CN106127306A - 一种高共享性Rete网络构建方法 - Google Patents

Abstract

本发明涉及一种高共享性Rete网络构建方法，属于人工智能、专家系统领域。本发明主要研究专家系统中的规则推理技术，在原有的Rete推理技术基础上，提出了基于节点共享度和模式共享度模型的高共享性Rete网络构建算法。本发明提高了Rete网络的节点共享性能，减少冗余节点，优化了Rete网络节点的结构，能够显著提高规则推理时的效率。

Description

一种高共享性Rete网络构建方法

技术领域

本发明涉及专家系统中的规则推理技术，尤其关注Rete算法中Rete网络的构建方法。本发明可以在专家系统中使用，提高推理网络的构建速度和推理的效率。本发明属于人工智能、专家系统领域。

背景技术

专家系统是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的方法来处理该领域问题。也就是说，专家系统是一个具有大量的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题。

专家系统核心逻辑由推理引擎组成，目前大部分规则推理引擎都是用Rete算法作为核心推理算法。Rete算法是由Charles Forgy博士与1979年提出的，之后又在1982年的论文中进行了详细的论述。Rete算法是一种正向链(Forward Chaining)推理算法，其核心思想是采用增量匹配的概念，将分离的匹配项根据内容动态构造匹配树，以达到显著降低计算量的效果。目前Rete算法仍是规则推理中效率最高的算法之一。

Rete算法分为两个过程：匹配树构造和事实匹配。其中匹配树称为Rete网络，Rete网络是一个有向无环图，主要用于过滤事实数据。事实匹配则是使事实沿着Rete网络运动，直至到达规则结论的过程。

Rete网络包括3部分：根节点、Alpha网络和Beta网络。

(1)、根节点(RootNode)：是所有事实对象进入网络的入口，是一个虚拟节点，不具有实际意义。

(2)、Alpha网络：用于过滤事实，通过模式匹配找出事实集中所有符合的模式集合，可将事实集(working memory)转化为符合条件的模式集(alpha memory)。

(3)、Beta网络：用于匹配规则，通过连接操作将的模式集(alpha memory)组合形成匹配集(beta memory)，最终将匹配集转化为规则结论(action)并执行。

在一个Rete网络中，规则通过网络节点的形式呈现。规则的条件构成Alpha网络，每一个条件都对应一个Alpha节点；规则模式构成Beta网络，Beta节点由Alpha节点相互连接形成，每一个Beta节点代表模式的一部分，Beta(n)节点代表规则的全部模式，规则的结论对应终端节点，是Beta网络的叶子节点也是Beta(n)节点的子节点。因此构建Rete网络需要完成Alpha网络和Beta网络的构建。

Rete网络的构建步骤如下：

Rete算法是一种前向规则快速匹配算法，通过构建Rete网络进行模式匹配，利用基于规则的系统的两个特征，即时间冗余性(Temporal redundancy)和结构相似性(structural similarity)，提高系统模式匹配效率，其匹配速度与规则数目无关。

但是Rete算法存在以下问题：Rete算法在创建推理网络的时候，没有考虑各个节点之间的共享度，导致网络的生成和存储都占用了较大的空间。针对Rete算法的不足之处，本发明提出了一种高共享性Rete网络构建方法。

发明内容

本发明是通过下述技术方案实现的。

本发明提出了共享度模型来作为网络构建的依据，在构建Rete网络的时候，通过计算Alpha节点和Beta节点的节点共享度和模式共享度以及其所属类别的平均节点共享度，将其排序，然后再生成Rete网络，达到优化RETE网络的目的。

1.问题分析

节点共享是Rete网络的一大特性，在事实匹配过程中可以避免重复匹配，提高匹配效率。但是在建立Rete网络时，模式的条件顺序会极大的影响网络的节点共享性能。Rete网络包含Alpha网络和Beta网络，下面分析模式的条件顺序对这两个网络节点共享性能的影响。

首先分析对Alpha网络的影响。假设存在两个规则，其模式分别为(C₁，C₂，…，C_n，C_a1，C_a2，…，C_ap)和(C₁，C₂，…，C_n，C_b1，C_b2，…，C_bq)，这里C表示同一类型条件。显然这两个模式有n个相同条件。那么其对应的Alpha网络模型应该如图1所示。

这里将第二个模式的第一个条件移到第n个条件后，即将模式变为(C₂，…，C_n，C₁，C_b1，C_b2，…，C_bq)，那么当建立Rete网络时，由于两个模式相同条件的条件顺序不同，虽然有n个相同节点但是却没有一个共享节点，节点共享失败，其对应的Rete网络如图2所示。可以看出，对于同一类型的条件，其排列顺序对Alpha网络的节点共享有很大影响。

其次分析对Beta网络的影响。假设存在两条规则，其模式分别为(C，D，E)和(C，D，E，F)，C、D、E、F代表不同类型的条件，其对应的Beta网络如图3所示。如果将第二条规则的条件顺序改变，变为(D，E，F，C)，那么构建Rete网络时，将不存在节点共享，如图4所示。

通过上面的分析，可以看出条件顺序对Alpha网络和Beta网络的节点共享性能有较大影响，先加入的条件被优先共享。

2.共享度模型

为了使排序更加合理，本发明提出了使用节点共享度模型调整节点顺序，进而建立高共享性Rete网络。

定义1 Rete网络节点共享度：节点共享度代表一个节点需要被共享的程度。这里使用引用该节点条件的规则数对其进行量化。例如，如果一个条件被三条规则共享，则该条件对应节点的共享度为3。

在理想情况下，整个Rete网络中不存在相同节点，则节点的共享度为该条件出现的次数。因此，对于一个条件c，其节点共享度为该条件在规则集中出现的次数，用d_c表示。显然d_c越大，条件的共享程度应当越高。由于条件的共享程度和顺序相关，条件顺序越靠前其共享程度越高，因此需要将条件按其节点共享度排列。例如由模式(c₁，c₂)和(c₃，c₁)组成的模式集，将其按节点度排序后变为(c₁，c₂)，(c₁，c₃)，在构造Rete网络时，c₁被先加入网络并得到共享。

这种简单排序可以解决一部分共享问题，但是对于节点共享度相同的条件，由于其排序是随机的，对网络的共享性能会造成影响，例如由模式(c₁，c₂，c₄)，(c₁，c₃)，(c₁，c₂，c₃，c₄)组成的模式集，按照节点度对其降序排列，c₁排在第一位，剩余的c₂、c₃、c₄由于节点共享度相同，其排序是随机的，假设其排序为c₂、c₃、c₄，那么对应的Alpha网络如图5所示，只有c₂被共享，c₃和c₄没有共享。如果将排序变为c₂、c₄、c₃，则Alpha网络变为图6所示。此时，c₂、c₄被共享，c₃没有共享。

实际中，节点共享度相同是比较普遍的现象，当同一节点共享度的条件数量很多时，其排序对Rete网络的节点共享性能影响很大。因此需要对有相同节点共享度的条件进一步排序。这里再引入模式节点共享度的概念。

定义2RETE网络模式共享度：模式是由若干条件组成的，将模式共享度定义为模式中所有条件节点共享度的和。设模式M包含n个条件(c₁，c₂，…，c_n)，则

$d_M={\mathrm{\Σ}}_{i=1}^n{c}_i---\left(1\right)$

模式共享度反映了整个模式在网络中的共享程度，d_M越大，则模式的共享程度越高。由于模式包含条件，模式的共享程度高则表示其包含的条件共享程度高，因此可以使用模式共享度对具有相同节点共享度的条件做进一步排序。

条件会出现在多个模式中，设条件c出现在p个模式(M₁，M₂，…，M_p)中，模式共享度为(d_M1，d_M2，…，d_Mp)。则c的模式共享度为：

$d_{cM}={\Σ}_{i=1}^p{d}_{Mp}---\left(2\right)$

模式共享度反映了其他条件对该条件的依赖情况，d_cM越大，依赖程度越高，而依赖程度越高，其共享程度就越高，顺序应当靠前。因此可以依据模式共享度对节点共享度相同的条件降序排列来区分相同节点共享度的条件。

在一个Rete网络中，规则通过网络节点的形式呈现。规则的条件构成Alpha网络，每一个条件都对应一个Alpha节点；规则模式构成Beta网络，Beta节点由Alpha节点相互连接形成，每一个Beta节点代表模式的一部分，Beta(n)节点代表规则的全部模式，规则的结论对应终端节点，是Beta网络的叶子节点也是Beta(n)节点的子节点。Rete网络需要完成Alpha网络和Beta网络的构建。下面分别介绍基于共享度模型的Alpha网络和Beta网络构建方法。

3.Alpha网络构建方法

在一个Rete网络中，规则通过网络节点的形式呈现。Alpha网络实际上是规则条件的网络，其共享性能依赖条件顺序，首先使用节点共享度模型对条件进行排序，具体方法如下：

通过上述方法可以获得按节点共享度降序排列的条件集合，使用这个集合可以直接构造Alpha网络，不需要再次读取规则集。改进后的Alpha网络构建方法如下所示，网络构建流程图见例图7。

4.Beta网络构建方法

对于Alpha网络，由于条件已经排序完毕，因此直接按照条件的顺序使用Rete算法建立网络即可。对于Beta网络，情况略有不同，因为Beta网络使用连接和投影的方式进行模式匹配，连接的对象是Alpha节点而不是条件，因此在考虑条件节点共享度的同时也要考虑Alpha节点的共享度。

Rete算法在构造Alpha网络时会对Alpha节点进行分类，节点共享度模型可以保证在同一类型中Alpha节点的排序，但是却无法保证各个类型的排序，例如规则集(f)，(c，d)，(c，e)其中c、d、e、f代表不同类型的条件，显然条件c出现的次数多，其排序应当靠前，但是由于先读入第一条规则，因此会先产生f类型的Alpha节点。在构造Beta网络和事实匹配的过程中，按照顺序都会先和f类型的Alpha节点进行连接操作，不仅影响节点共享性，还会大大增加了匹配的计算规模。

因此需要对构建好的Alpha分类进行排序，Alpha分类包含多个Alpha节点，每一个Alpha节点对应一个条件，根据节点共享度模型，可以计算出整个Alpha分类的共享度，以这个共享度为依据对分类进行排序避免规则顺序对Beta网络的影响。

定义3 Alpha分类的共享度：设Alpha分类中有n个Alpha节点，对应的节点共享度为(d₁，d₂，…，d_n)，那么Alpha分类的共享度为：

共享度高的分类，顺序应当靠前。对于共享度相同的分类，随机排列顺序可能会降低Beta网络的节点共享性。设网络中有两个Alpha分类的共享度均为n：其中一个分类包含1个Alpha节点，另一个分类包含有n个Alpha节点。如果包含n个节点的分类被排在前面，那么每次都需要先与n个节点进行n次连接。如果前者在Alpha网络中排在较前位置，每次只需要进行1次连接即可。为了反映分类中节点个数对共享性能的影响，这里为Alpha分类引入平均共享度的概念，对于一个含有m个Alpha节点，共享度为n的Alpha分类，其平均共享度为：

共享度相同的Alpha分类，其平均共享度高的顺序应该靠前。因此，给出Alpha分类排序步骤，如下所示。

根据以上优化，可以获得按Alpha分类降序排列的Alpha网络，使用这个网络可以保证共享度高的Alpha分类被优先连接，从而提高Beta网络的节点共享性能。

依据Alpha网络和规则集，可以构造Beta网络，构建Beta网络的方法如下所示，Beta网络构建流程图见例图8。

5.实验结果分析

选择UCI成人受教育程度和工资水平的数据集作为测试用例，该数据集共有32561个成人数据，总计423293个条件(统计相同条件)，条件共分14个类型，详细情况如表1所示：

表1数据集条件分类表

使用该数据集，利用关联规则挖掘在支持度为5％，置信度为50％的情况下得到17071条规则，筛选掉无效规则共获得1808条规则，规则举例如下：

(1)、{13,Bachelors,Husband,Male}＝>{>50K}，0.68；意为受教育时间13年，学士学位的已婚男性工资大于50K的概率为0.68。

(2)、{Bachelors,United-States}＝>{<＝50K}，0.58；意为美国的学士工资小于等于50K的概率为0.58。

(3)、{10,Not-in-family,Some-college}＝>{<＝50K}，0.938；意为受教育时间10年，没有亲人的高中毕业生工资小于等于50K的概率为0.93。

使用Java语言实现Rete网络构建算法，使用1808条规则构造Rete网络，并与传统Rete算法在构建时间和节点共享性能两方面进行对比，共进行4次实验，其结果如表2：

表2对比实验结果表

由于UCI数据集的条件是按照条件分类进行排序的，本身具有一定的次序，因此采用传统构造方法得到的Rete网络有较好的节点共享性能，总共享度小于1。但是依旧可以看出明显的提升效果，改进后的构建算法在节点共享性能上提升了0.31。在实际应用中，大部分规则集的条件是随机排序的，因此改进后的高共享性Rete网络构建算法在实际应用中会取得更好的优化效果。

使用同样的数据集进行事实匹配算法的对比实验。对比两种网络结构下，采用相同规则推理方式的效率。为避免外在因素的影响，每一组实验进行3次，以推理时间作为结果进行对比，实验结果如表3，将表3中各组实验的平均结果汇成折线图如图9所示。

表3对比实验结果表

可以看出，高共享性网络对推理效率的提升幅度是比较稳定的，不会随着事实集的增加而发生明显变化。对于本专利采用的数据集而言，效率提升约为20％。随着事实集的增加，推理效率会有进一步的明显提升。

6.有益效果

对于上述技术方案的技术效果分析如下：

在分析了条件顺序对Rete网络节点共享性的影响的基础上，为使条件排序更加合理，引入了节点共享度模型的概念，并根据该模型改进了Rete网络构建算法。高共享性网络通过节点共享度调整规则条件和Alpha节点的顺序，提高了整个Rete网络的节点共享性能，减少了冗余节点。依据本专利提出的方法，构建出来的Rete网络具有高共享性，在事实推理时可以有效减少节点匹配次数，进而缩短推理时间，提高推理效率。

附图说明

图1为Alpha网络节点共享模型图。

图2为Alpha网络节点共享失败模型图。

图3和图4为Beta网络节点共享模型图。

图5和图6节点共享度相同示例图。

图7为Alpha网络构造算法流程图。

图8为Beta网络构建算法流程图。

图9为对比实验结果折线图。

图10为具体实施方式中生成的Alpha网络图。

图11为具体实施方式中排序完成的Alpha网络。

图12为具体实施方式中最终生成的Beta网络图。

具体实施方式

为了更好地说明本发明的目的和优点，以下结合实施例和附图对本发明做进一步说明。

我们假设某医疗规则集R包含三条规则：

规则1：中度感冒(头痛,流鼻涕,咳嗽)

规则2：轻度感冒(流鼻涕,咳嗽)

规则3：重度感冒(鼻塞,咳痰)

规则说明：如规则2，一个患者同时有流鼻涕和咳嗽症状，则专家系统诊断其为轻度感冒。

其中头痛是属于条件类别A(头部症状)，流鼻涕和鼻塞是属于条件类别B(鼻部症状)，咳嗽和咳痰是属于条件类别C(咽部症状)。

根据说明书提出的条件排序算法，我们依据说明书提出的共享度模型，计算各个节点共享度和模式共享度，对上述条件进行排序。各条件的节点共享度和模式共享度如下表4所示：

表4节点共享度和模式共享度计算结果

条件	头痛	流鼻涕	鼻塞	咳嗽	吐痰
						节点共享度	1	2	1	2	1
模式共享度	5	9	2	9	2

根据节点共享度(主排序依据)和模式共享度(次排序依据)对以上条件进行排序，得到有序的条件序列(流鼻涕,咳嗽,头痛,鼻塞,咳痰)。

依据Alpha网络构造方法构造Alpha网络如图10所示。进一步，依据Alpha分类排序算法，计算各分类的平均节点共享度，其结果如表5所示。根据每个类别的平均共享度改进该Alpha网络，如图11所示。

表5平均节点共享度计算结果

类别	头部症状	鼻部症状	咽部症状
				平均节点共享度	1	1.5	1.5

依据Beta网络构建方法构建出Beta网络，如图12所示。

可以看出，较传统的Rete网络得出的结构图，其冗余节点的数目已经减少了很多。

Claims (5)

1.一种高共享性的RETE网络构建方法，包括：

步骤1：根据规则集合中的规则，获得初始条件集合，基于共享度模型对初始条件进行排序，获得条件序列；

步骤2：利用所述条件序列，构造Alpha网络；

步骤3：根据类别所包含节点的节点共享度的平均值，对所述Alpha网络进行排序，生成新的Alpha网络；

步骤4：利用所述新的Alpha网络，构建Beta网络。

2.根据权利要求1所述的方法，其中，步骤1中比较步骤包括：

步骤11：比较条件的节点共享度；所述节点共享度为包含该条件节点在规则集中出现的次数总和，节点共享度大的条件排在节点共享度小的条件前面；

步骤12：若步骤11中，两个条件的节点共享度相等，则计算规则的模式共享度，然后计算条件的模式共享度；所述规则的模式共享度为规则中所有条件节点共享度的和，所述条件的模式共享度为包含该条件节点的所有规则的模式共享度之和；模式共享度大的条件排在模式共享度小的条件前面。

3.根据权利要求1所述的方法，其中，步骤2包括：

步骤21：根据RETE网络结构特点要求，建立一个虚拟根节点；

步骤22：读取规则集合中的一个条件；

步骤23：判断是否存在分类节点，如果不存在，则建立分类节点；

步骤24：建立Alpha节点；

步骤25：执行步骤22，直至处理完集合中的所有节点，从而获得Alpha网络。

4.根据权利要求1所述的方法，其中，所述步骤3包括：

步骤31：计算每个分类中所包含节点的节点共享度的平均值；

步骤32：根据上述产生的平均节点共享度比较；平均节点共享度大的分类比平均节点共享度小的分类排在前面；生成类别序列；

步骤33：根据所述的类别序列，生成新的Alpha网络。

5.根据权利要求4所述的方法，其中，所述步骤4包括：

步骤41：读取规则集R；

步骤42：读取一条规则，记为Ri；

步骤43：在所述新的Alpha网络中，记录规则Ri中的条件对应的Alpha节点，n为Alpha节点总数，定义j＝2；

步骤44：构建Beta(j)节点；Beta(j)左输入节点为Alpha(j-1)，右输入节点为Alpha(j)；j＝j+1；

步骤45：如果j<n，继续按步骤44的方式构造Beta节点；

步骤46：将规则Ri的结论封装成终端节点，作为Beta(n)的子节点；

步骤47：执行步骤42，直至处理完集合中的所有规则；

步骤48：获得Beta网络。