1基于案例推理的研究综述

本栏目责任编辑：唐一东人工智能及识别技术Computer Knowledge and Technology 电脑知识

与技术第5卷第30期(2009年10月)基于案例推理的研究综述

魏青，张世波

（宁波大学教师教育学院，浙江宁波315211）

摘要：该文对人工智能领域的一个分支———基于案例的推理技术做了简要概述，包括CBR 的原理和组成。评述了CBR 近年来的理论发展和应用发展。并对未来发展方向做出了预测。

关键词：基于案例的推理；基于案例的解释；专家系统

中图分类号：TP311文献标识码：A 文章编号：1009-3044(2009)30-8518-02

The Summary of Case-Based Reasoning Research

WEI Qin,ZHANG Shi-bo

(Teacher Education College of Ningbo University,Ningbo 315211,China)

Abstract:In this paper,we do a brief overview to a branch of artificial intelligence -Case-based reasoning technology,including the CBR principle and composition.Reviewed the theory of CBR in recent years,the development and application development.Disease has made on the future direction of projections.

Key words:case-based reasoning;case-based explanations;expert system

基于案例的推理（Case-Based Reasoning,简称CBR ）是人工智能领域的一个重要分支，旨在利用已有的经验和案例去解决新问题。CBR 的推理循环过程由四个环节组成，即4R 循环（图1）：Retrieve 、Reuse 、Revise 、Retain 。分别对应提取，重用，改编和保存（学习）。很多知名学者和团队致力于CBR 的研究，自1987年以来，国际研究界每年都举行CBR 研讨会。目前，CBR 研究热点主要集中在：CBR 与其它人工智能方法的结合与比较；CBR 作为解释机制的算法研究；

CBR 的案例改编机制研究；CBR 在推荐、计划、分类和预测等工作中的理论和应

用方法；CBR 在多种学科和领域的实际应用等。目前，国外已有很多成功应用

CBR 的系统和项目，并且应用领域逐渐拓展。国内在实际系统中应用CBR 的成

功例子还较少，有待进一步发展。

1CBR 的基本原理

CBR 是一种新兴的学习机制和推理方法，以已有的经验和案例为知识单位

进行存储，核心思想是利用过去解决问题的经验来解决新问题。本文将从CBR 的

知识表示和案例提取，改编等对CBR 的基本原理做介绍。

1.1知识的表示

CBR 中主体知识是以案例的形式存储的，因此如何表示和存储案例和案例特征是CBR 中至关重要的环节。

都柏林大学的Doyle 等人提出在XML 中表示CBR 的相似度及其测度方法[1]。在此之前，该研究小组已经构建了一个基于XML 的CBR 语言———CBML ，用于表示案例本身。他们近期的研究主要对CBML 进行扩展，用以表示案例相似度测量知识。该扩展将两个特征值间的相似度量分为3类：精确匹配、复杂的相似度匹配以及基于差异度的匹配。CBR 的XML 表示为CBR 技术进一步发展，尤其是网络应用的发展，开辟了很好的道路。

台湾学者在构建智能FAQ 代理服务系统中，提出支持本体(ontology)的CBR 方法，将本体论观点与CBR 技术结合：利用本体论观点表示案例的层次结构及其特征向量，根据本体中VRelationship 关系类型搜索相似案例，并进行相应的案例改编。1.2案例提取，改编及维护

CBR 中案例提取是利用相似度原理进行的。也就是从案例库中找到与问题的特征值向量最相似的案例。在搜索相似案例时，很多基于“距离”的相似度计算方法已经被采用，“距离”越大，说明相似度越小。

案例改编采用差异驱动的策略方法。通过对案例各分量特征的不同对比生成新的案例。另外：Corchado 等人将模糊逻辑应用于案例改编的自动化实现上。方法的基础是一系列TSK 模糊(Takagi Sugeno Kang fuzzy)模型的集合，这些模糊模型用于指导案例改编。简化的模糊规则库允许用户获取一个系统中更一般化的知识以及对系统的逻辑结构有更为深刻的了解。

案例库维护是通过聚类算法实现的：算法思想是将传统的聚类算法应用于CBR 系统中，用于案例库索引、案例增加和删除操作。利用K-means 聚类算法对案例库分析，将原始案例库划分为若干案例子库，并以子库的聚类中心和算法产生的0类案例(不属于任何聚类的案例)作为案例库索引。在保持系统推理效能的前提下，最大限度地减少案例库中的案例。该方法为案例库维护提供了一条有效途径。

收稿日期：2009-07-26

作者简介：魏青（1985-），女，硕士，主要研究方向为网络教育；张世波，男，副教授，宁波大学教师教育学院教育技术系硕士生导师。图1基于案例的推理的过程

ISSN 1009-3044Computer Knowledge and Technology 电脑知识与技术Vol.5,No.30,October 2009,pp.8518-8519E-mail:eduf@https://www.wendangku.net/doc/a45262458.html, https://www.wendangku.net/doc/a45262458.html, Tel:+86-551-569096356909648518

第5卷第30期(2009年10月)

2CBR在国内外的应用

2.1在计算机和信息科学中的应用

在垃圾邮件的判定上使用CBR技术。由于垃圾邮件的内容格式不断的改变，CBR的增量式学习机制能够很好的满足这一要求。研究者使用IG评判提取出垃圾邮件的标志特征。在案例提取时，找到最接近的案例，根据垃圾邮件的评判标志来判断是否是垃圾邮件。文章还将CBR算法与纯Bayes文本分类算法进行比较。结果显示CBR在垃圾邮件判断条件的不断学习上有较强的优势。

利用CBR进行Web服务整合。CBR在其中主要用于Web服务发现，这在整个整合过程中是一个关键步骤。案例库中的每个案例代表一个以前整合过的服务，而服务是以树型结构表示其层次包含关系。在案例提取时，首先将要整合的服务分解为各个子服务，并且在服务组成的树型结构上与问题查询对应的约束进行比较，计算相似度，从而提取出最满意的服务组合模型，也就是服务的发现过程。在此之后，系统利用UDDI服务路径在Web上寻找具体的服务，并使用服务组合器进行实际的整合操作。此外，CBR 在知识管理、电子商务和协同商务等方面也实现了一些具体的应用。

2.2在生物学及医学上的应用

分子生物学中，可以利用CBR以及现有的蛋白质结晶条件数据库进行分析，对蛋白质结晶方法作出规划[7]。还有DNA序列研究、蛋白质三维结构确定等。然而，现有生物数据库大多针对某一特定领域，数据过于片面(例如只存储实验成功数据)，不能很好适应机器学习和CBR系统的应用，并且，对异质的和分布式的生物学数据库联合分析的要求逐渐增加。

CBR还用于多种疾病诊断[6]。由于多种疾病可能涉及不同器官系统，以及具有复杂的判断条件，因此传统的CBR方法不能很好应用。研究者采用3种改进措施有效地将CBR方法应用于多种疾病及并发症的诊断上，为CBR系统能够在大范围医疗领域的应用开辟了新路。

2.3在企业管理中的应用

在企业管理方面[8]，利用CBR的相似度量方法，判断获得的新知识是否应当存储到企业知识库中，然而研究者没有提出明确的方案，对于这些企业知识如何利用CBR来实现对现实问题的解决。此外，技术投资判断、市场选择与分析、供应商管理等方面也出现了比较成熟的CBR应用；在工业设计上，出现了很多成熟的基于CBR的CAD和CAM软件产品，并已成功应用。

3结束语

CBR作为新兴的AI推理技术，近年来在理论和应用方面都有了长足发展，并且出现了很多成熟的CBR系统和CBR开发工具。根据以上所述CBR理论和应用研究进展，可以预测未来CBR发展方向主要集中在以下几个方面：①作为CBR推理环节之一和研究难点之一，案例改编算法仍有待进一步发展；②CBR用于专家系统结果的解释以及基于CBR的解释系统的研究；③CBR与其它人工智能推理和学习方法的有效结合和应用；④CBR在各个行业的进一步的应用，实现具体的成熟的智能系统。

参考文献：

[1]Lorcan Cotyledonal Doyle,Pádraig Cunningham.Representingsimilarity for CBR in XML[C].Advances in Case-Based Reasoning(Proc of

ECCBR-04).Madrid,Spain:Springer,2004:119-127.

[2]Yang S Y,Liao P C,Ho C S.An ontology-supported case-basedtechnique for FAQ[C].Taipei,Taiwan:Proc17th InternationalConference

on Software Engineering and Knowledge Enginee-ring,2005:639-644.

[3]S rmo F,Aamodt A.Knowledge communication and CBR[C].Proceedings of the ECCBR-02Workshop on Case-Based Reaso-ning for E-

ducation and Trainging Aberdeen Scotland:RobertGordon University,2002:47-59.

[4]Eva Armengol,Enric https://www.wendangku.net/doc/a45262458.html,ing symbolic descriptions to ex-plain similarity on CBR[J].Artificial Intelligence Research andDevelop-

ment,2005,131:239-246.

[5]Conor Nugent,Pádraig Cunningham.A case-based explanationsystem for black-box systems[J].Artificial Intelligence Review,2005(24):

163-178.

[6]Atzmueller M,Shi W,Baumeister J,et al.Case-based approaches for diagnosing multiple disorders[C].Miami Beach,FL:Proceedings

of the17th International Florida Artificial Intelli-gence Research Society Conference,2004.

[7]张建华.企业知识管理中的系统学习机制[J].华东经济管理,2006,20(9):87-90.

[8]杨健,杨邓奇,张晓玲.基于案例的解释研究[J].现代计算机,2008(3):141-144.

本栏目责任编辑：唐一东

8519

人工智能及识别技术