基于FCA与语义理解的CBR实例库组织与检索方法
2015-04-08牛秦洲李渤涛陈艳神显豪
牛秦洲,李渤涛,陈艳,神显豪
(桂林理工大学信息科学与工程学院,广西桂林541004)
0 引言
基于实例的推理技术(case-based reasoning,CBR)[1]是人工智能研究中的一个重要领域。其核心思想来源于人类处理问题的一种常用模式。这种模式充分利用已解决问题的经验知识作为处理同类问题的基础。随着CBR研究的不断深入,CBR模型也日趋成熟。早期,Aamodt等[1]、Hunt[2]以及Kolodner等[3]提出了3种具有相当影响力、面向过程的CBR模型。随后,结合人工智能领域的其他技术,相继出现了TCBR[4]、GACBR[5]、基于本体的CBR等模型[6]。这些CBR模型在实例检索方面存在以下两点不足之处:(1)经典CBR模型中的实例匹配是基于关键字的匹配方法,但是该方法没有考虑到关键字匹配的局限性,同时也忽略了实例中所蕴含的语义;(2)经典CBR模型的实例集结构虽有众多表现形式,例如:TCBR使用的实例提取网、GA-CBR使用的实例种群、传统的CBR模型更是使用散列集,但它们都不能明确地体现实例间的继承关系,因此也不能利用实例间的继承关系提高检索质量与效率。
为此,在CBR模型中同时引入本体模型与FCA理论,构造了一种基于FCA与语义理解的改进CBR模型以弥补上述CBR模型中的不足。该知识模型是以CBR模型为总体架构,以形式概念分析理论相关架构作为改进CBR模型的内部实例知识结构,并以本体论作为实例表示及检索的知识基础,构建了基于实例间相似语义匹配的改进CBR模型。在该模型中,一方面使用FCA理论中的概念格结构来体现实例间的继承关系[7],并在实例检索时对实例间的继承关系加以利用[8],提高检索效率;另一方面,以本体知识域与知识元间相似距离为实例的知识与检索基础,解决实例中相似语义的理解与识别问题,从而弥补上述两点不足。……
