摘  要： 提出了一種基于CBR的特征屬性權(quán)重選取與自修正方法，即通過構(gòu)建歷史權(quán)重案例庫和相似性檢索得到與目標(biāo)權(quán)重最相似的權(quán)重來完成權(quán)重的選取，并對相似權(quán)重與目標(biāo)權(quán)重進(jìn)行差異性分析，基于差異屬性集對案例庫進(jìn)行聚類分析，再從聚類結(jié)果中檢索出與相似權(quán)重最相近的權(quán)重，以實(shí)現(xiàn)權(quán)重的自修正。以突發(fā)大氣環(huán)境污染事故案例推理為例，對該方法進(jìn)行了試驗(yàn)，結(jié)果表明此方法能充分借鑒以往的特征屬性權(quán)重分配經(jīng)驗(yàn)，較好地解決了特殊環(huán)境下的復(fù)雜特征屬性權(quán)重選取與調(diào)整問題。
關(guān)鍵詞： 案例推理；權(quán)重選取；權(quán)重自修正

    案例特征屬性權(quán)重反映了該屬性相對于其他屬性的重要程度，以及單個(gè)屬性對問題解決的貢獻(xiàn)程度[1-2]。案例特征屬性權(quán)重向量的選取將直接影響到檢索出案例的質(zhì)量的好壞，并進(jìn)一步影響到CBR推理的效率和質(zhì)量，同時(shí)也決定了案例復(fù)用與修改的難易。
    在傳統(tǒng)的CBR系統(tǒng)中，特征屬性的權(quán)重常采用專家主觀賦權(quán)法[3]，即特征屬性的權(quán)重一般事先由領(lǐng)域?qū)＜腋鶕?jù)經(jīng)驗(yàn)進(jìn)行主觀判斷給定，并且特征屬性的權(quán)重一旦確定以后，便被永久地固定在系統(tǒng)中，一般很少改變。然而在許多場合下，特征屬性對問題解決的貢獻(xiàn)程度呈現(xiàn)著一定的波動性，即特征屬性的權(quán)重會隨著環(huán)境、時(shí)間等因素的變化而變化[4]。因此，需要對特征屬性權(quán)重進(jìn)行動態(tài)調(diào)整。
    本文在分析現(xiàn)有案例特征屬性權(quán)重調(diào)整方法存在問題的基礎(chǔ)上，充分參考CBR的思想，提出了一種基于CBR的特征屬性權(quán)重選取與自修正方法，充分利用權(quán)重分配的歷史經(jīng)驗(yàn)，指導(dǎo)當(dāng)前權(quán)重問題的動態(tài)分配與調(diào)整。
1 特征屬性權(quán)重選取基本方法
    國內(nèi)外學(xué)者對于特征屬性權(quán)重選取做了大量研究，并提出了多種權(quán)重向量選取與調(diào)整方法[5-7]，如Pull&Push、遺傳算法、基于時(shí)序等。
1.1 Pull&Push調(diào)整法
    Pull&Push調(diào)整[8-9]基于訓(xùn)練樣本成功和失敗的檢索經(jīng)驗(yàn)來調(diào)整特征屬性權(quán)重。當(dāng)源案例被正確檢索出來，如果源案例與目標(biāo)案例對應(yīng)特征屬性的屬性值相同，系統(tǒng)將自動提高該屬性的權(quán)重，否則系統(tǒng)將自動降低該屬性的權(quán)重；當(dāng)源案例被錯(cuò)誤檢索出來，如果源案例與目標(biāo)案例對應(yīng)特征屬性的屬性值不同，系統(tǒng)將自動提高該屬性的權(quán)重，否則系統(tǒng)將自動降低該屬性的權(quán)重。
    特征屬性權(quán)重采用下式來確定每次調(diào)整幅度的大小：
    
    以上這些調(diào)整方法基本都依賴于領(lǐng)域?qū)＜沂孪葘μ囟▎栴}給出一個(gè)經(jīng)驗(yàn)參考權(quán)重向量，并在此基礎(chǔ)上對其進(jìn)行不斷地重復(fù)累積調(diào)整，這種累積經(jīng)驗(yàn)對于相似環(huán)境下的權(quán)重分配需求是有效的，但對于特殊環(huán)境下的權(quán)重分配需求就顯得難以勝任。
2 基于CBR的特征屬性權(quán)重選取與自修正方法
    CBR核心思想是充分借鑒以往專家經(jīng)驗(yàn)來指導(dǎo)新問題的求解[13-14]。在這種思想的啟發(fā)下，對于特征屬性權(quán)重的選取和調(diào)整問題，同樣可以嘗試用CBR的思想來解決。即將以往任何一次專家的屬性權(quán)重分配經(jīng)驗(yàn)作為案例存入歷史權(quán)重庫中，運(yùn)用歷史權(quán)重庫中歷史權(quán)重來指導(dǎo)目標(biāo)權(quán)重的選取與調(diào)整。
    根據(jù)事物發(fā)展的規(guī)律性和重現(xiàn)性，即相同或相似的問題具有相同或相似的解法，相同或相似的問題會重復(fù)發(fā)生，每一個(gè)權(quán)重分配案例都是某種特定需求環(huán)境下的成功經(jīng)驗(yàn)記錄，對將來類似問題具有重要的參考借鑒作用，同時(shí)歷史權(quán)重分配經(jīng)驗(yàn)直接以新案例的形式進(jìn)行保存，避免了特定需求環(huán)境下的成功分配經(jīng)驗(yàn)的二次修改難以適應(yīng)原始需求環(huán)境。
    歷史權(quán)重庫收集了以往各種不同需求的權(quán)重分配案例，積累了豐富的經(jīng)驗(yàn)和知識，同時(shí)CBR具有自學(xué)習(xí)能力，隨著權(quán)重庫的不斷積累，理想情況下將會覆蓋到各種不同環(huán)境下的權(quán)重分配問題。因此，通過權(quán)重庫來解決權(quán)重分配問題是可行的也是有效的，這樣不僅能夠滿足相似環(huán)境下的權(quán)重分配需求，同時(shí)也可以處理特殊異常環(huán)境下的權(quán)重分配需求。
2.1 基于CBR的特征屬性權(quán)重選取
    參考CBR基本過程，即4R（Retrieve、Reuse、Revise、Retain）[13-14]，基于CBR的特征屬性權(quán)重自學(xué)習(xí)與調(diào)整策略可分為4個(gè)過程，如圖1所示。

    （1）權(quán)重檢索：根據(jù)目標(biāo)權(quán)重和歷史權(quán)重相似性度量標(biāo)準(zhǔn)，通過合適的檢索匹配算法，從歷史權(quán)重庫中找出與目標(biāo)權(quán)重最相似的權(quán)重。
    （2）權(quán)重重用：將最相似的權(quán)重作為參考權(quán)重，指導(dǎo)目標(biāo)權(quán)重的分配。
    （3）權(quán)重修正：分析參考權(quán)重與目標(biāo)權(quán)重間的差異部分，通過合適的權(quán)重修正策略，并結(jié)合實(shí)際情況，對參考權(quán)重加以調(diào)整與修正。
    （4）權(quán)重學(xué)習(xí)：根據(jù)制定的學(xué)習(xí)策略，把新權(quán)重存儲到權(quán)重庫中。
    基于CBR的特征屬性權(quán)重選取思想的具體實(shí)現(xiàn)：
    （1）結(jié)合領(lǐng)域應(yīng)用背景，收集以往專家的特征屬性權(quán)重分配經(jīng)驗(yàn)，將其作為權(quán)重案例，存入歷史權(quán)重庫中以構(gòu)建領(lǐng)域問題權(quán)重參考庫；
    （2）對于一個(gè)新的權(quán)重分配問題，制定局部權(quán)重相似性度量標(biāo)準(zhǔn)，選擇合適的權(quán)重案例相似性檢索算法，結(jié)合權(quán)重分配需求條件，對歷史權(quán)重庫進(jìn)行相似性檢索，找出相似度最高的歷史權(quán)重，即為與目標(biāo)權(quán)重最相似的權(quán)重；
    （3）結(jié)合實(shí)際應(yīng)用需要，采用合適的權(quán)重調(diào)整策略，對最相似權(quán)重進(jìn)行修正，以適應(yīng)新問題；
    （4）將調(diào)整后的新權(quán)重存入歷史權(quán)重庫中以豐富權(quán)重庫的經(jīng)驗(yàn)，提高權(quán)重庫解決問題的能力。
2.2 基于CBR的特征屬性權(quán)重自修正
    基于CBR相似性檢索得到的參考權(quán)重，可能不完全適合于當(dāng)前的權(quán)重分配需求，需要對其進(jìn)行修正。一般特征屬性權(quán)重修正規(guī)則和知識獲取十分困難，而歷史權(quán)重案例庫中儲備了豐富的實(shí)際經(jīng)驗(yàn)和顯性知識，同時(shí)也蘊(yùn)含了大量的隱性知識，這些知識對于特征屬性權(quán)重修正有一定的幫助。
    基于CBR的特征屬性權(quán)重自修正的基本思想是直接從權(quán)重案例庫中得到權(quán)重修正知識。即首先從權(quán)重案例庫中檢索出與目標(biāo)權(quán)重最相似的權(quán)重案例；通過比較目標(biāo)權(quán)重和最相似的權(quán)重，得出存在差異的權(quán)重所對應(yīng)的特征屬性集合；根據(jù)這些差異特征屬性集合對權(quán)重案例庫進(jìn)行聚類，得出一個(gè)新的權(quán)重案例庫；最后從新的權(quán)重案例庫中再次檢索出和上次得到的最相似權(quán)重最接近的權(quán)重組合，將這個(gè)權(quán)重組合作為參考來指導(dǎo)當(dāng)前的特征屬性權(quán)重分配。
    整個(gè)修正方法在權(quán)重修正過程中應(yīng)用CBR思想，根據(jù)重用失敗的原因，找到最終的解決方案，如圖2所示。整個(gè)屬性權(quán)重修正過程不需要依賴領(lǐng)域知識。

    基于CBR的特征屬性權(quán)重自修正算法描述如下：
    （1）假設(shè)權(quán)重案例庫為WC，目標(biāo)權(quán)重為A，先從權(quán)重案例庫WC中檢索出與A最相似的權(quán)重B。
    （2）對A和B進(jìn)行特征屬性權(quán)重差異性分析，找出兩者之間的特征屬性權(quán)重差異。假設(shè)A有m個(gè)特征屬性，其中i（0≤i≤m）個(gè)特征屬性權(quán)重存在差異，如果i=0，表示沒有差異，算法結(jié)束。
    （3）根據(jù)這些差異特征D1，D2，…，Di對權(quán)重案例庫進(jìn)行聚類分析。即針對每一個(gè)差異特征，從權(quán)重案例庫WC中找到和A中該特征屬性的權(quán)重值相同的案例，將其聚成一類。這樣可以得到分類D1(C)，D2(C)，…，Di(C)，其構(gòu)成一個(gè)新權(quán)重案例庫WCnew。
    （4）從WCnew中檢索出和B最相似的權(quán)重案例，并將其作為最佳權(quán)重分配參考方案。根據(jù)相似性的傳遞性原理，此權(quán)重案例不僅與目標(biāo)權(quán)重A具有較高的相似性，同時(shí)兼顧了權(quán)重案例B中部分屬性權(quán)重不能滿足目標(biāo)權(quán)重A分配的需求。
3 應(yīng)用實(shí)例
    本文提出的方法在突發(fā)性大氣環(huán)境污染事故案例推理系統(tǒng)中進(jìn)行了應(yīng)用。突發(fā)性大氣環(huán)境污染事故對事故現(xiàn)場環(huán)境依賴性特別強(qiáng)，不同環(huán)境背景下，各特征屬性表現(xiàn)出來的重要程度存在很大的差異性。以往的固定屬性權(quán)重難以滿足特殊環(huán)境下屬性權(quán)重分配的需要，而基于CBR的特征屬性權(quán)重選取與自修正方法可以很好地解決不同環(huán)境條件下的特征屬性權(quán)重分配需求。
    在突發(fā)性環(huán)境污染事故案例推理系統(tǒng)中，對于特征屬性權(quán)重的選取與調(diào)整的實(shí)現(xiàn)問題，首先收集以往權(quán)重分配經(jīng)驗(yàn)并初步建立權(quán)重案例庫；其次根據(jù)當(dāng)前的環(huán)境條件，確定特征屬性的重要程度，并給所關(guān)注特征屬性分配一定的權(quán)重，對于非特別關(guān)注或重要程度難以確定的特征屬性，其權(quán)重缺省為0，即目標(biāo)權(quán)重為OC（0.2，-，-，0.15，0.15，0.15，-，-，0.2），依據(jù)特征屬性權(quán)重相似性檢索算法，對權(quán)重庫進(jìn)行相似性檢索。
    
    表1給出了目標(biāo)權(quán)重與部分歷史權(quán)重之間基于指數(shù)法和K-NN算法的相似性檢索結(jié)果，其中歷史權(quán)重案例6是與目標(biāo)權(quán)重最相似的權(quán)重。

    若歷史權(quán)重案例6的權(quán)重分配滿足當(dāng)前權(quán)重分配的需要，直接將其作為目標(biāo)權(quán)重分配問題的解決方案；若對歷史權(quán)重案例6的權(quán)重分配結(jié)果不滿意，則對其執(zhí)行自修正操作。即對歷史權(quán)重案例6的參考權(quán)重與目標(biāo)權(quán)重進(jìn)行差異性分析，得到差異屬性集合{氣象條件，應(yīng)急措施}，其對應(yīng)的目標(biāo)權(quán)重為{0.15，0.2}；根據(jù)污染物質(zhì)、應(yīng)急決策兩個(gè)特征屬性的目標(biāo)權(quán)重對權(quán)重庫進(jìn)行聚類分析，得到兩個(gè)權(quán)重案例集{5，8}和{1，2，4，7}，并構(gòu)成一個(gè)新的子權(quán)重庫{1，2，4，5，7，8}；再次利用屬性權(quán)重相似性檢索算法，從子權(quán)重庫中檢索出與歷史權(quán)重案例6中的參考權(quán)重最相似的權(quán)重，即為歷史權(quán)重案例5，并將其作為當(dāng)前目標(biāo)權(quán)重分配問題的參考解決方案。
    依據(jù)相似性的傳遞性，歷史權(quán)重案例5不僅與目標(biāo)權(quán)重具有較高的相似性，同時(shí)彌補(bǔ)了歷史權(quán)重案例6部分屬性權(quán)重不能滿足目標(biāo)權(quán)重分配需求的不足。若對歷史權(quán)重案例5不滿意，可對其進(jìn)行人工局部調(diào)整，并將調(diào)整結(jié)果存入到權(quán)重庫中以備下次重用。
    這樣不僅解決了當(dāng)前權(quán)重分配問題，同時(shí)也豐富了權(quán)重案例庫的經(jīng)驗(yàn)，擴(kuò)大了權(quán)重案例庫的覆蓋面，增強(qiáng)了其解決問題的能力。
    傳統(tǒng)案例屬性的靜態(tài)權(quán)重已難以滿足需要，而案例屬性權(quán)重選取與動態(tài)調(diào)整是當(dāng)前研究的一大難題，本文嘗試借鑒CBR思想，提出了一種基于CBR的特征屬性權(quán)重選取與自修正方法，為特征屬性權(quán)重分配與調(diào)整提供了一種新的思路?；贑BR的特征屬性權(quán)重選取與自修正方法直接援引以前積累的經(jīng)驗(yàn)和知識來解決當(dāng)前特征屬性權(quán)重的選取與調(diào)整問題，具有操作實(shí)現(xiàn)簡單、進(jìn)行知識積累和重用等優(yōu)點(diǎn)，特別適合特殊環(huán)境下復(fù)雜問題的特征屬性權(quán)重選取與調(diào)整。
參考文獻(xiàn)
[1] LEAKE D B，KINLEY A，WILSON D.Learning to integrate multiple knowledge sources for case-based reasoning[C]. Proceedings of the Fifteenth International Joint Conference on Artificial Intelligence, Morgan Kaufmann，San Francisco，1997：246-251.
[2] 章曙光，蔡慶生.一種基于屬性組合的權(quán)重向量選取模型[J].微機(jī)發(fā)展，2004，14（11）：13-15.
[3] 艾芳菊.基于實(shí)例推理系統(tǒng)中的權(quán)重分析[J].計(jì)算機(jī)應(yīng)用，2005，25（5）：1022-1025.
[4] AHA D W.The omnipresence of case-based reasoning in science and application[J].Knowledge-Based Systems，1998，11(5)：261-273.
[5] SKALAK D B.Prototype and feature selection by sampling and random mutation hill climbing algorithms[C].Proceedings of the 1994 International Conference on Machine Learning，293-301.
[6] MOHRI T，TANAKA H.An optimal weighting criterion of  case indexing for both numeric and symbolic attributes[C]. AAAI Technical Report WS-94-01, Case-Based Reasoning：Papers from the 1994 Workshop.Menlo Park，CA：AAAI Press.
[7] LING C X，WANG H.Computing optimal attribute weight setting fot nearest neighbor algorithms[J].Artificial Intelligence Review，1997，11(1-5)：255-272.
[8] SALZBERG S.A nearest hyperrectangle learning method[J]. Machine Learning，1991(6)：251-276.
[9] BONZANO A，CUNNINGHAM P，SMYTH B.Using introspective learning to improve retrieval in CBR：a case study  in air traffic control[C].Proceedings of the 2nd International Conference on Case-Based Reasoning，Providence RI，USA：Springer，1997：291-302.
[10] SHIN K S，HAN I.Case-based reasoning supported by genetic algorithms for corporate bond rating[J].Expert  Systems with Applications，1999(16)：85-95.
[11] 章曙光，汪淼，張永，等.一種基于遺傳算法的權(quán)重向量選取模型[J].微機(jī)發(fā)展，2005，15（12）：87-89.
[12] 楊健，楊曉光，劉曉彬，等.一種基于K-NN的案例相似度權(quán)重調(diào)整算法[J].計(jì)算機(jī)工程與應(yīng)用，2007，43（23）： 8-11.
[13] WATSON I，MARIR F.Case-based reasoning：a review[J].The knowledge engineering review，1994，9(4)：327-354.
[14] CUNNINGHAM P，SMYTH B.Case-based reasoning in scheduling：reusing solution components[J].International Journal of Production Research，1997，35(11)：2947-2962.