An Automatic Learning of Adaptation Knowledge for Case-Based Reasoning

사례기반 추론을 위한 적응 지식의 자동 학습

Case-Base Reasoning(CBR) solves the new problems by reusing the solutions to previously solved problems. But, there are differences between previously known case and a new problems. To solve this problem Case-Based System have to adapt the solution of the case to suit a new situation. In current CBR systems, case adaptation is usually performed by rule-based method that use rules hand-coded by the system developer. So, CBR system designer faces knowledge acquisition bottleneck akin to those found in traditional expert system design. To solve this problem, in this thesis, we present an automatic learning method of case adaptation knowledge using case base, we use a method of comparing cases in the case base to learn adaptation knowledge. The system is tested in the domain for the decision of travel-price. The result shows accuracy improvement in comparison with case retrieval-only system.

사례기반 추론은 이전에 해결된 문제에 대한 해를 재사용 함으로써 새로운 문제를 해결한다. 그러나 과거의 사례와 새로운 문제 사이에는 차이가 있다. 이러한 문제점을 해결하기 위해서 사례기반 추론 시스템은 이전 사례의 해를 새로운 상황에 맞게 적응 시켜야 한다. 최근의 사례기반 추론 시스템에서, 사례 적응은 시스템 개발자에 의해 손으로 코딩된 규칙을 사용하는 규칙기반 방법을 이용한다. 따라서 시스템 설계자는 과거의 전통적인 전문가 시스템 설계에서 발견되는 지식획득의 병목방법을 제안하였다. 적응 지식을 학습하기 위해 사례 베이스의 사례들을 비교하는 방법을 사용하였다. 본 논문에서 제안한 방법은 여행 가격 결정을 위한 영역에서 실험하였다. 실험 결과 사례 추출만을 지원하는 시스템보다 해에 대한 정확도가 향상되었음을 확인할 수 있었다.