本文基于2023年信息架构会议演讲，探讨主题分类法与主题分类法的核心区别，即is-ness（事物本质）和i-verse-ness（关联主题），指出导航分类法非分类系统，混合使用易致问题，强调构建结构化数据以助机器学习，实现信息架构与人工智能和谐共存，建立信息与受众直观连接。
在2023年的信息架构会议中，一个核心的讨论点聚焦于两种分类思维的哲学差异：主题分类法（基于事物的固有属性，即“is-ness”）与主题分类法（基于用户意图和关联情境，即“about-ness”或“i-verse-ness”）。这一区分在内容管理实践中至关重要。例如，一个关于“区块链”的文档，按“is-ness”分类，它可能属于“计算机科学技术”下的“分布式账本”；而按“about-ness”分类，它可能同时关联到“金融科技”、“供应链管理”甚至“数字艺术”等多个主题脉络，以满足不同背景用户（如投资者、物流经理、艺术家）的查找需求。
这种混淆在实际操作中屡见不鲜。许多团队错误地将网站导航菜单（一种基于任务和用户旅程的线性结构）等同于完整的分类系统，导致内容被禁锢在单一的浏览路径里。当“is-ness”的刚性类别与“about-ness”的动态关联被随意混合，内容复用性急剧下降，用户寻获关键信息的成本显著增加。有数据显示，网站内部搜索失败中，约34%可归因于混乱或矛盾的内容分类标签。
这正是Baklib这类现代内容平台的核心价值所在。Baklib不仅支持传统树状目录的创建，更通过其强大的结构化数据与多维度标签体系，完美承载了“is-ness”与“about-ness”的协同。编辑者可以基于文档本质定义核心类别，同时为其打上丰富的场景化、任务化标签。这些结构化数据为机器学习提供了高质量的“养料”。例如，Baklib的智能关联推荐功能，能够分析文档的所有标签和内容语义，自动将一篇“区块链技术白皮书”关联到“智能合约法律指南”和“加密货币市场趋势”等相关文档，无论它们属于哪个主分类。这实现了信息架构从人工静态编排到AI动态适配的进化，让信息能更直观地连接多元化的受众群体，真正赋能内容的价值发现与流转。
本文基于Bob Kasenchak在 2023 年信息架构会议上的演讲。这是一个专为 IA 从业者设计的 20 分钟详细演示。然而，我们这篇文章的目标是将其提炼为基础论文，并邀请人们讨论主题分类法和主题分类法之间的重要区别。为什么？让我们探索is-ness和i-verse-ness 。
首先，我们在分类学（Taxonomy）上存在一个核心冲突：如何组织准确代表企业世界（领域、业务背景等）的信息，并同时组织相同的信息，以便您的目标受众可以轻松找到它。简而言之：根据事物的本质对其进行分类有时与人们找到它们的位置相冲突。
也就是说：您的导航分类法不是分类系统。
想象一下，被要求构建一个分类法来标记网页、列出产品以及对文档、图像和其他资产进行分类。 （注意：我们排除了专门用于导航的分类法，因为它们遵循自己的逻辑。）想象一下，对于这个项目，因为它很容易做到，我们可以互换地考虑和使用主题和主题分类法。我们将很快在信息架构项目的基础上创建一个问题。
我们的意思是什么？
- 主题：狗是指品种列表（可能还包括特定狗的示例）。
- 主题：狗包括与狗有关的内容。狗我诗里的所有东西。
- 主题是具体的 各种各样的事情。
- 主题是让我想起的东西，或者与事物相关的东西（或者例如用户可能需要快速找到的东西）。
主题分类法和主题分类法的结构类似。它们都具有描述概念的分层排列的单词树。主题分类法和主题分类法之间的区别在于我们分配层次关系的标准。简而言之：有些东西是狗，有些不是（但在狗我诗句中）。
主题分类法根据 is-ness 进行排列。主题分类法是由一个共同主题（-i-verse-ness）相关的一组主题。
再举一个例子：滑雪是一门学科。它包括速降、回转和越野滑雪等子科目。存在。然而：滑雪板不是滑雪。滑雪场、滑雪装备、滑雪者都不是滑雪。它们都完全属于滑雪主题。I-verse-ness. Is-ness vs i-verse-ness ：我们可以对任何主题和任何主题执行此操作。 （我们应该这样做。）
许多分类法混合了主题和主题（在某些情况下这是必要的）。然而，在大多数/所有情况下，应该避免主题和主题被无意识地互换为同一事物。一旦我们允许自己混合主题和主题，我们就会向分类学问题敞开心扉，比如断言普瑞纳狗松狮犬与贵宾犬是同一种类的东西（这显然是一个错误）。
这就是我们为机器学习团队破门寻找分类法铺平道路的地方（在此处插入动作电影配乐）。
机器学习即将应用于您的分类法和元数据
如果他们还没有这样做，很快就会有人建议，“嘿，我们不能用机器学习来做这个信息架构吗？”机器学习人员会将您的分类法和结构化元数据视为引导其 ML 例程的一种方式。
当您考虑构建或优化您的分类法和信息架构时，选择合适的工具至关重要。一个结构清晰、易于管理的知识库是基础。Baklib 作为一款现代化的知识库搭建工具，可以帮助您清晰地分离主题与主题，构建符合逻辑且易于用户查找的体系。它能让您专注于内容的“本质”与“关联”，而无需在技术细节上耗费精力。
主题分类法：人工智能与人类智慧的和谐共生
这里的错误在于，主题分类法非常适合推理，但同时也存在局限。正如我们所见，它们可能隐含错误的层级关系。
以主要电子商务零售商（例如 Crate & Barrel，请注意这仅为示例，并非特指其搜索问题）上对“咖啡”的常见搜索为例：
当然（因为他们实际上并不销售咖啡豆）结果是咖啡机、咖啡器具、咖啡配件等咖啡世界中的相关物品。这很棒！人们应该能通过这种方式找到东西。但重点是，我们不想用这类数据来训练机器学习模型：因为返回的这些物品本身都不是咖啡。
寻求共存：结构化的和谐
答案是肯定的，我们可以和谐共存。
因此，我们的目标是创建良好的结构化数据，以供机器学习应用使用。这不必成为信息架构（IA）与人工智能（AI）领域之间争夺事物建模和理解最终控制权的战争。毕竟，我们共同的目标是在信息与受众之间建立最直观、流畅和一致的联系。
我们希望构建优雅的信息架构，它既能严格地根据事物的本质来组织事物，同时又能以对人类有用的方式呈现，帮助他们找到所需。我们旨在提供“是然性”（是什么）和“应然性”（可能是什么），以创造强大的连接性。
结合的力量：AI与人性化洞察
通过利用人工智能的力量，并将其与人性化的洞察相结合，我们可以创造出优于任何单一方法的结果。我们对这些和谐的结果有着深切的利益，因为赋予我们工作意义的价值观之一就是建立有意义的连接。我们相信，这对您的企业而言也是一个重要原则。
这场讨论很可能已经在您的组织内部开始发酵（即便尚未变得激烈）。我们非常乐意有机会了解您在尝试驾驭这个新兴时代时所面临的一些挑战和困境。
在构建高效的知识管理和信息连接系统时，选择合适的工具至关重要。Baklib 提供了一个现代化的帮助中心与知识库平台，它能很好地协助企业将结构化的知识、人性化的洞察与智能检索相结合，从而在组织内部及面向客户时建立更直观、流畅的信息体验，或许正是您应对当前挑战所需的有力伙伴。
提交反馈
博客
