案例的检索与学习

4.7.3　案例的检索与学习

相似案例的检索是CBR的关键所在，其对新问题的求解效率和推理准确性都有很大影响。案例检索是根据新问题的描述进行模式匹配的过程，新问题常常被定义成一组特征属性，检索的目标就是从案例库中找出一个最相似的案例。其检索过程是先根据新问题的初始条件提取特征属性作为检索目标，再用新问题的特征属性值和相似案例集中的每个案例对应的特征属性进行相似度量，找出相似度最大的案例。

案例检索的子任务包括:特性鉴别、初始匹配、搜索和选择^［4］。

(1)特性鉴别:分析和详细描述待求任务情况的过程，目的是从任务中抽取出比较贴切、足以描述问题、供匹配和搜索使用的新案例特征。一般来说问题描述部分就足以给出所需要的特征。对于复杂案例则需要在上下文中“理解”问题，必要时需要用户加以解释。

(2)初始匹配:CBR的匹配方法分成两步，初始匹配过程首先利用特性鉴别给出的新案例特征，通过案例索引匹配，得到一组可行的候选案例，再经过选择过程在这些候选集中选择最好的一个。

(3)搜索:从原理上说案例的搜索有三种方式，即通过来自问题特征的直接索引指针，通过搜索一个索引结构，通过搜索一个一般领域知识模型。不同的系统采用不同的搜索方式。

(4)选择:选择过程从相似的案例集中选出一个最佳匹配案例。选择过程通常要对每个初始匹配检索到的案例给出结论和期望值(CBR系统通过使用自身的一般领域知识模型或者通过请求用户确认和添加信息来给出)，并且试图评估结论和证明期望值，最终给出案例的排序。

CBR具有天然的自学习能力，不断获取和更新知识，不断提高和完善自身的问题求解能力。其主要学习方法包括:

(1)新案例的积累。保存成功的和失败的新案例，可以增加系统对任务领域的覆盖范围。

(2)通过修改案例学习。一方面适当调节在检索中获得的最佳匹配案例的求解方案，使之适合于求解当前问题，另一方面用新问题的最佳解决方案的特征修改案例库中旧案例的特征。案例的修改往往与特定的领域密切相关，一般基于特定的有关知识来完成，可以包括领域知识和启发式修改规则。

(3)归纳学习^［5］。具有某种共同特征或同属于某个分类的案例的集合可以描述一个概念。在向这样的案例集合中添加新案例时，可以认为CBR系统在学习这一概念——即完善对这一概念的理解。同时，归纳学习可以在一个概念比较成熟的时候，就形成一般性知识。

(4)建立执行代价权。通过学习，可以依据案例的重复率和执行代价的高低，修改复用代价的权值，建立新的索引。实现“强化记忆”和“弱化记忆”的功能，使系统可以迅速回忆起有意义的案例，淡忘那些意义不大的案例。

参考文献

［1］李长河.人工智能及其应用［M］.北京:机械工业出版社，2006.

［2］［3］朱福喜，朱三元，伍春香.人工智能基础教程［M］．北京:清华大学出版社，2006.

［4］［5］陆汝钤.世纪之交的知识工程与知识科学［M］.北京:清华大学出版社，2001.

［6］张玉峰.智能情报系统［M］.武汉:武汉大学出版社，1991.

［7］Lamperti G，Zanella M.Flexible diagnosis of discrete-event systems by similarity-based reasoning techniques［J］．Artificial Intelligence，2006，170(3):232-297.

［8］Berardi D，Calvanese D，De Giacomo G.Reasoning on UML class diagrams［J］.Artificial Intelligence，2005，168(1-2):70-118.