Textual Case-Based Reasoning for Emergency Rescue

自1982年Roger C. Schank提出基于案例的推理（Case-Based Reasoning，CBR）思想以来，形成了案例知识表示、经验管理、分布式CBR、Soft CBR等技术，在医学（medicine）、法律（law）、教育（education）、设计（design）、故障诊断（diagnosis）、图像处理（image processing）、推荐系统（recommender Systems）和计划编制（planning）等领域得到了广泛的应用。CBR已成为人工智能领域三大推理方法之一。由于文本案例中存在半结构化或非结构化的问题，建立基于文本案例的推理（Textual CBR，TCBR）系统的难度远大于建立一个CBR系统的难度。本文围绕TCBR系统开发中的案例组织等问题进行了深入的探讨和研究。 1．针对公开的文本案例数据集合中的“问题”和“解决方案”没有明确边界的问题，根据CBR思想的基本原则“相似问题具有相似解”，提出基于复杂度的案例组织方法，据此对半结构化的文本案例进行预处理，确定了文本案例的构成，为以后的各个环节准备了可靠输入。实验结果表明这种方法是可行的、有效的，而且和多位专家的判断结果一致。 2．针对文本案例的问题或解决方案存在多种不同表示的问题，提出了根据复杂度最小原则选择问题空间相似度量的方法，对可选的相似度量进行投票，将得票数最高的相似度量作为问题空间的最佳相似度量。实验结果表明，选出的相似度量具有明显的优势。 3．针对解决方案因为没有类别信息无法定义其正确性的问题，本文提出了基于排序聚合的专家联合决策方法，获得了一个最接近多数专家意见的解决方案序列，将其提交给决策者做最终的选择，由此实现了智能决策支持。这个方法在一定程度上解决了TCBR系统难以评价的问题。 4．针对TCBR系统不能有效利用领域知识的问题，提出了基于Web本体语言（OWL）的领域知识表示，从而在TCBR系统中实现领域知识共享，利用本体表示的领域知识进行描述逻辑推理能够提高TCBR系统问题求解的效率