CBR 與其他技術之比較

一、CBR 系統和傳統人工智慧方法之比較

CBR 系統比傳統人工智慧方法更具有優勢，包括知識的獲取及維護較為容 易、使用已經存在的資料來解決問題、遞增式學習、提高解決方案的品質、透過 再使用以改善問題解決的能力、使用者的接受度高等（Aamodt, 1994；Leake, 1996；Bergmann, 1998）：

(一)知識的獲取較為容易

傳統知識庫系統（knowledge-based systems）所面臨的一個典型問題是如何 提供系統運作所需要的規則（rules）。獲得規則的過程可能很辛苦、且不一定可 靠，規則很難被表達出來，且無法確保那些規則足以象徵專家的能力。在某些領 域，規則可能很難被形諸文字，或是所需要的規則數量可能相當龐大。此外，要 獲得一般知識可能非常困難。

因為 CBR 是根據過去特定的完整案例來進行推理，因此不必將經驗分解、

或將經驗的部分歸納成規則。在某些領域裡，因為案例的蒐集是標準問題解決程 序的一部分，所以特別適合採用 CBR。在這些領域，知識的獲得成本是相當低 的。一般而言，CBR 系統需要較少的一般知識，大部分的知識存在案例庫裡，

而案例的知識較易於獲得。當然，並非所有領域都適用 CBR，有時候案例可能 難以取得，或是案例雖然可取得、但卻是難以使用的形式。在這些情況下，必須 仰賴「案例工程」（case engineering）來界定案例必須包含的資訊、確定那些資 訊的呈現方式、並從可得的資料中摘錄那些資訊。在剛開始時經過案例工程的努 力後，通常要擴增及維護 CBR 系統所需知識就會變得容易。

(二)知識的維護較為容易

界定一個起始的知識庫通常是要成功應用人工智慧的第一步。然而，對問題 最初的認知可能是不完全的，因此系統知識需要被再改進。而隨著工作需求及環 境的改變，現有知識很容易變得過時不合用。CBR 提供了一個非常有利於維護 知識的優點：使用者可以在沒有專家干預的情形下，自行將遺缺的案例（missing cases）加入案例庫。並且，因為 CBR 採遞增式學習（incremental learning），因 此它們可以從有限的「種子案例」（seed cases）而不斷開展，且在原有案例庫不 敷使用時擴增新案例。

(三)使用已經存在的資料來解決問題

CBR 並非單單依靠該問題領域的一般知識（general knowledge）、或是問題 的敘述和結論之間的關係，它可以利用以前經歷過的、具體的問題情境（案例）

的特定知識（specific knowledge）。藉由找尋以前的相似案例、再使用，以解決 所遇到的新問題。

(四)遞增式學習，不斷增進解決問題的效能

案例式學習是可以遞增的（incremental）、持續的（sustained）學習方法，因 為每次新問題被解決後就被保留在案例庫，以供未來隨時取用。除了貯存成功的 經驗外，CBR 同時也貯存失敗的經驗，以避免將來再犯相同的錯誤。而隨著指 標系統、案例庫等的不斷更新，系統不斷增進解決問題的效能，並且調適得更適 合環境的改變。

(五)提高解決方案的品質

當該領域的基本原則並沒有被透徹了解時，所建構出來的規則可能是不完全 的。這種情形下，由案例所提出的解答可能會比由一連串規則所提出的解答更為 精確，因為案例反映出在一組給定的情境中，什麼狀況會真的發生或無法發生。

(六)透過再使用以改善問題解決的能力

規則式系統（Rule-Based Systems）是傳統人工智慧系統，適用於解決易結 構化的問題；案例式推理系統和類神經網路（Neural Networks）都是第二代專家 系統，適用於解決弱結構化的問題。以下列表比較三者的異同（Wheeler, 1998）： 表一 規則式系統、案例式推理系統、及類神經網路之比較

（續表一）

以下舉出幾個和案例式推理相關的術語（Aadomt & Plaza, 1994 ; Leake, 1996）：

(一)範例式推理（Exemplar-Based Reasoning）

從範例（exemplar）的觀點來看，觀念通常會被擴大解釋。那些提出觀念定 義的學習（例如機器學習研究中所提出的大部分問題）的 CBR 方法有時候也被 稱作「範例式學習」。在這類研究方法中，問題的解決是一項分類工作，例如替 未分類的樣本找到正確的分類。最相似案例的類別變成分類問題的解答，而所有 類別的集合構成可能的解答之集合。解答的修改不在這類方法的研究範圍之內。

(二)實例式推理（Instance-Based Reasoning）

「實例式推理」是在語法上更接近 CBR 的「樣本式推理」的專門研究。為 了彌補欠缺一般背景知識的引導，在觀念的定義上需要大量實例的輔助。實例的 呈現方式通常很簡單，例如特徵向量（feature vector）。實例式推理主要的研究重 點在於迴圈中無使用者參與的自動化學習。

(三)記憶式推理（Memory-Based Reasoning, MBR）

MBR 常被認為是 CBR 的分枝，它強調蒐集案例以形成一個大型記憶體，解

決問題的方式則是擷取先例、並當作解決新問題的起始點。MBR 的重點主要在 於擷取的過程，特別是它使用平行擷取結構、而不採用傳統的指標選擇。利用「平 行處理」（parallel processing）的技術是這類方法不同於其他方法的特色之一，平 行模式可以使得擷取過程變得非常快速，但是準則的訂定也是個問題。

(四)案例式推理（Case-Based Reasoning）

典型的案例式推理和其他相似方法的差別在於：

1. 一個典型的案例通常被假定包含一定程度的資訊（informaion）及複雜性

（complexity）。僅僅包含幾個數值及相對應分類的特徵向量，通常不被 認為是典型的案例描述。

2. 當相似案例被擷取出來、要應用於新問題時，典型的案例式方法可以進 行修改或調適。

3. 典型的案例式方法會利用一般背景知識，雖然一般背景知識的豐富性、

明確表達的程度、以及在 CBR 過程中所扮演的角色不斷改變。

4. 典型 CBR 系統的核心方法大量借用認知心理學的理論。

(五)類比式推理（Analogy-Based Reasoning）

CBR 的推理方式基本上可被視為類比式的：藉由類比舊案例以解決新問題 或闡釋新情境。因此，「類比式推理」常被視為「案例式推理」的同義字以形容 典型的案例式研究方法。然而，類比研究較關注抽象知識及結構的相似性；CBR 研究則較關注在結果實用性的考量下，建立特定事件之間的一致性。類比式推理 是從不同領域裡擷取相似案例來解決問題，而典型的案例式推理通常強調單一領 域裡案例的索引及比對，可以把 CBR 當作領域內的類比（intra-domain analogy）。

類比式推理的研究重點在於如何再使用舊有案例，通常稱之為映射問題（the mapping problem），即找尋一個方法將類比來源轉化（transfer）或映射（map）

至現在遇到的問題。類比研究的重點主要在於類比式映射（analogical mapping），

而 CBR 研究則包括映射之前及之後的過程。如果「類比」（analogy）僅指類比 式比對，那類比和 CBR 之間的關係如下：

Case-Based Reasoning = retrieval + analogy + adaptation + learning

必須說明的是，有些類比研究的討論重點不僅只於「比對」，還包括其他相 關議題，例如擷取。此外，雖然將 CBR 分解成這幾個步驟，但在 CBR 過程中這 幾個步驟並非各自獨立的。

四、CRB、資料庫、資訊擷取系統

CRB 和資料庫（Databases）、資訊擷取系統（Information Retrieval Systems, IR）

最大的差別在於：完整的 CBR 系統在擷取相似案例後，還有調適的過程。此外，

CBR 的擷取過程較 IR 系統及標準資料庫的擷取過程更為積極有活力。IR 系統和

資料庫系統仍停留在如何將正確的問題確切地對使用者闡述；而 CBR 系統則通 常被設計成開始於使用屬性來輸入問題描述，輸入的問題描述可能是不完全的。

因此，IR 和 CBR 之間一個非常重要的差異在於：CBR 系統情境評估及問題描述 過程的重要性（Leake 1996）。

資料庫系統被設計成問題（query）和貯存的資訊（stored information）要完 全符合（exactly match），而 CRB 系統的目標則是擷取「最相似」的一個或一組 案例，最相似案例可能包含一些和問題相衝突的屬性。在案例式推理，一個案例 是否該被擷取，不僅只是看案例本身，還要和其他案例做比較、看它是否優於其 他案例。雖然彼此間存有這些差異，但 CBR、資料庫及 IR 系統仍可互為支援。

例如，採用關聯式資料庫管理系統來協助管理大尺度合作式 CBR 的案例庫，而 從 IR 系統中獲得的資訊可用以擴增傳統案例庫。