（一）解释学习的内涵
基于解释的学习（explanation－based learning）可简称为解释学习，是20世纪80年代中期开始兴起的一种机器学习方法。解释学习根据任务所在领域知识和正在学习的概念知识，对当前实例进行分析和求解，得出一个表征求解过程的因果解释树，以获取新的知识。在获取新知识的过程中，通过对属性、表征现象和内在关系等进行解释而学习到新的知识。
（二）解释学习过程和算法
解释学习一般包括下列3个步骤：
（l）利用基于解释的方法对训练实例进行分析与解释，以说明它是目标概念的一个实例。
（2）对实例的结构进行概括性解释，建立该训练实例的一个解释结构以满足所学概念的定义；解释结构的各个叶节点应符合可操作性准则，且使这种解释比最初的例子适用于更大的一类例子。
（3）从解释结构中识别出训练实例的特性，并从中得到更大一类例子的概括性描述，获取一般控制知识。
解释学习是把现有的不能用或不实用的知识转化为可用的形式，因此必须了解目标概念的初始描述。1986年米切尔（Mitchell）等人为基于解释的学习提出了一个统一的算法EBG，该算法建立了基于解释的概括过程，并运用知识的逻辑表示和演绎推理进行问题求解。[7]EBG问题可如图5－8所示，其求解问题的形式可描述如下。
图5-8 EBG问题
给定：
（l）目标概念（要学习的概念）描述TC；(www.xing528.com)
（2）训练实例（目标概念的一个实例）TE；
（3）领域知识（由一组规则和事实组成的用于解释训练实例的知识库）DT；
（4）操作准则（说明概念描述应具有的形式化谓词公式）OC。
求解：
训练实例的一般化概括，使之满足：
（l）目标概念的充分概括描述TC；
（2）操作准则OC。其中，领域知识DT是相关领域的事实和规则，在学习系统中作为背景知识，用于证明训练实例TE为什么可以作为目标概念的一个实例，从而形成相应的解释。训练实例TE是为学习系统提供的一个例子，在学习过程中起着重要的作用，它应能充分地说明目标概念TC。操作准则OC用于指导学习系统对目标概念进行取舍，使得通过学习产生的关于目标概念TC的一般性描述成为可用的一般性知识。
从上述描述中可以看出，在解释学习中，为了对某一目标概念进行学习，从而得到相应的知识，必须为学习系统提供完善的领域知识以及能够说明目标概念的一个训练实例。在系统进行学习时，首先运用领域知识DT找出训练实例TE为什么是目标概念TC之实例的证明（即解释），然后根据操作准则OC对证明进行推广，从而得到关于目标概念TC的一般性描述，即一个可供以后使用的形式化表示的一般性知识。
可把EBG算法分为解释和概括两步：
（1）解释，即根据领域知识建立一个解释，以证明训练实例如何满足目标概念的定义。目标概念的初始描述通常是不可操作的。
（2）概括，即对第（l）步的证明树进行处理，对目标概念进行回归，包括用变量代替常量，以及必要的新项合成等工作，从而得到所期望的概念描述。
由上可知，解释工作是将实例的相关属性与无关属性分离开来；概括工作则是分析解释结果。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
