案例推理

一、案例推理(CBR)之起源定義與發展

案例推理起源於Schank 和 Abelson 在 1977 年提出手稿(Script)模式以模擬人 類的知識記憶，將一個人以前的記憶模擬成一張張的手稿，在認知新的事物時，

類似的手稿即被抽出來解釋新的事物(Schank, et al., 1977; Watson, 1998)。它著重於 問題的解決，相當於人們如何學習一個新的技術；如何依據他們過去的經驗對於 新的情況產生假設(Riesbeck & Schank, 1989)。這些以認知為基礎性的研究，就是 為了要建構一個決策系統去幫助人們學習。然而 CBR 系統的雛型大多建立於 1977-1993 年，由原運用在認知科學(cognitive science)研究，而直到近 1990 年代才 開始將其應用於電腦科學以及人工智慧方面，包括設計(design)技術、專家系統 (expert system)、機器學習(machine learning)，以及各項應用。例如：Kolodner(1983) 、 Simpsom (1985) 、Sycara (1988) 、 Hammond(1989)(施鳳美, 2006; 詹國良, 2001) 。

二、案例推理架構

案例推理和人們正常的思考工作方式有些許的相似，其基本概念，是在問題 解決的過程中，當決策者遭遇到新的問題時，為充分運用過去發生的經驗，使用 相似性(similarity)比對，比較案例之間的相似處，以尋求解決問題的思考方向與解 決方式，或針對過去的案例再做進一步的修正，以運用到目前的決策的行為。合 適的對策來解決一個新的問題，如圖2-6 所示。所以案例是 CBR 的主要元素，它 定義了一個自然語言描述的狀況或問題的答案及正確的解決辦法。一個案例庫 (Case Base)中的案例通常包含了問題發生的徵兆、問題發生的原因及問題解決的辦 法因此一般性案例式推理的運作流程如下所述(Aamodt & Plaza, 1994)：

(一)擷取(Retrieve)

擷取過去案例中最相似的案例，其目的主要係取得好的案例，即取得對新案 例能夠做出相關預測的案例，利用案例庫中的案例索引(index)搜尋出與新案例最相

似的案例，而案例間之相似性(Similarity)如何判別是關鍵所在。其中包涵了以下各 供新案例建議的解決方案(suggested solution)。此階段的焦點在於：

1.確認取出的案例與目前問題的差異性。

2.確認取出的案例中可適用於目前問題的部份。

(三)修正(Revise)

前一步所選擇出的案例，並不是完全適用於新的問題，故必要時訂定規則方 式予以改編(Adaptation)，促使從案例庫中所擷取出的案例更符合要解決的問題，

而取得一個確切的解決方案(confirmed solution)。但是改編之程序未必是必須的，

大多數的CBR 系統完全不執行改編的動作，僅是重複使用過去的案例或是將改編 留到日後再使用，換句話說，也就是純粹的案例擷取模式。此階段包涵了兩個主 要的任務：

1.評估擷取的案例的解決方式。

2.使用特定領域的知識(domain knowledge)以修正案例的解決方式。

(四)回存(Retain)

將所得到的解決之道與他相似的方案比較，透過應用後的結果，形成案例推

圖 2-6 案例式推理之循環

資料來源：(Aamodt, et al., 1994; 張光旭等, 2001)，本研究整理

三、案例推理的應用發展

案例推理亦屬於人工智慧技術的一種，是屬於資料探勘之應用範圍，對於非 結構性的問題或資料，有較佳的處理結果，並能運用案例庫中的各項資料及經驗；

以CBR 與傳統的專家系統間之差異性分析：CBR 是組織累積的經驗、儲存的是案 例、經由類似案例的比對找尋問題的解決方案、彈性大可不斷地擴大調整；而傳 統的專家系統則係依授信專家的智慧與經驗毫不保留的提供，經由推理機制與法 則來找尋問題的解決方案、彈性小且較難以擴大。對於以規則基礎的專家系統來 說，CBR 與人類思考過程較相類似，對於相關領域知識的擷取也更容易，目前國 內外應用在許多的方面，例如：醫藥診斷、機械人，而學者亦曾利用CBR 來解決 許多的問題(如表 2-2)，如下表即是近幾年學者相關的研究的整理。

表2-2 CBR 之應用 年份 作者 應用/解決問題

1997 Montazemi 及 Gupta(Montazemi

& Gupta, 1996)

應用案例推理法以提供解決工業機器診斷及修護上之相 (Garrell i Guiu, Golobardes i Ribé, Bernadó i

Mansilla, & Llorà i Fàbrega, 1999)

四、相似度演算法 (Nearest Neighbor Approach)。這一個方法是依據現存問題與案例資料之間的各項 特徵屬性的權重值，乘以特徵屬性值的差距，再取其加權總和來評定兩者之間的 關聯性；其計算公式如下式3-1：(Bahls & Roth-Berghofer, 2007; Stahl, 2007)

計算公式如下式3-2：(Stahl, 2007)

先計算個別特徵屬性的相似度(Sankar & Simon)，再加上重要性加權的權重值(w)，

表示出相對重要性，就可以計算出總相似度。根據Kolodner(1993)所提出的計算公 式，要先計算出每一個特徵屬性的相似度，然後乘上反映個別特徵屬性重要性的

Similarity ¹

,

⎟⎠

⎜ ⎞

⎝⎛

f

f

Similarity ,

： 輸入的新案件與案例資料庫中第 j 個案例資料的相似值。