基于描述邏輯和案例推理的智能學習方法
【技術領域】
[0001] 本發明涉及智能導師學習領域，具體涉及一種基于描述邏輯和案例推理的智能學 習方法。
【背景技術】
[0002] 在傳統學習過程中，解決錯誤問題的方式通常有兩種，一種是學習者依靠指導者 的指導，另一種是學習者自行通過網絡論壇為主的網絡資源進行查詢與求助。對前一種模 式，雖然可以在一定程度上幫助學習者解決所遇到的問題，但隨著問題數量的增加和復雜 度的增高，則會產生無意識錯誤、顧此失彼、習慣性錯誤等問題，嚴重影響學習效率并造成 問題求解資源的嚴重浪費。對后一種模式，雖然網絡資源可以幫助學習者解決錯誤問題，但 學習者查找自己所需答案的效率卻十分低下。
[0003] 學習過程錯誤的發生具有階段性和重復性，采用案例復用技術充分利用這些特性 可有效提高學習效率。錯誤學習是指利用學習過程中所出現的錯誤反過來對學習進行指 導，屬于彈性認知的一個重要的技術手段。學習過程伴隨發生的錯誤發生，在時間維度上呈 離散分布狀態，具有一定的階段性、局部性和重復性。錯誤的出現反映了學習主體在學習中 存在的問題，包括思維認知發展水平、行為習慣以及意志品質狀態等。充分利用學習過程中 出現的錯誤，可有效地提高學習者的學習效率。其應用前景十分廣泛，目前已成功應用于智 能教學系統、智能決策支持系統、故障維護和機器學習等諸多領域中。
[0004] 案例推理（Case-based Reasoning，CBR)是一種使用較多的不確定性推理方法。 其基本思想是相似問題有相似解，對于提供準確描述的某一問題，用此推理方法可得到對 應的解。它的主要優點是無需顯式的領域知識模型，可避免知識獲取的瓶頸問題。將案例 推理技術用于錯誤學習，有助于學習者更好地利用先前經驗、輔助記憶和提高學習效率。然 而，將傳統案例推理方法在復用信息利用效率方面仍存在一定不足。首先，為達到案例之間 的精確匹配，在對案例的描述的過程中，必須使用具有代表性的屬性，最大程度上進行區分 案例。而在屬性的選取上，傳統的CBR技術大多關注于問題當前所呈現出來的靜態的屬性， 對案例的動態的使用情況并未考慮到案例檢索中去。而在個體學習的過程中，問題的發生 和個體的學習是一個同時進行的過程，在時間上有其明顯正態分布特點。其次，由于CBR是 一種增量型、可持續的學習方法，每次有一個新的問題被解決的時候，就會新的經驗即被存 儲下來，并將之用于新問題的解決中去。在案例復用的過程中，關于問題解決的反饋信息往 往只是被用來評價案例檢索結果的相關程度，而未將此信息用于案例檢索中，若加以利用， 則可提高案例檢索結果的質量及效率。同時，傳統的案例檢索是基于對案例庫的整個歷史 使用情況的做出的判斷，并不能根據現階段急需或是高頻出現的問題給出精準回應，在檢 索過程中對舊案例的重復檢索導致效率降低。

【發明內容】

[0005] 本發明所要解決的是將傳統案例推理應用到智能學習中所存在的復用信息利用 率低的問題，提供一種基于描述邏輯和案例推理的智能學習方法。
[0006] 為解決上述問題，本發明是通過以下技術方案實現的：
[0007] 基于描述邏輯和案例推理的智能學習方法，包括如下步驟：
[0008] 步驟1，將學習者遇到的問題即新案例作為輸入，采用基于描述邏輯的相似度計算 方法，計算新案例與源案例庫中的每個源案例的文字和數值屬性相似度Sim(A，B)，并根據 計算所得的文字和數值屬性相似度Sim(A，B)對源案例庫中的源案例進行排序；
[0009] 步驟2,從源案例庫中選取m個文字和數值屬性相似度高的源案例作為被檢索案 例，源案例庫中的其余源案例作為非檢索案例；m為設定的多1的正整數；
[0010] 將源案例庫中的被檢索案例放入檢索案例集合RC中，
[0011] 將源案例庫中的非檢索案例的重用頻度屬性值修改為，
[0012] UB) =P? L(B) '
[0013] 其中，L(B)為源案例修改后的重用頻度屬性值，L(B)'為源案例修改前的重用頻 度屬性值，P為設定的系數值；
[0014] 步驟3,從檢索案例集合RC中的被檢索案例中確定一個重用案例，該重用該案例 中的解決方案能夠最好的解決新案例中遇到的問題，檢索案例集合RC中的其余被檢索案 例作為非重用案例；
[0015] 將案例集合RC中的重用案例的重用頻度屬性值修改為，
[0016] L(B) =P? L(B)，+A 1
[0017] 將案例集合RC中的非重用案例的重用頻度屬性值修改為，
[0018] L(B) =P2 ? L(B) '
[0019] 其中，L(B)為源案例修改后的重用頻度屬性值，L(B)'為源案例修改前的重用頻 度屬性值，P和A 1為設定的系數值；
[0020] 步驟4,計算新案例與源案例庫中的每個源案例的階段相似度Rdis(A，B)，
[0021]
【主權項】
1. 基于描述邏輯和案例推理的智能學習方法，其特征是包括如下步驟： 步驟1，將學習者遇到的問題即新案例作為輸入，采用基于描述邏輯的相似度計算方 法，計算新案例與源案例庫中的每個源案例的文字和數值屬性相似度Sim(A，B)，并根據計 算所得的文字和數值屬性相似度Sim(A，B)對源案例庫中的源案例進行排序； 步驟2,從源案例庫中選取m個文字和數值屬性相似度高的源案例作為被檢索案例，源 案例庫中的其余源案例作為非檢索案例；m為設定的多1的正整數；將源案例庫中的被檢索 案例放入檢索案例集合RC中，并減小源案例庫中的非檢索案例的重用頻度屬性值； 步驟3,從檢索案例集合RC中的被檢索案例中確定一個重用案例，該重用該案例中的 解決方案能夠最好的解決新案例中遇到的問題，檢索案例集合RC中的其余被檢索案例作 為非重用案例；增大案例集合RC中的重用案例的重用頻度屬性值，并減小非重用案例的重 用頻度屬性值； 步驟4,利用正態分布的相似對計算方法，計算新案例與源案例庫中的每個源案例的階 段相似度Rdis(A，B); 步驟5,計算新案例與源案例庫中的每個源案例的綜合相似度Simt(ltal(A，B)，即 Simtltal (A,B) =a?Sim(A,B) + |3 *L(B) +y*Rdis(A,B) 其中，Sim(A，B)為新案例與源案例的文字和數值屬性相似度，a為設定的該文字和 數值屬性相似度的權重；L(B)為源案例的重用頻度屬性值，0為設定的該重用頻度屬性 值的權重；Rdis(A，B)為新案例與源案例的階段相似度，Y為設定的階段相似度的權重； a，|3，yG[〇，1]且a+|3+y=1; 步驟6,根據計算所得的新案例與源案例的綜合相似度Simtotal (A，B)，對源案例庫中的 源案例進行排序，排序后的源案例庫作為本次學習問題的結果輸出。
2. 根據權利要求1所述基于描述邏輯和案例推理的智能學習方法，其特征是，在第一 次輸入新案例之前，需要對源案例庫中的所有源案例的重用頻度屬性值賦初始值，其中源 案例的重用頻度屬性值的取值范圍為[〇, 1]。
3. 根據權利要求2所述基于描述邏輯和案例推理的智能學習方法，其特征是，將源案 例庫中的所有源案例的重用頻度屬性值的初始化值設為1。
4. 根據權利要求1所述基于描述邏輯和案例推理的智能學習方法，其特征是，步驟1 中，新案例與源案例庫中的每個案例的文字和數值屬性相似度Sim(A，B)包括文字描述屬 性相似度Sin^At，和數值描述屬性相似度Sim(Ad，Bd);其中， 文字描述屬性相似度Sim(A\B3的計算公式為， Sim(At,B1) =Sim(Cp,Cp) ? (1-w)+Sim(CA,CB)?w 數值描述屬性相似度Sim(Ad，Bd)的計算公式為，
則綜合得到文字和數值屬性相似度Sim(A，B)的公式為， Sim(A,B) = 8Sim(At,Bt) + (l-8)Sim(Ad,Bd) 其中，S為設定的文字描述屬性的相似度權值，Sim(Cp，Cp)為新案例與源案例相同子 概念之間的相似度，Sim(CA，CB)為新案例與源案例不同子概念之間的相似度，w為新案例與 源案例不同子概念之間的相似度權值，< 為新案例的第i個數值屬性，盡"為源案例的第i 個數值屬性。
5. 根據權利要求1所述基于描述邏輯和案例推理的智能學習方法，其特征是，步驟2 中，根據下式對源案例庫中的非檢索案例的重用頻度屬性值進行減小， L(B) =P?L(B) ' 其中，L(B)為源案例修改后的重用頻度屬性值，L(B)'為源案例修改前的重用頻度屬 性值，P為設定的系數值，P的取值范圍為〇. 9 <P< 1。
6. 根據權利要求1所述基于描述邏輯和案例推理的智能學習方法，其特征是，步驟3 中，重用案例采用人工干預方式進行確定，即根據學習者對案例方案使用后的效果評價從 案例集合RC中人工確定一個案例作為重用案例。
7. 根據權利要求1所述基于描述邏輯和案例推理的智能學習方法，其特征是，步驟3 中， 根據下式對案例集合RC中的重用案例的重用頻度屬性值進行增大， L(B) =P?L(B) ' +A1 根據下式對案例集合RC中的非重用案例的重用頻度屬性進行減小， L(B) =P2 ?L(B) ' 其中，L(B)為源案例修改后的重用頻度屬性值，L(B)'為源案例修改前的重用頻度屬 性值，P和A1為設定的系數值；p的取值范圍為〇. 9 <P< 1，A1的取值范圍為〇 <A1 < 0. 1〇
8. 根據權利要求1所述基于描述邏輯和案例推理的智能學習方法，其特征是，在步驟3 之后，還進一步包括，對源案例庫中的源案例的重用頻度屬性值進行查詢；若源案例的重用 頻度屬性值小于預設的閾值時，則視為無用案例，并將該源案例從源案例庫中刪除。
9. 根據權利要求1所述基于描述邏輯和案例推理的智能學習方法，其特征是，步驟4 中，根據下式計算新案例與源案例庫中的每個源案例的階段相似度Rdis (A,B)，
其中，RA為設定的新案例所屬階段等級，RB為設定的源案例所屬階段等級；R4的取值范 圍為1彡RA< 9，RB的取值范圍為1彡RB< 9。
【專利摘要】本發明公開一種基于描述邏輯和案例推理的智能學習方法，先對案例的屬性采用基于描述邏輯的相似度計算方法對文字屬性和數值屬性的分別計算，給出相似度匹配初步結果；后利用蟻群算法中的信息素權重自適應更新及分配策略和案例推薦建立聯系；通過使用對學習主體的學習等級和問題等級劃分，對處于不同學習階段的學習主體能夠給出其所在等級的案例推薦；最后分別對以上方法的計算結果分別賦予不同的權值，綜合計算出案例之間的相似度；通過綜合相似度從案例庫中給出對于當前問題案例的最優解決方案的列表，供學習主體選擇。這樣就可使學習者快速地從其所遇到的錯誤中進行學習。
【IPC分類】G09B7-02, G06F17-30
【公開號】CN104573062
【申請號】CN201510035773
【發明人】古天龍, 谷宇奇, 寧黎華, 徐周波, 常亮
【申請人】桂林電子科技大學
【公開日】2015年4月29日
【申請日】2015年1月23日