[发明专利]基于描述逻辑和案例推理的智能学习方法

说明书

技术领域

本发明涉及智能导师学习领域，具体涉及一种基于描述逻辑和案例推理的智能学习方法。

背景技术

在传统学习过程中，解决错误问题的方式通常有两种，一种是学习者依靠指导者的指导，另一种是学习者自行通过网络论坛为主的网络资源进行查询与求助。对前一种模式，虽然可以在一定程度上帮助学习者解决所遇到的问题，但随着问题数量的增加和复杂度的增高，则会产生无意识错误、顾此失彼、习惯性错误等问题，严重影响学习效率并造成问题求解资源的严重浪费。对后一种模式，虽然网络资源可以帮助学习者解决错误问题，但学习者查找自己所需答案的效率却十分低下。

学习过程错误的发生具有阶段性和重复性，采用案例复用技术充分利用这些特性可有效提高学习效率。错误学习是指利用学习过程中所出现的错误反过来对学习进行指导，属于弹性认知的一个重要的技术手段。学习过程伴随发生的错误发生，在时间维度上呈离散分布状态，具有一定的阶段性、局部性和重复性。错误的出现反映了学习主体在学习中存在的问题，包括思维认知发展水平、行为习惯以及意志品质状态等。充分利用学习过程中出现的错误，可有效地提高学习者的学习效率。其应用前景十分广泛，目前已成功应用于智能教学系统、智能决策支持系统、故障维护和机器学习等诸多领域中。

案例推理(Case-based Reasoning，CBR)是一种使用较多的不确定性推理方法。其基本思想是相似问题有相似解，对于提供准确描述的某一问题，用此推理方法可得到对应的解。它的主要优点是无需显式的领域知识模型，可避免知识获取的瓶颈问题。将案例推理技术用于错误学习，有助于学习者更好地利用先前经验、辅助记忆和提高学习效率。然而，将传统案例推理方法在复用信息利用效率方面仍存在一定不足。首先，为达到案例之间的精确匹配，在对案例的描述的过程中，必须使用具有代表性的属性，最大程度上进行区分案例。而在属性的选取上，传统的CBR技术大多关注于问题当前所呈现出来的静态的属性，对案例的动态的使用情况并未考虑到案例检索中去。而在个体学习的过程中，问题的发生和个体的学习是一个同时进行的过程，在时间上有其明显正态分布特点。其次，由于CBR是一种增量型、可持续的学习方法，每次有一个新的问题被解决的时候，就会新的经验即被存储下来，并将之用于新问题的解决中去。在案例复用的过程中，关于问题解决的反馈信息往往只是被用来评价案例检索结果的相关程度，而未将此信息用于案例检索中，若加以利用，则可提高案例检索结果的质量及效率。同时，传统的案例检索是基于对案例库的整个历史使用情况的做出的判断，并不能根据现阶段急需或是高频出现的问题给出精准回应，在检索过程中对旧案例的重复检索导致效率降低。

发明内容

本发明所要解决的是将传统案例推理应用到智能学习中所存在的复用信息利用率低的问题，提供一种基于描述逻辑和案例推理的智能学习方法。

为解决上述问题，本发明是通过以下技术方案实现的：

基于描述逻辑和案例推理的智能学习方法，包括如下步骤：

步骤1，将学习者遇到的问题即新案例作为输入，采用基于描述逻辑的相似度计算方法，计算新案例与源案例库中的每个源案例的文字和数值属性相似度Sim(A,B)，并根据计算所得的文字和数值属性相似度Sim(A,B)对源案例库中的源案例进行排序；

步骤2，从源案例库中选取m个文字和数值属性相似度高的源案例作为被检索案例，源案例库中的其余源案例作为非检索案例；m为设定的≥1的正整数；

将源案例库中的被检索案例放入检索案例集合RC中，

将源案例库中的非检索案例的重用频度属性值修改为，

L(B)＝ρ·L(B)′

其中，L(B)为源案例修改后的重用频度属性值，L(B)′为源案例修改前的重用频度属性值，ρ为设定的系数值；

步骤3，从检索案例集合RC中的被检索案例中确定一个重用案例，该重用案例中的解决方案能够最好的解决新案例中遇到的问题，检索案例集合RC中的其余被检索案例作为非重用案例；

将案例集合RC中的重用案例的重用频度属性值修改为，

L(B)＝ρ·L(B)′+△l

将案例集合RC中的非重用案例的重用频度属性值修改为，

L(B)＝ρ²·L(B)′

其中，L(B)为源案例修改后的重用频度属性值，L(B)′为源案例修改前的重用频度属性值，ρ和△l为设定的系数值；

步骤4，计算新案例与源案例库中的每个源案例的阶段相似度R_dis(A,B)，