记忆学习：通过检索优化学习效率

记忆学习（rote learning）也称为机械式学习，是通过记忆和评价外环境提供的信息来达到学习目的的。在这种学习方法中，学习环节对外部提供的信息不进行任何变换，只进行简单的记忆。记忆学习又是一种最基本的学习过程，原因是任何学习系统都必须记住它们所获取的知识，以便将来使用。

记忆学习的过程是：执行元素每解决一个问题，系统就记住这个问题和它的解，当以后再遇到此类问题时，系统就不必重新进行计算，而可以直接找出原来的解去使用。

如果把执行元素比为一个函数f，把由环境得到的输入模式记为（x1，x2，…，xn），由该输入模式经f计算后得到的输出模式记为（y1，y2，…，ym），则机械学习系统是把这一输入/输出模式对[（x1，x2，…，xn），（y1，y2，…，ym）]保存在知识库中，以后需要计算f（x1，x2，…，xn）时，就可以直接从存储器中把（y1，y2，…，ym）检索出来，而不需要重新进行计算。简单的记忆学习模型如图5－5所示。　以医生看病问题为例，医生经过长期的医疗实践，会从大量的病例中归结出许多诊断经验。其中，每条经验相当于一个输入/输出模式对。这样，医生遇到病人，就可以直接利用已经归纳出来的诊断经验，而不必每遇到一个病人都去重新归纳经验。

图5-5　简单的记忆学习模型

记忆学习实际上是一种用存储空间来换取处理时间的方法，其设计需要考虑以下三个方面的问题。

（1）存储结构(www.xing528.com)

对一个问题，只有当它的检索时间小于其重新计算时间时，记忆学习才是有价值的。其检索速度越快，意义越大。如果检索时间超过了重新计算时间，就会降低系统效率，记忆学习就失去了意义。因此，尽可能缩短检索时间、提高系统效率是记忆学习的一个重要问题。为了提高检索速度，需要采用适当的存储结构。这些存储结构，人们已经在数据结构和数据库领域进行了许多详尽的研究，可以拿来直接使用。

（2）环境稳定性

作为记忆学习基础的一个重要假设是某一时刻存储的信息仍然适用于以后的情况。如果环境信息变化非常频繁，则作为记忆学习基础的这个假设就会失效。因此，记忆学习方法不适用于剧烈变化的环境。

（3）记忆与计算的权衡

为了确定是利用存储的信息还是重新计算，要比较二者的代价。对记忆和计算的权衡有两种方法：一种是代价效益分析法，在首次得到一个信息时，要考虑该信息以后使用的概率、存储空间和计算代价，以决定是否有必要保存；另一种是最近未使用代替法，对所保存的内容都加上一个时间标志，当保存够一定的内容以后，每保存一项新的内容，就删除一项最长时间没有使用的旧内容。

记忆学习的典型代表是西蒙的西洋跳棋程序。该程序用极大极小博弈树搜索来选择走法。学习环节记忆了棋局态势和倒推的极大极小值。这样，在下棋过程中，只要碰到过去出现过的棋局，就可以直接采用原来的走棋方案。