4.3 CBR 系統之合理使用案例比對
4.3.3 基於本體論的相似度計算
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
38
本身的需求，所以使用者的查詢案例描述之解答部份則可以來進行填寫。
4.3.3 基於本體論的相似度計算
在傳統的 CBR 系統中其 KNN 是最受廣泛使用的案例獲取的方式[20]，KNN 的意思即 是取最相近的 K 筆資料，在 KNN 的架構之下內部會有相似度計算的組件，傳統的 CBR 系統在沒有導入本體論技術時，其相似度計算部份會採取關鍵字比對的方式來做為相似 度計算的依據，然而此方法在計算上並沒有一個語意考量，常會發生結果不如預期的情 形。 在本研究中我們引入本體論的概念來避免語意錯誤的情況，由於本體論中包含了 領域知識，即具有概念之間的語意關係，使得案例的相似度計算有所擴充。所擴充的計 算方式為概念類型(Concept Type)的計算，其概念的值為本體論中的實體(Instance)，整個 本體論可視為一個樹，當兩個實體在進行相似度比較時，會依據實體在樹中的位置來進 行相似計算，此計算方式我們稱為概念的相似度計算方式[19]，如公式(1)。
在本研究中合理使用的案例描述是經由多個項目所組成，而每個項目會來自於所屬 的領域本體論，比如說 Party 項目會來自於 Party 領域本體論、Asset 項目會來自於 Asset 領域本體論依此類推。在相似度計算上我們會對合理使用案例描述中的項目進行概念的 相似度計算，而 Party 項目由於對合理使用的判斷較不影響，因此本研究中不將 Party 項目加入相似度的計算。在得到每個項目概念相似度計算值之後，再去加總所有的概念 相似度計算值即可得到最後案例的相似值。
概念相似度計算計算公式如下所示：
q prof i prof
i q LCS i prof
Sim
cpt( q , ) 2 ,
公式(1) [19]
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
40
算距離 q 與 i2 最近的共同上層概念深度，其想法為 q 與 i2 雖非同一性質的實體但其性 質必定都屬於最近的上層概念，得知 q 與 i2 最近的共同上層概念深度後再將其深度乘二 當作公式的分子，乘二的目的是為了讓相似值的上限可以達到 1，否則相似上限值只會 為 0.5，最後將分子與分母相除即可得概念相似值。
案例的相似度計算我們會遵從局部與全域原則(Local-global principle)，可參考圖 4-8，
上述的公式(1)即是在進行局部相似度的計算，所謂局部相似度的意思就是案例中個別項 目的相似值，而全域相似度的意思即是加總每個局部相似值，所得到的和就是全域相似 度的值，亦是最後使用者查詢案例與案例庫中某個案例的相似度的值，如公式(2)所示。
ni
i
L S i m i w
G S i m
1
公式(2)
GSim
表示全域相似度的值，即查詢案例與比較案例的相似度值LSim 表示局部相似度的值，即案例項目的相似度值 i
w
i 表示此案例項目的權重值(例如 i 項目為 Asset，則w
i代表 Asset 項目的權重值)n
表示案例描述中的項目數經由各別的局部相似度加總可以得知兩個案例其最後的相似值為多少。