一种基于CBR的经验知识复用方法.doc

一种基于CBR的经验知识复用方法 周旋，李清，周剑，陈禹六 （清华大学自动化系，北京 100084） 摘要关键词algorithm determines the range of its application and the efficiency of reuse. Current case representation methods only take these kinds of knowledge as results, therefore neglect the procuring process, which is an obstacle to procurement, update and maintenance of experience. From the experience owner’s point of view, a user attention-oriented knowledge formalization method was proposed to represent cases, with relevant similarity matching algorithm discussed. Empirical study showed that, the proposed method separates focus information from context information, which can reduce information overload, improve the efficiency of human-machine interaction and the reuse of experience. The rich metadata in the model could facilitate the application of domain knowledge and intensional semantics in the hierarchical similarity matching algorithm, which can compare new query and existing experiences in multiple perspectives and answer complex questions. Key words：case representation; attention-oriented; metadata; cased-based reasoning; formalization; similarity 1 引言 人类在生产生活中积累了大量有用的经验知识。然而，由于人类思维的特征，如易忘、混淆、容错、不完整等等[1]，使得经验知识往往不能表示成规则或公理，因此，诸如描述逻辑之类的知识表示语言不能用来表达和应用大量存在的经验知识。作为一种信息，这些经验知识必然可以通过信息系统实现高效率的利用。基于范例的推理（Case-Based Reasoning，CBR）正是其中一种重要方法。 在CBR 20多年的发展历程中，出现了很多框架，如Aamodt的4R模型[2] [3]、G?ker和Roth-Berghofer的6R模型[4]等。而从复用的角度，其中最为核心的问题就是范例的表示（Representation）和检索（Retrieval）。Bergmann在文献[5]中详细总结了CBR在不同范例表示方法，如平面文本、决策树、属性-值、面向对象、图形等，及其基础上的范例匹配和检索算法。研究成果表明，不同表示方法在信息表达力（Expressiveness）与形式化程度（Formalization）上的显著差异决定了其匹配过程和效果。 知识的表示方法日新月异，随着语义Web的兴起，人们越来越关注信息的“内容”和“意义”，而不是其“形式”。元数据（Metadata）是这一过程中的重要技术之一，它可以用来缩短人类和机器之间的语义鸿沟（Semantic Gap），也可以显著提高信息检索的效率和质量[6]，此外它还可以用以实现工作流的自动化[7]。元数据必然也将影响范例的表示与应用。与此同时，现有的范例表示方法大多侧重于对信息“结果”的描述，而不能很好刻画用户在表达经验知识时的心理认知“过程”。因此，基于文献[8]提出一种元数据丰富（Metadata Rich）的面向主体（Subject-Oriented）的知识形式化方法：AM-Model（Artificial Memory-Model），本文就是研究利用这种模型应用CBR实现经验知识复用的方法，并结合实例分析了本方法的特点。具体包括三个问题：（1）AM-Model与CBR结合的问题解决框架；