（管理科学与工程专业论文）管理案例推理系统中的相似算法研究.pdf

l 。 i 摘要 纵观国内外的c b r 研究的研究成果，c b r 能够克服基于模型或基 i 规则推理系统的一些缺点，在企业管理决策、法律案例分析、系统规 划与设计等多方面具有巨大的使用价值和广阔应用前景。对于企业管理 决策领域，建立管理案例推理系统首先能够为管理者在新的市场竞争环 境卜做 j f 确的决策提供帮助；其次能够提供各种决策方案的典型案 例，为方案的实施决策起示范和指导作用：也能够帮助管理者发现自身 的问题，避免类似的决策错误，从而大幅度提高决策质量和水平。因此 借助c b r 系统，对于帮助培养管理者，提高管理者的决策管瑚水i f ， 从而最终提高我国企业的总体管理决策水平，具有重大的使 j 价值和深 远的现实意义。 论文研究的背景是国家自然科学基金项目基于神经网络的案例 推理g d s s 及其在企业中的应用( 7 9 9 7 0 0 8 7 ) 。作者的研究任务是符删 案例推理系统的相似算法部分。 本文在国内外对c b r 和相似算法研究的基础上，在以下方丽作j ， 深入的研究： 1 从c b r 系统的开发研究的角度，提出了c b r 研究任务的框架，= j = 介 绍在各个研究领域的主要研究成果。 2 以c b r 的丌发过程为主线，分析相似算法与c b r 每一个出现的问 题领域的关系，并介绍c b r 中的相似算法的研究及应用情况。 3 以管理案例推理系统研究为背景，提出了以适配舰则专家评论 为基础的相似度评估策略。在此基础上设计了基于专家评论的搜索 算法和匹配算法。 关键宇：c b r 、相似算法、相似度、专家评论 分类号：t p l 8 a s t u d y o i ls i m i l a r i t ym e a s u r e s o f m a n a g e m e n t c a s e sr e a s o n i n gs y s t e m a b s t r a c t c a s e b a s e dr e a s o n i n g ( c b r 、s y s t e m s c a l lo v e r c o m et h es h o r t c o m i n g s o t m o d e l b a s e ds y s t e m so rr u l e + b a s e ds y s t e m s ，a n do w n t h ea d v a n t a g ei nt h e a p p l i c a t i o na r e a so fm a n a g e m e n td e c i s i o n ，l e g a lc a s e sa n a l y s i s ，s y s t e mp l a n & d e s i g n a n de ta 1 i nm a n a g e m e n td e c i s i o na r e a s ，c b rs y s t e m sc a nh e l p t h e m a n a g e r s m a k ec o r r e c td e c i s i o n su n d e rn e wc o m p e t i t i v ec i r c u m s t a n c e ，s u p p l y t h e m v a r i o u st y p i c a lc a s e sw i t hs i m i l a rp r o b l e md i s c r i p t i o n sa n dh e l pt h e ma v o i d s a m ew r o n gd e c i s i o n s i naw o r d ，c b rs y s t e mc a ns u p p o r td e c i s i o n sm a k i n g a n di m p r o v et h eq u a l i t i e so f d e c i s i o n t h em a i n s t r e a mt h e m eo ft h i sd i s s e r t a t i o ni s t oc h a r a c t e r i z es i m i l a r i t y a s s e s s m e n tp r o b l e m si nc a s e - b a s e dr e a s o n m ga n dd e s i g na v a i l a b l es i m i l a r i t y m e a s u r e sf o rm a n a g e m e n tc a s e sr e a s o n m gs y s t e m t h em a i nt o p i c so f t h i s d i s s e r t a t i o na r e 1 p r e s e n t sat a s kf r a m eo f c b rr e s e a r c h ，c o n s i d e r i n gf r o mt h ea s p e c to f t h e r e s e a r c ho fc b r s y s t e md e v e l o p m e n t ，a n d i n t r o d u c e st h ev a r i o u sr e s u l t si n e a c hr e s e a r c ha r e a s 2 c h a r a c t e r i z e sr e l a t i o n so fs i m i l a r i t ym e a s u r e s t oo t h e rc b r p r o b l e m a r e a s ， m a di d e n t i f i e sv a r i o u ss i m i l a r i t ym e a s u r e sa n d t h e i r s a p p l i c a t i o n 。 3 b a s e do nt h e a n a l y s i s o ft h e r e q u i r e m e n t s o fm a n a g e m e n tc a s e s r e a s o n i n gs y s t e m ，t h es t u d yp r e s e n t sas i m i l a r i t ya s s e s s m e n ts t r a t e g ya n d d e s i g n se x p e r t - c o m m e n t b a s e d r e t r i e v a lm e c h a n i s m a n d m a t c h i n g m e t h o d s k e y w o r d - c b r ，s i m i l a r i t ym e a s u r e s ，s i m i l a r i t y ，e x p e r t c o m m e n t s 塑：里堑堡 第一章绪论 1 1c b r 简介 神! i ，f ：多领域垠，推理过程常常依赖于+ z r g j 号业技能，而不是通用的知u 。占 j ：案例推删( c b r ) 是一币t ，应j | j 先i j ， 日似案例的解决力案来解决新问题的力法，这 种办法是对人类求解n d 题思路的自接类比与模拟。 幽i ic b r 的认知图 c b r 系统可以看作是一种基丁知以的系统，但是与基于模型推理系统、蜓j ：舰 m 州! 系统等其他知u 系统不同的是，c b r 系统具有以下优点： 1 c b r 不需要一个i ! l ：j 确的领域模型，进行推理或启发的基础只是收集历史案例。 2 c b r 系统实现的最简单的基础只需要识别出足以描述案例特征的关键属性，这 比起构建一个明确的模型要容易得多。 3 c b r 系统应用数据库技术能够管理大量的信息。 4 c b r 系统能够进行学习，0 r o t , q 案例作为新的知识存入案例库中，使得案例j 吲t 护更加容易。 1 2 研究背景 l i 腑在困内，c b r 的研究还处丁+ 简单的应用阶段，专门的c b r 文献很少。然 纵规n ； l - f i jc b r 研究的研究成果，c b r 能够克服基于模型或基 二舰则推理系统 的螳缺点，z l ! 企业管理决策、法律案例分析、系统规划与设计等多方面具7 i li 人 f i , j 史j l l 价值和广阔应用前景。首5 色，建立管理案例推理系统能够为管理者在新的i l j 场竞争环境下做n i 确的决策提供帮助：其次能够提供各种决策方案的典型案例， 为厅案的实施决策起示范和指导作用；也能够帮助管理者发现自身的问题，避免类 似的决策错误，从i i i 大幅度提高决策质量和水平。因此借助c b r 系统能够帮助j ：f f 养 ! ! ：里竺笙 僻删者提高管理者的决策管王q 冰平，刘丁最终提高我国企q k 的总体管理决策水、i ，- j 有蕾大的使j j 价值和深远的现实意义。 论文研究的背景是国家自然科学基会项日一一基于神经网络的案例推理g d s s 及其订j 食、m 0 应用( 7 9 9 7 0 0 8 7 ) 。 1 3 本文的研究任务与研究框架 作者在本课题巾主要研究了c b r 的相似算法，并设计了适合管理案例推理系 统的k 1 t v a $ f 法。山r 棚似算法与c b r 的其他领域密切相关，所以在研究中首先要了 解c b r 的特点，袖：此基础之上对现有的相似算法进行分析和比较，而后针列瞥娜案 例的特点和系统的应用要求设计合适的相似算法。 论文由三人部分构成： 第一部分包括第二章。第二章是一篇c b r 综述，目d u 在国内对c b r 的研究还 处j ：简瞥的应j f j 阶段，并没有专门的c b r 综述性文章刘c b r 进 全面的介 f j o 作 焉礼：进行大f i t ：c b r 文献的整理后，概要介绍了c b r 和c b r 系统的概念，弗提 c b r 研究任务分解的框架。它与1 9 9 4 年a a m o d t 提出的c b r 任务分解方法：- i q j 的 是，该任务划分不是从c b r 的处理循环的角度，而是从c b r 系统开发研究的角度， 将c b r 的研究任务划分为案例表示、案例存储、对话框引导、案例检索、案例刊f | 、 案例修i ：和案例库维护等七个任务。剥于每一个任务，确定其研究范围，进 i f - 务 钏化，并介绍泼研究领域目前的_ 主要研究成果。 第二：部分包括第三章，根据作者在课题研究中对c b r 相似算法的研究成果， 个丽介绍c b r 巾的相似算法。在此引用的是对相似算法的广义理解，即相似算法涉 及所_ r j 棚似检索年u 关的技术，它包括列相似度的定义，相似度评估策略和体实 施h 法( 狭义的相似算法) 等。章节首先对相似算法的基本概念进行介绍，然厉以 c b r 系统v j j i ：发过程为主线，分析相似算法与c b r 系统中其他问题领域的关系， 最后介绍c b r 系统巾的相似算法的研究及应用情况。 第三部分包括第四、五、六三章，针对管理案例的特点和管理案例推理系统的 应j f 】要求，提j i ；了管理案例推理系统中对管理案例相似度的定义：案例在适配舰则 争家评沦j ：的相似。基于该定义，文章提出了管理案例的相似评估策略：川 似度评估分为搜索、匹配和选择等三个步骤。为实现有价值的案例检索，作者没 了基于专家评论的案例搜索方法和匹配算法。在对大量管理案例进行分析后，根 笙二翌些堡 = l l l ：属性所含的信息量和信息类型不同，抽瞅出叫丈类型的属性：简单枚举、次序枚 举、分类树和序列类型。针对不同的属忖类型，设计了不同的棚似算法来计算属性 缄的棚似度( 局部相似度) ，以适应案例实际的应用意义。同时，针刈最邻近算法 尤法表示和计算属性问的相关性的特点，作者提山了层次相似算法模型，并将其应 川j + 管理案例的全局相似度计算。 船一帝c b r 概念究任务 第二章c b r 概念与研究任务 在过去- f l , jf 多年氍，案例推理( c a s e b a s e dr e a s o n i n g ，简称c b r ) 的研究引起 了广泛的兴趣。c b r 是伴随着认知心理学的研究而发展起来的门新的推理方式， 腻于类比推理方法，其基本思想是基于人们在问题求解中总是强烈依赖i r 以往处理 类似问题的先例、经验或获取的知识，再针对新旧情况的不同做出相应的调整，从 耵得新问题的解，并形成新的案例。作为一种新的推理求解模式，c b r 刁i 仪使知 u 的获取更加简便、快捷，而儿极大地改善了推理的速度和质量( 秽谚留易1 9 9 5 ) 9 2 0 c b r 方法是基了二自然界的两条原则( l e a k e ，1 9 9 6 ) 4 3 1 。第条原则是f j j ：界足 7 r 觇律的：相似的问题具有相似的解决方法，从而，先d h 相似问题的解决方案足解 决新问题的一个很好的出发点。第二条原则是以前遇到的问题极有可能在将米“次 遇到，从而，未来m 现的问题可能与目前的问题相似。当两条原则都成立时，琏j ： 案例推理是一利一有效的推理策略。 目前，在国内的学术领域早对c b r 的研究还处于简单的应用阶段，儿乎没有 号门的c b r 文献。而国外自1 9 8 8 年起对c b r 的研究就没有中断过。可供参考的 外综述性文献主要有：对c b r 概念和起源的全面讨论( 如b a r l e f f a ，1 9 9 i 口f ； l l a r m o a ，1 9 9 2 f ”i ；k o l o d a e r ，1 9 9 2 3 4 1 ；k o l o d n e r ，1 9 9 3 e 氇r e i b e c k ，1 9 8 9 “l ：s i m o u d i s ， 1 9 9 1 1 ”l ：s l a d e ，1 9 9 1 1 7 ”) ；介绍c b r 作为方法论的特征( w a t s o n ，1 9 9 8 ) m i ；描 述c b r 系统的研究问题，并介绍可行的解决方案( j u r i g i c a ，1 9 9 3 ) 1 3 1 1 ；c b r 的f f 务分解( a a m o d ta n dp l a z a ，1 9 9 4 ) 0 1 ；c b r 与模型推理系统的比较平l lc b rl ： ( w a t s o n ，1 9 9 4 ) m l ；c b r 的技术与应用以及可能实现的商业利益( w a t s o n ，9 好) i s 2 i ：介绍c b r 在欧洲的发展( l o p e za n dp l a z a ，1 9 9 7 ) 1 4 s 】；介绍c b r 在商业系统 l l q f , j 应用( w a t s o n ，j 9 97 l “l ：l e a k e ，j 9 9 ”) ；介绍c b r 的主要特点：惰性问题 解决方法( l a z y p r o b l e ms o l v i n g ) 以及c b r 在其他学科领域中的研究和应用( a h a ， ，9 9 8 ) 1 2 等。 本章节r i l 作者的主要贞献是：从c b r 系统刀：发研究的角度设计了个c b r 的 砌究任务框架，并以该框架为基础，全面介绍了c b r 的各个研究领域与研究成果。 章 ，是| l 三个部分构成：首先对c b r 概念、历史发展和应用领域进行简要的 介绍，之后对c b r 系统作一个总体叙述，最后从c b r 系统丌发研究的角度，提“1 笙二：! ! ! ! 塑垒! ! 型! i 堡堑 c b r 的研究任务框架并介绍在各个研究领域的主要研究成果。 2 1 基于案例推理a s e b a s e dr e a s o n i n g ( c b r ) 2 1 1c b r 的概念及研究驱动力 列于c b r 更详细的定义很难达成一致共识，因为c b r 列于不同群体的人而吉 代表着不同的事物。下面列举出三个研究群体对c b r 的解释： 认知科学家：c b r 是一个近乎可信的高级认知处理模型( k o l o d n e r ，1 9 9 3 ) 3 5 0 人i ：智能：c b r 是解决问题的一种范式( a a m o d t ，1 9 9 4 ) i q o 号家系统研究人员：c b r 是专家系统的设计模型，既可以单独使用u 三i ，j 。以嵌入 推号家系统巾使用( w a t s o n ，1 9 9 7 ) i n 。 c b r 研究的驱动力主要有两个来源。第一个驱动力来源于认知科学领域，它试 i ；i 建市人类的行为模型；第二个驱动力来源于人工智能领域，动机是为了丌发使 a i 系统更d l f f i 效的技术。1 9 7 7 年s c h a n k 和a b e l s o n 的研究工作( s c h a n ka n d a b e l s o n ， 1 9 7 7 ) 7 1 1 被看作是c b r 思想的起源，他们指出人t f j x 4 情况的认识是以脚本( s c r i p t ) 的方式储存在大脑，使得我们能够产生期望、做出推断。1 9 8 2 年s c h a n k 在“d y n a m i c m e m o r y ”一书中提出了动念i 己忆理论( s c h a n k ，1 9 8 2 ) 1 7 0 l 。该理论提出了利吒己忆 结构一一存储( i d 忆) 组织包( m e m o r yo r g a n i z a t i o np a c k e t s ，m o p ) ，描述存储( 记 忆) 如何随着经验的增长而自动修改和发展。a n d e r s o n 指出人们在学习解决问题州， ) t j i t 在早期的学习中通常是以过去的案例作为模型。之后，k o l o d n e r 以s c h a n kf 由研 究为基础，指m 包括专家在内，使用过去案例常常是人们解决问题的酋选方法，j 1 。 i i j f 究了应用在问题求解中的c b r 模型。 c b r 的第一个认知模型以及以该模型为基础的第一个c b r 应用系统是j 二8 0 l j 代午j j j f j l t h t l l 5 鲁大学r o g e rs e h a n k 的工作小组提出的c s 。c y r u s 系统实 现了s c h a n k 的动态存储模型，这个存储模型是后来许多c b r 系统的基础，如 m e d i a t o r 【s i m p s o n ，1 9 8 5 ，c h e f h a m m o n d ，1 9 8 6 1 ，p e r s u a d e r s y c a r a ，1 9 8 7 】， c a s e y k o t o n ，1 9 8 9 $ j u l i a i t i n r i c h s ，1 9 9 2 等。 另一个认知模型是山b r u c ep o r t e r 提出的。p o r t e r 等人将启发式分类法( b r u c e ， r a y a l l d r o b e r t ，1 9 州i l l w i l l i a m ，1 9 8 5 1 ”1 ) 与机器学习方法结合，构建了p r o t o s 系统。该系统将领域知识和案例特定知识集成到单个存储模型中。 垫兰! ! ! ! 坚查! ! ! ! 塑堡堑 2 i 2c b r 的研究进展 c b r 研究的迅速发展是在8 0 q - e 的中后期，美国的d a r p a 将c b r 作为 个独立的研究领域进行资助。c b r 领域单的许多研究成果都来源于d a r p a 的c b r 一作室。1 9 8 8 年、1 9 8 9 年和1 9 9 1 年美国成立- j - = 个d a r p a 工作室，1 9 8 8 年至1 9 9 3 3 1 - ：a a a i 资助建立和组织许多c b r 工作室和座谈会。在欧洲，对c b r 的关注足从 1 9 9 1f l - 3 1 。始的。1 9 9 2 年举办了德因第一届c b r 工作室( f i r s t g e r m a n c b r w o r k s h o p ， g w c b r ) ，1 9 9 3 年举办了欧洲第一届c b r 工作室( f i r s te u r o p e a nc b rw o r k s h o p ， e w c b r ) 。1 9 9 5 年第一届国际c b r 会议召丌( f i m ti n t e m a t i o n a lc b rc o n f e r e n c e ， i c c b r ) 。值得关注的是虽然c b r 起源于认知科学，但这些会议更多是关征j 人 i 钳能和号家系统研究领域，而非认知科学领域。由a a a l 资助的c b r 会议也是 鬃i ， 二c b r 在计算机科学领域的研究和应用。在认知科学、机器学习和人工智能领 域的许多杂志和会议上面也有很多关于c b r 的文献。 在c b r 的发展过程巾，许多科学家在不同角度对基于案例推理进行了大量的 理沦研究，并构建了许多应用系统。k o l o d n e r 在文献( k o l o d n e r ，1 9 9 3 ) ”5 【| 1 介2 “ 了荚i 功佝8 2 个c b r 系统，下表( 表2 - 1 ) 整理出在c b r 的发展史上的些霞要研 究人员及其研究成果。 重要研究人员大学学科领域时间研究成果 r o g e rs c h a n k美国认知科学1 9 7 7 年知识表示脚本 y a l eu n i v e r s i t y 1 9 8 2 年动态存储模4 u 、存储纠 织包、第一个实施的c b r 系统c y r u s ( k o l o d n e r ) k o l o d n e r 1 9 8 3 其它系统，如：j u d g e ， 1 9 8 8 正 s w a l e ，c h e f b r u c ep o r t e r 美国概念学习 1 9 8 6 p r o t o s 系统( 基j 先 a u s t i l lt e x a s1 9 8 9 盘： 例的概念表示) 1 9 9 2 年 b r e b e ( i9 9 2 ) e d w i n ar i s s i a n d 美国法律案例 1 9 9 0 h y p o 系统 uo fm a s s a c h u s e t t s ( 从1 9 8 3 1 9 9 2 年 【a s h l e y ，1 9 9 0 】 a m h e a r s t 年起) c a b a r e t 系统 f s k a l a k ，i9 9 2 】 p h y | i sk o l o n 美国c b r0 知 1 9 8 9 c a s e y 系统 m i t 识库( 将案例推理雨深层模 型推理结合) 第一乖c b r 概念蝴究任务 j a i m e 美国类比自1 9 9 0应川类比进 j 基1 。案例 c a r b o n e | 1 c a r n e g i em e l l o nu ( a n a l o g y 年起的规划 m a n n e i av e i o s o m i c h a e lm 德国争家系统 1 9 8 8 - m o l l k e 系统用i r i c h t e r uk a i s e r s l a u t e r n 中的c b r 1 9 9 1 年 p a t d e x 系统( 技术诊 断) 臼1 9 9 1 基丁案例的计划系统： 年起 c a p l a n c b c 臼1 9 9 2 欧d t i c , f , , 曰：i n r e c a 年起i n r e c a 1 1 r a m o nl o p e zd e 阳班爿：c b r 与机1 9 9 0 年任医疗诊断中i 7 , t t j 基j m a n a r a $ ， “i ab i a r i e s 器学习案例学习。 e n r i cp l a z a a g n a ra a m o d t挪威 c b r 与女1 9 9 i 证c r e e k 系统：将案例平 ut r o n d h e i m 识获取：通川知识结合起来。 知识密集 刑c b r d e r e ks i e e m a n 英国 知口! 获取1 9 8 8 缸r e f i n e r 系统 g r o u p 与知识库i n l i a n 系统 提炼 m a r kk e a n e 爱尔兰 认生科学白1 9 8 8类比推理理论 t r i n i t yc o l l e g e ， 年起 a n a l o g y p r o d i g y 系统 d u b l i n g e r h a r ds t r u b e s 德国 认知科学从1 9 9 0e v e v t s 项目 g r o u p u o f f r e i b u r g年起 表2 - 1 c b r 的重要硼究人员与研究成果 2 1 3 c b r 循环的处理模型 a a m o d t 和p l a z a 将c b r 处理流程分解为以下四个子过程( a a m o d t 册dp l a z a ， 1 9 9 4 ) f q ：( 见图2 - 1 ) 1 榆索( r e t r i e v e ) 出最相似的案例或案例集。 2 驯i j ( r e u s e ) 该案例或案例集的信息和知谚 来提出新问题的解决方案。 3 修i f ( r e v i s e ) 得到的解决方案。 4 将新的经验保存( r e t a i n ) 在现存的案例库中。 c b r 循环首先在案例库中检索与输入的新案例最相似的历史案例或历史案例集 合，然后使用历史案例( 或历史案例集合) 中的知识和信息，提出新案例的解决方 案，并列所得到的解决方案进行修正，使其更加符合新案例的背景，最后将获得的 经验保存到现存的案例库巾。 笙= 翌! ! ! 塑垒! ! 型塑堡堑 拜0 b f e m i = 宝霍霉 5 璺0 孵t t 。o a “ s o 缸 肼， 幽2 1c b r 的处理循环酗 2 2 基于案例推理系统c a s e b a s e dr e a s o n i n gs y s t e m s 2 2 1c b r 系统的分类 c b r 系统的分类方法有很多种，本文列举一些最常见的分类方法。 1 根据决策的方法不同，c b r 系统可以分为( j u r i g i c a ，9 好) p q ： 解释型系统( i n t e r p r e t a t i v es y s t e m s ) ：根据新案例和历史案例的4 ：似与棚井程 发，i 、t 论足否应该川历史案例r 1 1 方法来处理新案例。 最简单的解释型c b r 系统应该包括以一f4 个步骤：首先，推理者必须列情况 进行评估( k o l o d n e r ，1 9 9 3 ) 1 3 5 1 ，决定那些属性与当前情况相关，然后根据情况评 似的结果榆索j b 相关的案例或案例集合，而后，推理者将检索出的案例与当日u 情况 进i j 比较，决定应该如何对当d 计爵况进行解释。最后，当附睛况和作出的解释作为 个新的案例存放到案例库中，供将来使用。 美国的司法系统就是一个典型的解释型案例推理系统：用相关的历史案例来支 持或反列一个新案例。无需修改历史案例，而是通过寻找并效仿相关历史案例来解 决新问题。 第一个解释型c b r 系统是1 9 8 7 年由r i s s l a n d 和a s h l e y 丌发出的法律案例推理 系统h y p o 。当一个新的情况出现时，该系统检索出具有正反论点的两组案例。它 川l j 口组案例支持一个论点，而用后组案例来反对这个论点，结果是产生三重观点： 支持解决方案的论点，反对这些论点的回应以及两个观点之间的辩论。其他大部分 笙= ! ! ! ! 坠鱼! ! 型! ! 堡箜 的解释型系统都是应用于法律领域。 解释型系统还可以进行细分： 1 1 证实裂( j u s t i f i c a t i o n ) ：提出有说服力的论点使他人信服。 2 ) 解释型( i n t e r p r e t a t i o n ) ：根据刘边界的模糊界定，刘概念进行分类。 3 ) 预测型或投影型( p r e d i c t i o no rp r o j e c t i o n ) ：是计划系统或决策系统的评f j i i r 系统r f l 最重要的部分。当一个环境的所有情况都明确时，投影只要运j i 解决方案q ，已得出的推论。 问题解决型系统( p r o b l e ms o l v i n gs y s t e m s ) ：目标是根据新旧案例的适配程度 提新案例的解决方案。 问题解决型的c b r 可以看作是利用了两种类型的相似度( l e a k e ，1 9 9 6 ) 1 4 3 1 。 这两种桐似度应1 3 于两个不同的空间：问题描述空削和问题解决方案空州。当提 个新问题时，c b r 系统进行情况评估，产生对新问题的描述，然后在问题描述 l j f i ，寻找具有十n 似问题描述的历史问题。这些问题的解决方案是推导新问题解决力 案n 起点，即系统要在问题解决方案空f 1 1 i 中适配出新问题的解决方案。 问题解决型系统的主要应用领域有设汁、计划和诊断。用于计划和i 殳汁的问题 解决型系统主要统有( l e za n d p l a z a ，1 9 9 7 ) 4 8 】：j u l i a 【h i m r i c h ，1 9 8 8 ：c y c l o i s 【n a v i n c h a n d r a ，1 9 8 8 ；c l a v i e r 【b a r l e t t a & h e n n e s s y ，1 9 8 9 ；p r o d i g y 【c a r b o n e l l e t a 1 1 9 9 1 】：a r c i t i e 【p e a r c ee t a l ，1 9 9 2 ；c a d r e 【d a v e e t a l ，1 9 9 4 】：s m a r 1 1 v e l o s o ， 1 9 9 2 ；k r i t i k 【g o d ，1 9 8 9 。用于诊断的问题解决型系统主要有：c a s e yf k o t o n ， 1 9 8 8 ：p r o t o s b a r e i s s e ta 1 ，1 9 8 8 ：c a s e l l n e m a g a l d i ，1 9 9 4 。 解释型系统与问题解决型系统的最大区别是在于前一系统不进行适配，而后 系统则极大地依赖于适配过程。当然，这种划分在实际应用中不是特别清晰因为 的多系统常常同时包含两类c b r 方法，而且最有效的基于案例的学习应浚同时使f 】 这阴种方法例如，许多c b r 系统对推理得出的解决方案进行评价是使用解释型c b r j j 款。 2 考虑到c b r 系统应用的方法不同，现有的c b r 系统还可以划分为( j u r 睹i c a ， ，9 9 3 ) 1 3 q ： 统汁导向型系统( s t a t i s t i c a l l yo r i e n t e d ) ：计算出新问题可能按照旧案例的方式 解决的条件概率。 丝二! ! ! ! 塑苎! ! 型! ! 堡墅 龌j ：模型，娌系统( m o d e jb a s e d ) ：按照个理论模型来解释案例，判断先油的 解释是甭适川j ：新的情况。 计划，设计导向型系统( p | a l m i n g d e s i g no r i e n t e d ) ：案例是为满足日标或避免 # l i 冲突的一个实例化汁划，它是新的解决方案的模板。 踣1 ：范例型系统( e x e m p l a rb a s e d ) ：案例是概念的范例或简单事例的范例或原 艰。 列抗性型( a d v e r s a r i a l ) 或基于先例型( p r e c e d e n tb a s e d ) 系统：案例( 或先例) 是川来评价沦点是支持还是反对该问题。 2 2 2c b r 系统的应用领域 9 0 午代幸jc b r 首次出现在商业工具单，从此以后c b r 在许：多领域罩都有人 艟的应f j ，f 而列举一些主要的应用领域： 廖蛎c b r 渗断系统检索与当自u 案例具有相似征兆的历史案例，根掘最匹配的 案例的渗断方案提池新案例的诊断建议。许多c b r 系统属于这个类型，而m 艮多足 医j f 诊断系统( 尤其在护理领域) 。 l t e l pd e s k ：将基于案例的诊断系统用于客户服务领域，处理与一个产品或服务 川关的问题：或者按照用户的要求进行产品配置( 如销售自动化工具) 等。 酩jc b r 系统将可变物( v a r i a b l e ) 与已知的相似事物进行比较，决定可变 物的价值。在则务和市场领域罩，评估任务是很普遍。 次麓蔓赫当人们面临一个复杂问题需要做出决策时，经常会寻找相似的f 、u j 题 以获取可能的解决方法。c b r 系统已经用来解决这类检索问题( 通常应用 j 文档检 索) 。c b r 系统擅长查询结构化、模块化和非f 司质的文档。 女g 支持建筑设计和工业设计人员。单纯的c b r 系统只能够在媸汁过黯! 的 个阶段对没汁者提供支持检索相似历史案例，它必须和其他推理系统结合j 能够对整个设 f 过程提供支持。 2 3c b r 系统的研究任务划分 在人工智f i f f , j 领域，并没有适用于所有应用领域的通用的c b r 方法。c b rf i j f 究的fi 的应该是提出适合于特定应用领域的问题解决和学习方法。本章节以c b r 的 丌发研究过程为线索，提出与c b r 系统丌发相关的研究问题。和a a m o d t ( a a m o d t 肼d o 塑= 里要望竖塑垒! ! 型! i ! 圭堑 p l a z a ，1 9 9 4 ) t l i 提出的c b r 任务分解方法不同的是，我们不是从c b r 的处理循 环的角度来划分任务，而是从c b r 系统的角度来划分研究的任务。处理循环实际j ： 是从认知的角度分析c b r 的推理过程，但刑具体c b r 应用的研究者和丌发者而苦， 处理循环只是c b r 系统内部实现的一个流程，是在系统实施后运行的，换彳u 晡l 町r 0 它是站在系统使用的角度，而非系统实现的角度，来进行c b r 研究任务的分解。 叶 ：代表c b r 系统的处理流程 卜 ：表示箭头( 所指向对象) 是箭尾( 所指向对象) 的 7 | ：究对 ：代表c b r 系统边界 一 ii：代表c b r 的研究任务 厂 ：代表0 c b r 系统相关的实体对象 j j 下面我们就分别介绍各个研究任务的研究对象和主要的研究成果。 幽2 - 3案例推理系统研究任务分解阁 2 3 1 案例表示( c a s er e p r e s e n t a t i o n ) 在c b r 循环中，案例一般都以结构化的方式表达了一种经验。一个典型的案 例应陔包括以下内容： 1 问题：描述案例发! l n , t 的客观世界状态。 2 解决方案：从问题中引 j ：j 的解决方案。 3 结果：实施了解决方案后的客观世界状态。 同叫存放问题和结果的案例能够用来评估新的环境。案例表示的研究任务 i 要 地确定案例和知以的表示结构。 属性抽取和表示 榍一t 1 1 1 t lj 取和表示是指在众多描述客观环境的要素中选择足以表达案例特征的属 ，m ：给属性的类型和取值范围。在c b r 领域罩对于在案例中存放哪类信息并没 7 r j e i ： ，但在决定案例中的信息表示时有两个实用的衡量标准：案例中所表达信息 的功能_ 乖l j 获取的难易程度( k o l o d n e r ，1 9 9 3 ) i ”1 。 属性选择方法主要有： 1 )由人结合领域知识进行属性选择。 2 ) 山系统自动进行属性选择，主要技术有：归纳决策树( i n d u c e d d e c i s i o n t r e e ) 、 随机变化爬山法( r a n d o mm u t a t i o nh i l l c l i m b i n g ) 、平行搜索( p a r a l l e ls e a r c h ) 和进行逐步选择的定向搜索。( b e a ms e a r c hw i t hs t e p w i s es e l e c t i o n ) 。 值的一提的是模糊逻辑技术在案例表示中的应用，d u b o i s 等人于1 9 8 8 年指 心川模糊逻辑技术可以表示出属性的不确定值或不精确值。使用模糊技术表示的案 例能够利用现有的模糊存储和检索技术来进行案例的检索和使用。 堡三翌! ! ! 塑垒! ! 型堑堡箜 案例的表示结构 案例表示是很关键，它必须能够支持系统对案例的操作：如索引、检索和适配 等，即对案例的表示结构的选择必须依赖于c b r 系统要完成的任务。 个刁：完整的 案例表示方式会限制系统的推理能力。早期对c b r 案例表示的理论分析可以见1 9 8 9 印k o t o n 和c h a s e 的工作( k o t o na n d c h a s e ，1 9 8 9 ) l ，8 l 。 案例表示| ：要有两种方式：案例的结构表示和案例的属性一值对表示。在案例 的结构表示1 1 t 属性通过一定的结构! 1 织成一个个案例。在这种情况下案例的表示 结构的研究日的是彤f 究如何将属性组织成案例，即属性集! 型u 盥寸案例。在案 例的属性值对表示方法中，案例可以看作是由属性值对构成的集合。结构化的案 例表示的优点有2 点：( 1 ) 它提供了描述组合对象的方式，如果用属性一值对的案 例表示方式就难以处理不相二二的属性或不适用的属性。( 2 ) 结构化的案例表示方法 订能j 将案例的了部分作为一个独立完整的案例进行处理：它们可以被存储、检索 或川柬解决新案例的( 予) 问题；同样，可以用在案例库中检索出的的多个案例( 或 r 部分) 来共同解决一个新的问题。 现有c b r 系统q ，的案例大都采用人工智能的各种知识表示方法表示，卜要的 订状态窄m 法、问题规约法、框架表示法、面向对象的表示法、产生式表示法、语 义网络、剧本( s c r i p t ，或称脚本) 表示法、过程表示法等。其中框架面向列象的 表示法是最经常被用于案例表示。 知识获取 c b r 是种应用知识解决问题的方法，可以称之为是一种基于知识的方法。在 c b r 中有四个环节需要用到知识。( 1 ) c b r 的词汇用语( 如属性、判定等) ( 2 ) 牛似算法( 3 ) 案例库( 4 ) 解决方案转换。原则上每一个地方可以使用各利一类型的 町川知以( 不过，这样做不是很明智的) 。一般来说，在第l ，2 ，4 四个环节应该 f 2 ) l j 经过编泽的知j ，而在第3 个环霄r h 知口 则应该在系统运行的时候进行解释。 这弘所谓的编译是一种很普遍的含义，它包括人为的编码活动。当然c b r 系统内的 知u 在各个环节上的分和直接带来了系统成本的增加。不过c b r 的一个魅力就诒圩 它允许系统，r 发人员自由地决定在c b r 的每个环节中应用哪些知识，并且为了优化 系统成本，丌发人员还可以自主地选择知识编译的程度。因为知识的分和而引出的 研究问题有： 百1 瓦可丽磊面荠肃环丽谅丽f 葡丽雨丽弋雨丽一 求个近似的真理概念，特别是要在未知的( 知i b , , f i - 1 眼) 情况下把握语南 的不确定性。最优性：能够进行优先选择，并寻求知识表示的最佳效果。 2 ) 知识：程：研究如何才能以最佳的方式进行知识的分布。 3 ) 知 维护：知谚 表示要适应知识和上下文的变化。 原则l ：，彳1 j4 个环节小应该统一考虑这些知以问题，因为它们是十n 7 f 影i 礼彳i ”j 分割的。 在c b r 系统中存在着两种类型的知以：领域知识( d o m a i nk n o w l e d g e ) 和案 例特定知谚 ( c a s es p e c i f i ck n o w l e d g e ) 。领域知识是指一般的、有赖 ：应用领域 ( d o n l a i n _ d e p e n d e n t ) 的知识，在案例表示中这类知识可以用来识别属性、在枪索 过柑f ，将不重要的属性剔除、在重用过程中进行适配或者在案例保留过程小对案例 进行解释。案例特定知以是与案例的具体背景相关( c a s e - d e p e n d e n t ) 的知谚 。 c b r 系统对知谚 的使用也有两种方法：一种是间接使用，如在索引设 似 算法发汁时必须充分考虑领域知识，知识是借助于其他介质对c b r 系统产生作