelligence is Our Biggest Existential Threat. https：//theguardian.com/technology/2014/oct/27/elon-musk-artificial-intelligence-ai-biggest-existential-threat.

[4] Microsoft's Bill Gates Insists AI is A Threat. http：//bbc.com/news/31047780. 2017-8-14.

[5] [以]赫拉利.人類簡史[M].北京：中信出版社，2014.

[6] The President in Conversation With MIT’s Joi Ito and WIRED’s Scott Dadich. https：//wired.com/2016/10/president-obama-mit-joi-ito-interview/. 2017-8-14.

[7] Turing，A. M. Computing Machinery and Intelligence. Mind，1950，59(236).

[8] [9][10] McCarthy，J.What is Artificial Intelligence. URL：http：//www-formal.stanford.edu/jmc/whatisai/whatisai.html.

[11] [12][13] [美]佩德羅-多明戈斯.終極算法：機器學習和人工智能如何重塑世界[M].黃芳萍譯.北京：中信出版社，2016.

[14] Benkler，Y. The Wealth of Networks：How Social Production Transforms Markets and Freedom. Yale University Press，2006.

[15] Foucoult，M. Discipline and Punish. A. Sheridan，Tr.，Paris，F(xiàn)R，Gallimard，1975.

[16] Srnicek，N.，& Williams，A. The Future isn't Working. Juncture，2015，22(3)：243-247.

[17] Preparing for the Future of Artificial Intelligence. https：//obamawhitehouse.archives.gov/sites/default/files/whitehouse_files/microsites/ostp/NSTC/preparing_for_the_future_of_ai.pdf. 2017-8-14.

[18]薛亮.“日本推動實現(xiàn)超智能社會‘社會5.0’”[EB/OL]. http：//istis.sh.cn/list/list.aspx?id=10535.

[19] Thierer，A. Permissionless Innovation：The Continuing Case for Comprehensive Technological Freedom. Mercatus Center at George Mason University，2016.

[20] Artificial Intelligence：Opportunities and Implications for the Future of Decision Making.https：//gov.uk/government/uploads/system/uploads/attachment_data/file/566075/gs-16-19-artificial-intelligence-ai-report.pdf.

[21]周衍冰.大數(shù)據(jù)產業(yè)在法國的發(fā)展及應用[N].學習時報，2014-11-03.

[22] Thierer，A. D.，& Watney，C. J. Comment on the Federal Automated Vehicles Policy，2016.

[23] [美]杰瑞·卡普蘭.人工智能時代：人機共生下財富、工作與思維的大未來[M].杭州浙江人民出版社，2016.

[24] Marcel Rosenbach. How Google and Facebook Can Reshape Elections.http：//spiegel.de/international/germany/google-and-facebook-could-help-decide-2017-german-election-a-1120156.html.

[25] Van Parijs，P. Basic Income：A Simple and Powerful Idea for the Twenty-first Century. Politics & Society，2004，32(1).

篇2

關鍵詞：數(shù)據(jù)挖掘；方法；數(shù)據(jù)挖掘技術；數(shù)據(jù)倉庫

中圖分類號：TP311文獻標識碼：A 文章編號：1009-3044(2008)34-2030-03

Brief Analysis of Data Mining Techniques

WEI Xiao-ling

(Department of Primary education, Qinzhou University, Qinzhou 535000, China)

Abstract: Data mining techniques is an emerging research field in database and artificial intelligence．Is present widespread research data bank technology Is present widespread research data bank technology, It may refine usefully, the latent information from the massive data, After ten several years research and application, Had already established the quite solid rationale, at present, is closely integrated with applications, Further reform of the existing technology development.

Key words: data mining; methods; data mining; techniques data warehouse

1 引言

隨著計算機技術，特別是數(shù)據(jù)庫技術的快速發(fā)展和廣泛應用，各行各業(yè)積累的數(shù)據(jù)量越來越大，傳統(tǒng)的數(shù)據(jù)處理方式已很難充分利用蘊藏在這些數(shù)據(jù)中的有用知識，為適應這種需求 ，數(shù)據(jù)挖掘（Data Mining，DM）應運而生，并得以蓬勃發(fā)展，越來越顯示出其強大的生命力。

數(shù)據(jù)挖掘技術是人們長期對數(shù)據(jù)庫技術進行研究和開發(fā)的結果。起初各種商業(yè)數(shù)據(jù)是存儲在計算機的數(shù)據(jù)庫中的，然后發(fā)展到可對數(shù)據(jù)庫進行查詢和訪問，進而發(fā)展到對數(shù)據(jù)庫的即時遍歷。數(shù)據(jù)挖掘使數(shù)據(jù)庫技術進入了一個更高級的階段，它不僅能對過去的數(shù)據(jù)進行查詢和遍歷，并且能夠找出過去數(shù)據(jù)之間的潛在聯(lián)系，從而促進信息的傳遞。

從80年代末數(shù)據(jù)挖掘開始出現(xiàn)，短短二十多年它的發(fā)展速度很快。目前數(shù)據(jù)挖掘技術在零售業(yè)的購物籃分析、金融風險預測 、產品質量分析、通訊及醫(yī)療服務 、基因工程研究等許 多領域得到了成功的應用．很多專題會議也把數(shù)據(jù)挖掘和知識發(fā)現(xiàn)列為議題之一。

2 數(shù)據(jù)挖掘技術概述

所謂數(shù)據(jù)挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。

數(shù)據(jù)挖掘的核心模塊技術歷經(jīng)了數(shù)十年的發(fā)展，其中包括數(shù)理統(tǒng)計、人工智能、機器學習。今天，這些成熟的技術，加上高性能的關系數(shù)據(jù)庫引擎以及廣泛的數(shù)據(jù)集成，讓數(shù)據(jù)挖掘技術在當前的數(shù)據(jù)倉庫環(huán)境中進入了實用的階段。

數(shù)據(jù)挖掘與傳統(tǒng)的數(shù)據(jù)分析(如查詢、報表、聯(lián)機應用分析)的本質區(qū)別是數(shù)據(jù)挖掘是在沒有明確假設的前提下去挖掘信息、發(fā)現(xiàn)知識。數(shù)據(jù)挖掘所得到的信息應具有先未知，有效和可實用三個特征。

3 數(shù)據(jù)挖掘技術功能

1) 自動預測趨勢和行為

數(shù)據(jù)挖掘自動在大型數(shù)據(jù)庫中尋找預測性信息，以往需要進行大量手工分析的問題如今可以迅速直接由數(shù)據(jù)本身得出結論。一個典型的例子是市場預測問題，數(shù)據(jù)挖掘使用過去有關促銷的數(shù)據(jù)來尋找未來投資中回報最大的用戶，其它可預測的問題包括預報破產以及認定對指定事件最可能作出反應的群體。

2) 關聯(lián)分析

數(shù)據(jù)關聯(lián)是數(shù)據(jù)庫中存在的一類重要的可被發(fā)現(xiàn)的知識。若兩個或多個變量的取值之間存在某種規(guī)律性，就稱為關聯(lián)。關聯(lián)可分為簡單關聯(lián)、時序關聯(lián)、因果關聯(lián)。關聯(lián)分析的目的是找出數(shù)據(jù)庫中隱藏的關聯(lián)網(wǎng)。有時并不知道數(shù)據(jù)庫中數(shù)據(jù)的關聯(lián)函數(shù)，即使知道也是不確定的，因此關聯(lián)分析生成的規(guī)則帶有可信度。

3) 聚類

數(shù)據(jù)庫中的記錄可被化分為一系列有意義的子集，即聚類。聚類增強了人們對客觀現(xiàn)實的認識，是概念描述和偏差分析的先決條件。聚類技術主要包括傳統(tǒng)的模式識別方法和數(shù)學分類學。80年代初，Mchalski提出了概念聚類技術其要點是，在劃分對象時不僅考慮對象之間的距離，還要求劃分出的類具有某種內涵描述，從而避免了傳統(tǒng)技術的某些片面性。

4) 概念描述

概念描述就是對某類對象的內涵進行描述，并概括這類對象的有關特征。概念描述分為特征性描述和區(qū)別性描述，前者描述某類對象的共同特征，后者描述不同類對象之間的區(qū)別。生成一個類的特征性描述只涉及該類對象中所有對象的共性。生成區(qū)別性描述的方法很多，如決策樹方法、遺傳算法等。

5) 偏差檢測

數(shù)據(jù)庫中的數(shù)據(jù)常有一些異常記錄，從數(shù)據(jù)庫中檢測這些偏差很有意義。偏差包括很多潛在的知識，如分類中的反常實例、不滿足規(guī)則的特例、觀測結果與模型預測值的偏差、量值隨時間的變化等。偏差檢測的基本方法是，尋找觀測結果與參照值之間有意義的差別。

4 數(shù)據(jù)挖掘常用技術

在數(shù)據(jù)挖掘中最常用的技術有：

人工神經(jīng)網(wǎng)絡：人工神經(jīng)網(wǎng)絡方法從結構上模仿生物神經(jīng)網(wǎng)絡，是一種通過訓練來學習的非線性預測模型。 它將每一個連接看作一個處理單元(PE)，試圖模擬人腦神經(jīng)元的功能。它可以完成分類、聚類、特征挖掘等多種數(shù)據(jù)挖掘任務。

決策樹：決策樹是數(shù)據(jù)挖掘中經(jīng)常要用到的一種技術，可以用于分析數(shù)據(jù)，同樣也可以用來作預測。它利用樹的結構將數(shù)據(jù)記錄進行分類，樹的一個葉結點就代表某個條件下的一個記錄集，根據(jù)記錄字段的不同取值建立樹的分支；在每個分支子集中重復建立下層結點和分支，便可生成一棵決策樹。常用的算法有CHAID、 CART、 Quest 和C5.0。

遺傳算法：遺傳算法是一種基于生物自然選擇與遺傳機理的隨機搜索算法。其基本思想是基于 Darwin的進化論和 Mendel的遺傳學說。該算法由密執(zhí)安(Michigan)大學教授 Holland及其學生于 1975年創(chuàng)建。與傳統(tǒng)搜索算法不同，遺傳算法從一組隨機產生的初始解，稱為種群(Population)，開始搜索過程。種群中的每個個體是問題的一個解，稱為染色體(Chromone)。染色體是一串符號，例如一個二進制字符串。這些染色體在后續(xù)迭代中不斷進化，稱為遺傳在每一代中用適應度 (Fitness)來衡量染色體的好壞。生成下一代染色體，稱為后代(Offspring)。后代是由前一代染色體通過交叉(Crossover)或變異(Muration)運算形成。根據(jù)適應度大小選擇部分后代淘汰部分后代，從而保持種群大小是常數(shù)。適應度高的染色體被選中的概率高。這樣，經(jīng)過若干代之后，算法收斂于最好的染色體，它很可能就是問題的最優(yōu)解或次優(yōu)解。

近鄰算法：將數(shù)據(jù)集合中每一個記錄進行分類的方法。

規(guī)則推導：從統(tǒng)計意義上對數(shù)據(jù)中的“如果-那么”規(guī)則進行尋找和推導。

5 數(shù)據(jù)挖掘技術實現(xiàn)

在技術上可以根據(jù)它的工作過程分為：數(shù)據(jù)的抽取、數(shù)據(jù)的存儲和管理、數(shù)據(jù)的展現(xiàn)等關鍵技術。

1) 數(shù)據(jù)的抽取

數(shù)據(jù)的抽取是數(shù)據(jù)進入倉庫的入口。由于數(shù)據(jù)倉庫是一個獨立的數(shù)據(jù)環(huán)境，它需要通過抽取過程將數(shù)據(jù)從聯(lián)機事務處理系統(tǒng)、外部數(shù)據(jù)源、脫機的數(shù)據(jù)存儲介質中導入數(shù)據(jù)倉庫。數(shù)據(jù)抽取在技術上主要涉及互連、復制、增量、轉換、調度和監(jiān)控等幾個方面的處理。在數(shù)據(jù)抽取方面，未來的技術發(fā)展將集中在系統(tǒng)功能集成化方面，以適應數(shù)據(jù)倉庫本身或數(shù)據(jù)源的變化，使系統(tǒng)更便于管理和維護。

2) 數(shù)據(jù)的存儲和管理

數(shù)據(jù)倉庫的組織管理方式?jīng)Q定了它有別于傳統(tǒng)數(shù)據(jù)庫的特性，也決定了其對外部數(shù)據(jù)的表現(xiàn)形式。數(shù)據(jù)倉庫管理所涉及的數(shù)據(jù)量比傳統(tǒng)事務處理大得多，且隨時間的推移而快速累積。在數(shù)據(jù)倉庫的數(shù)據(jù)存儲和管理中需要解決的是如何管理大量的數(shù)據(jù)、如何并行處理大量的數(shù)據(jù)、如何優(yōu)化查詢等。目前，許多數(shù)據(jù)庫廠家提供的技術解決方案是擴展關系型數(shù)據(jù)庫的功能，將普通關系數(shù)據(jù)庫改造成適合擔當數(shù)據(jù)倉庫的服務器。

3) 數(shù)據(jù)的展現(xiàn)

在數(shù)據(jù)展現(xiàn)方面主要的方式有：

查詢：實現(xiàn)預定義查詢、動態(tài)查詢、OLAP查詢與決策支持智能查詢；報表：產生關系數(shù)據(jù)表格、復雜表格、OLAP表格、報告以及各種綜合報表；可視化：用易于理解的點線圖、直方圖、餅圖、網(wǎng)狀圖、交互式可視化、動態(tài)模擬、計算機動畫技術表現(xiàn)復雜數(shù)據(jù)及其相互關系；統(tǒng)計：進行平均值、最大值、最小值、期望、方差、匯總、排序等各種統(tǒng)計分析；挖掘：利用數(shù)據(jù)挖掘等方法，從數(shù)據(jù)中得到關于數(shù)據(jù)關系和模式的知識。

4) 數(shù)據(jù)挖掘一般過程

圖1描述了數(shù)據(jù)挖掘的基本過程和主要步驟。

過程中各步驟的大體內容如下：

5.1 確定業(yè)務對象

清晰地定義出業(yè)務問題,認清數(shù)據(jù)挖掘的目的是數(shù)據(jù)挖掘的重要一步.挖掘的最后結構是不可預測的,但要探索的問題應是有預見的,為了數(shù)據(jù)挖掘而數(shù)據(jù)挖掘則帶有盲目性,是不會成功的

5.2 數(shù)據(jù)準備

1) 數(shù)據(jù)的選擇

搜索所有與業(yè)務對象有關的內部和外部數(shù)據(jù)信息，并從中選擇出適用于數(shù)據(jù)挖掘應用的數(shù)據(jù)。

2) 數(shù)據(jù)的預處理

研究數(shù)據(jù)的質量，為進一步的分析作準備。并確定將要進行的挖掘操作的類型。

3) 數(shù)據(jù)的轉換

將數(shù)據(jù)轉換成一個分析模型。這個分析模型是針對挖掘算法建立的。建立一個真正適合挖掘算法的分析模型是數(shù)據(jù)挖掘成功的關鍵。

5.3 數(shù)據(jù)挖掘

對所得到的經(jīng)過轉換的數(shù)據(jù)進行挖掘。除了完善從選擇合適的挖掘算法外,其余一切工作都能自動地完成。

5.4 結果分析

解釋并評估結果。其使用的分析方法一般應作數(shù)據(jù)挖掘操作而定，通常會用到可視化技術。

5.5 知識的同化

將分析所得到的知識集成到業(yè)務信息系統(tǒng)的組織結構中去。

6 數(shù)據(jù)挖掘技術的應用

應用是數(shù)據(jù)挖掘技術的發(fā)展動力，數(shù)據(jù)挖掘研究具有廣泛的應用前景，因為數(shù)據(jù)挖掘產生的知識可以用于決策支持、信息管理、科學研究等許多領域。數(shù)據(jù)挖掘技術與各個行業(yè)的有機結合體現(xiàn)了其蓬勃的生命力 ，且這種趨勢正在以前所未有的速度繼續(xù)向前發(fā)展。尤其是在如銀行、電信、保險、交通、零售（如超級市場）等商業(yè)領域。數(shù)據(jù)挖掘所能解決的典型商業(yè)問題包括：數(shù)據(jù)庫營銷（Database Marketing）、客戶群體劃分（Customer Segmentation & Classification）、背景分析（Profile Analysis）、交叉銷售（Cross-selling）等市場分析行為，以及客戶流失性分析(Churn Analysis)、客戶信用記分(Credit Scoring)、欺詐發(fā)現(xiàn)(Fraud Detection)等等。具體應用實例如：IBM公司開發(fā)的QUEST和Intelligent Miner系統(tǒng)可以挖掘顧客的購物行為模式，預測銷售行情。AT& T實驗室開發(fā)了Hancock系統(tǒng)，該系統(tǒng)主要處理電信數(shù)據(jù)流，分析電話呼叫記錄。Bell通信研究所的Tribeca則是一個用于網(wǎng)絡監(jiān)控的系統(tǒng)。Google公司利用其數(shù)據(jù)挖掘技術Page Rank，在短短的幾年內打敗所有競爭對手成為Internet上的贏家。

7 結束語

數(shù)據(jù)挖掘是當前計算機工業(yè)最熱門的研究領域之一。它是一個不斷發(fā)展的、綜合交叉的學科。隨著數(shù)據(jù)挖掘成功案例的廣播，越來越多的行業(yè)采用數(shù)據(jù)挖掘技術，它將會被廣泛而深入地應用于人類生活的各個領域。

參考文獻：

[1] 張士玲,楊林楠,孫向前,等.淺論數(shù)據(jù)挖掘技術[J].福建電腦,2005(8):61-62.

[2] 楊雪.淺析數(shù)據(jù)挖掘技術[J].華南金融電腦,2005(8):83-85.

[3] 張倩.數(shù)據(jù)挖掘技術綜述[J].甘肅科技,2005,21(7):92-93.

[4] 黃曉霞,蕭蘊詩.數(shù)據(jù)挖掘應用研究及展望[J].計算機輔助工程,2001(4):23-29.

篇3

關鍵詞：撮合；框架模型；方法算法；應用；綜述；展望

1引言

Internet和信息技術的發(fā)展使得電子商務平臺成為買賣雙方進行商品交易和服務提供的重要虛擬場所。技術帶動買家、賣家及其他實體組成了新一代電子商務組織，電子中介的撮合也成為電子商務中重要的應用之一。隨著社會經(jīng)濟的全球化及信息技術的發(fā)展，撮合技術越來越受到重視，在多個領域得到了廣泛應用，已經(jīng)成為為管理學、運籌學、計算機科學及系統(tǒng)工程等領域備受關注的研究方向，具有重要科學意義和廣闊應用前景。本文將從撮合（matchmaking）的概念發(fā)展、框架模型、方法算法等方面對撮合的研究進展及應用現(xiàn)狀進行梳理和評述，并提出未來的研究展望。

2撮合技術研究進展

2.1概念發(fā)展研究

Wallace等認為撮合是為了婚姻目的將兩個人進行配對的過程[1]，他根據(jù)對會員特征的歸類，并結合實驗對象最后的婚姻狀況報告，研究提出了如何使俱樂部在婚姻撮合行為中更為科學有效地運作。隨著知識經(jīng)濟的出現(xiàn)以及撮合技術進一步在信息領域的應用，撮合逐漸成為一種借助知識共享智能系統(tǒng)而存在的信息供給者與消費者之間的合作伙伴關系[2]。Daniel等人認為撮合是一種基于計算機可識別信息及內容語言的自動化處理進程，該進程通過分別接收一組供給信息和需求信息作為輸入，從而輸出一組滿足需求的k組最優(yōu)供給方案的撮合隊列[3]。電子商務的發(fā)展及INTERNET環(huán)境的變遷，對商務活動中交易方案的合理化、交易區(qū)間的最大化以及交易實現(xiàn)的高效率性提出了更高的要求。唐亮貴等提出了在INTERNET環(huán)境中基于Multi-Agent的撮合交易模型[4]，該研究認為撮合交易的基本思想和目標是：資源的合理配置、優(yōu)化配置以及交易區(qū)間、交易量和交易效率的優(yōu)化；從而提供一個優(yōu)化的交易平臺，充分體現(xiàn)出高質量、高水平、高效率的交易服務。

普遍地，撮合被認為是一種在潛在合作伙伴和交易者之間進行商業(yè)活動的進程，它通過使有意進行經(jīng)濟價值交換的交易者與潛在對象獲得聯(lián)絡并進行磋商，是一種在供給與需求之間尋找可能匹配空間的自動化過程[5]。撮合能夠通過的方式對供需雙方的信息進行收集、存儲，通過相應撮合模型及算法的處理，使?jié)撛诘慕灰讓ο竽軌颢@得聯(lián)絡并進行磋商，從而產生優(yōu)化的交易匹配方案。綜合學者對撮合概念的研究，總結撮合的基本模式如圖1所示。

2.2框架模型研究

早期的撮合模型和撮合系統(tǒng)主要基于計算機中介通信（Computer-Mediated Communication）的框架，如通過組織內的電子郵件系統(tǒng)等方式。這一時期的撮合，計算機僅被當作一種信息中介工具，由個體之間自主地進行信息交流及交易活動。被Adelman等人稱作“婚姻市場中間人”（Marriage Market Intermediary，MMI）的撮合系統(tǒng)[6]，則是使用計算機中介將媒體中的服務信息集中起來，并按照信息匹配的方法為單身男女進行婚姻撮合的。研究強調了婚姻中介決策支持的重要意義和作用，并使用了三階段模型來解釋了的撮合行為：“搜尋”（信息獲?。?、“配對”（可兼容對象的集中）以及“互動”（一組配對的形成或者拒絕）。隨著撮合應用領域的擴展，需求的多樣化和信息的高容量需求使得基于的撮合成為研究和應用所廣泛認同的框架模型。除了作為一個單獨的存在之外，撮合者還包含了在知識共享中間件中的結構化共享信息以及對應的撮合算法[7] 。

基于的撮合框架模型經(jīng)歷了從中央式結構（Centralized Architecture）到分布式結構（Decentralized/Distributed Architecture）的變遷。早期的撮合框架多采用中央式結構，使用一個服務于單個或者多個用戶。這是因為，在P2P（Peer to Peer）技術尚未成熟時期，終端之間缺少有效溝通聯(lián)絡的方法，中央式結構因易于構建和控制、直觀簡單而成為撮合唯一的解決方案[8]。但在研究與應用中逐漸發(fā)現(xiàn)中央式結構也存在一些弊端，如難以應付過大用戶量的承載問題和意外故障可能導致整個系統(tǒng)癱瘓崩潰的安全問題[9]。分布式結構的多撮合框架模型則能有效地解決上述問題[10]，成為目前撮合系統(tǒng)/平臺最常用的框架結構。圖2可表達一般多撮合的框架模型。

現(xiàn)實世界中的撮合問題比較復雜，往往需要同時考慮多個維度屬性的撮合。學者針對不同環(huán)境、不同對象、不同目的下的撮合問題進行研究，構建了一些有代表性的撮合框架模型。

軟件的概念被擴展到消費者購買行為（Consumer Buying Behavior， CBB）這一傳統(tǒng)市場營銷模型中，為基于的電子商務市場發(fā)展起到了推動作用。該模型從六個階段對基于的電子商務撮合系統(tǒng)來劃分整個撮合交易行為[11]：需求確定、產品中介、供貨方中介、磋商、購買及交付、服務和評價。

基于多的企業(yè)能力匹配決策支持系統(tǒng)依據(jù)企業(yè)能力模型構建，能夠幫助企業(yè)加強或創(chuàng)造其匹配市場需求的企業(yè)能力。這個多系統(tǒng)由一組互相協(xié)作的組成，包括：需求（Request Agent，RA）、能力（Competence Agent，CA）和公共信息（Public Information Agent，PIA）。系統(tǒng)中的器能夠成為企業(yè)能力信息的要求者和提供者，它在能力知識庫中通過推理及與其他互動來生成企業(yè)能力的撮合匹配方案，在解決能力匹配問題的知識上具有優(yōu)勢[12]。

應對租賃住房的網(wǎng)絡搜尋問題，Du等人構建了一個基于“溯因合取查詢回答”（Abductive Conjunctive Query Answering）的撮合系統(tǒng)框架[13]，該系統(tǒng)模型將租賃住房的撮合方案定義為對租房需求的“溯因合取查詢回答”（Abductive Conjunctive Query Answering）。該系統(tǒng)分為兩個部分：線下部分將從網(wǎng)絡上搜集和存儲的各類租賃住房信息集中到描述邏輯程序本體（DLP Ontology）中，包含了控制器、轉換器、恢復器和封裝器四個構件；線上部分則建立在一個應用“溯因合取查詢回答” （Abductive Conjunctive Query Answering）的撮合器（matchmaker）之上，對用戶的租賃住房需求做出回應。

面對現(xiàn)實世界中復雜多維度的撮合需求，Daniel等人構建了一個基于的GRAPPA（Generic Request Architecture for Passive Provider Agents）撮合匹配模型，通過計算候選對象各個維度的關聯(lián)度來對可能的匹配進行優(yōu)先排序。通過該模型建立的撮合“知識庫”和“工具庫”能夠廣泛地適用于各種電子商務市場中的撮合交易應用[14]。他隨后的研究進一步定義了多維度撮合的概念，并實現(xiàn)了XML結構的EJB撮合應用，該研究定義了某些領域的不同關聯(lián)函數(shù)并應用于人力資源領域。

2.3方法算法研究

在撮合框架模型下，根據(jù)撮合對象的屬性對供給、需求雙方按照一定的條件進行匹配的方法算法是實現(xiàn)撮合的重要技術方法。許多學者針對撮合的方法及算法進行了深入的研究，總體來看，撮合方法可以分成三類[15]：功能性撮合（Functional Based Matchmaking）、非功能性撮合（Non-functional Based Matchmaking）以及復合撮合方法（Hybrid Matchmaking）。

功能性撮合方法（Functional Based Matchmaking）對用戶的服務或商品的功能性描述與需求信息進行過濾與處理[16]，主要的方法有本體撮合（Ontology Based Matchmaking）、語義撮合（Semantic Matchmaking）、基于語義的本體撮合（Ontology Based Semantic Matchmaking）、演繹撮合（Deductive Matchmaking）和相似性撮合（Similarity Matchmaking）等。

非功能性撮合方法（Non-functional Based Matchmaking）按照服務或商品的非功能性要求進行撮合，多用于Web Service的撮合匹配問題研究與應用[16]。該方法對用戶提出的非功能性要求（通常指QoS約束）過濾， 例如Web Service的可用性、可得性、完整性、性能、可靠性、可管理性和安全性等約束。常用的方法有QoS撮合（QoS Based Matchmaking）、本體QoS撮合（Ontology Based QoS Matchmaking）、語義QoS撮合（Semantic Based QoS Matchmaking）、本體語義QoS撮合（Ontology Based Semantic QoS Matchmaking）以及約束規(guī)劃QoS撮合（QoS Based Matchmaking by Constraints Programming）等。

復合撮合方法（Hybrid Matchmaking）是功能性和非功能性撮合方法的聯(lián)合應用[15]。一般地，撮合進程依據(jù)服務或商品的功能性需求展開，當生成的撮合方案容量較大的時候，基于非功能性撮合的結果輸出能夠有效較少方案數(shù)目，使撮合能夠更易于找到最合適的匹配方案。兩種撮合方法的聯(lián)合應用，無疑能夠提高撮合的效率、柔性和精度。

不同撮合問題研究中，研究主要從描述邏輯語言和算法兩個角度來解決撮合中主要的技術方法問題。正如前文中所述，這二者也是撮合系統(tǒng)的最重要組成部分。

2.3.1描述邏輯語言研究

研究廣泛地認同撮合需要將服務或商品的供需信息轉化為計算機可識別的內容語言（Content Language）[7]，再通過機器的學習和推理能力對既定規(guī)則和目標的對象進行撮合。許多研究通過對服務或商品基于內容和約束的信息過濾來描述其特征并確定相關性[11]，在語義描述方法的研究主要有語義網(wǎng)（Semantic Web）技術、RDF、DAML、Larks、DAML-S、DAML-OIL、MSDL、DataLog、模糊語言方法等。

早期網(wǎng)絡上已經(jīng)存在一些尋求和發(fā)現(xiàn)Web Service的途徑如UDII（Universal Description Discovery and Integration，通用描述、發(fā)現(xiàn)與集成服務）和ebXML（E-business eXtensible Markup Language，電子商務全球化標準），但這些電子商務行業(yè)中標準化描述方法的應用無法在既有服務界面來實現(xiàn)撮合功能[17]，并且在產品和服務描述上的柔性和豐富性有所欠缺[18]。為進一步解決服務發(fā)現(xiàn)與服務提供的問題，許多研究通過使用語義網(wǎng)（Semantic Web）來應用于Web Service描述來實現(xiàn)信息自動處理功能[19]。

Transtour等通過對語義網(wǎng)技術（Semantic Web Technologies）和電子商務標準框架（Standard Frameworks for E-commerce）的對比分析研究表明，以往的描述語言技術不足以填補現(xiàn)有電子商務標準框架與語義網(wǎng)技術應用需求之間的空白。該研究以RDF（Resource Description Framework）和DAML （Darpa Agent Markup Language）這兩種基于語義網(wǎng)的描述邏輯語言為例，進一步指出基于語義網(wǎng)的自動撮合和磋商技術在今后復雜的商務環(huán)境中將起到重要作用，語義網(wǎng)技術和工具的應用將會在其中扮演更為重要的角色[18]。

Larks是在撮合用于描述供給和需求屬性要求特征的語言[20]。該語言巧妙地平衡了描述邏輯在撮合問題中同時強調的語義表達性和效率性，使撮合模型能夠同時進行文本匹配和語義撮合。DMAL用于研究Web Service的發(fā)現(xiàn)與提供，被學者進一步發(fā)展為DMAL-S（DARPA Agent Markup Language for Services），成為一種用于描述Web Service 和Agent屬性與能力的高級本體語言[21]，它提供了對Web Service的功能（服務配置）、如何執(zhí)行（服務模型）、以及服務如何得到（服務落地）的標準化描述，是Web Service 能力描述的重要工具。通過軟件的自動化處理，DAML-OIL（DARPA Agent Markup Language Ontology Interchange Language）擁有易被人類理解的規(guī)范語義能力，用于分別描述需求方和供給方的服務和商品屬性要求[22]，已經(jīng)成為最具表達能力的本體語言之一。

隨著撮合研究和應用領域的不斷延伸，不斷出現(xiàn)了新的描述邏輯語言用于對服務和商品的信息描述。制造服務描述語言（Manufacturing Service Description Language ，MSDL）就是一種通過有向標簽樹的形式對制造服務進行規(guī)范描述的高級本體語言[23]，它用于描述制造業(yè)供應鏈中供需雙方制造能力的匹配相似性。語言語義不如數(shù)字表達要求精度高，在描述不確定性的語言變量更為合適[24]，因此使用語詞來替代數(shù)字變量的模糊語言方法也更適合處理非確定性信息的撮合問題?；诨舳髯泳溥壿嫷腄atalog（也稱作Top-k-Datalog語言）是一種成熟且有用的描述語言，它能夠擴展地結合模糊語言方法的使用來制定撮合規(guī)則和查詢的軟約束，通過相應的算法尋找出按優(yōu)先順序排列的k組配對。

2.3.2算法研究

學者對撮合的算法研究成果主要經(jīng)歷了文本匹配和語義匹配兩個階段。早期研究的對象較為簡單，相關支持技術方法亦不夠成熟，撮合考慮的屬性維度較少，主要以撮合對象文本資料信息的關鍵字匹配相似度作為撮合依據(jù)。隨著人工智能的發(fā)展和應用，機器自學習能力和自推理能力得到長足發(fā)展，一般化的產品服務描述語言能夠被機器所理解并進行推理，因此語義匹配方法在描述產品服務性能、信息檢索推理上大大提高了效率和精度，是現(xiàn)在主流應用的算法依據(jù)。

基于OWL-S描述，Paolucci等在研究Web Service能力撮合匹配問題時提出了輸出最小距離算法，該算法嚴格判定需求輸入是否規(guī)范以及服務提供方的輸出是否滿足需求者的輸入，但在處理非確切服務匹配問題時因為靈活性不夠而適用性不強[25]。TRANSTOUR算法則基于RDF對服務的描述，通過圖位匹配方法比較服務供需方的描述，如果雙方描述的根元素相似，則描述相似；反之，則不相似[18]。LARKS算法源于LARKS語言中對服務的四個功能參數(shù)輸入、輸出、約束內、約束外的分解設定，通過五個有序不同的過濾器的單獨或聯(lián)合使用，根據(jù)成本排序來進行服務的撮合匹配[20]。

Manaster在研究中將組合數(shù)學（combinatorics）和遞歸函數(shù)理論（Recursive Function Theory）首次應用到婚姻撮合問題中[26]。靜態(tài)婚姻撮合算法（Stable Marriage Matching Algorithm）[27]不僅在早期的研究中可以為靜態(tài)婚姻撮合問題中的每個單身對象找到最合適的配對，Choi等人還通過將服務消費者捆綁到服務提供者，采用該算法對服務的撮合匹配進行了研究。與OWL-S和LARKS等其他撮合方法不同的是，該算法還實現(xiàn)了網(wǎng)絡節(jié)點中的時序安排[28]，擴大了多變環(huán)境下算法對多網(wǎng)絡節(jié)點的支持能力。

在COINS（Common INterest System）這一多推薦系統(tǒng)中，Leonard使用SMART撮合算法和WordNet算法來比較系統(tǒng)內不同用戶的屬性特征，實現(xiàn)系統(tǒng)內具有相似興趣用戶的互相推薦[8]。在復雜的電子商務市場撮合匹配過程中，往往難以一次性達到精確有效的撮合方案。當供給需求雙方的真實意向約束無法達成一致，便得不到合適的匹配結果導致撮合失敗。Michael等構建了擴展撮合成分（Extended Matchmaking Component ，EMC）算法[29]，當供需雙方真實約束無法匹配但雙方又愿意放寬各自的約束條件時，該算法能快速有效地確定最后雙方磋商的一致意向。

Noia等修正了經(jīng)典的結構化歸納算法并提出了潛在排序算法（rankPotential Algorithm）[5]，通過對不同撮合匹配的分類以及打分，得出不同撮合配對的優(yōu)先順序，從而完成電子商務市場上交易雙方的撮合匹配過程。Gatteschi等人在研究網(wǎng)絡招聘問題時，基于就業(yè)者知識技能及其他能力概念的屬性比較，也使用了排序算法[30]對網(wǎng)上擇業(yè)者給予了撮合匹配決策支持。

張振華等根據(jù)電子中介處理個人之間單件物品交易時的多屬性匹配問題，建立了多目標匹配模型（多目標指派模型），推導了用理想點法求解該模型[31]，并以二手房交易問題為例的仿真算例表明該方法有一定通用性。樊治平等通過將買賣雙方的滿意度語言評價信息的效率矩陣轉化為二元語義形式，以買方與賣方雙方滿意度最大為目標構建了多目標優(yōu)化模型[32]。進一步研究針對 IT服務的供給方和需求方分別給出的語言滿意度評價信息，將語言評價信息轉化為三角模糊數(shù)并進行多指標信息的集結運算，以供給方和需求方雙方滿意度最大為目標構建了服務供需雙邊匹配的模糊多目標優(yōu)化模型[33]。

3撮合技術應用現(xiàn)狀

如引文所述，在INTERNET電子商務環(huán)境下，基于電子中介的需求方描述所需服務和商品特征屬性，供給方通過廣告形式披露其服務和商品屬性信息，中間則以撮合者的身份對雙方需求及利益進行撮合協(xié)商，以達成最有效的交易匹配及競爭優(yōu)勢。如中國棉花交易市場就是較早應用了撮合交易模式建立的電子交易市場，阿里巴巴是迄今最成功應用撮合交易理念展開B2B電子商務模式的典范。某些特殊行業(yè)中，如易創(chuàng)化工網(wǎng)、中國糧食貿易網(wǎng)、制造商網(wǎng)等電子商務市場都是通過應用撮合交易創(chuàng)新而發(fā)展壯大的。不僅如此，撮合技術因其有效地支持網(wǎng)絡環(huán)境下的服務和商品交易問題，在以下多個領域得到了深入研究與廣泛應用。

金融領域因其產品和服務的虛擬性特征，應用了撮合交易機制來提高服務質量和效率。A-Match是一個使得商能夠動態(tài)出入的用戶資產管理撮合系統(tǒng)[34]，該系統(tǒng)使用撮合器（matchmaker）來支持商在系統(tǒng)中的服務交易。IBM蘇黎世研究所應用撮合機制建立了保險服務的網(wǎng)絡虛擬市場[35]，為保險服務網(wǎng)上提供和交易提供了便利。

IM3（Intelligent Mobile MatchMaker）[36]是一個通過移動網(wǎng)絡與終端來為用戶提供最合適的旅游資訊信息的撮合系統(tǒng)。該系統(tǒng)基于移動終端接入互聯(lián)網(wǎng)中央服務器，通過用戶需求偏好和旅游資訊的語義描述與分析，構建了同時解決偏好沖突和不完全信息的算法模型，能夠有效地為用戶推薦最感興趣和最合適的旅游資訊。

與傳統(tǒng)的工作招聘方式不同，雇主和雇員在網(wǎng)絡上缺乏面對面直接交互信息及磋商的機會。Leonard研究了Recruit Navi這一招聘系統(tǒng)，針對該系統(tǒng)無法對招聘和求職信息進行雙邊匹配的問題，研究設計了一個包括“用戶條件”及“企業(yè)要求”的雙邊匹配系統(tǒng)模型，建立了使用知識庫的人撮合系統(tǒng)，來實現(xiàn)器的擬人化決策過程。模擬結果表明該撮合系統(tǒng)能夠有效減少Recruit Navi的搜尋結果、提高用戶使用效率、降低系統(tǒng)信息搜尋負載，表現(xiàn)了良好的應用前景[37]。Daniel等人與西門子為德國勞動力中心（German Labor Exchange Office， BfA）設計的HRNetAgent系統(tǒng)[14]使用網(wǎng)絡數(shù)據(jù)庫中的應聘者和職位信息，應用了GRAPPA框架下的多維度模型對人力資源招聘進行了智能撮合，系統(tǒng)在實驗仿真和橫向對比研究上都表現(xiàn)了很好的應用效果。類似地，e-HR撮合服務系統(tǒng)[38]也通過Web服務提供了一個標準的人力資源搜索平臺，并通過撮合匹配反饋出最合適的職位人選。Hara等人構建了一個基于網(wǎng)絡和的支持系統(tǒng)的概念模型，研究構建了一個工作撮合匹配模型，并以此開發(fā)了一個原型系統(tǒng)[39]。支持系統(tǒng)由基于的“職位撮合過程”和基于合作器的“結果推理過程”兩部分組成，系統(tǒng)通過大型的遠程工作社區(qū)來實現(xiàn)雇員和雇主的優(yōu)勢匹配與撮合。

學習網(wǎng)絡（Learning Networks）是學生和教師通過計算機和網(wǎng)絡中介來進行學習和互動的社區(qū)[40]，實現(xiàn)了隨時隨地在學生之間以及學生與教師之間進行課程的授予與知識分享。Kester等人通過對學習網(wǎng)絡中非對稱知識共享的研究，設計了一個滿足邊界條件、多樣性條件、問責條件的學習網(wǎng)絡系統(tǒng)構架，對學習網(wǎng)絡中的用戶進行撮合和聚類。學習網(wǎng)絡定的人能夠被撮合并聚集到一起形成一個知識共享交流社區(qū)[41]，使得自適應的瞬變（自組織臨時）社區(qū)的發(fā)展和繁榮變得可能。相應的研究表明，數(shù)字圖書館也可以作為一個撮合支持系統(tǒng)[42]，面向用戶推薦并撮合有共同技能和興趣愛好的對象進行交流與互動，以增進用戶學習與溝通的效率。虛擬社區(qū)（Social Network Service，SNS）中社員新加入社區(qū)和后期的活動過程中，撮合系統(tǒng)（Matchmaking System）用于互聯(lián)網(wǎng)虛擬社區(qū)的相互推薦，目的在于撮合匹配有相似背景和興趣愛好的社區(qū)成員互相活動，進行信息交流和知識共享。撮合系統(tǒng)利用社區(qū)成員的評價來幫助社區(qū)其他成員確認他們最有興趣、最需要的信息和產品[43]。如1994年提供線上服務的Ringo System就是一個利用協(xié)同過濾為用戶推薦音樂的系統(tǒng)。

類似于證券股票市場的競價撮合機制，我國電力交易市場也有具有相似的交易特征。部分研究依據(jù)撮合匹配理論方法，基于成本、效率、容量等視角，構建了電力市場撮合交易模型與機制[44， 45]，并投入了實際應用，如南方區(qū)域電力市場年度月度競價交易平臺、華東區(qū)域電力市場年度月度競價交易平臺、江蘇和河南等地推行的高耗能小機組向高效率大機組轉讓發(fā)電計劃的發(fā)電權交易市場平臺等。

4研究評述與展望

經(jīng)歷了數(shù)十年的發(fā)展，撮合技術得到了廣泛地關注，已經(jīng)在理論和實踐上取得了一定的研究與應用成果。隨著撮合技術在各個領域深化應用，現(xiàn)有研究已經(jīng)不能完全滿足當今復雜多變的社會商務環(huán)境需求，本文認為需要進一步在以下幾個方面加強其研究與應用。

4.1撮合概念與理論深化

推薦系統(tǒng)是為解決Internet上的信息過載問題而提出的一種智能系統(tǒng)，它能從Internet的大量信息中向用戶自動推薦出符合其興趣偏好或需求的資源。推薦系統(tǒng)通過研究用戶的興趣偏好，進行個性化計算，由系統(tǒng)發(fā)現(xiàn)用戶的興趣點，從而引導用戶發(fā)現(xiàn)自己的信息需求[46]。

如前文所述，撮合系統(tǒng)的問題描述及其框架模型、方法算法都與信息領域的推薦系統(tǒng)有一定相似之處。特別是在電子商務領域的應用研究中，推薦系統(tǒng)與撮合系統(tǒng)都采用了的框架結構，在語義描述和推薦/撮合算法上沒有明顯的區(qū)分和界限。筆者認為：推薦系統(tǒng)解決的是信息過載問題，它能夠幫助用戶檢索有用信息，并且根據(jù)用戶的偏好進行信息過濾與信息推薦，從而達到為客戶提供個性化服務和提高客戶忠誠度等目的；而撮合系統(tǒng)的目的則是促成交易的雙邊匹配方案，實現(xiàn)資源的合理配置、優(yōu)化配置以及交易區(qū)間、交易量和交易效率的優(yōu)化。如何認識撮合系統(tǒng)與推薦系統(tǒng)的異同，在研究與應用過程中正確將二者區(qū)分或者相結合，還有待進一步深入研究。

4.2不完全信息條件下撮合研究

現(xiàn)有對服務和商品撮合交易的研究中，描述問題和對象的屬性、供需要求通常是比較確切的。然而在現(xiàn)實復雜多變的商務環(huán)境中，由于雙邊信息不對稱、信息的模糊性等原因，需求方對多樣化的服務和商品屬性要求信息往往是模糊或不完備的（即模糊信息）。在針對供需信息實現(xiàn)最優(yōu)的雙邊撮合匹配中，有時也面臨著服務和商品屬性權重信息不完全的情況。在多屬性決策問題研究中，參數(shù)信息不能完全確定的決策研究已經(jīng)取得一定進展，如何在信息不完全條件下的撮合問題中尋求優(yōu)化的撮合匹配方案，在理論和現(xiàn)實需要上都是值得研究的主題。

4.3撮合模型和算法擴展

通過文獻綜述可以看出，現(xiàn)有研究成果普遍認為撮合匹配是一種基于的決策支持行為，由撮合器（matchmaker）依據(jù)雙方屬性信息按照一定目標進行最優(yōu)化匹配。多數(shù)研究在構建撮合框架模型時，依據(jù)特定問題的服務和交易特征，較多地從系統(tǒng)構架和語義算法的角度來進行研究，鮮有數(shù)學模型的構建與求解。與推薦系統(tǒng)所強調的信息過濾與推薦算法不同的是，撮合應用在電子中介商品交易問題中通常以目標函數(shù)和約束條件的模型構建與優(yōu)化為研究內容和目標，存在許多算法研究成果應用于撮合交易模型的求解?？梢酝茢?，多屬性匹配模型的研究也對撮合研究的模型構建和算法求解有著重要的借鑒研究意義。

4.4基于群決策的撮合研究

現(xiàn)實中的撮合問題不僅發(fā)生在于單個個體之間，網(wǎng)絡社群的盛行和商務模式的發(fā)展也使得群體之間的撮合成為必要，如群體服務、團體大客戶購買等行為。與單個個體撮合問題不同的是，群體之間的撮合需要考慮群內單個成員的偏好與決策。群體之間的撮合中需要集結各個決策個體的偏好為群體偏好，再根據(jù)群體偏好和群屬性、群目標進行撮合。群決策理論方法能夠把不同成員的關于方案集合中各方案的偏好按某種規(guī)則集結為決策群體的一致或妥協(xié)的群體偏好序[47]，從而使得一個群體能夠共同進行一項聯(lián)合行動決策。如何將群決策理論與方法巧妙地應用到群體撮合問題中，在理論和實踐上都有研究的意義和必要性。

4.5撮合技術應用實踐

雖然撮合問題的研究已經(jīng)取得了一定成就，但是它在現(xiàn)實社會中的應用還不夠廣泛和深入。簡單的撮合問題中，撮合對象屬性維度較少、信息確切，因此在電子商務環(huán)境下證券股票、電力等交易環(huán)境中有較為成熟的應用。在具有不對稱模糊信息、不完全信息、復雜信息結構等特征的撮合問題上，由于相關模型算法研究的支持不夠，絕大多數(shù)應用研究僅停留在試驗的系統(tǒng)原型或實驗仿真階段（如上文述及e-HR系統(tǒng)等），實際投入商業(yè)和社會應用的卻不多見。今后需要在加強撮合模型算法研究的基礎之上，進一步將理論研究與應用實踐相結合，為社會經(jīng)濟發(fā)展提供管理科學決策支持。

參考文獻：

[1] Wallace K M. An Experiment in Scientific Matchmaking[J]. Marriage and Family Living， 1959， 21（4）： 342-348.

[2] Genesereth M R. An Agent-Based Framework for Interoperability.Software Agents[M]. MIT Press， 1997， 317-345.

[3] Veit D J，Weinhardt C，Ller J R P M. Multi-Dimensional Matchmaking for Electronic Markets[J]. Applied Artificial Intelligence， 2002， 16（9-10）： 853-869.

[4] 唐亮貴，唐世國. Internet 環(huán)境中電子商務交易模型綜述[J]. 重慶商學院學報， 2002（006）： 85-88.

[5] Noia T D，Sciascio E D，Donini F M， et al. A System for Principled Matchmaking in an Electronic Marketplace[J]. International Journal of Electronic Commerce， 2004， 8（4）： 9-37.

[6] Adelman M B，Ahuvia A C. Mediated Channels for Mate Seeking： A Solution to Involuntary Singlehood[J]. Critical Studies in Media Communication， 1991， 8（3）： 273-289.

[7] Kuokka D，Harada L. Matchmaking for Information Agents[C]//International Joint Conference on Artificial Intelligence. Lawrence Erlbaum Associates LTD， 1995： 672-678.

[8] Foner L. A Multi-Agent Referral System for Matchmaking[C]//Proceedings the First International Conference on the Practical Application of Intelligent Agents and Multi-Agent Technology. 1996： 245-262.

[9] Foner L N. Yenta： A Multi-Agent， Referral-Based Matchmaking System[C]//Proceedings of the First International Conference on Autonomous Agents. ACM， 1997： 301-307.

[10] Foner L. Community Formation Via a Distributed， Privacy-Protecting Matchmaking System[J]. Community Computing and Support Systems， 1998： 359-376.

[11] Ojha A，Kumar Pradhan S K. Fuzzy Linguistic Approach to Matchmaking in E-Commerce[C]//9Th International Conference on Information Technology. IEEE， 2006： 217-220.

[12] Yu L，Biqing H，Wenhuang L， et al. Knowledge Based Decision Support System for Matchmaking of Enterprise Competence[C]//2000 Ieee International Conference on Systems， Man， and Cybernetics. IEEE， 2000： 2023-2027.

[13] Du J，Wang S，Qi G， et al. An Abductive CQA Based Matchmaking System for Finding Renting Houses[C]//Proc. of Joint International Semantic Technology Conference. 2011： 394-401.

[14] Veit D，Müller J P，Schneider M， et al. Matchmaking for Autonomous Agents in Electronic Marketplaces[C]//Proceedings of the Fifth International Conference on Autonomous Agents. ACM， 2001： 65-66.

[15] Dharanyadevi P，Dhavachelvan P，Baskaran R， et al. Qualitative Analysis on Matchmaking Techniques for Web Service Discovery[J]. International Journal of Advancements in Computing Technology， 2010， 2（2）： 130-143.

[16] Kritikos K，Plexousakis D. Requirements for Qos-Based Web Service Description and Discovery[J]. IEEE Transactions on Services Computing， 2009， 2（4）： 320-337.

[17] Kawamura T，Hasegawa T，Ohsuga A. Proposal of Semantics-Based Web Service Matchmaking[C]//Proceedings of the Fourth International Conference on Computational Intelligence and Multimedia Applications. IEEE Computer Society， 2001： 87.

[18] Trastour D，Bartolini C，Castillo J G. A Semantic Web Approach to Service Description for Matchmaking of Services[C]//Proceedings of the International Semantic Web Working Symposium SWWS. 2001： 447-461.

[19] Lee T B，Hendler J，Lassila O. The Semantic Web[J]. Scientific American， 2001， 284（5）： 34-43.

[20] Sycara K，Widoff S，Klusch M， et al. Larks： Dynamic Matchmaking Among Heterogeneous Software Agents in Cyberspace[J]. Autonomous Agents and Multi-Agent Systems， 2002， 5（2）： 173-203.

[21] Anupriya A. DAML-S： Semantic Markup for Web Services[C]//Proceedings of the International Semantic Web Working Symposium SWWS. 2002： 411-430.

[22] Tomaz R F，Labidi S. Increasing Matchmaking Semantics in Intelligent Commerce System[C]//International Conference on Web Intelligence. IEEE， 2003： 616-619.

[23] Ameri F，Dutta D. A Matchmaking Methodology for Supply Chain Deployment in Distributed Manufacturing Environments[J]. Journal of Computing and Information Science in Engineering， 2008， 8（1）： 11002-11011.

[24] Chao K M，Younas M，Lo C C， et al. Fuzzy Matchmaking for Web Services[C]//19Th International Conference on Advanced Information Networking and Applications. IEEE， 2005： 721-726.

[25] Martin D，Burstein M，Hobbs J， et al. OWL-S： Semantic Markup for Web Services. W3C Member Submission. 2004， 22（2008-01-07）： 2004-2007.

[26] Manaster A B，Rosenstein J G. Effective Matchmaking （Recursion Theoretic Aspects of a Theorem of Philip Hall）[J]. Proceedings of the London Mathematical Society， 1972， 3（4）： 615.

[27] Gusfield D，Irving R W. The Stable Marriage Problem： Structure and Algorithms[M]. 1989.

[28] Choi K H，Lee K，Shin H， et al. Efficient Algorithm for Service Matchmaking in Ubiquitous Environments[J]. E-Commerce and Web Technologies， 2005： 258-266.

[29] Str bel M，Stolze M. A Matchmaking Component for the Discovery of Agreement and Negotiation Spaces in Electronic Markets[J]. Group Decision and Negotiation， 2002， 11（2）： 165-181.

[30] Gatteschi V，Lamberti F，Sanna A， et al. A Semantic Matchmaking System for Job Recruitment[C]//Proc. Of the 10Th International Conference on Knowledge Management and Knowledge Technologies. [S.1.]： 2010： 50-59.

[31] 張振華，汪定偉. 電子中介中的多屬性匹配研究[J]. 計算機工程與應用， 2005， 41（4）： 9-11.

[32] 陳希，樊治平. 電子采購中具有語言評價信息的交易匹配問題研究[J]. 運籌與管理， 2009（003）： 132-137.

[33] 陳希，樊治平，李玉花. IT 服務供需雙邊匹配的模糊多目標決策方法[J]. 管理學報， 2011， 8（7）： 1097-1101.

[34] Paolucci M，Niu Z，Sycara K， et al. Matchmaking to Support Intelligent Agents for Portfolio Management[C]//Proceedings of the National Conference on Artificial Intelligence. MIT Press， 2000： 1125-1126.

[35] Field S，Hoffner Y. Vimp-a Virtual Market Place for Insurance Products[J]. Electronic Markets， 1998， 8（4）： 3-7.

[36] Calì A. Im3： A System for Matchmaking in Mobile Environments[C]//Knowledge-Based Intelligent Information and Engineering Systems. Springer， 2005： 156.

[37] Barolli L，Koyama A，Cheng Z， et al. An Agent Based Matchmaking System Using Knowledge Base[C]//22nd International Conference on Distributed Computing Systems Workshops. IEEE， 2002： 142-146.

[38] Lee K K K，Chiu D K W，Hung P C K. Web-Service Based Information Integration for E-Financial Planning System Matchmaking Decision Support[C]//International Conference on Web Intelligence and Intelligent Agent Technology Workshops. [S.1.]： IEEE， 2006： 259-262.

[39] Hara H，F(xiàn)ujita S，Sugawara K. Agent-Based Job Matchmaking System for Teleworkers[C]//Artificial Intelligence and Soft Computing. ACTA Press， 2004.

[40] Goodyear P. Networked Learning in Higher Education Project[R]. UK： Lancaster University， 2001.

[41] Kester L，Van Rosmalen P，Sloep P， et al. Matchmaking in Learning Networks： A System to Support Knowledge Sharing[C]//Proceedings Workshop Learning Networks for Lifelong Competence Development. Sofia， Bulgaria： 2006： 93-100.

[42] Nichols D M，Twidale M B. Matchmaking and privacy in the digital library： striking the right balance[C]//Proceedings of the 4th UK/International on Electronic Library and Visual Information Research. London， UK： Aslib， 1997： 31-38.

[43] Konstan J A. Introduction to Recommender Systems： Algorithms and Evaluation[J]. Acm Transactions on Information Systems （Tois）， 2004， 22（1）： 1-4.

[44] 夏清，孫正運. 考慮交易成本的區(qū)域市場撮合交易模型[J]. 電網(wǎng)技術， 2005， 29（17）： 1-4.

[45] 肖海波，韓正華，陳彤. 我國區(qū)域電力市場批發(fā)競爭運營模式探討[J]. 華中電力， 2007， 20（1）： 51-54.