關鍵詞 模糊Petri網；基於規則；推理；知識表示
1 引言
模糊Petri網(Fuzzy Petri Net，FPN)作為壹種適合於描述異步、並行、模糊數據的計算機系統模型，被廣泛的應用在基於規則的模糊推理系統中。伴隨FPN的發展，相應模型的順向推理算法以及逆向推理算法也在不斷發展與完善。Looney最早給出了只適合於簡單PN結構的順向推理算法[3]。其後，Chen又給出了具體且精確的FPN數學定義，並優化了原有算法[1]。Li 等人提出了壹種具有自適應能力的FPN[4]，不但可以實現知識推理，同時具有類似神經網絡的自我學習能力。
我們發現，現有的這些算法對於較簡單的模型結構比較有效，當推理系統對應的FPN模型具有較復雜的結構時，則存在壹定的問題，譬如：
(1)壹些從始發命題到結論命題的推理路徑並未充分考慮，如文獻[1]。
(2)不適合並行推理，如文獻[1][3]。
(3)對於壹些庫所，即使在推理中得到了它們的令牌值(Token)，但在後續過程中不能被涉及到，如文獻[1]。
(4)在文獻[4]中，當壹個變遷被允許發生後，其輸入庫所全部被刪除，這部分被刪除掉的庫所有可能包含了其它庫所的輸入庫所，造成整個推理無法正常進行。
因此，文本在以往研究的基礎上，提出壹種更具有靈活性和適用性的基於模糊Petri網的順向規則推理算法。
2 基於Petri網的模糊推理
壹個模糊Petri網包含兩種節點：庫所(Place)和變遷(Transition)。有向弧可以從庫所指向變遷或從變遷指向庫所。在圖形表示中，庫所由圓形節點表示，變遷由方形節點表示。將FPN應用於規則系統中，每條規則表示為壹個變遷，該規則的前提命題和結論命題則表示為該變遷的輸入庫所和輸出庫所。每個庫所都有可能包含令牌值(Token)用來描述該庫所對應的命題的可信度(Degree of Truth)。每個變遷對應壹個確信因子(Certainty Factor，CF)用來表述對應規則的確信度。
實例壹：假設有如下規則：
假如A is B，則C is D。
該規則包含壹個前提命題和壹個結論命題，命題d1,d2用對應的庫所P1,P2表示，規則用變遷t1表示，則該規則可用如圖1的FPN表述。
圖1 基於實例壹規則的FPN
根據文獻[1]中的定義，壹個基於規則系統的FPN可以被定義為壹個六維量：FPN=(P,T,I,O,F,W)。
其中，
P={P1,P2,...Pn}為有限的庫所集合，對應命題；
T={t1,t2,...tn}為有限的變遷集合，對應規則；
I:T→P為映射變遷到其所有輸入庫所的輸入方程；
O:T→P為映射變遷到其所有輸出庫所的輸出方程；
F:T→[0,1]為映射變遷到其確信因子的方程；
W:P→[0,1]為映射庫所到其令牌指的方程。
如果壹個變遷 滿足條件：對於任何Ps∈I(ti)，有W(Ps)≥λ，λ為介於0和1之間的閾值，則該變遷將被點燃(Fired)，其輸入庫所的令牌值將被復制，並通過壹定的點燃機制為該變遷的輸出庫所產生令牌值。
例如，根據FPN的定義，實例壹中的規則可被規範化為FPN1=(P,T,I,O,F,W)，其中P{P1,P2}，T{t1}，I(t1)={P1}，O(t1)={P2}，F(t1)=0.75，F(P1)=0.9，F(P2)=空。若令λ=0.5，則t1點燃，根據圖2的點燃機制，可得到輸出庫所P2的令牌值為0.675。
當然，實際的規則不可能像實例壹中那樣簡單，在其命題中有可能包含類似“與(AND)”或“或(OR)”連接符。我們將這樣的組合式規則及其對應的模糊FPN結構歸結為以下三種類型：
圖2 實例壹的FPN點燃結果
類型壹：假如命題1(d1)與命題2(d2)與 …… 與命題m(dm)成立，則命題z(dz)成立，CF=μ。對應FPN結構及點燃機制如圖3所示。
類型二：假如命題1(d1)成立，則命題a(da)與命題b(db)與 …… 與命題z(dz)成立，CF=μ。對應FPN結構及點燃機制如圖4所示。
類型三：假如命題1(d1)或命題2(d2)或 …… 或命題m(dm)成立，則命題z(dz)成立，CF=μ。對應FPN結構及點燃機制如圖5所示。
圖3 類型壹FPN結構和點燃機制
圖4 類型二FPN結構和點燃機制
圖5 類型三FPN結構和點燃機制
令pi,tk為FPN中的任壹庫所和變遷，如果Pi∈I(tk)，則稱Pi是tk的最近逆向庫所(Nearest Backward Place，NBP)，變遷tk所有的NBP的集合稱為SNBP(tk)。如果Pi∈O(tk)，則稱Pi是 tk的最近前向庫所(Nearest Forward Place，NFP)，變遷tk所有的NFP的集合稱為SNFP(tk)。若存在流關系，從變遷tk連向庫所Pi，則稱Pi為變遷tk的向前庫所(Forward Place，FP)，變遷tS所有的FP集合稱為 SFP(tk)。
實例二：如圖6所示的FPN結構中，每個變遷的SNBP，SNFP及SFP如表1所示。
圖6 實例二中的FPN結構
表1 實例二中每個變遷的SNBP，SNFP及SFP
3 基於Petri網的前向推理優化算法
本節將給出壹個優化的基於Petri網的前向推理算法。首先引入下面幾個定義：
定義1 種子庫所(Seed Place)：對於壹個FPN中的庫所Pi，若不存在tk，使得Pi∈SNFP（tk），則Pi為種子庫所。
在推理過程中，要求種子庫所的令牌值是已知的或由用戶給出。通常推理過程都是由種子庫所開始，因此也被稱為起始庫所(Starting Place)。
定義2 目標庫所(Goal Place)：在壹個FPN中我們通過流推理最終得到其令牌值的庫所。
定義3 節點(Node)：節點ni=(Pi,W(Pi))，其中W(Pi)是庫所Pi的令牌值。
定義4 已知節點集(Known Node Set，KNS)：若節點ni中的庫所Pi的令牌值已知，則ni∈KNS。壹個變遷點燃的前提條件是該變遷的SNBP能夠在KNS中找到其對應的節點。 二、應對的策略
（壹） 對面試人員進行培訓
許多人認為，壹個稱職的面試人員是通過經驗的積累而產生的。但是，在有經驗的面試人員之間，對面試結果也常常會出現爭議，突出表現了對面試結果的不壹致性和主觀性，而對面試人員進行培訓是減少偏差的有效途徑。
對面試人員的培訓重點應放在：改善受訓人員的提問技巧、面試的組織、提供支持、建立和諧的相互關系、傾聽的技巧以及掌握相關資料的能力，各種實踐手段、討論、演示、反饋能力的培訓。經過培訓後，可以把這些差異限制在最低的程度，從而使偏見和誤差出現的可能性降到最小。
（二） 對面試結果進行評估
面試結果的評估環節，在許多企業招聘中往往被忽視，沒有引起足夠的重視。對面試結果的評估，可以反映出考官評分的失常情況，面試中有無違反程序、主考官發揮失常等情況。評估工作是由專門人員（評分員）匯總考官組的評分與評價，通過面試匯總表來進行（見表2 ）。
以“綜合分析能力(W1)”為例，首先將7名考官的評分抄錄在相應空格中，然後將最高分9．5填在“扣最高分”對應的空格中，同理將最低分8．0填在“扣最低分”對應的空格中，然後計算出另外5個得分的算術平均分，並將結果8．8填在“綜合得分”對應的空格中。所有要素的綜合得分都計算出來後，根據總分欄中的公式“W1×0．18+ W2×0．15+ W3×0．11+ W4×0．13+ W5×0．15+ W6×0．12+ W7×0．8+ W8×0．8”算出的加權和“86．75”即為該考生的最終得分。這壹過程也可以通過編制好的計算機程序實現。
（三） 對面試人員進行專業分工
參與面試的人員包括：人力資源部的人員、用人部門的人員，有時還需要有顧問專家的加入。人力資源部的人員負責主持面試，控制時間，並負責某些問題的提問、考察和答疑，如工作期望、求職動機、薪資要求、用工政策、工作/學習經歷等壹般事項的考察；用人部門的人員負責技能、知識，工作經驗等專業業務方面的考察；顧問專家則從專業的角度對應聘者進行特殊項目的考察。
這樣的加權平均結果才能更準確地反映出結果的專業性、客觀性、公正性。才能提高招聘工作的有效性，提高工作效率，降低人力資源工作的管理成本。
（四）對面試問題要善於進行追問
在招聘面試中，應聘者在回答問題時，往往會避重就輕、言過其實，為了獲得客觀、真實的信息，主考官要善於追問。壹般使用STAR追問法。STAR是SITUATION（背景）、TASK（任務）、ACTION（行動）和RESULT（結果）四個方面。
首先要了解應聘者工作業績取得的背景（SITUATION）。通過不斷提問與工作業績有關的背景問題，可以全面了解該應聘者取得優秀業績的前提，從而獲知所取得的業績有多少是與應聘者個人有關，多少是和市場的狀況、行業的特點有關。其次，要詳細了解應聘者為了完成業務工作，都有哪些工作任務（TASK），每項任務的具體內容是什麽樣的。通過這些可以了解應聘者的工作經歷和經驗，以確定他所從事的工作與獲得的經驗是否適合現在所空缺的職位。第三，繼續了解該應聘者為了完成這些任務所采取的行動（ACTION），即了解他是如何完成工作的，都采取了哪些行動，所采取的行動是如何幫助他完成工作的。通過這些，可以進壹步了解他的工作方式、思維方式和行為方式。最後，才來關註結果（RESULT），每項任務在采取了行動之後的結果是什麽，是好還是不好，好是因為什麽，不好又是因為什麽。
這樣，通過STAR式發問的四個步驟，壹步步將應聘者的陳述引向深入，壹步步挖掘出應聘者潛在的信息，為企業更好的決策提供正確和全面的參考，既是對企業負責（招聘到合適的人才），也是對應聘者負責（幫助他盡可能地展現自我，推銷自我），獲得壹個雙贏的局面。
總之，只要企業人才招聘存在,面試就是不可或缺的環節。作為招聘的新技術、新方法的結構化面試，在企業招聘過程中還會遇到各種各樣的問題，因此,對結構化面試關註和研究也將成為壹個不衰的話題。
參考文獻：
〔1〕 肖誌東，李大為. 企業經營管理人才招聘面試考官評分問題研究〔J〕．哈爾濱工業大學學報(社會科學版)，2003，5（1）：62.
〔2〕 何非，顧磊，藺益.企業人才測評中10大難題〔M〕．北京：機械工業出版社，2006：98.
〔3〕 李明君,招聘中結構化面試的設計與應用〔J〕．企業改革與管理， 2005(9)：65.
〔4〕 宋長秀，陳洪震，趙進華.優化結構化面試〔J〕．職業，2006（8）：30.