基于ALCQ(D)的CBR事例修正算法研究

CBR(基于事例推理)是人工智能领域的一个分支,它克服了知识获取的瓶颈问题,事例修正是CBR的关键步骤。以ALC为代表的描述逻辑已被充分应用到CBR中,但目前在基于描述逻辑的CBR中还没有比较有效的算法来判断检索到的相似事例是否需要修正和如何进行修正。ALCQ(D)是在ALC的基础上引入定性数量约束Q和有型域D得到的。提出的算法用ALCQ(D)概念来描述CBR源事例和目标事例,先假定检索到的相似事例能够解决目标问题,即假定目标事例和相似事例同时满足知识库,但这样可能会与知识库产生冲突;接着使用冲突检测机制来查找相似事例概念描述中导致冲突的概念;最后使用概念替换规则在TBox本体库中检索该概念的最相似概念去替换它自己。研究表明,该算法具有界限性、可靠性和完备性。通过一个实例对其进行检验,结果表明,该算法可以准确修正检索到的相似事例,解决目标问题。

基于描述逻辑的事例推理综述

基于描述逻辑的事例推理(CBR)是当前CBR研究的热点之一。首先介绍了CBR的起源,然后回顾了基于描述逻辑的CBR的发展历史,接着从4个方面:事例表示与组织、事例检索、事例修正和事例库维护综述了基于描述逻辑的CBR的研究工作,最后指出了基于描述逻辑的CBR目前存在的问题并相应地提出了未来的研究方向。