數(shù)智創(chuàng)新變革未來復(fù)雜知識庫中的知識發(fā)現(xiàn)與知識挖掘復(fù)雜知識庫概述與特征知識發(fā)現(xiàn)與知識挖掘的基本概念基于語義技術(shù)與知識圖譜的知識發(fā)現(xiàn)基于機器學(xué)習(xí)和數(shù)據(jù)挖掘技術(shù)的知識挖掘復(fù)雜知識庫中的知識獲取與融合復(fù)雜知識庫中的知識表示模型與框架復(fù)雜知識庫中的知識查詢與檢索復(fù)雜知識庫中的知識推理與驗證ContentsPage目錄頁復(fù)雜知識庫概述與特征復(fù)雜知識庫中的知識發(fā)現(xiàn)與知識挖掘#.復(fù)雜知識庫概述與特征復(fù)雜知識庫概述：1.復(fù)雜知識庫的概念：復(fù)雜知識庫是指具有大量復(fù)雜知識、數(shù)據(jù)和信息的知識庫，這些知識往往是高度結(jié)構(gòu)化、相互關(guān)聯(lián)和動態(tài)更新的，并具有多樣化、非線性和不確定性的特點。2.復(fù)雜知識庫的特點：復(fù)雜知識庫具有以下特點：知識內(nèi)容復(fù)雜和結(jié)構(gòu)多樣、知識來源廣泛和數(shù)據(jù)量巨大、知識更新速度快和變化頻繁、知識表達方式多樣和復(fù)雜、知識獲取和管理困難。3.復(fù)雜知識庫的應(yīng)用領(lǐng)域：復(fù)雜知識庫廣泛應(yīng)用于各個領(lǐng)域，包括醫(yī)療保健、金融、制造、零售、科學(xué)研究和政府等。復(fù)雜知識庫中的知識發(fā)現(xiàn)概述：1.知識發(fā)現(xiàn)的概念：知識發(fā)現(xiàn)是指從復(fù)雜知識庫中提取和發(fā)現(xiàn)有價值、可理解、可操作的知識的過程。2.知識發(fā)現(xiàn)的目標(biāo)：知識發(fā)現(xiàn)的主要目標(biāo)是將復(fù)雜知識庫中的潛在知識顯式化，并將其轉(zhuǎn)化為用戶可以理解和利用的形式。3.知識發(fā)現(xiàn)的步驟：知識發(fā)現(xiàn)一般包括數(shù)據(jù)預(yù)處理、知識表示、知識推理、知識評估和知識可視化等步驟。#.復(fù)雜知識庫概述與特征1.知識挖掘的概念：知識挖掘是指從復(fù)雜知識庫中提取和發(fā)現(xiàn)隱藏的、未知的、有價值的知識的過程。2.知識挖掘的目標(biāo)：知識挖掘的主要目標(biāo)是發(fā)現(xiàn)復(fù)雜知識庫中的規(guī)律和模式，并揭示數(shù)據(jù)和信息背后的潛在知識。3.知識挖掘的步驟：知識挖掘一般包括數(shù)據(jù)預(yù)處理、知識表示、知識推理、知識評估和知識可視化等步驟。復(fù)雜知識庫中的知識發(fā)現(xiàn)與知識挖掘的區(qū)別：1.知識發(fā)現(xiàn)與知識挖掘的區(qū)別：知識發(fā)現(xiàn)側(cè)重于從復(fù)雜知識庫中提取和發(fā)現(xiàn)顯式知識，而知識挖掘側(cè)重于從復(fù)雜知識庫中提取和發(fā)現(xiàn)隱式知識。2.知識發(fā)現(xiàn)與知識挖掘的聯(lián)系：知識發(fā)現(xiàn)與知識挖掘是相互關(guān)聯(lián)和相互補充的，知識發(fā)現(xiàn)為知識挖掘提供基礎(chǔ)和數(shù)據(jù)，知識挖掘為知識發(fā)現(xiàn)提供方法和技術(shù)。復(fù)雜知識庫中的知識挖掘概述：#.復(fù)雜知識庫概述與特征復(fù)雜知識庫中的知識發(fā)現(xiàn)與知識挖掘的挑戰(zhàn)：1.復(fù)雜知識庫中的知識發(fā)現(xiàn)與知識挖掘面臨的挑戰(zhàn)：知識發(fā)現(xiàn)與知識挖掘面臨著許多挑戰(zhàn)，包括數(shù)據(jù)量大、數(shù)據(jù)結(jié)構(gòu)復(fù)雜、數(shù)據(jù)噪聲多、數(shù)據(jù)不完整、知識表達方式多樣、知識推理復(fù)雜、知識評估困難等。2.復(fù)雜知識庫中的知識發(fā)現(xiàn)與知識挖掘的發(fā)展趨勢：知識發(fā)現(xiàn)與知識挖掘領(lǐng)域正在不斷發(fā)展，涌現(xiàn)出許多新的技術(shù)和方法，如機器學(xué)習(xí)、深度學(xué)習(xí)、自然語言處理、數(shù)據(jù)挖掘等，這些技術(shù)為復(fù)雜知識庫中的知識發(fā)現(xiàn)與知識挖掘提供了新的思路。復(fù)雜知識庫中的知識發(fā)現(xiàn)與知識挖掘的應(yīng)用：1.復(fù)雜知識庫中的知識發(fā)現(xiàn)與知識挖掘的應(yīng)用：知識發(fā)現(xiàn)與知識挖掘在各個領(lǐng)域都有廣泛的應(yīng)用，包括醫(yī)療保健、金融、制造、零售、科學(xué)研究和政府等。知識發(fā)現(xiàn)與知識挖掘的基本概念復(fù)雜知識庫中的知識發(fā)現(xiàn)與知識挖掘知識發(fā)現(xiàn)與知識挖掘的基本概念知識發(fā)現(xiàn)與知識挖掘的基本概念1.知識發(fā)現(xiàn)與知識挖掘概述：-知識發(fā)現(xiàn)與知識挖掘（KDD）是一門從數(shù)據(jù)中獲取知識的交叉學(xué)科。-KDD的過程包括數(shù)據(jù)預(yù)處理、數(shù)據(jù)挖掘、知識發(fā)現(xiàn)和知識應(yīng)用四個階段。-KDD的目標(biāo)是發(fā)現(xiàn)隱藏在數(shù)據(jù)中的模式、趨勢和關(guān)系，并將這些知識應(yīng)用于實際生活和生產(chǎn)中。2.知識發(fā)現(xiàn)與知識挖掘的區(qū)別：-知識發(fā)現(xiàn)是一種從數(shù)據(jù)中提取知識的高級認知過程。-知識挖掘是一種利用計算機自動或半自動地從數(shù)據(jù)中提取知識的方法。-知識發(fā)現(xiàn)是知識挖掘的基礎(chǔ)，知識挖掘是知識發(fā)現(xiàn)的實現(xiàn)手段。3.知識發(fā)現(xiàn)與知識挖掘的方法：-數(shù)據(jù)挖掘方法：包括數(shù)據(jù)預(yù)處理、數(shù)據(jù)清洗、數(shù)據(jù)變換、數(shù)據(jù)歸約、數(shù)據(jù)聚類、數(shù)據(jù)分類、數(shù)據(jù)關(guān)聯(lián)分析、數(shù)據(jù)回歸分析等。-知識發(fā)現(xiàn)方法：包括模式識別、機器學(xué)習(xí)、自然語言處理、專家系統(tǒng)、模糊邏輯和神經(jīng)網(wǎng)絡(luò)等。知識發(fā)現(xiàn)與知識挖掘的基本概念1.數(shù)據(jù)的復(fù)雜性：-數(shù)據(jù)量大、種類多、結(jié)構(gòu)復(fù)雜、質(zhì)量參差不齊。-數(shù)據(jù)具有動態(tài)性、不確定性和異構(gòu)性。2.知識的表征和表示：-如何將知識表示成計算機可以理解的形式。-如何處理知識的不確定性和模糊性。3.知識發(fā)現(xiàn)與知識挖掘算法：-如何開發(fā)高效、準(zhǔn)確和魯棒的知識發(fā)現(xiàn)與知識挖掘算法。-如何處理大規(guī)模數(shù)據(jù)。4.知識的評估和驗證：-如何評估知識發(fā)現(xiàn)與知識挖掘算法的性能。-如何驗證知識發(fā)現(xiàn)與知識挖掘的結(jié)果。5.知識的應(yīng)用：-如何將知識應(yīng)用于實際生活和生產(chǎn)中。-如何確保知識的安全性、可靠性和可信性。知識發(fā)現(xiàn)與知識挖掘的技術(shù)挑戰(zhàn)基于語義技術(shù)與知識圖譜的知識發(fā)現(xiàn)復(fù)雜知識庫中的知識發(fā)現(xiàn)與知識挖掘#.基于語義技術(shù)與知識圖譜的知識發(fā)現(xiàn)基于語義技術(shù)與知識圖譜的知識發(fā)現(xiàn)：1.語義技術(shù)為知識表示與推理提供基礎(chǔ)，通過將自然語言的含義轉(zhuǎn)換成計算機可理解的形式，促進知識的存儲、檢索和利用。2.知識圖譜采用圖結(jié)構(gòu)表示知識，通過節(jié)點和邊來描述實體、屬性和關(guān)系，便于知識的組織、管理和傳播。3.語義技術(shù)和知識圖譜的結(jié)合，為知識發(fā)現(xiàn)提供了新的技術(shù)手段，使我們能夠從復(fù)雜的知識庫中提取有價值的信息和洞察力。知識表示與推理：1.知識表示是將知識結(jié)構(gòu)化、形式化以使其更便于計算機處理。2.推理是根據(jù)現(xiàn)有知識推導(dǎo)出新知識的過程，是知識發(fā)現(xiàn)的重要環(huán)節(jié)。3.語義技術(shù)提供了一系列知識表示和推理方法，包括本體、規(guī)則、語義網(wǎng)絡(luò)等，支持復(fù)雜的知識表達和推理任務(wù)。#.基于語義技術(shù)與知識圖譜的知識發(fā)現(xiàn)知識圖譜的構(gòu)建與維護：1.知識圖譜的構(gòu)建通常涉及數(shù)據(jù)收集、數(shù)據(jù)清洗、數(shù)據(jù)集成、知識提取、知識融合等多個步驟。2.知識圖譜的維護是一項持續(xù)性的工作，需要不斷更新和擴充知識庫中的信息，以確保知識圖譜的準(zhǔn)確性和完整性。3.機器學(xué)習(xí)和自然語言處理技術(shù)可以輔助知識圖譜的構(gòu)建和維護，提高知識發(fā)現(xiàn)的效率和質(zhì)量。知識挖掘技術(shù)與算法：1.知識挖掘技術(shù)包括數(shù)據(jù)挖掘、文本挖掘、網(wǎng)絡(luò)挖掘等，專注于從大量異構(gòu)數(shù)據(jù)中提取有用的知識。2.知識挖掘算法通常分為監(jiān)督學(xué)習(xí)算法、無監(jiān)督學(xué)習(xí)算法和半監(jiān)督學(xué)習(xí)算法，可根據(jù)不同任務(wù)和數(shù)據(jù)特征選擇合適的算法。3.機器學(xué)習(xí)技術(shù)的發(fā)展帶來了新的知識挖掘算法和方法，如深度學(xué)習(xí)、強化學(xué)習(xí)等。#.基于語義技術(shù)與知識圖譜的知識發(fā)現(xiàn)復(fù)雜知識庫中的知識發(fā)現(xiàn)應(yīng)用：1.知識發(fā)現(xiàn)技術(shù)在復(fù)雜知識庫中得到廣泛應(yīng)用。2.例如，在醫(yī)療領(lǐng)域，知識發(fā)現(xiàn)技術(shù)可以輔助疾病診斷、治療方案推薦等；在金融領(lǐng)域，知識發(fā)現(xiàn)技術(shù)可以輔助金融風(fēng)險評估、投資決策等；在政府領(lǐng)域，知識發(fā)現(xiàn)技術(shù)可以輔助政策制定、輿情分析等。3.知識發(fā)現(xiàn)技術(shù)的應(yīng)用為各行各業(yè)帶來了新的機遇和挑戰(zhàn)。知識發(fā)現(xiàn)與知識挖掘的前沿與趨勢：1.知識發(fā)現(xiàn)與知識挖掘領(lǐng)域不斷發(fā)展，涌現(xiàn)出許多新的研究方向和應(yīng)用場景。2.例如，知識圖譜的構(gòu)建與應(yīng)用、語義技術(shù)在智能檢索和自然語言處理中的應(yīng)用、機器學(xué)習(xí)與深度學(xué)習(xí)技術(shù)在知識挖掘中的應(yīng)用等?；跈C器學(xué)習(xí)和數(shù)據(jù)挖掘技術(shù)的知識挖掘復(fù)雜知識庫中的知識發(fā)現(xiàn)與知識挖掘基于機器學(xué)習(xí)和數(shù)據(jù)挖掘技術(shù)的知識挖掘基于機器學(xué)習(xí)的知識挖掘1.概念與基本任務(wù)：基于機器學(xué)習(xí)的知識挖掘是指利用機器學(xué)習(xí)技術(shù)從復(fù)雜的知識庫中提取有用的知識，其基本任務(wù)是訓(xùn)練學(xué)習(xí)器（模型），使其能夠在給定輸入數(shù)據(jù)的情況下，預(yù)測或估計輸出結(jié)果。2.機器學(xué)習(xí)算法：常用的機器學(xué)習(xí)算法包括決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機、貝葉斯網(wǎng)絡(luò)和聚類算法等。這些算法通過學(xué)習(xí)既有數(shù)據(jù)中的規(guī)律，從而可以對新數(shù)據(jù)做出預(yù)測或估計。3.知識表示：知識挖掘的結(jié)果通常以某種形式表示出來，例如文本、表格、圖形或XML等。知識表示的形式可以影響知識的可讀性、可理解性和可利用性?；跀?shù)據(jù)挖掘技術(shù)的知識挖掘1.概念與基本任務(wù)：基于數(shù)據(jù)挖掘技術(shù)的知識挖掘是指利用數(shù)據(jù)挖掘技術(shù)從復(fù)雜的知識庫中提取有用的知識，其基本任務(wù)是發(fā)現(xiàn)數(shù)據(jù)中的模式、趨勢和相關(guān)性，以便從中提取有價值的信息。2.數(shù)據(jù)挖掘方法：常用的數(shù)據(jù)挖掘方法包括關(guān)聯(lián)規(guī)則挖掘、聚類分析、分類分析、回歸分析和時間序列分析等。這些方法可以幫助發(fā)現(xiàn)數(shù)據(jù)中隱藏的知識，并將其轉(zhuǎn)換為可理解的形式。3.數(shù)據(jù)預(yù)處理：在進行數(shù)據(jù)挖掘之前，通常需要對數(shù)據(jù)進行預(yù)處理，以提高數(shù)據(jù)挖掘的效率和準(zhǔn)確性。數(shù)據(jù)預(yù)處理包括數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)變換和數(shù)據(jù)規(guī)約等步驟。復(fù)雜知識庫中的知識獲取與融合復(fù)雜知識庫中的知識發(fā)現(xiàn)與知識挖掘復(fù)雜知識庫中的知識獲取與融合復(fù)雜知識庫中的知識獲取1.知識獲取方法與技術(shù)：包括結(jié)構(gòu)化知識獲取，半結(jié)構(gòu)化知識獲取，非結(jié)構(gòu)化知識獲取，以及分布式知識獲取等，及其在復(fù)雜知識庫構(gòu)建中的應(yīng)用。2.知識獲取的挑戰(zhàn)：包括知識獲取的復(fù)雜性、知識獲取的動態(tài)性、知識獲取的表征與建模等。3.知識獲取的趨勢：包括知識獲取方法的集成、知識獲取的自動化、知識獲取的泛化、知識獲取的知識感知等。復(fù)雜知識庫中的知識融合1.知識融合方法與技術(shù)：包括基于規(guī)則的知識融合、基于本體的知識融合、基于機器學(xué)習(xí)的知識融合、基于深度學(xué)習(xí)的知識融合等，及其在復(fù)雜知識庫構(gòu)建中的應(yīng)用。2.知識融合的挑戰(zhàn)：包括知識融合的異構(gòu)性、知識融合的沖突性、知識融合的語義不一致性等。3.知識融合的趨勢：包括知識融合方法的集成、知識融合的自動化、知識融合的泛化、知識融合的知識感知等。復(fù)雜知識庫中的知識表示模型與框架復(fù)雜知識庫中的知識發(fā)現(xiàn)與知識挖掘復(fù)雜知識庫中的知識表示模型與框架復(fù)雜知識庫中的知識表示框架1.本體論：-本體論是描述知識庫中知識概念及其關(guān)系的模型。-它提供了一個共享的理解，使得不同的用戶和應(yīng)用程序能夠以一致的方式訪問和理解知識庫中的信息。-本體論可以是層次結(jié)構(gòu)、網(wǎng)絡(luò)或其他形式。2.描述邏輯：-描述邏輯是一種形式語言，用于表示知識庫中的概念和關(guān)系。-它是一種推理框架，可以對知識庫中的信息進行推理和查詢。-描述邏輯是知識表示領(lǐng)域中常用的框架之一。3.語義網(wǎng)絡(luò)：-語義網(wǎng)絡(luò)是一種圖形化的知識表示模型。-它是將概念和關(guān)系以節(jié)點和邊的方式表示的一種網(wǎng)絡(luò)結(jié)構(gòu)。-語義網(wǎng)絡(luò)可以直觀地表示知識庫中的信息，便于用戶理解和查詢。復(fù)雜知識庫中的知識表示模型與框架復(fù)雜知識庫中的知識表示模型1.屬性-值模型：-屬性-值模型是一種簡單的知識表示模型。-它是將實體及其屬性表示為屬性-值對的形式。-屬性-值模型易于理解和實現(xiàn)，但它不能表示復(fù)雜的關(guān)系和推理。2.框架模型：-框架模型是一種更復(fù)雜的知識表示模型。-它是將實體及其屬性表示為框架的形式。-框架可以包含多種類型的屬性，如槽、刻面和關(guān)聯(lián)。-框架模型可以表示復(fù)雜的關(guān)系和推理，但它比屬性-值模型更難理解和實現(xiàn)。3.邏輯模型：-邏輯模型是一種形式化的知識表示模型。-它是使用邏輯公式來表示知識庫中的信息。-邏輯模型可以表示復(fù)雜的關(guān)系和推理，但它比框架模型更難理解和實現(xiàn)。復(fù)雜知識庫中的知識查詢與檢索復(fù)雜知識庫中的知識發(fā)現(xiàn)與知識挖掘復(fù)雜知識庫中的知識查詢與檢索基于邏輯推理的復(fù)雜知識庫查詢與檢索1.復(fù)雜知識庫的知識查詢與檢索需要綜合運用邏輯推理、知識表征、不確定性處理等多種技術(shù)和方法，以提高知識庫的查詢與檢索效率。2.基于邏輯推理的復(fù)雜知識庫查詢與檢索主要包含知識庫的邏輯建模、邏輯查詢語言的設(shè)計與實現(xiàn)、邏輯推理算法的選擇與優(yōu)化等幾個方面。3.利用不確定性處理技術(shù)可以處理知識庫中存在不確定性信息的查詢與檢索，例如基于概率論和模糊理論的方法，以及基于可能世界語義和貝葉斯推理的方法等。基于機器學(xué)習(xí)的復(fù)雜知識庫查詢與檢索1.基于機器學(xué)習(xí)的復(fù)雜知識庫查詢與檢索主要包括機器學(xué)習(xí)方法的選取、訓(xùn)練數(shù)據(jù)的獲取、機器學(xué)習(xí)模型的訓(xùn)練和評估等幾個步驟。2.機器學(xué)習(xí)方法的選擇需要考慮知識庫的具體特點和查詢與檢索任務(wù)的要求。常見的機器學(xué)習(xí)方法包括支持向量機、決策樹、貝葉斯網(wǎng)絡(luò)等。3.訓(xùn)練數(shù)據(jù)的獲取可以通過手動標(biāo)注或自動生成的方式獲得。訓(xùn)練數(shù)據(jù)的質(zhì)量對機器學(xué)習(xí)模型的性能有很大的影響。復(fù)雜知識庫中的知識查詢與檢索基于深度學(xué)習(xí)的復(fù)雜知識庫查詢與檢索1.基于深度學(xué)習(xí)的復(fù)雜知識庫查詢與檢索主要包括深度學(xué)習(xí)模型的構(gòu)建、訓(xùn)練數(shù)據(jù)的準(zhǔn)備、深度學(xué)習(xí)模型的訓(xùn)練和評估等幾個步驟。2.深度學(xué)習(xí)模型的構(gòu)建需要選擇合適的模型結(jié)構(gòu)和參數(shù)設(shè)置。常見的深度學(xué)習(xí)模型包括卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、圖神經(jīng)網(wǎng)絡(luò)等。3.訓(xùn)練數(shù)據(jù)的準(zhǔn)備需要對知識庫中的數(shù)據(jù)進行預(yù)處理，例如特征提取、數(shù)據(jù)清洗和數(shù)據(jù)增強等?；诨旌现悄艿膹?fù)雜知識庫查詢與檢索1.基于混合智能的復(fù)雜知識庫查詢與檢索是指將多種人工智能技術(shù)結(jié)合起來，以提高知識庫的查詢與檢索效率。2.常見的混合智能技術(shù)包括邏輯推理、機器學(xué)習(xí)、深度學(xué)習(xí)和自然語言處理等。3.基于混合智能的復(fù)雜知識庫查詢與檢索可以根據(jù)不同的查詢與檢索任務(wù)的特點和要求，選擇合適的人工智能技術(shù)進行組合和集成。復(fù)雜知識庫中的知識查詢與檢索復(fù)雜知識庫查詢與檢索的評價指標(biāo)1.復(fù)雜知識庫查詢與檢索的評價指標(biāo)主要包括召回率、準(zhǔn)確率、F1值、平均準(zhǔn)確率、平均召回率等。2.不同的評價指標(biāo)反映了不同方面的性能，例如召回率反映了查詢與檢索系統(tǒng)能夠找到多少相關(guān)知識，準(zhǔn)確率反映了查詢與檢索系統(tǒng)找到的相關(guān)知識中有多少是正確的。3.在實際應(yīng)用中，需要根據(jù)具體的查詢與檢索任務(wù)來選擇合適的評價指標(biāo)。復(fù)雜知識庫查詢與檢索的前沿與趨勢1.復(fù)雜知識庫查詢與檢索的前沿與趨勢主要包括知識圖譜查詢、自然語言查詢、多模態(tài)查詢、聯(lián)邦學(xué)習(xí)和知識庫遷移學(xué)習(xí)等。2.知識圖譜查詢是指在知識圖譜中進行查詢與檢索。知識圖譜查詢的主要難點在于如何處理知識圖譜中的異構(gòu)數(shù)據(jù)和復(fù)雜關(guān)系。3.自然語言查詢是指使用自然語言作為查詢語言來進行查詢與檢索。自然語言查詢的主要難點在于如何理解和分析自然語言查詢中的語義和意圖。復(fù)雜知識庫中的知識推理與驗證復(fù)雜知識庫中的知識發(fā)現(xiàn)與知識挖掘復(fù)雜知識庫中的知識推理與驗證1.知識推理是利用知識庫中的知識進行推理和推斷，從而獲得新的知識或結(jié)論。知識推理的方法有很多，包括演繹推理、歸納推理、類比推理等。2.知識驗證是驗證知識庫中的知識是否正確和可靠。知識驗證的方法有很多，包括專家驗證、實證驗證、邏輯驗證等。3.知識推理與驗證是知識庫建設(shè)的重要組成部分。知識推理可以擴展知識庫中的知識，知識驗證可以提高知識庫的質(zhì)量。復(fù)雜知識庫中的知識推理技術(shù)1.基于規(guī)則的推理是根據(jù)知識庫中的規(guī)則進行推理。規(guī)則可以是確定的，也可以是不確定的。2.基于案例的推理是根據(jù)知識庫中的案例進行推理。案例可以是正例，也可以是反例。3.基于語義網(wǎng)絡(luò)的推理是根據(jù)知識庫中的語義網(wǎng)絡(luò)進行推理。語義網(wǎng)絡(luò)是一種圖結(jié)構(gòu)，其中節(jié)點表示概念，邊表示概念之間的關(guān)系。復(fù)雜知識庫中的知識推理與驗證復(fù)雜知識庫中的知識推理與驗證復(fù)雜知識庫中的知識驗證技術(shù)1.專家驗證是請領(lǐng)域?qū)＜襾眚炞C知識庫中