第二章关于决策问题的一般特征和描述方法研究，得到了在DSS中问题理解与求解的基本思路和方法框架，即对于用户提交的决策问题，通过问题的属性分析，找出问题求解的方法和分解出子问题，进而形成问题的求解路径来求解问题。但要在DSS中实现这一思路，其属性分析、子问题分析和求解路径分析的实现方法通常有两种策略：第一种策略是将这些工作交由用户来完成，当然，这里所说的用户是指具有决策问题分析能力的领域专家。采用这种策略的DSS的问题管理系统将比较简单，只需设计问题分析的交互式向导功能与结构，引导专家完成问题属性的设置、子问题的生成、求解方法的建立和选择以及问题求解过程。这样的DSS虽然可以实现决策问题较为全面而深入的分析理解，并可能获得较准确的效果，但需要专家用户参与较多的工作，如果决策用户缺乏相应的专家支持，系统将很难为他们的决策工作提供帮助。同时，决策问题分析与求解的准确有效性也取决于专家的能力。第二种策略是将这些工作交由DSS自己来完成，决策用户或领域专家只需参与少量的分析工作，这样可以极大地将他们从较为烦琐的问题分析工作中解脱出来而专注于关键的分析步骤。但这就要求在DSS的问题管理系统中，设计较为复杂的问题智能分析功能。
作为用于开发各类PMS的通用问题管理系统开发组件，PMS-DC需要适用于多种用户使用情形，这就必须要具备决策问题的智能管理功能。根据前面两章的分析，决策问题管理的核心是分析问题的属性、分解出子问题和找出问题的求解方法，为此，PMS-DC的决策问题智能管理功能就应该包括问题属性的智能分析、子问题的智能分解和问题求解方法的智能匹配。目前，在DSS涉及的人工智能方法中，知识管理方法与技术已得到越来越广泛的应用，我们也认为，将知识管理方法引入到决策问题的管理中将有效地提高问题属性分析、子问题分解和求解方法分析的智能性。而要在PMS中利用知识管理方法，有三个核心问题需要解决：第一，如何利用知识管理方法来管理用户表述的决策问题及其属性？即基于知识管理的问题组织方式。第二，哪些决策问题的知识需要管理？即问题的知识结构。第三，如何运用问题的知识来理解和求解问题，提高问题处理的智能性？即基于知识管理的问题理解与求解过程。本章将就这三个问题进行重点探讨，以获得决策问题智能管理的基本方法。
实现DSS中的问题管理的基础是要在DSS中设置问题库，以实现决策问题的存储、修改和查询，并进一步实现问题的分析理解、求解和决策方案/结果管理。如前所述，在设计开发DSS这种多库系统（除问题库外，还包括数据库、模型库、知识库、算法库等）时，必须解决多库之间的关系问题。特别是在问题管理中要运用知识管理技术时，问题库与知识库的关系及问题库本身的管理方法将直接影响问题管理的效能。所以，我们首先需要研究在引入知识管理的前提下，如何管理问题管理系统的问题库。
3.1.1 基于知识管理的问题库
我们在第一章关于国内外研究现状中已经指出，在目前的DSS问题管理系统中，通常是设置专门的问题库或问题字典来管理和组织决策问题。而如果应用知识处理方法，一般也是将与问题理解有关的识别知识和与求解有关的建模知识存放于知识库中，问题库与知识库是相互独立的两种库结构。这两者所使用的问题库都只能实现对决策问题的简单管理，所管理的问题信息比较有限，难以利用对问题深层次理解的信息来帮助问题的求解。同时，前者求解决策问题还必须依靠推理机、学习模块、动态信息库、问题求解方案库等多部件的配合才能完成[2é]，这相应增加了系统开发的难度，更使得部件之间的衔接和协调变得比较困难；而后者则没有实现对问题知识的全面管理，并且需要独立设计问题库和知识库两种库结构，相应增加了系统设计的复杂性，也难以实现问题库管理与知识库管理的无缝对接。
为此，我们通过分析决策问题的本身特征和问题有关知识的特性，认为可以将问题库和知识库合二为一，将问题库纳入到知识库的范畴，建立基于知识库的问题组织方式。具体方法是：将面向问题DSS中的所有决策问题的各种信息存放于知识库中，取消原先结构的问题库或将问题库作为DSS知识库中的一个子库。
其中：
·知识目录主要用于存储知识的编号、名称和知识的简介，便于用户对知识的检索。
·问题、模型、算法等各方面的知识以属性和规则/方法两部分内容存储于知识库中。其中，属性主要包含知识对象的各种特征，如模型知识的属性包括模型的名称、类型、输入输出变量、表达式、适用范围等；而知识的规则/方法则是指该知识的运用规则或方法，如模型知识的规则/方法包括模型的创建规则、匹配规则和调用规则。
·知识库的操作主要是对知识库本身的管理维护操作，它主要包括知识查询、知识推送、知识维护和知识清理四种基本操作。
由于知识管理本身并不是本书研究的对象，故有关知识管理系统的详细结构在此不作分析。
之所以提出这种基于知识库的问题组织方式，理由在于：
第一，根据我们在第二章中的分析，从决策问题的本身特征来看，任何决策问题都可以看成是一种由一系列属性和方法组成的实体对象，与决策问题理解与求解相关的全部信息（如问题的描述、类型、求解模型或方法、解决方案）都包含在问题对象的属性和方法中，一旦该问题被求解，则这些信息就成为解决同类问题可以利用的知识。而即使该问题不能求解，其已经分析出的信息（如问题的子问题分解结构、各子问题的求解状态）也可以用来作为同类问题分析的参考。
第二，就问题有关知识的特征看，问题驱动的DSS的目标是为求解决策问题提供支持，而与决策问题有关的知识的作用也是为了更好地帮助系统求解问题。因此，只要对求解同类问题有帮助，都可以当作知识加以处理。这样，在DSS中需要存储的决策问题信息都可以用来作为解决同类问题的知识，这些信息应该作为案例知识存放于知识库中。
第三，以知识库的方式来管理问题信息，有利于更全面地利用问题的有关知识来理解和求解问题。由于对知识的认识具有不充分性，很多原来不被认定为知识的信息将随着认识的深入和认识环境的变化逐步知识化。因此，将问题信息知识化并以知识库的方式来管理，可以避免某些在特定条件下所需要的知识被遗漏。例如，“问题的提交人”这一信息看似对问题的求解没有帮助，但当他所提出的决策问题具有较强的主观片面性而不能正常求解时，可以通过查询问题提交人并分析其行为特征或提交问题的背景，来找出决策问题本身存在缺陷的原因或线索。因此，将问题信息纳入知识库中，有利于实现对问题知识的全面管理。
第四，以知识库的方式来管理问题信息，也便于将问题库与知识库衔接起来，简化系统结构的设计，降低系统开发的难度。
3.1.2 问题知识库的基本结构
既然问题库可以作为知识库的一个子库（我们称之为问题知识库），那么它应该具有与知识库相同的结构，这样才能像对其他知识一样对问题知识进行统一管理。我们在研究中提出了一种通用的知识库数据结构，它适合各类知识的管理。针对知识类型的多样性而建立不同的数据集，会导致知识数据管理缺乏灵活性。因此，我们定义一个元知识的标准内部属性集KI=｛AIi|1≤i≤n｝，KI为知识的内部存储结构，AIi为元知识的内部属性，且Ai=（Name，Formate），即Ai由Name（内部属性名）、Formate（内部属性数据格式）两个分量来描述。不同类型的元知识具有相同的内部属性集。同时，为元知识类型Ki（1≤i≤p）定义外部属性集KEi=｛AEj|1≤j≤m，m≤n｝，KEi为Ki对用户的外部呈现，AEj为Ki的外部属性，且Aj=（AIj，Name，Order|AIj⑨KI），即Aj由AIj（对应的内部属性）、Name（外部属性名）、Order（外部属性呈现次序）3个分量来描述。对于不同的元知识类型，相同的内部属性可以有不同的外部属性。例如，内部属性A，在“论文”类型的元知识中，呈现的外部属性是“标题”，而在“专家”类型的元知识中，则可能是“专家姓名”。
该通用知识库的数据结构可以用BNF范式定义为：
＜知识库数据＞：=＜元知识属性＞＜元知识操作相关数据＞
＜元知识属性＞：=＜元知识标准内部属性集＞＜元知识外部属性集＞
＜元知识标准内部属性集＞：=＜内部属性名＞＜属性数据格式＞
＜内部属性名＞：=＜编号＞＜目录编号＞＜类型＞＜标题＞＜创建者＞……＜描述＞
＜属性数据格式＞：=＜数据类型＞＜数据长度＞＜主键＞[是否空值]……[说明]
＜元知识外部属性集＞＞：=＜外部属性名＞＜对应的内部属性＞＜外部属性显示次序＞
＜外部属性名＞：=＜类型编号＞＜编号＞＜目录编号＞＜知识类型＞[标题][创建者]……[描述]
＜对应的内部属性＞：=＜内部属性名＞
＜外部属性显示次序＞：=1|2|3|……|m
＜元知识操作相关数据＞：=＜知识目录＞＜知识目录存放知识类型＞＜查询引擎学习结果＞＜用户偏好学习结果＞
＜知识目录＞：=＜目录编号＞＜目录名称＞
＜知识目录存放知识类型＞：=＜目录编号＞＜知识类型＞
＜查询引擎学习结果＞：=＜关键词＞＜查询频率评分＞
＜用户偏好学习结果＞：=＜用户编号＞＜关键词＞＜查询频率评分＞
＜关键词＞：=＜关键主题词＞＜关键动词＞
这里，知识的内容包括知识对象本身的属性和知识的应用规则/方法存储在元知识内部属性中，并且不论是哪种知识（问题、模型、算法、论文、专家……）均以标准的格式存储，但呈现给DSS用户看的是元知识外部属性，它根据知识的类型而各有不同，两者通过元知识外部属性到内部属性的映射进行关联。对知识库的管理通过知识库操作来实现，并以元知识操作相关数据来支持这些操作或记录操作结果。
作为知识库的子库，问题知识库结构完全遵从上述结构定义，只是在元知识外部属性中显示自身的特点。例如，在内部属性中的“知识类型”、“标题”、“创建者”和“描述”，在外部属性中分别为“决策问题知识”或“案例知识”、“问题简述”、“问题提交者”和“问题详细说明”。至于问题知识需要哪些外部属性，我们将在下面的问题知识结构中讨论。