案例推理(推荐系统)

基于案例的推理(Case-Based Reasoning,简称CBR)是一种基于过去经验知识对解决类似当前问题推理的人工智能技术,它是用过去的案例来表达知识并把问题求解和学习相融合的一种推理方法。它强调人在解决新问题时,从记忆里或者案例库中找到于当前问题最相关的案例,以此为基础来思考解决当前的问题。在基于案例的推理系统中,衡量一个CBR系统的有效性是基于匹配产品描述与用户偏好的能力, 用于解释和强调推荐合理性的工具,在各种情况下(查找类似案例,推荐合适产品)系统与用户交互的能力, 和对自身推理结果的评价并且学习能力。 案例推论,以过去解决的类似问题的案例来寻求解决当前新问题的推论方法,常指用“类比推理”的方法进行机器学习解决问题的过程。 应用于:失败预测、失败分析、计划等领域,也在电子商务、个性化服务、重设计中使用。

简介

基于案例的推理(Case-Based Reasoning,简称CBR)是一种基于过去经验知识对解决类似当前问题推理的人工智能技术,它是用过去的案例来表达知识并把问题求解和学习相融合的一种推理方法。它强调人在解决新问题时,从记忆里或者案例库中找到于当前问题最相关的案例,以此为基础来思考解决当前的问题。在基于案例的推理系统中,衡量一个CBR系统的有效性是基于匹配产品描述与用户偏好的能力,用于解释和强调推荐合理性的工具,在各种情况下(查找类似案例,推荐合适产品)系统与用户交互的能力,和对自身推理结果的评价并且学习能力。

推理过程:RETRIEVE, REUSE, REVISE, RETAINRetrieve : 根据输入案例查找最相似的过去案例

Reuse :重用案例

Revise:基于输入案例,对查找出的案例进行修改,使得其适应当前问题的解决方案。

Retain: 对用户满意的解决方案进行相关的学习,并保存至案例库中

相关要素:

案例表示

案例表示问题实质上就是使用什么样的结构表示案例,将什么信息存入案例,以及如何组织、索引以提高检索和重用效率的问题。

案例检索

相似案例的检索是CBR的一个关键环节,案例检索就是从案例库中搜索出与目标案例最为相似,对目标案例最有帮助的案例,案例检索的过程就是一个查找相似性与映射的过程。在CBR中相似案例的检索要达到检索出的相似案例尽量的少和检索出的案例与目标案例尽可能的相似这两个目标。目前比较常用的案例检索算法有知识引导法、神经网络法、归纳索引法和最近相邻法。常用的领域包括语义相似性,结构相似性,和个体相似性。常用的衡量方法包括数值型属性的相似度,枚举型属性的相似度与有序属性的相似度。在案例库中存储大量案例的情况下,使用多种方法可以有效提升检索的质量。

案例的调整和修改

为了更好地解决新问题,根据新问题的情况对检索到的相似案例进行调整和修改的过程称为案例的调整和修改。其可以是对一个相似案例进行,也可以是对多个相似案例重组并修改。案例调整是针对特定的领域知识来进行的,因此不存在普遍的适用方法。

案例学习

案例学习是保证案例库长期有效的条件。广义的案例学习包括向案例库中添加新的案例存储或删除一些不常用的案例,调整和修改一些不成功的案例。

案例分类

案例被求解成元组的形式存入数据库。当新案例被输入时,CBR识图查找是否有相同的训练案例。当找不到相同的案例时,系统则进一步搜索成分上类似于新案例的训练案例并且尝试将这些临近案例的解组合新的解。如果这些临近的解不相容,则可能需要回溯搜索其他解。

来源:

Lorenzi, F., Ricci, F., Tostes, R., & Brasil, R. (2005). Case-based recommender systems: A unifying view. Lecture notes in computer science, 3169, 89.

第九章 基于案例的推理(CBR)分类法: http://blog.csdn.net/dq_dm/article/details/39575725

基于案例推理 http://blog.csdn.net/wlqkycg/article/details/46728703

基于案例推理技术的研究与应用 http://blog.csdn.net/zhuqiuhui/article/details/39851897

发展历史

描述

公认的CBR最早出现在1982 年美国耶鲁大学Roger Schank教授的论文 “Dynamic memory: a theory of reminding and learning in computers and people”中。该论文介绍了有关动态存储、历史环境以及环境模式回忆对问题求解的作用。Schank就从人工智能的研究转移到对人类智能的关注上来了,随后出版了几本专著来描述他的思考过程。80年代后期,Schank认识到智能机器在较短的时间内不能实现,但可以帮助人变得更加智能,于是开始寻求资金支持来开展这一工作。随后Kolodner等人于1983年开始在计算机上实现了CBR。

主要事件

年份事件相关论文/Reference
1982Roger Schank教授最早提出了动态记忆理论Schank, R. C. (1982). Dynamic memory: A theory of reminding and learning in computers and people. cambridge university press.
1989Inside Case-Based Reasoning 第二册书Riesbeck, C. K., & Schank, R. C. (1989). Inside case-based reasoning. Hillsdale, NJ: Lawrence Erlbaum.
1991第一篇CBR综述Slade, S. (1991). Case-based reasoning: A research paradigm. AI Magazine Spring 1991, pp. 42-55.
1993第一次总结了CBR在头十年美国学者中的成果J. Kolodner: Case-based reasoning. Morgan Kaufmann, 1993.
1994奠定了Case-Based Reasoning recommender system 开发的理论基础A. Aamodt and E. Plaza, Case-based reasoning: foundational issues, methodological variations and System approaches, AI Communications 7(1) (1994), 39–59.
1997Watson 提出CBR对于企业的应用Watson, I. (1998). Applying case-based reasoning: techniques for enterprise systems. Morgan Kaufmann Publishers Inc..
2005Lorenzi 等人对基于案例的推理系统的深度总结Lorenzi, F., Ricci, F., Tostes, R., & Brasil, R. (2005). Case-based recommender systems: A unifying view. Lecture notes in computer science, 3169, 89.

发展分析

瓶颈

大多数的CBR系统还停留在检索阶段, 因此案例整改和学习还未存在普遍试用的方法。

找到有效的相似性度量和组合解的方法。

设计出高效并且精准的索引方法。

准确性和有效性之间的折衷随着存储的案例数量增大而演变。

Contributor: Zirui Tao

相关人物
Janet Lynne Kolodner
Janet Lynne Kolodner
Roger C. Schank
Roger C. Schank
简介
相关人物