知识发现本质是建立在高维空间中的数学计算问题,人类对于传统空间的研究已经经过数千年,但是对于高维空间的数学研究才刚刚开始。尽管如此,借助于其核心技术人工智能的发展,知识发现已经取得了非常丰硕的成果。传统数学所无法解决的问题,例如图象识别,垃圾邮件拦截,网页相似度匹配等问题都得到了一定程度上的解决。但是,从技术本身来看,这些都是支持向量机(SupportVector Machine,SVM)的一些低级别的应用,对于更广阔的未来而言,技术的发展带来了无限的可能。本文尽可能详尽地回顾了知识与知识发现的理论与沿革,人工智能技术的发展与核心算法:BP网络(Back-propagation Neutral Network)与支持向量机。在此基础上,本文提出了知识发现所面临的三大问题:学科交叉不足,局限于理工科等传统领域,而对文科和商科覆盖不足;对非结构化数据处理能力欠缺,尤其是类似于WORD和WEB的非结构化和半结构化数据;知识表示混乱,至今没有统一的标准。针对以上三个问题,本文设计了三个实验:1本文以WORD文件《说文·玉篇》中的一章作为数据源,采用规则提取的方式,将WORD文件字典中的字进行了量化抽取。以量化后的结果载入Matlab,并使用SVM工具箱进行了异体字分类识别。最后用Z语言对异体字分类的定义进行了阐述。2本文针对上海国拍劲标网(www.alltobid.com)上的上海市车牌历次竞标记录,采用WEB抓取的方式,获得自开始拍卖以来至今的所有数据。将这些数据作为数据源,用BP网络对车牌价格所形成的多元函数进行了拟合,对后期的车牌价格走势进行了预测。与此同时,将本文中获得的结果与传统经济学方法进行了对比,证明了AI算法相对于传统经济学方法的优越性。最后,针对本文的函数用Z语言进行了描述。3作为管理学硕士,本文对管理学中参数化评估以及它的多种进化形态进行了回顾,并将BP网络和SVM分类技术相结合,提出了动态参数化评估的概念。这种新评估方式主要认为:旧有的评估方法存在参数人为任意设定,权值僵化,而容易被有所针对性的回避而不能产生正确的评估效果。为了避免上述现象的发生,本文认为,应该从样本自身出发,由样本自身描述问题的本质。首先使用SVM对样本的特征进行提取,得出参数项;其次根据参数项对样本进行循环计算,得到每个项的权值;最后依据不同的权值,对权值进行函数拟合和预测。这样构成的参数评估系统,每当产生新的样本的时候,则系统重新计算并对权重和参数进行调节。无疑具有更好的自适应能力和更符合现实要求的特点。本文进行了一次针对上海房价指数的动态参数实证研究:针对上海市房产交易中心(Fangdi.com.cn)上的成交数据,以WEB抓取的形式获得;以不同区域对上海房价的影响作为参数,以影响的程度作为权重进行计算;最后以Z语言对整个动态参数化评估系统作出了描述。本文以如上述三个实验的方式对本文提出的问题进行了讨论和解释。针对学科交叉问题,本文结合中文学科,提取WORD文件中的异体字,并使用SVM技术进行了识别;结合笔者本科时代的经济学背景,使用BP网络对来自WEB的上海车牌拍卖数据进行了函数拟合;最后作为一名管理学的硕士,将SVM的分类技术和BP网络的函数拟合技术结合而提出了动态参数化评估,对管理学中参数化评估进行了改进。针对非结构化数据源问题,本文实验中所采用的WORD文件,WEB数据,都是非结构化数据,采用规则抽取方式,将非结构化数据转化为准结构化或者结构化数据进行知识发现;对于知识表示问题,本文使用了Z语言对每次实验所得到的知识进行了结构化描述。虽然本文针对知识发现的问题进行了一番探讨与改进,但是仍然存在诸多不足之处,对于动态参数化评估而言,各参数之间的优先级显然不可能是同级的,对于优先度排序方向的研究还有所欠缺;对于文字识别而言,噪音与误注所造成的偏差较大;对于时间序列的经济函数拟合而言,精度还可以进一步提高。这一切都有待于进一步的完善。