案例检索模型：优化案例推理的速度和精度

案例推理（CBR，Case-Based Reasoning）是人工智能应用中的一种重要推理技术。案例推理的速度和精度直接决定了案例检索的速度和精度。案例推理（CBR）来源于人类的认知心理活动。人们在面临一个新问题时，往往首先想到的是以前处理过的相似问题，将以前问题的解决方案作为新问题解决方案的参照。

CBR是一种与人类的认知心理活动相似的推理方法，其核心在于用过去的案例和经验来解决问题（见图10.3）。

图10.3　案例推理检索模型

一般地，CBR具有如下基本推理步骤：

1.提出问题：输入待解决问题的要求、初始条件及其他相关信息。

2.提权案例：根据问题要求及初始条件，从案例中提取一组相似的案例。(www.xing528.com)

3.修改案例：从相似案例中找出最相似的案例或通过多个案例的组合，形成目标问题解决方案，并通过对目标方案的修改来满足当前的要求。

4.存储案例：问题解决之后，当前的解即可作为新的案例存入案例库中。

案例包含了丰富的信息，其中一部分对案例的本质特征和结构起着决定性作用，这些信息是判断案例是否相似的关键，而另一部分则不具有这些功能。这里将前者称为属性。

定义一：案例属性是指能反映出案例某一方面的特征和结构的，并使其区别于其他案例的数据。

定义二：属性集是指一个案例的部分或所有属性组成的集合。

在某个属性子集下其属性值相同或相近的案例称为属性相似案例，这些案例自身可以具有同一个或不同的属性集。