案例式推理(Case-Based Reasoning，CBR)

案例式推理(Case-Based Reasoning，CBR)是近年來人工智慧領域中所新興的一項

案例式推理(Case-based Reasoning，CBR)，起源於 Schank 和 Abelson 在 1977 年 [1]所提出手稿(Script)模式來模擬人類的知識、記憶。將一般性知識記錄在一張張的 手稿上，用來表示人類記憶，並能用來描述固定事件之資訊。但其互相獨立，只能用作 知識的儲存無法交互查找來取得解決方案。而後 Roger Schank 於 1982 年[2]更提出動 態記憶模式(Dynamic Memory Model)的概念，以加入索引(Index)概念來連結記憶、知 識、經驗與學習過程，並以記憶庫(Memory-based)方法來進行推理，而被認定為最早的 案例式推理。

此概念於 1983 年由 Kolodner 應用並發展出第一個案例式推理系統 CYRUS，以案例 為知識基礎，允許使用者詢問相關問題來取得應答，該案例記憶模式亦成為後續案例式 推理系統之開發基礎，如 MEDIATOR、JUDGE 等。

Riesbeck 與 Schank 指出[4]，人類的學習力與創造力是由之前所經歷的案例得來，

越多的案例就擁有越多的參考案例。若將案例視為知識或記憶的基本單位，則累積的案 例量越多，代表所能處理的問題經驗亦越多，那麼就越能解決所面臨到的更多樣性問題。

Watson[3]也提到，案例式推理是人工智慧領域中研究了解人類如何記憶資訊、回憶資

訊，並藉由回憶過去類似問題的處理經驗來解決目前所遇到的問題。

由此可知，藉由案例庫與索引的結合與推理，可有效彌補人類限制並提高使用效率，

且相當適合運用於以知識為基礎的應用系統。

2.1.2 CBR 系統內涵

案例式推理系統針對其運用領域之不同，其系統架構亦隨之不同，根據[26][27]所 做的分析，說明了不同的案例推理系統的發展均有其對應之背景與重點，但基本上各系 統的構成均包含有知識範疇、設計案例、推理方式、系統介面、案例庫等五大構面，如 圖 2.1 所示。系統各構面則分別說明如下：

圖 2.1 CBR 系統內涵組成圖 資料來源：本研究整理

(1) 知識範疇(Knowledge Domain)：

每種知識的內涵都具有不同的屬性，而就不同特性的問題設計與範圍或功能來加以 定義，例如衝突紛爭、醫療診斷、建築設計、結構設計、教學訓練等，就會有不同 的推理方式與表現方式。

(2) 案例設計(Design Case)：

一般而言，案例的設計應含有案例的問題背景、成因、解答或與其他有關的影響因 素。而案例式推理是將問題本身的形成過程、專家訪談所得經驗、實際運作情形及

知識範疇

案例設計

推理方法 系統介面

案例庫

(4) 系統介面(System Interface)：

系統介面主要功能在於是使運用者方便將問題的描述輸入、迅速取得問題解答。至 於設計形式，則取決於設計者對案例的屬性的認知與規劃。目前由於網際網路已是 目前生活的重要一部分，利用全球資訊網提供案例資訊已是時勢所趨，因此，本研 究將朝此方向來進行。

(5) 案例庫(Case Base)：

案例庫將項目繁多的各類案例組織整合，並分別給予索引與指標或特徵值，方便使 用者取得與運用；同時必頇時時充實案例庫內容，使之更豐富化，讓問題解答更順 暢。

2.1.3 CBR 運作基本原理

根據 Klaus-Dieter[5]所整理，案例式推理流程共分為四個步驟如圖 2.2，包括擷 取(Retrieve)、再利用(Reuse)、修改(Revise)與保留(Retain)，簡稱為 4R。

圖 2.2 案例式推理流程 資料來源：Klaus-Dieter Althoff

分別描述如下：

(1) 擷取(Retrieve)：

通常包含擷取過去相似案例與選取最佳案例兩部分。擷取過去案例在於從案例庫取 得較近似的案例，亦即取得能夠對新案例進行描述並做出相關應對的案例，而選取 最佳案例則目的在於自眾多相似案例中取出最貼近新案例狀況之候選案例。在此案

例擷取階段中，如何對案例間相似度判斷則為關鍵點所在。一般而言，沒有一個已 存在的案例是正好完全滿足新的情況，因此必頇經過搜尋的過程才能擷取案例，一 般常用的搜尋方法大致有：序列搜尋(serial search)、階層搜尋(hierarchical search)、模擬平行搜尋(simulated parallel search)[28]。而案例間諸多之差異 與相似點，用何種方法才能搜尋到合適的案例，大體而言有如下的方法[26][29]：

 最近鄰近值(nearest neighbor)：

CBR 主要的運算工具是靠電腦來執行，相似值是介於 0 與 1 之間。當運算值為

 知識導引歸納法(knowledge guide induction)：

在資料庫中，以此方法與其他技術結合使用，用人工來識別案例特性，將知識 應用到歸納法來處理。

 規則取得法(template retrieval)：

如同結構化查詢，經由規則取得法回饋全部符合案例的參數值，這種技巧常在

 替換(substitution)：

在案例的解決方法中，一些元素不能滿足新的問題且局部不適用或尚未有答案，

為新的案例評估變化替代元素，以滿足新案例的要求。亦即選取一個案例後，

針對案例式推理，整理 Fritz[6]、Mehdi & Owrang[7]，Ralph[8]等學者提出之相 關優缺點如下。

2.1.5 CBR 應用研究

案例所描述的是一種問題情境，案例推理嘗詴提供一個問題解答的管道，呈現一種 努力的成果及經驗分享與創新。以取得知識觀點而言，案例資料庫其多樣性的案例，是 諸多專家解決問題的經驗與眾人知識的集合。其運用之目的在於有效的保存與取得相關 案例，且能評估和決定如何將案例應用於新的問題上，來協助使用者更有效率的解決問 題，隨著問題解決的經驗累積，案例資料庫不斷的充實多樣化的案例，案例愈多，愈有 助於人們處理新的問題，在實際運用上更有其價值[46]。

案例式推理自被Roger Schank提出後，應用相當廣泛，早期多應用在設計(Design)、

規劃(Planning)、仲裁(Arbitration)、法律推理(Legal Reasoning)、診斷(Diagnosis)、

教導(Tutoring)、建築及教學訓練等領域，於近年則更衍伸至電腦系統Help Desk服務 與健康科學[33]等領域。根據[36]所整理，如：Bain(1986)發展的JUDGE系統則應用於 法案判例；Kolodner與Simpson (1989)發展MEDIATOR系統，化解兩個對立之間的衝突；

Koton (1989)發展CHSEY為疾病診斷系統，將病患出現的症狀與以前的案例做比對，來 診斷患者的疾病。Paek等學者(1996)將CBR應用於資料庫的設計；Kwong等學者(1997)將 CBR應用於射出模型的參數獲取；Shi與Yeh(1999)將CBR系統運用在土地之發展管制等等；

Haque等學者(2002)將CBR應用於產品發展同步工程的決策中。表2.1更彙整出自1980年 以後所發展出之代表性案例式推理系統[34][9]。

表2.1 案例式推理系統整理

資料來源：本研究整理參考資料來源，[34][9]

由此可以發現，隨著各種方法學的演進與電子化的趨勢，案例式推理隨著各種不同 知識範疇與特定之設計技巧則能夠有效運用於不同的產業狀況，如醫學、法律、工業、

客服等。