案例推理分类(解释型案例推理 问题解决性案例推理)

案例推理的工作原理

案例推理(Case-based Reasoning)技术起源于美国耶鲁大学Roger Schank 于1982年在Dynamic Memory 中的描述，是人工智能领域中较新崛起的一种重要的基于知识的问题求解和学习方法，它解决问题是通过重用或修改以前解决相似问题的方案来实现的。CBR研究方法源自人类的认知心理活动,缓解了常规的知识系统中知识获取的瓶颈问题, 它将定量分析与定性分析相结合, 具有动态知识库和增量学习的特点. 另外,早期对类比推理的研究,哲学和心理学中对概念形式理论及问题求解和经验学习理论的研究,也对CBR思想产生一定的影响.

案例推理分类

案例推理能利用过去经验中的特定知识即具体案例来解决新问题，它通过寻找与之相似的历史案例，把它重新应用到新问题的环境中来。也就是采用检索历史案例，获得与当前工况相似特征参数的匹配案例，根据具体情况对匹配案例解决方案进行修订，然后应用于当前工况。

案例推理通常被分为两类：解释型的案例推理和问题解决型的案例推理。解释型的案例推理将先前的案例作为参考来对当前的情况进行分类，描述和解释；而问题解决型的案例推理则利用以前的案例来为当前的问题提出建设性的解决方案。

解释型案例推理

解释型的案例推理是通过将案例库中已经分类的案例和新的问题作一个对比，从而对这个新的问题形成一个判断或做一个分类。例如，在美国的法律系统中，解释型的案例推理在解释法律条款和应用法律方面就有着广泛的应用。另外，解释型的案例推理在诊断领域也有着很多应用，因为一个新的病例可以通过将当前的症状和以往的案例进行比较，从而得到最好的诊断。

问题解决性案例推理

这种类型的案例推理的目标就是将以往的解决方案应用于新的问题，经过修改后形成与新问题相对应的解决方案。例如，基于案例的设计系统，计划系统都是通过检索并对案例库中的相似案例进行适应性匹配来获得当前问题的解决方案的。和解释型案例推理一样，问题解决型案例推理也包含环境评估，案例检索以及相似度评估等几个步骤。另外，人们还经常根据新案例与案例库中已有的案例间的相似以及不同之处来确定如何将针对已有案例的解决方案进行调整，以适应新的环境和问题。

案例推理的工作原理

一个典型的案例推理问题求解过程的基本步骤可以归纳为四个主要过程：案例检索(Retrieve)、案例重用(Reuse)、案例修正(Revise)和案例保存(Retain)，因此案例推理亦称为4R,其工作过程如图所示。在案例推理中，通常把待解决的问题或工况称为目标案例（Target Case），把历史案例称为源案例（Base Case），源案例的集合称为案例库。从图中可以了解CBR 解决问题的基本过程为：一个待解决的新问题出现，这个就是目标案例；利用目标案例的描述信息查询过去相似的案例，即对案例库进行检索，得到与目标案例相类似的源案例，由此获得对新问题的一些解决方案; 如果这个解答方案失败将对其进行调整，以获得一个能保存的成功案例。这个过程结束后，可以获得目标案例的较完整的解决方案; 若源案例未能给出正确合适的解，则通过案例修正并保存可以获得一个新的源案例。在案例推理过程中，案例表示、案例检索和案例例调整是案例推理研究的核心问题。绝大多数现有的案例推理系统基本上都是案例检索和案例重用的系统，而案例调整通常是由案例推理系统的管理员来完成的。