基于案例的推理-认知智能时代：知识图谱实践案例集（速读版） (1)

8.5 基于案例的推理 k-近邻算法和局部加权回归都是基于实例的方法，它们具有三个共同的关键特性。第 1， 它们是消极学习方法，都把在训练数据上的泛化推迟至遇到一个新的查询实例时。第 2，它 们通过分析相似的实例来分类新的查询实例，而忽略与查询极其不同的实例。第 3，它们把 实例表示为 n维欧氏空间中的实数点。基于案例的推理（Case-based reasoning，CBR）这种 学习范型基于前两个原则，但不包括第 3个。在 CBR中，一般使用更丰富的符号描述来表 示实例；相应地，用来检索实例的方法也更加复杂。CBR已被应用于解决很多问题，比如， 根据数据库中存储的以前的设计图纸，来进行机械设备的总体设计（Sycara et al. 1992）；根 据以前的裁决来对新的法律案件进行推理（Ashley 1990）；通过对以前的相似问题的解决方 案的复用或合并，来解决规划和调度问题（Veloso 1992）。 作为以后讨论的基础，让我们考虑基于案例的推理系统的一个例子。CADET 系统 （Sycara et al. 1992）采用基于案例的推理来辅助简单机械设备（例如水龙头）的总体设计。 它使用一个数据库，其中包含大约 75个以前的设计或设计片断，来推荐符合新的设计规格 的总体设计。内存中每一个实例是通过它的结构和定性的功能来表示的。相应的，新的设计 问题是通过所要求的功能和结构来表示的。图 8-3画出了这个问题。图的上半部分显示了一 个典型的存储案例，被称为 T 型接头管。它的功能被表示为输入和输出点的流量和温度间 的定性关系。在右侧的功能描述中，标有“+”的箭头表明箭头头部的变量随着箭头尾部的 变量上升。例如，输出流量 Q3随着输入流量 Q1增长。类似地，“-”标记表明箭头头部的变 量随着箭头尾部的变量下降。这幅图的下半部分画出了一个新的设计问题，它通过新设计中 所要求的功能来描述。这个功能描绘了一种水龙头的行为特征。这里 Qc指进入龙头的冷水 流量，Qh指热水的输入流量，Qm指流出龙头的单一混合流量。类似地，Tc、Th和 Tm分别指