论文部分内容阅读
自1982年Roger C.Schank提出基于案例的推理(Case-Based Reasoning,CBR)思想以来,形成了案例知识表示、经验管理、分布式CBR、Soft CBR等技术,在医学(medicine)、法律(law)、教育(education)、设计(design)、故障诊断(diagnosis)、图像处理(image processing)、推荐系统(recommenderSystems)和计划编制(planning)等领域得到了广泛的应用。CBR已成为人工智能领域三大推理方法之一。由于文本案例中存在半结构化或非结构化的问题,建立基于文本案例的推理(Textual CBR,TCBR)系统的难度远大于建立一个CBR系统的难度。本文围绕TCBR系统开发中的案例组织等问题进行了深入的探讨和研究。
1.针对公开的文本案例数据集合中的“问题”和“解决方案”没有明确边界的问题,根据CBR思想的基本原则“相似问题具有相似解”,提出基于复杂度的案例组织方法,据此对半结构化的文本案例进行预处理,确定了文本案例的构成,为以后的各个环节准备了可靠输入。实验结果表明这种方法是可行的、有效的,而且和多位专家的判断结果一致。
2.针对文本案例的问题或解决方案存在多种不同表示的问题,提出了根据复杂度最小原则选择问题空间相似度量的方法,对可选的相似度量进行投票,将得票数最高的相似度量作为问题空间的最佳相似度量。实验结果表明,选出的相似度量具有明显的优势。
3.针对解决方案因为没有类别信息无法定义其正确性的问题,本文提出了基于排序聚合的专家联合决策方法,获得了一个最接近多数专家意见的解决方案序列,将其提交给决策者做最终的选择,由此实现了智能决策支持。这个方法在一定程度上解决了TCBR系统难以评价的问题。
4.针对TCBR系统不能有效利用领域知识的问题,提出了基于Web本体语言(OWL)的领域知识表示,从而在TCBR系统中实现领域知识共享,利用本体表示的领域知识进行描述逻辑推理能够提高TCBR系统问题求解的效率。