基于案例推理法研究综述的设计与实现.docVIP

基于案例推理法研究综述 燕山大学学报（哲学社会科学版） 侯玉梅， 许成媛 摘要 基于案例推理是人工智能领域一项重要的推理方法，是近年来发展迅速且应用广泛的一个推理模式。论文主要论述了基于案例推理的原理、过程及其应用，详细描述了基于案例推理的过程以及相关的技术支持。 基于案例推理(CBR) 的方法最早由耶鲁大学教授在1982年提出，是人工智能领域一项重要的推理方法。基于案例推理是人工智能中发展起来的一种重要的推理模式，属于域内类比推理。源于美国的CBR随后在欧洲兴起，由于CBR能够很好地模拟人类的认知过程，它的应用范围也变得越来越广泛。 基于案例推理简介 基于案例推理简称案例推理，它就是在遇到新问题时， 在案例库中检索过去解决的类似问题及其解决方案，并比较新、旧问题发生的背景和时间差异，对旧案例解决方案进行调整和修改以解决新的问题的一种推理模式。与传统的基于规则推理和基于模型推理相比，CBR的数据形式属于“自由”类型，因此不同于强调数据域、数据长度 和数据类型的传统关系数据模型。它无需显示的领域知识模型，避免了知识获取瓶颈，而且系统开放，易于维护，推理速度较快。同时增量式的学习使案例库的覆盖度随系统的使用逐渐增大， 判断效果愈来愈好。 可以有效解决传统推理方法中存在的许多问题。 CBR是一种重要的机器学习方法，它将目前面临的新问题称之为目标案例， 将过去解决过的问题称之为源案例。 案例推理的过程可以看作是一个相似案例检索、案例重用、案例的修改和调整、案例学习四个步骤的循环（如图 1所示）。遇到新问题时，将新问题通过案例描述输入CBR系统；系统会检索出与目标案例最匹配的案例，若有与目标案例情况一致的源案例， 则将其解决方案直接提交给用户； 若没有则根据目标案例的情况对相似案例的解决方案进行调整和修改， 若用户满意则将新的解决方案提交给用户， 若不满意则需要继续对解决方案进行调整和修改； 对用户满意的解决方案进行评价和学习，并将其保存到案例库中。 通常CBR 系统包含了一个存有源案例及其相应解决方案的案例库， 检索案例的属性值和检索机制，计算案例匹配程度的函数和案例修改和调整的方法四部分。CBR系统解决问题的基础是一个存储了相关领域知识和具体解决问题的案例知识记录；案例检索是CBR 的一个关键环节，合适的案例检索方法可以提高CBR系统检索案例的速度和精度；案例的调整和修改方法是CBR系统中较难的一项，具有较高的灵活性，需要根据相关的领域知识和用户的具体要求来进行修改和调整。 案例推理的关键技术研究 案例的知识表示 案例的知识表示是案例推理的基础， 它实际上就是将过去解决问题的实例表示成案例的形式， 存储在案例库当中， 即使用一些特定的符号语言把实例编码成计算机可以接受的数据结构。 案例表示首先要解决案例应当包含什么信息。案例一般由问题的描述、 相应的解决方案以及方案实施效果三部分组成， 其中问题的描述及相应的解决方案是案例描述时必须包含的信息， 方案的实施效果则是根据案例库建立的需求而定的。因此，一般的案例表示应至少包括问题的描述及相应的解决方案，一般案例描述为二元组的形式，即为 (问题；解决方案)；若要描述出解决方案的实施效果，则可表述为三元组的形式 (问题；解决方案；实施效果) 。 我们在进行案例描述时， 首先应当分析搜集到的大量的源案例，抽取其主要的共同特征，根据这些共同特征来进行案例描述。 对案例进行知识表示时，必须要反映知识的结构，联系案例的上下文环境，常见的案例表示方法有案例特征属性、框架表示、基于XML的表示和面向对象法等。 案例的检索 相似案例的检索是 CBR的一个关键环节，案例检索就是从案例库中搜索出与目标案例最为相似，对目标案例最有帮助的案例，案例检索的过程就是一个查找和匹配的过程。在CBR 中相似案例的检索要达到检索出的相似案例尽量的少和检索出的案例与目标案例尽可能的相似这两个目标。 案例检索的方法 目前比较常用的案例检索算法有知识引导法、神经网络法、归纳索引法和最近相邻法。 知识引导法是根据已有的知识来决定案例的特征属性在案例检索时的重要程度， 赋予其属性一定的权值， 并根据权值大的属性特征对案例进行检索。由于知识是在不断累积和增加的，因此这种检索方式具有一定的动态性， 若应用于领域知识比较完善的 CBR系统，该检索方法会相对稳定一些。通常该检索方法会与其他检索方法结合使用。 神经网络法是根据案例的特征属性将案例库分为若干个子案例库，在每个子案例库中建立一个神经网络系统，对子案例库中的案例进行检索，运用这种方法进行检索时最主要的一个方面是要对数据进行训练， 即对案例的问题描述和解决办法这些数据进行训练，得到输入与输出的关系。运用神经网络法检索案例的过程为： 将目标案例的特征属性输入神经网络系统，由神经网络系统