CBR 的內容

CBR 系統 的核心通常 包含以下四 個部分（ Wheeler, 1998 ）： (1) 案 例 庫

（case-base）：貯存以前的經驗；(2)指標機制（indexing mechanism）；(3)比對演 算法（matching algorithm）：比較新遭遇到的情境及舊情境；(4)調適（adaptation）

或推論機制（inference mechanism）：產生最後的解答。使用上述四個部分，系統 可以定義新問題的屬性，從案例庫中擷取相似案例，透過結合、調適、精煉等過 程再使用被擷取案例，最後並將新的經驗貯存在案例庫中。Aamodt 和 Plaza 將 這整個過程稱為「4Re」（Aamodt & Plaza, 1994）：

1. 擷取（Retrieve）：擷取相似案例 2. 再使用（Reuse）：再使用先前的解答

3. 調適（Revise）：修正或調適（adapt）先前的解答，以解決新問題 4. 保留（Retain）：將新解答貯存於案例庫中

在整個過程中，普通知識扮演著支援的角色。這裡所指稱的普通知識是指該 領域裡互為相關的知識，相對於存在案例裡的特定知識。視 CBR 型態的不同而 定，普通知識的支援功能可能是完全沒有用處、稍微有用處、也可能對 CBR 的 推理過程有很大的貢獻。

二、CBR 任務的階層分析（a hier archy of CBR tasks）

從過程導向（process-oriented）的觀點來看，CBR Cycle 強調擷取、再使用、

修正、保留等步驟是一個接著一個發生的。若從任務導向（task-oriented）的觀 點來看，這四個步驟又可再細分成好幾個部分。如圖二所示，節點代表任務，以 粗體字表示；達成任務的方法則以斜體字表示。節點和節點之間以實線連接，表 示任務的分解；節點和方法之間則以虛線連接。retrieve、reuse、revise、retain 等四個任務是最上層的任務，每個任務都可以再細分成幾個次任務每個任務或次 任務都是一個完整的部分。每個次任務都有好幾種完成的方法，可以選用其中一 種、或是結合好幾種方法，也可能還有其他方法可以完成任務（Aamodt & Plaza, 1994）。

三、案例呈現

(一)案例內容

案例（case）是構成案例式推理的最基本要素，具有以下幾點特徵：（Bergmann, 1998；Dattani, ?）

1. 案例的基本內容包括對問題的描述以及解答兩部分，其他延伸內容則包 括相關背景（例如採用該解答的理由）、和其他案例的關係、所遭遇到的 困境與失敗等。

2. 案例描述一個特定的、顯示症狀特徵的處境，並記錄該處境的數個屬性 及屬性值。

3. 案例不是規則（rule）。

4. 案例庫中，每個案例描述一個特定的處境，所有的案例均互相獨立。

(二)案例呈現方式

決定案例的呈現方式是建立 CBR 系統的第一個步驟。案例呈現最重要的考 量因素包括案例的「結構」及「內容」，呈現方式有許多種，取決於領域及工作 的需求。有時候簡單的案例結構對解決問題而言已經足夠，二維的「屬性－屬性 值」呈現方式易於儲存及擷取，而物件導向式呈現適用於複雜及結構化的物件。

在物件導向的觀念裡，案例是很多物件的集合，一個案例包含一組物件，一個物 件代表情境的一部分，物件由一組屬性所描述，每一個物件屬於一個物件層級，

在繼承而來的階層裡，所有的物件層級被組織化（Bergmann 1998）。

圖二 CBR 任務的階層分析圖（資料來源：Aamodt & Plaza, 1994）

四、相似性評估

案例式推理的基本假設是「相似的問題有相似的解答」，因此，相似性

（similarity）是 CBR 最重要的概念之一（e.g. Leake, 1996；Bergmann, 1998），其 目的是為了選擇和現存問題有相同/相似解答的案例，或是選擇易於調適以適應 現存問題的案例。相似性的定義直接決定了 CBR 系統的案例擷取方式及擷取效 率，當案例庫很大時，如何有效率地擷取案例尤其顯得重要。相似性定義的第一 步是要決定索引準則，亦即選取指標及決定各屬性的權重大小，指標及權重大小 表示該屬性的重要性，以及在比對過程中所作的貢獻。對案例庫的組織而言，線 性串列（linear lists）只適用於小案例庫；樹狀指標結構適用於大案例庫。

有些 CBR 是根據表面的（superficial）、語法上的（syntactical）相似性來擷 取相似案例，例如 CYRUS 系統（1983）；有些 CBR 則是根據較深層的（deeper）、

語意上的（semantical）相似性，例如 PROTOS（1986）、CASEY（1989）等系統。

語法相似性評估（syntactical similarity assessment）通常被稱為「知識貧乏性」

（knowledge-poor）的方法，適用於一般領域知識（general domain knowledge）

不足或較難獲得的領域。語意相似性評估（semantical similarity assessment）通常 被稱為「知識密集性」（knowledge-intensive）的方法，可以被應用在比對過程中 關於問題描述的字句結構意義，適用於較易獲得一般領域知識的領域。語意相似 性評估方法也可能在比對方法中隱含大量的一般領域知識，因此「知識貧乏性」

和「知識密集性」的最大差別在於，在「知識貧乏性」方法裡，領域知識是被隱 含在內的（implicitly），且是特殊化的（specialized）領域知識；在「知識密集性」

方法裡，領域知識是被明確表達的（explicitly），且是一般化的（generalized）領 域知識（Aamodt 1994）。

相似性評估面臨兩個主要的問題（Leake 1996）：(1)如何決定正確的屬性以 進行比較、哪些屬性是重要的（權重）；(2)對某些工作而言，輸入的問題描述並 不足以決定新舊情境的相似性。因此，情境評估（situation assessment）和相似 性評估（similarity assessment）也許需要結合在一起。其中一種結合的方法是「建 設性相似性評估」（constructive similarity assessment），根據舊案例來建立輸入情 境的描述，並由被擷取案例是否可根據新情境來調適而判斷其相似性，而不是根 據任何固定不變的準則來評估相似性。

五、案例擷取

案例擷取必須考慮的第一個問題是：只有所有屬性值都符合的案例才能被擷 取，還是某些（較重要）屬性值符合的案例就可以被擷取？有幾個簡單的方式可 以加強系統擷取適當案例的能力（Wheeler 1998）：

1. 將案例庫先處理過，移除不適當的案例－品質不佳、或雜訊太多的案 例。必須考慮一點，互相衝突的案例是否都應該被納入？

2. 改變（增加或減少）被擷取案例的數量，考慮相似性多高的案例該被擷 取？案例母體的差異度有多大？

3. 考慮較新的案例，一般而言，較新的案例較有用。

4. 重新思考評估的方法，決定要選擇擷取所有的案例、還是只擷取最近似 的案例；或者考慮在既定的相似性原則下，結合兩個最不相似的案例。

5. 考慮採用模糊比對（fuzzy matching）方式（Dubois et al., 1997；Yager, 1997）。

愈來愈多專家獲致共識，認為相似性評估所扮演的角色是要決定哪些案例是 有用地相似（usefully similar），而僅僅一組固定不變的相似性準則也許無法補捉 到正確的差異。希望相似性準則能更真實地反映使用需求的願望被反映在某些研 究方法上，亦即將評估標準建立在可調適性（adaptability）上，以取代傳統的相 似性評估。對這些研究方法而言，相似性的重點在於使解答的產生（solution generation）變得更為容易。

六、相似舊案例的再使用

案例的再使用必須考慮一個問題：舊案例和新的問題情境有何不同，舊案例 的哪個部分可以被應用到新問題。而再使用的方式可大分為三種：

1. 直接複製：解答沒有經過調適或修改，直接複製。

2. 由使用者自行手動調適解答。

3. 由系統自動調適解答：(1)轉移性再使用（transformational reuse）：不關心 問題解決的過程，而把重點放在「相同的解答」上，再使用的對象是「舊 案例的解答（solutions）」。(2)轉化性再使用（derivational reuse）：不直接 再使用解答，而是再使用「如何獲得解答的方法（methods）」，因此可用 於解決更廣大 層面的問題（Aamodt, 1994；Leake, 1996；Bergmann, 1998）。

七、解答的評估

透過再使用，CBR 系統評估解答是否可行，如果可以成功解決問題，就將 新案例貯存起來，供未來再使用；如果失敗，就進行錯誤修正。解答的評估方式 有三種：(1)將解答應用在真實的情境中；(2)詢問專家的意見；(3)將解答應用於 模擬的程式中。解答評估這個步驟通常在 CBR 系統以外進行，評估結果可能需 要一段時間後才能顯現。例如，在醫學診斷 CBR 系統中，對病人所做的處理常 常要一段時間後才能顯現其效果（Aamodt 1994）。

八、案例的修正及調適

案例的修正及調適可被視為是案例式推理的「推理」部分（e.g. Riesbeck

1996）。系統經過評估解答的過程後，若偵測到錯誤，會解釋發生錯誤的原因，

並根據錯誤原因來修正、調適解答。修正的標準在於：(1)解答的正確性；(2)解 答的品質；(3)其他，例如使用者的偏好（Bergmann 1998）。在問題解決式 CBR 系統裡，系統解決新問題的能力必須視他們調適被擷取案例的能力以及修改失敗 答案的能力而定。調適的核心問題在於如何決定哪些面向是該被調適的、在調適 時做哪些改變是合理的、以及如何控制調適過程。此外，案例的調適過程通常使 用規則式系統（rule-based systems），因此系統開發者又再度面臨規則式系統獲取 知識所遭遇到的問題，而可取得的案例也許缺乏有效調適所需要的內部結構

（Leake 1996）。因為案例調適所面臨的困難，使得許多 CBR 系統省卻調適這個 步驟，將 CBR 周期由「擷取－評估－調適」（retrieve-evaluate-adapt）取代為「擷 取－提出建議」（retrieve and propose），而仰賴人類來進行評估及調適的工作。

改善 CRB 系統調適能力的方法有以下幾種（Leake 1996）：

(一)依據調適能力來進行相似性評估、擷取案例

不根據案例的屬性來進行比對，而是根據案例的屬性是否可以被調適來進行 比對。整合案例擷取、相似性評估及案例調適，根據案例的調適能力來擷取那些 需要較少的調適就能適合目前工作的案例（adaptation-guided retrieval）。

(二)改善系統調適能力

1. 改善索引（indices）系統，以求能擷取較有調適力的案例：案例調適的 困難度主要取決於被擷取案例，因此，擷取能力的改進對改善調適工作 有很重要的影響。評估是否已擷取最佳案例，如果沒有，就調整擷取準 則，以求將來能擷取更有調適力的案例。

2. 使用彈性的調適規則：建立調適規則所面臨的問題為如何在調適規則的 可操作性（operationality）及一般性（generality）兩者間取得平衡。抽

2. 使用彈性的調適規則：建立調適規則所面臨的問題為如何在調適規則的 可操作性（operationality）及一般性（generality）兩者間取得平衡。抽