0〕知识隐式表示、分布存储。八不是将知识显式表示后组织并存储于各种形式的知识库中，而是将有关某一问题的若干知识隐式表示并分布地存储在同一网络各连接权重中。网络中的权重代表了知识的当前状态；各样本实例所蕴涵的知识分布地存储于网络的许多记忆单元 权重上，并能较好地实现知识

共享。

（ ）系统具有自组织与自学习能力。可以从输入的大量实例样本中自动提取隐性知识，并伴随新的样本训练（学习〉过程更新网络中的相关参数以实现对隐性知识的更新过程。显然，这将有助于解决传统基于知识系统的知识获取瓶颈问题。

系统可维护性好。基于的系统进行知识修正的过程就是用新的实例样本重新训练网络的过程，不再或很少对网络的系统结构再作新的调整。

此外，相对于传统知识表示方法，V 还具有其他一些特征，如表4-8所示。的可解释性差是它相对于传统知识表示方法的主要不足之处。这是因为在中，知识是以权值方式分布于整个网络的连接上，网络实际上是一个黑箱，难以解释具体的推理和决策过程。

表4-8    与传统知识表示方法比较

基于八的上述特点，将作为对传统知识表示方法的有益补充，用来实现对蕴涵在海量政务数据中的II型隐性知识（详见后续章节中“知识谱线中的样本型知识”）的表示 获取。鉴于8？网络理论的成熟性与应用的广泛性，一般以8？网络通过8学习律来实现。

3丨知识地图之专家定位器

知识地图之专家定位器是用来实现电子政务系统对未外显化隐性政务知识的