基于案例的推理CBR的研究综述.docVIP

基于案例的推理CBR研究综述 案例推理的起源与发展 基于案例推理（Case-Based Reasoning,CBR）的发展史大约可以追溯到20世纪70年代后期，它最初起源于认知科学和人工智能领域。它的研究发源于美国，最早可以追溯到美国耶鲁大学认知科学和人工智能专家罗杰.沙克，1975年罗杰.沙克在《概念信息加工》一书中提出了“概念依赖（Conceptual Dependency）理论”这一理论的关键是吧自然语言句子的“含义”明确地、唯一地表示出来，他使用11种所谓的“原始动作（primitive acts）”来表示自然语言所表示的所有动作。用一些规则把概念结合起来构成概念表达式（conceptualization）来表示自然语言句子的“含义”。[1]正是这一研究引领罗杰.沙克走向了关注人类如何利用日常经验进行问题解决的研究之路，也催生了后来影响深远的CBR理论。 1977年，罗杰和埃布尔森（Abelson）发表了具有里程碑意义的研究成果Scripts, Plans, Goals and Understanding,开创性的提出了脚本（Scripts）的概念。1983年剑桥大学出版了罗杰的著作《动态记忆：关于计算机与人的回忆与学习的理论》，该著作对CBR进行了全面的阐释，提出了以“记忆组织包（Memory Organization Packets）”为核心的“动态记忆（Dynamic Memory）”理论。标志着这一重要理论的初步形成。[2] 罗杰.沙克提出的“动态记忆”理论对认知科学产生了较大的影响，因此，学术界把罗杰和布埃尔森1977年的研究成果视为CBR的思想源起，认为CBR是从罗杰.沙克和他的学生在耶鲁大学早起所做的研究以及他们对脚本的研究中衍生而来的。而把1982年提出的动态记忆理论视为人工智能领域中最早关于CBR的理论描述。可以说，从概念依赖到脚本，再到动态记忆，最终产生和形成了CBR思想。 目前，全世界至少有35个大学或学院正在从事CBR的研究。众多CBR研究结果出现在大部分人工智能期刊和学术会议上。这些学者和学术组织一方面研究CBR的认知基础和推理特征，如知识获取、合理推理、异常解释、医疗诊断等。另一方面，在人工智能领域探讨和验证CBR的认知模型和开发技术。他们对CBR的发展过程做了非常重要的贡献，从不同层次和不同视角揭示了CBR的认知过程，积极推动了CBR在人工智能领域的快速发展。[3] 案例推理的定义及相关模式 （一）案例推理的定义 案例推理的概念界定大致可以从认知科学的视角、人工智能的视角和学习科学的视角三个视角进行阐释。 在认知科学领域，CBR是人类解决问题的一种认知模型。CBR反映了人类解决问题的一种类比推理过程。珍妮.克洛德娜指出：“CBR意味着使用过去经验来解释和解决新的问题。在CBR中，推理者回忆与现在相似的先前情境，并用其来解决新问题。CBR意味着调整先前的解决方案来满足新需求；使用过去案例来解释新情境；使用过去案例来评判新的解决方案；或者像律师那样从以前的案例中做出推理来解释新情境，或者像劳工仲裁者那样建立新问题的合理解决方案。”[4] 在人工智能的研究领域中，CBR是人工智能建立智能机器所参考的一种有效推理技术。CBR在人工智能领域被作为一种提高计算机推理能力而建立的推理技术。人工智能领域在建立解决问题的过程中，将CBR视为解决问题的一种认知计算系统，其工作原理是“当遇到一个新的问题时，系统根据新问题的关键特征在原始的案例库中进行检索，找出一个与待求问题最详尽的候选案例，重用此候选案例的解决方法。如果对此候选案例的解决方法不满意，可以对它进行修改以适应待求问题，最后把修改过的案例作为一个新案例保存在库中，以便下次遇到相似的问题时作为参考。”[5]在CBR的智能系统中，专家解决问题的知识和推理过程隐含在解决方案中。瑞斯贝克（Riesbeck）和罗杰.沙克将CBR定义为：通过访问案例库中的同类案例（源案例）的解决方法，从而获得当前问题（目标案例）解决方法的一种推理技术。在CBR系统中，推理的知识单元就是案例。[6]因此，从人工智能的角度来理解，CBR就是专家系统模拟人类依据过去经验思考和决策解决问题的一种推理技术。 在学习科学领域，CBR是一种经验学习模型，它揭示了人们遇到问题时会通过先前经验做出“做什么”和“如何做”决策，也可以通过过去经验预测“可能会发生什么”。从另一个侧面来看，CBR将推理、学习与记忆融合为一个整体，揭示了人们如何使用自己或其他人的经验进行推理和学习。显然，从经验中学习是CBR的核心。在基于案例的推理中，利用过的经验来解决问题，必然涉及：记忆、确定适用性、应用这三个步骤。完成这三个步骤需要推理者理解新问题，回忆先前类似的案例，修正和适用案例，反思推理过程，以及对新案例建立解