案例推理
案例推理
案例推理是通過尋找與之相似的歷史案例,利用已有經驗或結果中的特定知識即具體案例來解決新問題。
案例推理(Case-based Reasoning)技術起源於美國耶魯大學Roger Schank 於1982年在Dynamic Memory 中的描述,是人工智慧領域中較新崛起的一種重要的基於知識的問題求解和學習方法,它解決問題是通過重用或修改以前解決相似問題的方案來實現的。CBR研究方法源自人類的認知心理活動,緩解了常規的知識系統中知識獲取的瓶頸問題, 它將定量分析與定性分析相結合, 具有動態知識庫和增量學習的特點. 另外,早期對類比推理的研究,哲學和心理學中對概念形式理論及問題求解和經驗學習理論的研究,也對CBR思想產生一定的影響.
它通過尋找與之相似的歷史案例,把它重新應用到新問題的環境中來。也就是採用檢索歷史案例,獲得與當前工況相似特徵參數的匹配案例,根據具體情況對匹配案例解決方案進行修訂,然後應用於當前工況。
案例推理通常被分為兩類:解釋型的案例推理和問題解決型的案例推理。解釋型的案例推理將先前的案例作為參考來對當前的情況進行分類,描述和解釋;而問題解決型的案例推理則利用以前的案例來為當前的問題提出建設性的解決方案。
解釋型案例推理
解釋型的案例推理是通過將案例庫中已經分類的案例和新的問題作一個對比,從而對這個新的問題形成一個判斷或做一個分類。例如,在美國的法律系統中,解釋型的案例推理在解釋法律條款和應用法律方面就有著廣泛的應用。另外,解釋型的案例推理在診斷領域也有著很多應用,因為一個新的病例可以通過將當前的癥狀和以往的案例進行比較,從而得到最好的診斷。
問題解決性案例推理
這種類型的案例推理的目標就是將以往的解決方案應用於新的問題,經過修改後形成與新問題相對應的解決方案。例如,基於案例的設計系統,計劃系統都是通過檢索並對案例庫中的相似案例進行適應性匹配來獲得當前問題的解決方案的。和解釋型案例推理一樣,問題解決型案例推理也包含環境評估,案例檢索以及相似度評估等幾個步驟。另外,人們還經常根據新案例與案例庫中已有的案例間的相似以及不同之處來確定如何將針對已有案例的解決方案進行調整,以適應新的環境和問題。
案例推理工作原理圖