科学技术在飞速发展的同时,自身的分化进程也在加快。随着学科专业的逐步细化,专业文献的研究范围开始逐渐缩小,专业间的沟通变得越来越困难。原本在专业文献间有价值的关联信息,由于专业文献的高度分化,日益被专业内部海量的信息掩盖,而不为研究人员所发现。为了解决学科间的知识鸿沟,实现跨学科的知识发现,美国芝加哥大学的Don R. Swanson教授提出了一种新的情报学研究方法:基于非相关文献的知识发现方法以及相应设计的知识发现工具软件——Arrowsmith。并使用此方法在医学领域的实践中发现了新的知识,取得了跨学科的知识发现领域的突破。本文在对国内外关于此方法的研究现状和存在问题进行分析后,提出了一种基于语义Web的知识元集成模型——SBKI模型。SBKI模型将文本单元转换为知识单元,以知识单元作为知识发现的基础,再通过语义网XML技术和本体技术对知识单元进行集成,建立起知识单元间的联系,目的在于发现非相关知识中可能存在的隐性知识链,帮助发现新知识。实验表明,SBKI模型与Swanson教授提出的知识发现方法相比,扩大了知识发现的范围,提高了知识发现的准确率和成功率。本课题来自于国家自然科学基金项目《网格平台上的知识元自由集成研究》(编号:70373046)。