基于问题驱动的知识发现系统

经过调研，知识发现系统有各种各样的解释，广义上来说从专家系统（符号主义）到统计学习、神经网络（联结主义）都算是知识发现。

比如最早的专家系统，DENDRAL等通过启发式规则的方式去尝试发现知识；由数据驱动的机器学习，可以实现分类、预测、数据挖掘等任务，也被认为具有知识发现的能力。如果你在浏览器上搜索，甚至对于知识的检索也被称为知识发现系统，如图 1 所示。

为了避免歧义，我们把这里所讨论的知识发现系统的定义缩小到：能够产生和发现新知识的系统。以这样的目的设计的系统，又可以分为以下两类：

1. 基于结论驱动的知识发现模式
2. 基于问题驱动的知识发现模式

对于第一种，以 LBD（Literature-Based Discovery，文献知识发现）为代表。最早由 Swanson 提出[1]，核心原理是：如果概念 A 与概念 B 存在关联，概念 B 又与概念 C 存在关联，而 A 与 C 之间在现有文献中几乎从未被直接联系起来，那么 A 与 C 之间可能存在一条尚未被发现的关联。

这个模型之所以有效，是因为它利用了科学文献的一个根本特征：知识的碎片化。同一个中间概念（B），可能在“A 类文献”和“C 类文献”中各自出现，但两边的研究者彼此不读对方的论文，因此 A–C 的直接联系从未被任何人明确提出。

在 Swanson 的基础上，后来发展出了 Arrowsmith、LION LBD、SemRep 等系统，在医学领域有许多贡献：其中 Arrowsmith 是 Swanson 与 Smalheiser 提出的互补文献交互式检索系统[2]；LBD 的后续方向（包括负共识、半影等概念）在 Smalheiser 的系统回顾中有专门讨论[3]；在人文数据库中也出现过以类比发现为目标的早期 LBD 工作[8]；而那些出现频率极低、因而容易被忽略的术语与结论（即所谓“半影”问题），也可能蕴含着发现的价值[9]。

实际上，DENDRAL 这类专家系统通过推理来进行启发式地探索，也属于基于结论驱动。它们在做一件事情，就是尝试去在已有的结论基础上去发散、推理并尝试进行解释，从而发现新的知识。

这里可以看到有机物被用结构化、逻辑化的语言表述了出来，便于推理。

除了这样以结论作为驱动的知识发现模型，还有譬如：

• Gaps（研究空白）：“为什么这个主题组合几乎没人研究？这里是不是缺了一块？”、“这个空白是合理的，还是被忽视的？”系统分析领域内主题的共现模式，识别那些低概率共现的主题对。
• Negative Consensus（负共识）：“大家都说‘某事不会发生’，但证据真的充分吗？”这一概念源于 Smalheiser 与 Gomes 对“哺乳动物 Argonaute–DNA 结合”这一说法的质疑[4]；针对被否定陈述的语料库也为这类分析提供了资源[10]。
• Storytelling（叙事）：“从 A 到 C，中间缺失的科学故事是什么？”给定起点和终点文档，系统尝试自动填充中间环节，构建逻辑自洽的证据链。

对于以结论作为驱动的知识发现模式，我们把它称作：封闭式的发现模式，因为它研究的是在固定信息中找缺口。

对于以问题作为驱动的知识发现模式，我们把它称作：开放式的发现模式，因为它不是在已知中找缺口，而是在未知中找缺口。

再次回到我们对知识发现的假设，能够产生和发现新知识的系统。什么样的知识算新呢？对于个人，还是对于某个特定的数据库，还是说对于全人类都是新的。不同程度的新，决定了我们采取哪一种模式。

回到 Swanson 的 LBD，它有个有名的例子就是鱼油与雷诺氏病的发现，这样的发现是领域（医学）内的新发现，是一种被忽略的知识；这个假设后来也得到了双盲对照临床试验的验证[5]。我们可以用基于结论驱动的发现系统，去在这个封闭的空间内，找是否还有类似的被忽略的结论、知识。

然而对于爱因斯坦的光量子假设，和牛顿的万有引力定律，上述方法是否还有效呢？爱因斯坦提出光量子假设和广义相对论时，主流学界是迟疑甚至抵制的，因为它们不在已有的知识内，大家无法辨认这是真的科学知识。对于这样的、对全人类来说都比较新的知识，只能通过开放式的知识发现模式实现，因为这里空间是未知的，并且埋藏着我们无法理解的问题。

为什么我们需要问题？我想问题是科学的开始，是起点，即使答案会被不断地修正，但是问题将会持续存在，引导着人们思考和发现。

关于什么样的知识才算新知识，一些哲学家对此提出质疑，认为“新”只有在相对于某个范式或背景知识时才有意义。波普尔说，科学知识是猜测与反驳[6]。库恩说，知识在范式内积累，范式转换时旧知识被重新理解[7]。也许像他们说的那样，“新”是相对的——相对于某个旧范式，或者只是人类某个远古的知识被现在重新提起等等。这对我们的启示是：无论机器怎样地去发现、制造问题，最终还是需要落到人类来判断和选择哪些新问题是值得留下来的，因为科学属于人类。

参考文献

1. Swanson, D. R. (1986). Undiscovered public knowledge. Library Quarterly, 56(2), 103–118. LBD 的奠基性论文。
2. Swanson, D. R., & Smalheiser, N. R. (1997). An interactive system for finding complementary literatures: A stimulus to scientific discovery. Artificial Intelligence, 91(2), 183–203. Arrowsmith 系统的设计论文。
3. Smalheiser, N. R. (2017). Rediscovering Don Swanson: The past, present and future of literature-based discovery. Journal of Data and Information Science, 2(4), 43–64. 对 LBD 未来方向的系统回顾，包含负共识、半影等概念。
4. Smalheiser, N. R., & Gomes, O. L. A. (2014). Mammalian Argonaute-DNA binding? Biology Direct, 9, 27. https://doi.org/10.1186/s13062-014-0027-4 负共识概念的来源论文。
5. DiGiacomo, R. A., Kremer, J. M., & Shah, D. M. (1989). Fish-oil dietary supplementation in patients with Raynaud’s phenomenon: A double-blind, controlled, prospective study. American Journal of Medicine, 86(2), 158–164. Swanson 假设的临床验证。
6. Popper, K. R. (1963). Conjectures and Refutations: The Growth of Scientific Knowledge. Routledge. 猜测与反驳的哲学基础。
7. Kuhn, T. S. (1962). The Structure of Scientific Revolutions. University of Chicago Press. 范式理论的来源。
8. Cory, K. A. (1997). Discovering hidden analogies in an online humanities database. Computers and the Humanities, 31(1), 1–12. 类比发现的 LBD 早期工作。
9. Kostoff, R. N., Block, J. A., Solka, J. L., et al. (2009). Literature-related discovery. Annual Review of Information Science and Technology, 43, 1–71. 主张处于"半影"中的低频术语同样具有发现价值的代表文献之一。
10. Agarwal, S., Yu, H., & Kohane, I. (2011). BioNOT: A searchable database of biomedical negated sentences. BMC Bioinformatics, 12, 420. https://doi.org/10.1186/1471-2105-12-420 负共识陈述的数据库资源。