CN104573062A

CN104573062A - 基于描述逻辑和案例推理的智能学习方法

Info

Publication number: CN104573062A
Application number: CN201510035773.8A
Authority: CN
Inventors: 古天龙; 谷宇奇; 宁黎华; 徐周波; 常亮
Original assignee: Guilin University of Electronic Technology
Current assignee: Guilin University of Electronic Technology
Priority date: 2015-01-23
Filing date: 2015-01-23
Publication date: 2015-04-29
Anticipated expiration: 2035-01-23
Also published as: CN104573062B

Abstract

本发明公开一种基于描述逻辑和案例推理的智能学习方法，先对案例的属性采用基于描述逻辑的相似度计算方法对文字属性和数值属性的分别计算，给出相似度匹配初步结果；后利用蚁群算法中的信息素权重自适应更新及分配策略和案例推荐建立联系；通过使用对学习主体的学习等级和问题等级划分，对处于不同学习阶段的学习主体能够给出其所在等级的案例推荐；最后分别对以上方法的计算结果分别赋予不同的权值，综合计算出案例之间的相似度；通过综合相似度从案例库中给出对于当前问题案例的最优解决方案的列表，供学习主体选择。这样就可使学习者快速地从其所遇到的错误中进行学习。

Description

基于描述逻辑和案例推理的智能学习方法

技术领域

本发明涉及智能导师学习领域，具体涉及一种基于描述逻辑和案例推理的智能学习方法。

背景技术

在传统学习过程中，解决错误问题的方式通常有两种，一种是学习者依靠指导者的指导，另一种是学习者自行通过网络论坛为主的网络资源进行查询与求助。对前一种模式，虽然可以在一定程度上帮助学习者解决所遇到的问题，但随着问题数量的增加和复杂度的增高，则会产生无意识错误、顾此失彼、习惯性错误等问题，严重影响学习效率并造成问题求解资源的严重浪费。对后一种模式，虽然网络资源可以帮助学习者解决错误问题，但学习者查找自己所需答案的效率却十分低下。

学习过程错误的发生具有阶段性和重复性，采用案例复用技术充分利用这些特性可有效提高学习效率。错误学习是指利用学习过程中所出现的错误反过来对学习进行指导，属于弹性认知的一个重要的技术手段。学习过程伴随发生的错误发生，在时间维度上呈离散分布状态，具有一定的阶段性、局部性和重复性。错误的出现反映了学习主体在学习中存在的问题，包括思维认知发展水平、行为习惯以及意志品质状态等。充分利用学习过程中出现的错误，可有效地提高学习者的学习效率。其应用前景十分广泛，目前已成功应用于智能教学系统、智能决策支持系统、故障维护和机器学习等诸多领域中。

案例推理(Case-based Reasoning，CBR)是一种使用较多的不确定性推理方法。其基本思想是相似问题有相似解，对于提供准确描述的某一问题，用此推理方法可得到对应的解。它的主要优点是无需显式的领域知识模型，可避免知识获取的瓶颈问题。将案例推理技术用于错误学习，有助于学习者更好地利用先前经验、辅助记忆和提高学习效率。然而，将传统案例推理方法在复用信息利用效率方面仍存在一定不足。首先，为达到案例之间的精确匹配，在对案例的描述的过程中，必须使用具有代表性的属性，最大程度上进行区分案例。而在属性的选取上，传统的CBR技术大多关注于问题当前所呈现出来的静态的属性，对案例的动态的使用情况并未考虑到案例检索中去。而在个体学习的过程中，问题的发生和个体的学习是一个同时进行的过程，在时间上有其明显正态分布特点。其次，由于CBR是一种增量型、可持续的学习方法，每次有一个新的问题被解决的时候，就会新的经验即被存储下来，并将之用于新问题的解决中去。在案例复用的过程中，关于问题解决的反馈信息往往只是被用来评价案例检索结果的相关程度，而未将此信息用于案例检索中，若加以利用，则可提高案例检索结果的质量及效率。同时，传统的案例检索是基于对案例库的整个历史使用情况的做出的判断，并不能根据现阶段急需或是高频出现的问题给出精准回应，在检索过程中对旧案例的重复检索导致效率降低。

发明内容

本发明所要解决的是将传统案例推理应用到智能学习中所存在的复用信息利用率低的问题，提供一种基于描述逻辑和案例推理的智能学习方法。

为解决上述问题，本发明是通过以下技术方案实现的：

基于描述逻辑和案例推理的智能学习方法，包括如下步骤：

步骤1，将学习者遇到的问题即新案例作为输入，采用基于描述逻辑的相似度计算方法，计算新案例与源案例库中的每个源案例的文字和数值属性相似度Sim(A,B)，并根据计算所得的文字和数值属性相似度Sim(A,B)对源案例库中的源案例进行排序；

步骤2，从源案例库中选取m个文字和数值属性相似度高的源案例作为被检索案例，源案例库中的其余源案例作为非检索案例；m为设定的≥1的正整数；

将源案例库中的被检索案例放入检索案例集合RC中，

将源案例库中的非检索案例的重用频度属性值修改为，

L(B)＝ρ·L(B)′

其中，L(B)为源案例修改后的重用频度属性值，L(B)′为源案例修改前的重用频度属性值，ρ为设定的系数值；

步骤3，从检索案例集合RC中的被检索案例中确定一个重用案例，该重用该案例中的解决方案能够最好的解决新案例中遇到的问题，检索案例集合RC中的其余被检索案例作为非重用案例；

将案例集合RC中的重用案例的重用频度属性值修改为，

L(B)＝ρ·L(B)′+Δl

将案例集合RC中的非重用案例的重用频度属性值修改为，

L(B)＝ρ²·L(B)′

其中，L(B)为源案例修改后的重用频度属性值，L(B)′为源案例修改前的重用频度属性值，ρ和Δl为设定的系数值；

步骤4，计算新案例与源案例库中的每个源案例的阶段相似度R_dis(A,B)，

R_{dis} (A, B) = \frac{1}{\sqrt{2 π}} \exp (- \frac{{(R_{A} - R_{B})}^{2}}{2})

其中，R_A为设定的新案例所属阶段等级，R_B为设定的源案例所属阶段等级；

步骤5，计算新案例与源案例库中的每个源案例的综合相似度Sim_total(A,B)，

Sim_total(A,B)＝α·Sim(A,B)+β·L(B)+γ·R_dis(A,B)

其中，Sim(A,B)为新案例与源案例的文字和数值属性相似度，α为设定的该文字和数值属性相似度的权重；L(B)为源案例的重用频度属性值，β为设定的该重用频度属性值的权重；R_dis(A,B)为新案例与源案例的阶段相似度，γ为设定的阶段相似度的权重；α,β,γ∈[0,1]且α+β+γ＝1；

步骤6，根据计算所得的新案例与源案例的综合相似度Sim_total(A,B)，对源案例库中的源案例进行排序，排序后的源案例库作为本次学习问题的结果输出。

在第一次输入新案例之前，需要对源案例库中的所有源案例的重用频度属性值赋初始值，其中源案例的重用频度属性值的取值范围为[0,1]。

将源案例库中的所有源案例的重用频度属性值的初始化值设为1。

步骤1中，新案例与源案例库中的每个案例的文字和数值属性相似度Sim(A,B)包括文字描述属性相似度Sim(A^t,B^t)和数值描述属性相似度Sim(A^d,B^d)；其中，

文字描述属性相似度Sim(A^t,B^t)的公式为，

Sim(A^t,B^t)＝Sim(C_p,C_p)·(1-w)+Sim(C_A,C_B)·w

数值描述属性相似度Sim(A^d,B^d)的公式为，

Sim (A^{d}, B^{d}) = \frac{| Σ_{i = 1}^{n} A_{i}^{d} B_{i}^{d} |}{\sqrt{(Σ_{i = 1}^{n} A_{i}^{d} A_{i}^{d}) (Σ_{i = 1}^{n} B_{i}^{d} B_{i}^{d})}}

则属性相似度Sim(A,B)的公式为，

Sim(A,B)＝δSim(A^t,B^t)+(1-δ)Sim(A^d,B^d)

其中，δ为设定的文字描述属性的相似度权值，Sim(C_p,C_p)为新案例与源案例相同子概念之间的相似度，Sim(C_A,C_B)为新案例与源案例不同子概念之间的相似度，w为新案例与源案例不同子概念之间的相似度权值，为新案例的第i个数值属性，为源案例的第i个数值属性。

步骤2中，m的取值范围为10＜m＜20。

步骤3中，重用案例采用人工干预方式进行确定，即根据学习者对案例方案使用后的效果评价从案例集合RC中人工确定一个案例作为重用案例。

步骤3中，ρ的取值范围为0.9＜ρ＜1,Δl的取值范围为0＜Δl＜0.1。

在步骤3之后，还进一步包括，对源案例库中的源案例的重用频度属性值进行查询；若源案例的重用频度属性值小于预设的阈值时，则视为无用案例，并将该源案例从源案例库中删除。

步骤4中，R_A的取值范围为1≤R_A≤9,R_B的取值范围为1≤R_B≤9。

本发明首先在原有的学习方法的基础上对个体学习的过程中采用基于案例推理方法分析案例；对案例的属性采用基于描述逻辑的相似度计算方法对文字属性和数值属性的分别计算，给出相似度匹配初步结果；然后利用蚁群算法中的信息素权重自适应更新及分配策略和案例推荐建立联系；通过使用对学习主体的学习等级和问题等级划分，对处于不同学习阶段的学习主体能够给出其所在等级的案例推荐；最后分别对以上方法的计算结果分别赋予不同的权值，综合计算出案例之间的相似度；通过综合相似度从案例库中给出对于当前问题案例的最优解决方案的列表，供学习主体选择。该发明对案例匹配的参数比对更加全面，推荐列表给出的结果更符合学习主体需求。

与现有技术相比，本发明建立的案例库可以有效地将问题和对应的求解方法组织起来，对不同的学习者遇到的问题进行案例匹配，将得到适合其自身学习情况的解答。若未在案例库找到满意答案，在通过别的方式得到解决方案后，可将问题和解决方案共同作为案例增加至案例库中。这样就可使学习者快速地从其所遇到的错误中进行学习。随着前期案例库中案例的不断积累，还可为实现软件的自修复提供大量的案例基础。

附图说明

图1是本发明的整体原理示意图。

图2是本发明的案例重用频度属性值更新流程图。

具体实施方式

一种基于描述逻辑和案例推理的智能学习方法，如图1所示，包括如下步骤：

步骤1，对源案例库中的所有源案例的重用频度属性值进行初始化赋值；案例重用频度属性值的取值范围为[0,1]。在本发明优选实施例中，将源案例库中的所有源案例的重用频度属性值均初始化赋值为1。

步骤2，将学习者遇到的问题即新案例作为输入，计算新案例与源案例库中的每个源案例的文字和数值属性相似度Sim(A,B)，并根据计算所得的文字和数字属性相似度Sim(A,B)对源案例库中的源案例进行排序。

新案例与源案例库中的每个案例的文字和数值属性相似度Sim(A,B)基于描述逻辑，包括文字描述属性相似度Sim(A^t,B^t)和数值描述属性相似度Sim(A^d,B^d)。其中

文字描述属性相似度Sim(A^t,B^t)的公式为：

Sim(A^t,B^t)＝Sim(C_p,C_p)·(1-w)+Sim(C_A,C_B)·w

数值描述属性相似度Sim(A^d,B^d)的公式为：

Sim (A^{d}, B^{d}) = \frac{| Σ_{i = 1}^{n} A_{i}^{d} B_{i}^{d} |}{\sqrt{(Σ_{i = 1}^{n} A_{i}^{d} A_{i}^{d}) (Σ_{i = 1}^{n} B_{i}^{d} B_{i}^{d})}}

综合得到文字和数字属性相似度Sim(A,B)的公式为：

Sim(A,B)＝δSim(A^t,B^t)+(1-δ)Sim(A^d,B^d)

其中，δ为设定的文字描述属性的相似度权值且δ∈(0,1)，Sim(C_p,C_p)为新案例与源案例相同子概念之间的相似度，Sim(C_A,C_B)为新案例与源案例不同子概念之间的相似度，w为新案例与源案例不同子概念之间的相似度的权值，为新案例的第i个数值属性，为源案例的第i个数值属性。

步骤3，从源案例库中选取m个属性相似度高的源案例作为被检索案例，源案例库中的其余源案例作为非检索案例；m为设定的≥1的正整数；在本发明优选实施例中，m的取值范围为10＜m＜20。

将源案例库中的被检索案例放入检索案例集合RC中，

将源案例库中的非检索案例的重用频度属性值修改为，

L(B)＝ρ·L(B)′

其中，L(B)为源案例修改后的重用频度属性值，L(B)′为源案例修改前的重用频度属性值，ρ为设定的系数值，ρ取值为接近1的小数，在本发明优选实施例中ρ∈(0.9,1)。

步骤4，采用人工干预方式从检索案例集合RC中确定一个被检索案例为重用案例，该重用案例的方法能够最好的解决新案例的问题；检索案例集合RC中的其余被检索案例为非重用案例；

将案例集合RC中的重用案例的重用频度属性值修改为，

L(B)＝ρ·L(B)′+Δl

将案例集合RC中的非重用案例的重用频度属性值修改为，

L(B)＝ρ²·L(B)′

其中，L(B)为源案例修改后的重用频度属性值，L(B)′为源案例修改前重用频度的属性值，ρ和Δl为设定的系数值，ρ取值为接近1的小数，Δl取值为接近0的小数。在本发明优选实施例中，ρ∈(0.9,1)，Δl∈(0,0.1)。

步骤5，每次案例匹配查询后对源案例库中的源案例的重用频度属性值进行查询；若源案例的重用频度属性小于预设的阈值时，则视为无用案例，并将该源案例从源案例库中删除。

步骤6，计算新案例与源案例库中的每个源案例的阶段相似度R_dis(A,B)，

R_{dis} (A, B) = \frac{1}{\sqrt{2 π}} \exp (- \frac{{(R_{A} - R_{B})}^{2}}{2})

其中，R_A为设定的新案例所属阶段等级，R_A∈[1,9]；R_B为设定的源案例所属阶段等级，R_B∈[1,9]。

步骤7，计算新案例与源案例库中的每个源案例的综合相似度Sim_total(A,B)，

Sim_total(A,B)＝α·Sim(A,B)+β·L(B)+γ·R_dis(A,B)

其中，Sim(A,B)为源案例的文字和数字属性相似度，α为设定的文字和数字属性相似度的权重；L(B)为源案例的重用频度属性值，β为设定的重用频度属性值的权重；R_dis(A,B)为源案例的阶段相似度，γ为设定的阶段相似度的权重；α,β,γ∈[0,1]且α+β+γ＝1；在实际应用中三个权值可以根据应用效果设定，如α＝0.4、β＝0.4、γ＝0.2，且一旦设定则作为常量处理，查询过程中不得改变。特别地，可以将α,β,γ这3个权重中的其中1个可以设为0，而另外2个相加设为1，如γ＝0，α+β＝1；也可以将α,β,γ这3个权重中的其中2个可以设为0，而另外1个设为1，如α＝0，β＝1，γ＝0。

步骤8，根据计算所得新案例与源案例的综合相似度Sim_total(A,B)，对源案例库中的源案例进行排序，排序后的源案例库作为本次学习问题的结果输出；当学习者再次遇到问题时，则将新问题作为新案例输入，并跳转至步骤2，并继续执行步骤2及其之后的步骤。

下面对本发明的各个关键步骤进行进一步详细说明：

一、基于描述逻辑的相似度计算

案例推理的基本思想是相似问题有相似解。当推理过程遇到新的问题时，通常是利用以前求解类似问题的经验和新旧问题之间的差异，对过去的经验知识做出相应调整，从而得到新问题的解，并将新形成的案例加入到案例库中。CBR系统中的案例可以表示为一个三元组：Case＝<situation,method,solution>，其中situation表示问题或者情景的描述,method表示求解过程的描述,solution表示最终结果的描述。

案例推理过程主要包括Retrieval案例检索，Reuse案例复用，Revise案例修正和Retain案例保存这4个阶段(简称为4R)。其中，案例检索是基于相似度对案例进行特征识别，对案例库中的源案例进行初步匹配和筛选。案例复用是将检索到的源案例直接或间接地应用到当前问题中，并将其作为新问题的一个初始解。案例修正是根据新旧问题的差异，对复用案例进行修改，得到对应新问题的解。案例保存是将新案例和新的解保存到案例库中，以实现CBR系统的增量学习。

案例相似度是CBR系统进行案例匹配和推理的基础，与案例表示方法及案例库结构关系密切。在基于描述逻辑的CBR中，可充分利用其推理服务为案例检索提供便利。首先利用案例库结构、概念间距离及LCS概念等得到初步案例检索结果。案例属性相似度计算可由文字属性和数值属性两部分组成：

1.文字描述属性的相似度计算

对目标案例A及其对应的文字描述概念C_A，源案例集{B,C,D,…}及其相应的文字描述概念C_B,C_C,C_D,…，可通过案例描述概念的相似性得到案例的相似性。则对于任意案例A与案例B的相似度计算公式如下：

Sim(A^t,B^t)＝Sim(C_A,C_B)

由于案例描述概念的结构复杂、且不一样，因此在计算相似度前需将其等价转换为ALC-概念范式。例如将C_A等价转换为将C_B等价转换为则有案例间的相似度细化计算公式如下：

Sim (A^{t}, B^{t}) = \underset{1 \leq j \leq n}{\underset{1 \leq i \leq m}{Σ}} Sim (C_{Ai}, C_{Bj}) \cdot w_{ij}

根据集合论可知相似度由相同部分在整体中所占的比例决定的。概念C_A与C_B的相同部分为概念C_p及子概念中相交的部分。令概念其中C_p≡LCS(C_A,C_B)概念。同时考虑概念和顶层合取的子概念的权重，则有概念C_A与C_B的文字属性相似性度量公式最终定义如下：

Sim(A^t,B^t)＝Sim(C_p,C_p)·(1-w)+Sim(C_A,C_B)·w

其中w∈[0,1]为C_A,C_B中各部分的权重和。则可定义A和B的文字属性的相关系数为相似度满足0≤Sim(A^t,B^t)≤1。

2.数值描述属性的相似度计算

假设案例有n个不同的数值属性，案例A和案例B的数值属性可以分别表示为：和可定义A和B的数值相似度函数

Sim (A^{d}, B^{d}) = \frac{| Σ_{i = 1}^{n} A_{i}^{d} B_{i}^{d} |}{\sqrt{(Σ_{i = 1}^{n} A_{i}^{d} A_{i}^{d}) (Σ_{i = 1}^{n} B_{i}^{d} B_{i}^{d})}},

相似度满足0≤Sim(A^d,B^d)≤1。

两个案例的综合相似度函数Sim(A,B)＝δSim(A^t,B^t)+(1-δ)Sim(A^d,B^d)，其中文字属性在综合相似度计算中的权值δ∈[0,1]。由此计算出的相似度将作为案例检索和匹配的参数,同时将案例按照相似度由低到高的顺序进行排列，选取前m个(m由学习者定义，通常取10<m<20)为初次匹配结果,作为后续步骤的操作对象。

二、利用蚁群算法基于信息素的权重自适应更新及分配策略

在实际应用中，问题描述往往存在着不唯一性，即对于同一个问题，其描述可能存在差异。对于这种现象，可采用适当的聚类算法，将一些类似的问题进行聚类，然后再进行匹配和推理。推理过程中案例复用的时间局部性(Temporal Locality)是可以进行案例库优化的一个重要依据。所谓时间局部性是指如果一个案例正在被检索，那么在近期它很可能还会被再次检索。即相似问题会在一个相对集中的时间段中被提及，检索次数在时间维度上呈现类似正态分布模型。利用蚁群算法基于信息素的权重自适应更新及分配策略，可有效解决案例相似度的优化问题。蚁群算法是20世纪90年代意大利学者M.Dorigo，V.Maniezzo，A.Colorni等提出的一种模拟蚂蚁觅食行为的搜索寻优算法。其基本原理是：蚂蚁在觅食途中会留下一种气味(称为信息素)，蚂蚁之间靠这种信息素进行交流、合作，并找到最短路径。经过某条路径的蚂蚁越多，其信息素的强度就越大，蚂蚁就越会选择该条路径。另外，由于信息素会保持一定时间才自动挥发，因此可以保证聚类算法不会迅速陷入寻找局部最优解。

根据教育心理学研究，人类学习过程中错误的发生具有一定的时间局部性，因此可利用局部性原理对智能学习中的案例复用进行优化。为此，可以在每个案例中设置一个单独的属性值并将其定义为L，刻画该案例在一定的时间段内的使用情况，其值是由案例检索结果中的相似度来确定。每次案例检索后，对那些相似度超过一定阈值的案例增加其L值，而其它案例的L值则衰减。这样，近期使用越多的案例，其L值的数值就会越高，说明此案例更有助于对新问题的求解。相反，那些长期不被使用的案例，其L值将会降低，当低于一定的阈值时将其删除，即可减小案例库的规模，进而提高检索效率。

源案例库(知识库)中原有的案例是源案例，学习者遇到的问题相对于源案例，称作新案例。在基于错误学习的智能导师系统中，将蚁群算法融合在案例推理中的基本思想是如图2所示，其具体过程如下：

步骤1，用新案例去和源案例库中的源案例通过属性相似度做比对，比对后得到一个按照属性相似度高低排列的表，将排在前m个的案例存入一个集合，命名为检索案例集合RC＝(c₁，c₂，…，c_m)，检索案例集合RC的每个案例分别对应案例本身的属性值，形成对应与案例集合RC的属性值集合L＝(l₁,l₂,...,l_m)。

步骤2，这样源案例库中的源案例会被分为未被检索到的案例和被检索到的案例，其中被选入检索案例集合RC的m个案例归类为被检索到的案例，未被选入检索案例集合RC中的案例归类为未被检索到的案例。对于未被检索到的案例执行步骤3，对于检索的到的案例执行步骤4。

步骤3，源案例库中案例c_i未被检索到，表明该案例对于新案例并不相关，或相关度不大。修改案例c_i的L值，l_i＝ρ·l_i(其中ρ为蚁群算法的信息素衰减系数，取值为接近1的小数)，执行步骤7。

步骤4，在被检索到的案例中，针对新案例的解决能力上，又可分为非重用案例和重用案例，案例是否重用由学习者判定，其中使用了某案例中的方法最好地解决了当前问题，则定义该案例为重用案例，其他的案例定义为非重用案例。对于非重用案例执行步骤5，对于重用案例执行步骤6。

步骤5，源案例库中案例未被重用，表明该案例并不是对于新问题案例的最优解。修改案例c_j的L值，l_j＝ρ²·l_j，L值加速衰减的目的是为了更快速得淘汰那些针对某一问题帮助不大的解，执行步骤7。

步骤6，案例c_k被重用表明此案例能够很好地解决新案例中遇到的问题，修改c_k的L值，l_k＝ρ·l_k+Δl，其中的Δl为一设定的固定值，取值为接近0的小数，用于加大该案例的信息素强度。

步骤7，查看源案例中案例的L值属性，若低于设定的阈值，表明该案例长久未被重用，可视为无用案例，对该案例进行删除操作。

通过以上操作，源案例中案例的L值就会随该案例的使用情况发生变化。案例复用的推荐顺序会按照对案例属性的相似匹配和重用历史情况进行综合的动态排序。案例库的大小也是决定检索效率的一个重要因素，案例库中存放着大量的案例，并且随着推理过程的进行案例库的中案例会逐渐增长，案例检索效率则会逐渐降低。在个体学习的过程中，当学习进入到某一阶段之后，之前阶段所遇到的问题的出现概率就会降低，甚至不再发生。使用上述方法中的步骤7删除较早阶段的或是长久未被重用的案例，在再次检索的时候将之忽略。L值的引入可以通过案例在时间维的重用情况给出更为精确的案例匹配结果。

三、学习阶段属性加入案例相似度计算

通过对个体学习的过程的观察可以发现，个体所遇到的错误问题呈现出可划分的阶段性特点。即在学习过程中的某一阶段时，会有一类问题出现得较为频繁，而到了下一学习阶段时，此类问题的发生概率会降低，新阶段对应的问题发生概率会就会加大。例如在学习初期所出现的错误在学习的中后期将变得不易出现。这个特性就可以为案例的聚类与划分提供很好的支持。可以将量化的阶段属性作为案例的一个独立属性加入案例相似度的计算之中。将学习的阶段根据专家经验，人工量化区间为Rank＝(1-9)。在实际操作中，当出现在学习阶段Rank＝5时产生的问题，案例的检索的区间应集中在Rank＝(4-6)阶段之间。或者利用之一特性，在对案例的相似度计算中利用阶段相关性，利用正态分布的相似对计算方法。对于案例A和案例B的阶段相似度计算公式：由此公式定义了两个案例的相似度，当案例的所属的阶段越为接近，其在阶段属性中表现出的相似度越为接近。

四、综合上述得出相似度计算的总公式，本发明相似度计算的总公式如下：

Sim_total(A,B)＝α·Sim(A,B)+β·L(B)+γ·R_dis(A,B)

其中，α,β,γ为分别设定的权重，α,β,γ∈[0,1]且α+β+γ＝1。特别地，可以将α和β均设为0,γ设为1；也可以将α和γ均设为0,β设为1；也可以将γ和β均设为0,α设为1。

根据计算所得的源案例的总相似度Sim_total(A,B)，对源案例库中的源案例进行排序，排序后的源案例库作为本次学习的结果输出；当学习者再次遇到的问题时，则将该问题作为新案例输入，并跳转至步骤2，并继续执行后续步骤。

下面通过一个具体实例对本发明进行进一步说明：

下面以C++编程(环境为Vc6.0)学习为例，将在学习过程中所遇到的问题与解决方案在数据库中建立一张表。在该系统中，可以把程序学习的过程中遇到的错误填写到问题输入框中，点击检索按钮对案例库中的案例进行检索，将检索结果返回在一个列表中，双击某条案例可以显示案例的详细内容，学习者根据案例提供的问题解决方式的实际效果选择是否重用该案例。每次案例的检索和案例的重用都会改变案例的L值。在此次试验中，L值的初始值定为0.9，信息素的衰减系数ρ设定为0.995，这个系数可以保证那些长时间不被检索的案例(经历200次及以上的案例检索)，重复执行步骤5后，会因L值低于设定下限阈值0.3，该案例将被从案例库中删除。

在先前的基于案例推理技术的应用中，对于案例的描述通常都只是案例的显性属性，描述的是案例属性一些固定的概念。在实际应用中，经常出现问题案例的属性在表现形式上并无差别，或是差别很小，但对于该问题的解决方法并不是单一的，这样对于案例重用的选择就多，进而表现出检索的查准率不高，L值引入作为新的信息和参数来对案例进行区分，以提高案例检索的精确度。根据案例被检索的次数、重用的次数和最近重用时间来确定某一案例对于该学习者现阶段所遇到的问题的解决能力，例如当检索遇到的问题时，在案例库中有两个相同问题描述的案例，这说明仅通过问题描述是不能区分出来的，哪一个才是更适合该学习者的解决方案？此时，借助由先前所遇问题的解决与评估得到的L值和Rank值，对此次问题的解决方案进行择优。

按照此算法进行推理，在最近一段时间能被更多次重用的案例解决方案更适合作为当前问题的解决方案，对于本例检索的结果表现为，第一个案例的重用次数较第二个案例高，且最近重用时间离此次检索时间较近，故而L值高于第二个案例，并且阶段相似度更大，系统推荐采用第一个案例的解决方法。

对于学习过程中遇到的新的错误，作为新案例保留在案例库中还需要经过预处理和过滤，有时还会对案例库中的案例进行适应性修改，加入新的专家知识，重新对案例进行组织。无论对当前错误进行案例匹配是否成功，都会影响到库中的案例被检索的时间的相关属性的改变。通过获取案例动态的被使用情况作为新案例匹配的参考，尤其是对于案例描述相近的情况下，仍然能够根据动态的属性给出好的推荐案例序列，提高了案例检索的查准率。

Claims

1.基于描述逻辑和案例推理的智能学习方法，其特征是包括如下步骤：

步骤2，从源案例库中选取m个文字和数值属性相似度高的源案例作为被检索案例，源案例库中的其余源案例作为非检索案例；m为设定的≥1的正整数；将源案例库中的被检索案例放入检索案例集合RC中，并减小源案例库中的非检索案例的重用频度属性值；

步骤3，从检索案例集合RC中的被检索案例中确定一个重用案例，该重用该案例中的解决方案能够最好的解决新案例中遇到的问题，检索案例集合RC中的其余被检索案例作为非重用案例；增大案例集合RC中的重用案例的重用频度属性值，并减小非重用案例的重用频度属性值；

步骤4，利用正态分布的相似对计算方法，计算新案例与源案例库中的每个源案例的阶段相似度R_dis(A,B)；

步骤5，计算新案例与源案例库中的每个源案例的综合相似度Sim_t0tal(A,B)，即

Sim_t1tal(A,B)＝α·Sim(A,B)+β·L(B)+γ·R_dis(A,B)

2.根据权利要求1所述基于描述逻辑和案例推理的智能学习方法，其特征是，在第一次输入新案例之前，需要对源案例库中的所有源案例的重用频度属性值赋初始值，其中源案例的重用频度属性值的取值范围为[0,1]。

3.根据权利要求2所述基于描述逻辑和案例推理的智能学习方法，其特征是，将源案例库中的所有源案例的重用频度属性值的初始化值设为1。

4.根据权利要求1所述基于描述逻辑和案例推理的智能学习方法，其特征是，步骤1中，新案例与源案例库中的每个案例的文字和数值属性相似度Sim(A,B)包括文字描述属性相似度Sim(A^t,B^t)和数值描述属性相似度Sim(A^d,B^d)；其中，

文字描述属性相似度Sim(A^t,B^t)的计算公式为，

Sim(A^t,B^t)＝Sim(C_p,C_p)·(1-w)+Sim(C_A,C_B)·w

数值描述属性相似度Sim(A^d,B^d)的计算公式为，

Sim (A^{d}, B^{d}) = \frac{| Σ_{i = 1}^{n} A_{i}^{d} B_{i}^{d} |}{\sqrt{(Σ_{i = 1}^{n} A_{i}^{d} A_{i}^{d}) (Σ_{i = 1}^{n} B_{i}^{d} B_{i}^{d})}}

则综合得到文字和数值属性相似度Sim(A,B)的公式为，

Sim(A,B)＝δSim(A^t,B^t)+(1-δ)Sim(A^d,B^d)

5.根据权利要求1所述基于描述逻辑和案例推理的智能学习方法，其特征是，步骤2中，根据下式对源案例库中的非检索案例的重用频度属性值进行减小，

L(B)＝ρ·L(B)′

其中，L(B)为源案例修改后的重用频度属性值，L(B)′为源案例修改前的重用频度属性值，ρ为设定的系数值，ρ的取值范围为0.9＜ρ＜1。

6.根据权利要求1所述基于描述逻辑和案例推理的智能学习方法，其特征是，步骤3中，重用案例采用人工干预方式进行确定，即根据学习者对案例方案使用后的效果评价从案例集合RC中人工确定一个案例作为重用案例。

7.根据权利要求1所述基于描述逻辑和案例推理的智能学习方法，其特征是，步骤3中，

根据下式对案例集合RC中的重用案例的重用频度属性值进行增大，

L(B)＝ρ·L(B)′+Δl

根据下式对案例集合RC中的非重用案例的重用频度属性进行减小，

L(B)＝ρ²·L(B)′

其中，L(B)为源案例修改后的重用频度属性值，L(B)′为源案例修改前的重用频度属性值，ρ和Δl为设定的系数值；ρ的取值范围为0.9＜ρ＜1，Δl的取值范围为0＜Δl＜0.1。

8.根据权利要求1所述基于描述逻辑和案例推理的智能学习方法，其特征是，在步骤3之后，还进一步包括，对源案例库中的源案例的重用频度属性值进行查询；若源案例的重用频度属性值小于预设的阈值时，则视为无用案例，并将该源案例从源案例库中删除。

9.根据权利要求1所述基于描述逻辑和案例推理的智能学习方法，其特征是，步骤4中，根据下式计算新案例与源案例库中的每个源案例的阶段相似度R_dis(A,B)，

R_{dis} (A, B) = \frac{1}{\sqrt{2 π}} \exp (- \frac{{(R_{A} - R_{B})}^{2}}{2})

其中，R_A为设定的新案例所属阶段等级，R_B为设定的源案例所属阶段等级；R_A的取值范围为1≤R_A≤9,R_B的取值范围为1≤R_B≤9。