案例推理内涵：Agent劝说模型与系统

从上述对案例推理原理的分析来看，核心部件、主要过程和具体步骤案例推理的内涵重点包括案例相似性、案例索引与检索、案例库维护和集成案例推理这4 个方面。

一、案例相似性

如前所述，首先要从案例库中选取合适的案例，才能继续和完成后面的案例匹配工作，这既是案例检索过程的最初环节，也是基于案例推理的一个关键环节，同时也是该案例推理应用成功与否的前提。由于检索案例是在案例间相似比较的基础上进行的，而相似性关系是类比求解的基础，因此，有必要对相似性进行探讨。一般来说，案例相似性是根据案例间各属性之间的相似度来定义的。

关于案例相似性的计算有多种，目前最常用的有欧氏距离、曼哈顿距离和无限模距离3种计算方法，具体公式如下：

欧氏距离

曼哈顿距离

无限模距离

在以上公式中，n 是属性总数，aih 是第i 个案例的第h 个属性的值，wh 是第h 个属性的权值。每个属性的值均已规范化，即均值为0，标准偏差为1。

二、案例索引与检索

在案例推理中，案例索引的目标是搞清在将来相似的情形下，在什么时候应该检索一个案例，而案例推理的强大功能就来源于它能从其记忆库中迅速准确地检索出相关案例。无论是案例索引，还是案例检索，目的都是通过构建相应的结构或过程来得到最适当的案例。

1. 案例索引

案例索引对于检索或回忆出相关的有用案例非常重要。索引的目标是在对已有案例进行索引后，当给定新案例时，如果案例库中有与该案例相关的案例，则可以根据索引找到那些相关案例。案例索引就是它的重要关键字的集合，这些关键字将该案例同其他案例区分开，使得该案例在任何需要的时候都可以找到。

目前典型的案例索引方法有最近邻法、归纳决策树法、知识导引法3 种，或者是将这3 种方法的结合。最近邻法是根据案例中各组成部分的权值求其权和，然后根据其权和的远近来组织相应的案例。归纳决策树法是不断从案例的各组织成分抽取出最能将该案例与其他案例区别开的成分，并根据这些成分将案例组织成一个类似于判别网络的层次结构。知识导引法则是根据目前已知的知识来决定案例中哪些特征或信息在进行案例检索时是重要的，并根据这些特征来组织和检索，相比之下，这使得案例的组织与检索具有一定的动态性。

2. 案例检索

案例检索就是使用索引，在满足时间要求时，从案例库中找到一个或多个与目标案例最相似的案例。案例检索应达到两个目标，即检索出的案例应尽可能少、检索出的案例应尽可能与当前案例相关或相似。(www.xing528.com)

典型的案例检索方法有以下4 种。

（1）模板检索。模板检索类似于关系数据库的查询，根据用户输入的问题描述，形成一个检索模板，再依据这个模板在案例库中查找与之完全匹配的案例。若有，则返回；否则什么也不返回。

（2）分层检索。分层检索常与归纳索引配合使用。其检索过程以用归纳索引形成的决策树为基础，由树根开始逐层下降，直到不能下降为止。此时，返回停止点以下的所有案例集。

（3）近邻检索。近邻检索常与近邻索引配合使用。其检索过程是基于近邻索引中定义案例特征矢量的相似度，将用户输入的新案例与库中案例进行比较，选出相似度高的案例返回给用户。

（4）知识检索。该案例检索方法没有特定的模式，不同的知识索引及其检索机制差异较大。如果领域的知识以规则的形式表示，则知识检索依赖于推理算法，有的将领域的知识反映在特征属性的权重上，并且可以动态地调整权值，使检索更具灵活性和动态性。

三、案例库维护

案例学习是一种增量式学习，因此，案例推理可以解决更多问题，体现它的智能化。随着时间的推移，新案例逐渐加入，案例库越来越庞大，随之而来会出现许多问题，超出案例库的设计容量，如案例库大小的限制、案例检索效率的降低、知识出现冗余还可能出现矛盾等，需要对案例库进行维护。

案例库维护（Case Base Maintenance，CBM）是指实现一些更新案例库的组织结构或内容的策略，其中包括领域内容、描述信息、实现方式，以保证使未来的推理完成特定的性能指标。案例库维护的过程一般包括如下3 个方面。

（1）数据收集。该阶段的主要目的是监视案例库的大小，维护方式包括定期处理、有条件处理、特定要求下的处理等，处理方式为联机和脱机。

（2）触发问题。触发问题包括基于空间的触发、基于时间的触发、基于结果的触发等，触发条件为如系统无法解决给定问题、案例的检索时间超过规定时间等。

（3）操作类型。案例库维护的操作需要满足索引结构、领域知识、记录信息和维护策略4 个方面。常用的维护方法较多，有代表性的主要有两种：当案例库中案例数量大于预定值时，随机删除1 个案例；对每个案例建立匹配记录，当记录表明该案例是无用案例时，即可删除该案例。

四、集成案例推理

案例推理是人类3 种思维（即直觉、逻辑、创造性思维）的一种综合表现形式。案例推理对问题的求解方式是针对当前问题，从我们头脑的信息记忆知识库中，寻找与其最佳匹配的案例，然后去修正它，从而得到新问题的解。一般来说，案例推理得出的结论可解释性差，因为对整个领域来说，总结出通用的案例推理是比较困难的。但是对具体案例而言，归纳出局部的案例推理却比较容易。

通过归纳出局部的案例推理，可以形成较为可行的方案。首先，对容易形式化的部分，将其交由规则推理处理，对于能形象化描述但又难以通过结构化描述甚至是病态结构无法描述的问题，可以用案例推理来完成。其次，利用局部案例推理来提高推理的透明度以及可理解性，使推理的结论更加可信。再次，局部案例推理还可以有效提示问题中的不完备信息及案例库有关知识片段，帮助用户决策。因此，研究集成案例推理，将各种智能技术与案例推理相集成，可以充分运用多层次知识，从而大大提高案例推理的效果和性能。