面向智慧知識服務的多案例誘導適配機制

中圖分類號： G203 文獻標志碼： ADOI： 10. 13705 / j. issn. 1671-6841. 2024008

文章編號： 1671-6841（2025）04-0080-08

Abstract： The proposed mechanism aimed to enhance autonomy and accuracy in adapting case knowledge within intelligent knowledge services. It utilized a multi-case induced adaptation approach that hinged on the correlation between decision attributes. Initially， the mechanism assessed the relevance of decision attributes using probability theory. Then， it employed different adaptation methods based on the independence or relevance of these attributes. When decision attributes were correlated， the mechanism selected adaptation techniques such as power set-based adaptation， adapter chain-based adaptation， and adapter chain combination-based adaptation. These choices depended on variations in the number of decision attributes and the size of the value domain. Simulation experiments conducted on the Student Performance-MAT dataset demonstrated the effectiveness of the mechanism.

Key words： intelligent knowledge service; relevant decision attributes; multi-case derivational; adaptation mechanism

0 引言

人工智能的加持促使知識服務不斷升級服務的廣度和深度，知識服務進入智慧化服務階段[ 1] 。 智慧知識服務是指服務提供者基于自身的知識能力，根據用戶面臨的知識情境實時組織知識資源、指導用戶知識實踐、幫助用戶實現知識創新的過程[ 2]智慧知識服務的本質是供需的動態匹配，知識服務的內容與用戶能力、需求的匹配度決定著用戶的服務體驗[ 3] 。 隨著用戶需求的個性化、情境化、綜合化發展，智慧知識服務面臨著用戶知識能力不足、知識應用情境復雜等挑戰[ 4] 。 能呈現知識應用情境并輔助知識實踐的案例知識可以有效應對上述挑戰，并逐漸成為智慧知識服務領域的重要研究議題[ 2，5-6] 。 學者圍繞 案 例 知 識 的 結 構 設 計[ 2，7] 、檢 索和匹配[ 8] 、適配和重用[ 5] 開展了大量研究。 案例適配基于對“相似性假設” 的質疑，謀求基于檢出案例的解決方案能產生所遇新問題的解決方案，也是實現知識服務過程中低領域知識依賴、自助化的重要抓 手 [ 2，9]

案例適配的相關研究可歸納為兩類：一是設計案例決策屬性值的修改方法[ 10] ，即轉換適配;二是設計由條件屬性到決策屬性的推導方法，即誘導適配[ 11] 。 早期，學者對轉換適配方法的研究較多，隨著知識服務對象向大眾轉變，誘導適配方法逐漸得到關注[ 12] 。 張建華[ 11] 認為多案例誘導適配對領域知識的依賴更少、適配結果更為良好，并詳細闡述了多案例誘導適配的內涵及適配機制，為研究多案例誘導適配提供了框架。 后續學者在此基礎上提出了簡單案例誘導適配方法[ 12-14] 。 隨著知識應用情境逐漸復雜，部分學者開始關注復雜案例的誘導適配問題， 研究多決策屬性、相關屬性的案例誘導適配[ 15-16] 。 學者普遍認為，屬性之間的依賴關系影響案例誘導適配結果[ 17] ，但當前的研究大多將決策屬性集視為整體來探討適配方法，忽略了決策屬性集內部相關關系對適配結果的影響[ 13，15] 。 也有研究通過對具體分類算法的改進來提升適配效率，適配效果高度依賴具體算法， 制約了算法的泛化能力 [ 11，13- 14] 。

綜上，多案例誘導適配能提升知識服務過程的自助性和服務內容的精準性，但是相關的研究尚未形成完整的體系。 同時，針對復雜結構案例的誘導適配研究尚不夠深入。 鑒于此，本文擬基于智慧知識服務視角，探討決策屬性不同相關情形的多案例誘導適配機制。 首先，基于概率理論定量地描述決策屬性間的相關關系;其次，基于多標簽分類框架、問題分解思想和模塊思想深入分析決策屬性間的相關性對多案例誘導適配的影響，并建模決策屬性值的推導過程，以期在保證適配效果的同時，還能提升適配效率。

1 問題描述

多案例誘導適配的主要思想是基于相似案例集挖掘條件屬性集對決策屬性集的決定關系，利用該關系求解目標案例。 通常將案例知識納入簡化的知識表達系統 s 中， S=（U，A，V，f） ，其中： U 為適配案例集;A 為案例的屬性集，包含條件屬性集 C 和決策屬性集 D;V 為屬性的值域; f 為信息函數，表達了 的決定關系。 表示第 i 個適配案例， U₀ 為目標案例; C={C₁，C₂，…，C_h} ，C_?m 為第 Ω_m 個條件屬性， （c_i1，c_i2，…，c_ih） 為第 χ_i 個案例的條件屬性向量， C₀=（c₀₁，c₀₂，…，c_0h） 表示目標案例的條件屬性向量; Φ：D={D₁，D₂，…，D_k}，D_j 表示第 j 個決策屬性， （d_i1，d_i2，…，d_ik） 表示第 χ_i 個案例的決策屬性向量。 本文目標是給定適配案例集 U ，針對目標案例 U₀ 的條件屬性向量 C₀ ，運用可行的方法確定目標案例的決策屬性向量 D₀ 。

目標導向式問題分解是解決復雜問題的基本方式，分解獲得的子問題按分解順序構成問題鏈，各子問題的求解模型構成模型鏈，將子問題的解按順序集成可得到原復雜問題的解。 該思路為解決復雜問題提供了更大的靈活性，因為分解后不僅任何解決原子問題的方法皆可用，而且易于實現特定算法或集成框架。 決策屬性間不同的相關性決定了問題的分解方式。 基于上述思想，多案例誘導適配的求解步驟如下。

1） 分析決策屬性間的相關關系。2） 確定問題分解方式，構建問題鏈。3） 選擇原子問題適配解的合適求解模型，構建模型鏈。4） 依次求解原子問題的適配解。5） 集成所有原子問題的解，得到目標問題的解。

2 多案例誘導適配框架

2. 1 決策屬性相關性分析

相關性分析是研究變量之間關系常見的統計方法，相關性直觀反映了屬性之間的相互影響關系及程度。 案例知識中存在條件屬性間相關、條件屬性與決策屬性間相關、決策屬性間相關三種屬性相關關系。 前兩種相關關系對案例適配的影響可以分別通過屬性約簡和權重配置解決[ 14-16，18-19] ，本文重點關注決策屬性間的相關。 Wang 等[ 20] 從概率論視角定義了標簽之間的相關關系，本文根據該定義對決策屬性間的相關做如下定義。

定義 1 對于任意的決策屬性對 （D_n，D_n）∈ D，m≠n，P（d_im，d_in） 是聯合概率分布， P（d_im） 和P（d_in） 是邊緣概率分布，當且僅當

P（d_im，d_in）=P（d_im）*P（d_in）

時，認為決策屬性 D_m 和 D_n 相互獨立。 推廣到所有的決策屬性，當且僅當

P（d_i1，d_i2，…，d_ik）=P（d_i1）*P（d_i2）*…*

P（d_ik），i={1，2，…，e}

時，認為所有決策屬性是相互獨立的。

2. 2 問題分解及適配模型

2. 2. 1 決策屬性獨立的多案例誘導適配 當決策屬性相互獨立時，決策屬性集對條件屬性集的依賴關系由每個決策屬性對條件屬性集依賴關系的并集構成。 此時，案例誘導適配過程等價于多個單決策屬性案例誘導適配過程的重復和疊加。 針對每個決策屬性可以分別構造相同或不同的適配解求解模型，然后將每個模型的解組合構成目標問題的決策屬性向量。 此時，多個適配模型可并行運行，從而降低運行時耗。 具體流程見算法 1。

算法 1 決策屬性獨立的多案例誘導適配

輸入： h 個條件屬性， k 個決策屬性， e 個相似案例的適配案例集 U ，以及目標案例的條件屬性向量C0。

輸出： 目標問題的決策屬性向量 D₀ 。

Step1 將案例適配問題劃分為 k 個獨立的單決策屬性案例適配問題。

Step2 分別構造 k 個適配解軌跡求解模型。

Step3 組 合 k 個決策屬性值構造目標案例的決策屬性向量 D₀ 。

2. 2. 2 決策屬性相關的多案例誘導適配

1） 基于決策屬性冪集的多案例誘導適配。 處理決策屬性相關的簡單思路是：構造一個新的復合決策屬性 D^′ ， 以隱藏決策屬性間的相關關系。 D^′ 是原決策屬性集的冪集，即 D^′ 的值域是原決策屬性值的所有可能組合，此時可將多決策屬性的案例誘導適配問題轉化為單決策屬性案例誘導適配[ 20-21] 。 。給定一個待解問題，基于冪集的適配器輸出最有可能的決策屬性值為 d^′，d^′ 實際上是一組決策屬性值，具體流程見算法 2。 由此可見，基于冪集的適配方法隱式地、充分地考慮原決策屬性間的相關性。算法復雜度為 O（N*K*W） ，其中： N 為適配案例集決策屬性的個數; K 為所有決策屬性值域規模之積; W 為基算法的復雜度。 基于冪集的適配方法對決策屬性域較小的問題比較有效，但是隨著決策屬性個數和取值范圍的擴大，復合決策屬性將面臨空間爆炸，且構建復合決策屬性大大增加了數據稀疏性。

算法 2 基于冪集的多案例誘導適配

輸入： h 個條件屬性， k 個決策屬性， e 個相似案例的適配案例集 U ，以及目標案例的條件屬性向量C0;

輸出： 目標問題的決策屬性向量 D₀ 。

Step1 構造新的決策屬性 D^′ ， 建立 d^′ 與 {d₁ ，d₂，…，d_k} 的映射關系。

Step2 根據映射關系，用 D^′ 的值替代原案例集中每個案例的決策屬性向量。

Step3 構造 D^′ 的適配解求解模型，并求解 D₀^′ 。

Step4 根據映射關系，確定 D₀ 。

2） 基于適配器鏈的多案例誘導適配。 當決策屬性之間存在相關關系時，其中一個決策屬性可以通過其他決策屬性預測得到。 鏈型分類器（ classifi-er chain，CC）算法是解決多標簽分類問題的基本方法。 對于給定的標簽序列，算法每次預測一個標簽值，在預測當前標簽時將之前所有的標簽作為擴展的條件屬性[ 21] 。 盡管附加屬性只占全部條件屬性空間的小部分，但如果屬性之間存在強相關，那么這些屬性將賦予基分類器更強的預測能力[ 22] 。 研究顯示，基于 CC 的分類方法在解決標簽相關的分類問題中具有諸多優點，比如低時間復雜性、高準確率等[ 20] 。 基于 CC 算法構建多案例誘導適配器鏈的具體思路是：對于給定的決策屬性序列 {D_?1，D_?2，…} ，D_k} ，依次分析決策屬性對條件屬性集的依賴關系，且在分析當前決策屬性的依賴關系時，須將之前所有的決策屬性作為條件屬性的擴展，具體流程見算法 3。 決策屬性間的相關關系依托適配器鏈進行傳導，雖然每個案例平均增加了 ∣k∣/2 個決策屬性，但是當 k 的值較小時，增加的算法復雜性可以忽略不計[ 22] 。 每個鏈條節點可采用不同的算法構建適配器;若所有節點采用相同算法，則既可以有效節約內存，亦可有效降低算法復雜度。 確定決策屬性序列是基于適配器鏈適配方法的重點，現有研究常使用隨機法、多條鏈組合法等。 與算法 2 相比，適配器鏈算法受決策屬性域的約束較小，當決策屬性的值域規模較大時，算法會有更好的表現。

算法 3 基于適配器鏈的多案例誘導適配

輸入： h 個條件屬性， k 個決策屬性， e 個相似案例的適配案例集 U ，以及目標案例的條件屬性向量C₀ ，決策屬性序列 {D₁，D₂，…，D_k} 。

輸出： 目標問題的決策屬性向量 D₀ 。

Step1 將案例適配問題劃分為 k 個單決策屬性案例適配問題。

Step2 令 n=0 。

Step3 n=n+1 ，判斷 Ω_n 是否大于 k ，如果是，轉step6。

Step4 構造 D_n 的適配模型并求解。

Step5 將 D_n 作為擴展的條件屬性，轉 Step3。

Step6 組合 k 個決策屬性值，構造決策屬性向量 D₀ 。

3） 基于適配器鏈組合的多案例誘導適配。 相關關系并不總是存在于所有的決策屬性之間，充分利用決策屬性間的獨立和相關關系對決策空間降維是改進適配算法的有效途徑[ 20] 。 基于相關性分析，將初始決策屬性集劃分為低相關的多個子集，每個子集可能包含多個決策屬性，針對每個決策屬性子集構建適配器或適配器鏈。 然后，利用無監督方法將決策屬性子集劃分為多個相關性較低的次子集，并將每個次子集作為適配器鏈的節點。 節點內部充分考慮決策屬性間的相關性，基于冪集方法構建適配器。 如此，可充分利用決策屬性間的獨立和相關關系。 適配器鏈組合雖然需要更多的計算資源，但仍然比直接考慮所有決策屬性的適配器鏈方法有更低的時耗[ 20] ，具體流程見算法 4。

算法 4 基于適配器鏈組合的多案例誘導適配

輸入： h 個條件屬性， k 個決策屬性， e 個相似案例的適配案例集 U ，以及目標案例的條件屬性向量C0。

輸出： 目標問題的決策屬性向量 D₀ 。

Step1 分析決策屬性的相關性，將初始決策屬性集劃分為低相關的決策屬性子集。

Step2 分別用聚類算法對每個決策屬性子集進行聚類分析，得到相關性較低的多個決策屬性次子集。

Step3 對每個次子集調用算法 2。

Step4 對每個決策屬性子集調用算法 3。

Step5 集結所有適配器的輸出，構成目標案例的決策屬性向量。

2. 2. 3 多案例誘導適配集成框架 鑒于決策屬性間相關關系的復雜性，在實踐中往往需要采用不同的策略對案例進行誘導適配，有必要把不同的適配策略集成在一起。 用問題轉換及分解的方法為構建多案例誘導適配的集成框架提供了便捷。 如此，在不同誘導適配策略的基礎上，建立一個通用的集成框架，其具體流程見算法 5。

算法 5 多案例誘導適配集成框架

輸入： h 個條件屬性， k 個決策屬性， e 個相似案例的適配案例集 U ，目標案例的條件屬性向量 C₀ 。

輸出： 目標案例的決策屬性向量 D₀ 。

Step1 基于概率理論判斷決策屬性之間是否相互獨立，如果是，調用算法 1。

Step2 判斷決策屬性的值域規模是否大于給定的閾值，如果是，轉 Step3，否則調用算法 2。

Step3 判斷決策屬性個數是否大于給定的閾值，如果是，調用算法 4，否則調用算法 3。

Step4 集結所有算法的輸出構成目標案例的

決策屬性向量。

Step5 判斷對算法輸出的目標案例決策屬性向量是否滿意，如果是，轉 Step6，否則進入人機交互進行調整。

Step6 輸出目標案例的決策屬性向量。

3 算例

選 取 UCI 數 據 庫 中 的 “ Student Performance-MAT”數據集驗證本文方法的有效性。 該數據集的每個案例包含 30 個條件屬性和 3 個決策屬性（即第一、第二、第三學年的成績）。 對初始數據做離散化處理后構建簡化的知識表達系統。 采用協方差法對條件屬性與決策屬性進行相關性分析，選取與決策屬性高度 相 關 的 Medu、Fedu、Fjob、traveltime、study-time、famsup、nursery、internet、health 9 個屬性作為條件屬性集。 設定值域規模閾值為 10，決策屬性個數閾值為 5^[22] 。 離散化的待解問題條件屬性向量為（4，3，5，2，2，2，1，2，3） ，采 用 本 文 算 法 求 解 待 解 問題的決策屬性向量，為知識用戶提供非零基求解基礎。

首先，基于屬性獨立性定義對決策屬性的相關性進行判斷。 根據概率理論求得三個決策屬性的聯合概率分布 （P（D₁，D₂，D₃）） ） 和邊緣概率分布（P（D₁）*P（D₂）*P（D₃）） ），如表 1 所示。 結合獨立性定義和表 1 數據發現，三個決策屬性均不獨立，則該問題不適用算法 1。

其次，判斷案例的決策屬性值域規模。 三個決策屬性皆有五個取值，則值域規模為 125，大于給定閾值，因此該問題不適用算法 2。

第三步，判斷決策屬性個數。 決策屬性的個數小于給定閾值，采用算法 3 對該案例進行適配。 將決策空間劃分為三個單決策屬性案例適配空間。 為了簡化計算，三個適配鏈節點均將加權樸素貝葉斯算法作為基算法，采用海林格距離方法分別確定三個決策屬性的適配案例視圖。

基于熵權法和歐氏距離法確定案例視圖相似度，對決策屬性 1 求待解問題的適配案例集。 基于加權樸素貝葉斯算法求解 D1 的概率分布，D1 的屬性值為 1，2，3，4，5 的 概 率 分 別 為 0. 0448，0. 1325，0. 2979，0. 1477，0. 0140，將 概 率 最 大 的 值 確 定 為 決策屬性 D1 的值，即 D1 的值為 3;將 D1 作為條件屬性的擴展，結合案例視圖求解 _D2 的概率分布，并確定 _D2 的值， D2 的屬性值為 1，2，3，4，5 的概率分別為 0. 0143，0. 1380，0. 3962，0. 0801，0. 0143 ，確定 _D2 的值為 ³;D3 的屬性值為 1，2，3，4，5 的概率分別為0. 0673，0. 1535，0. 2950，0. 1118，0. 0158 ，確定 D3 的值為 3。 將適配器鏈的輸出進行集結，構成待解問題的決策屬性值向量。 綜上，根據本文算法得到待解問題的決策屬性向量是（3，3，3）。 知識用戶可根據自身知識基礎和實際情況判斷輸出解的質量，若不滿意，可進入人機交互系統進行調整，否則，輸出目標問題的解為（3，3，3）。 至此，多案例誘導適配過程結束。 最后結合知識用戶的應用反饋將該案例交由知識管理系統，由系統判斷其是否進入案例庫。

表 1 決策屬性的聯合概率及邊緣概率分布

Table 1 Joint probability and edge probability distribution of decision attributes

注：表格中的“0”為保留小數點后 4 位四舍五入后得到。

為驗證算例所用方法的適用性和優越性，基于算例數據集，將算例方法與基于經典算法的算法 1和算法 3 進行對比實驗。 針對三個決策屬性對比實驗的適配準確率、精確率、召回率和 F1 值分別如表 2、表 3 所示。 由表 2、表 3 可知，基于各經典算法的適配器鏈的準確率、精確率、召回率和 F1 值均高于算法 1，且在同一鏈條上，三個決策屬性的每個指標呈順序遞增狀態。 以決策樹算法為例，基于算法3 的 D_?2 和 D₃ 的準確率明顯高于算法 1，且在該鏈條上， D₁，D₂ 和 D₃ 的適配準確率依次遞增。 上述結論在隨機森林及隨機森林鏈、KNN 及 KNN 鏈、樸素貝葉斯及樸素貝葉斯鏈、算例方法上同樣成立。 觀察表 2、表 3 發現，適配精確率、召回率和 F1 值基本呈現與準確率一致的規律。

由算例和實驗可以發現本文方法具有如下特點。

表 2 適配準確率和精確率對比Table 2 Comparison of the adaptation accuracy and precision

表 3 適配召回率和 F1 值對比Table 3 Comparison of the adaptation recall and _F1 score

1） 充分利用決策屬性間的相關關系。 標簽之間的相關性對多標簽分類的影響已經獲得了充分證實[ 20] ，同理推斷，決策屬性間的相關性亦影響案例誘導適配。 本文方法首先基于概率理論判斷決策屬性間的相關性，根據決策屬性獨立或相關，分別設計不同的多案例誘導適配方法。 針對決策屬性相關的情形，設計了基于冪集（ 算法 2）、基于適配器鏈（ 算法 3）和基于適配器鏈組合（ 算法 4） 的三種多案例誘導適配方法。 算法 2 隱式、充分地利用決策屬性間的相關關系，適用于決策屬性值域規模較小，且所有決策屬性間存在強相關關系的情形;算法 3 局部地利用決策屬性間的相關關系，適用于決策屬性值域規模較大，且存在序列相關的情形;算法 4 同時利用決策屬性間的獨立和相關關系，適用于決策屬性個數較多，且同時存在獨立和相關的情形。 從利用決策屬性相關關系視角分析，算法 3 和算法 4 是算法 2 的折中。 對比實驗表明，算法 1（基于某個經典算法）中三個決策屬性的適配準確率、精確率、召回率和 F1 值幾乎相等，而算法 3 的同一鏈條上三個決策屬性的上述指標值呈遞增狀態，這充分說明適配器鏈可以有效傳導決策屬性間的相關關系，也說明本文方法在決策屬性相關情形下的有效性和優越性。

2） 具有較強的泛化能力。 本文方法可以根據適配流程的不同階段差異化選擇具體的算法，從而改進多案例誘導適配的效率和效果。 針對算例數據集的對比實驗顯示，算例方法在 D₃ 的適配準確率、精確率、召回率和 F1 值上的表現最為優異;而基于KNN 的適配器鏈在 D_?2 相關的指標值上表現最優;D_?1 相關的指標值顯示樸素貝葉斯、樸素貝葉斯鏈和算例算法并無太大差異。 因此，在具體的案例適配過程中，可以分別利用樸素貝葉斯、KNN 鏈和算例算法為 D_?1，D_?2，D_?3 構建適配器，以期最優化適配結果。 上述分析說明，本文方法不僅可以根據應用領域的特點選擇多種技術算法，而且可以根據適配流程的不同階段差異化地選擇技術算法，從而使適配性能最優。

4 結語

在人工智能技術的支撐下，充分利用知識自身蘊含的隱性規律提高知識服務的自主性和智能性是智慧知識服務的實現路徑。 針對智慧知識服務中的案例適配問題，本文提出一個考慮屬性相關性的多案例誘導適配集成框架。 該框架集合了不同決策屬性相關性、不同決策屬性個數及不同決策屬性值域規模的案例適配策略及方法。 實驗表明，本文方法在復雜結構案例的誘導適配中具有良好的性能，且能結合多種技術算法從適配策略和流程上提升案例適配效果。 本文僅提出了不同相關情形的算法原理并進行初步驗證，尚未深入探討各個算法的應用邊界。 在未來的研究中，應結合具體應用領域和場景深入探討框架中不同算法的邊界條件。

參考文獻：

[1] 李川， 朱學芳， 劉子溪. 基于 5G+AI 的知識服務智慧應用生態分析[ J] . 情報科學，2024，42（1） ：2-9，50.LI C， ZHU X F， LIU Z X. Analysis of knowledge servicesmart application ecology based on 5Gamp;AI[ J] . Informa-tion science，2024，42（1） ：2-9，50.

[2] 馬海云， 薛翔. 面向知識服務的領域知識結構研究[ J] . 情報學報， 2022， 41（1） ： 73-82.MA H Y， XUE X. Research on domain knowledge struc-ture oriented to knowledge services [ J ] . Journal of theChina society for scientific and technical information，2022， 41（1） ： 73-82.

[3] 馬海云， 曹思源， 薛翔. 面向用戶需求的健康領域知識組織與服務框架研究[ J]. 情報資料工作， 2022，43（2） ： 84-92.MA H Y， CAO S Y， XUE X. Research on knowledge or-ganization and service framework in health field orientedto user needs [ J ] . Information and documentation serv-ices， 2022， 43（2） ： 84-92.

[4] 張翠娟，柯平，姚偉. 后知識服務時代的知識管理：從數字賦能到知識賦能[ J]. 情報理論與實踐， 2020，43（9） ：17-23，6.ZHANG C J， KE P， YAO W. Knowledge management inthe post-knowledge service era： from digital empowermentto knowledge empowerment[ J] . Information studies： the-ory amp; application， 2020，43（9） ：17-23，6.

[5] 顧天陽，趙旺，曹林. 跨組織醫療健康大數據聚合與案例知識推理方 法 研 究 [ J] . 情 報 科 學， 2022， 40（ 3） ：40-44.GU T Y， ZHAO W， CAO L. Cross-organizational medi-cal and health big data fusion and knowledge recommen-dation method [ J ] . Information science， 2022， 40 （ 3 ） ：40-44.

[6] 張建華，郭啟迪，曹子傲，等. 基于匹配度和譜聚類的知識推 薦 研 究 [ J] . 鄭 州 大 學 學 報 （ 理 學 版 ） ， 2023，55（4） ： 1-7.

ZHANG J H， GUO Q D， CAO Z A， et al. Knowledge recommendation based on matching degree and spectral clustering [ J] . Journal of Zhengzhou university （ natural science edition） ， 2023，55（4） ： 1-7.

[7] 顧東曉，李曉玥，謝懿，等. 基于體測健康大數據的灰 色案例推理與個性化知識服務方法[ J]. 情報科學， 2021，39（12） ： 3-8. GU D X， LI X Y， XIE Y， et al. Case-based reasoning and personalized service based on physical testing big data [ J] . Information science， 2021， 39（12） ： 3-8.

[8] 姚鑫， 郭海湘， 顧明赟， 等. 基于案例推理的滑坡災 害應急相似案例智能生成研究[ J]. 系統工程理論與 實踐， 2021， 41（6） ： 1570-1584. YAO X， GUO H X， GU M Y， et al. Intelligent generation of similar case of landslide disaster emergency based on case-based reasoning [ J] . Systems engineering-theory amp; practice， 2021， 41（6） ： 1570-1584.

[9] DAS R， GODBOLE A， NAIK A， et al. Knowledge base question answering by case-based reasoning over subgraphs[ EB / OL] . （ 2022-02-22） [ 2023-11-30] . https：∥ arxiv. org / pdf / 2202. 10610v2.

[10] 鄭晶，張愷. 考慮決策者后悔規避的瓦斯爆炸案例決 策方法 [ J] . 浙 江 大 學 學 報 （ 理 學 版 ） ， 2020， 47 （ 3） ： 337-344. ZHENG J， ZHANG K. Case-based decision method for gas explosion considering decision maker′s regret aversion [ J] . Journal of Zhejiang university （ science edition ） ， 2020，47（3） ：337-344.

[11] 張建華. 知識管理自學習案例多案例誘導型適配機制 [ J] . 系統管理學報，2014， 23（6） ： 845-853. ZHANG J H. Multi-case derivational adaptation mechanism of KML-case for knowledge management[ J] . Journal of systems amp; management， 2014， 23（6） ： 845-853.

[12] 張愷， 楊隆浩， 高建清， 等. 基于累積置信規則庫推 理的臺風災害直接經濟損失預測[ J]. 災害學， 2024， 39（1） ： 64-68， 74. ZHANG K， YANG L H， GAO J Q， et al. Typhoon disaster direct economic losses prediction based on cumulative belief rule-based system [ J] . Journal of catastrophology， 2024， 39（1） ： 64-68， 74.

[13] ZHANG J H， LI L C， BOAMAH F A， et al. A multicase induction adaptation study of tacit knowledge based on NRS and CBR [ J / OL] . Kybernetes， （ 2023-06-08） . http：∥www. emerald. com / insight / content / doi：10. 1108 / K-01-2023-0049 / full / html.

[14] 張建華，葉建文，李方方. 隱性知識外顯案例之多案例 誘導型適配研 究 [ J] . 情 報 理 論 與 實 踐，2020，43（ 1） ： 98-103. ZHANG J H， YE J W， LI F F. Research on multi-case derivational adaptation of tacit knowledge explicit cases [ J] . Information studies： theory amp; application， 2020， 43（1） ：98-103.

[15] 鄭晶，王應明. 面向多部門多屬性的群決策應急方案 調整方法[ J] . 運籌與管理，2020，29（2） ：66-72. ZHENG J， WANG Y M. Group emergency alternative adaptation method oriented characteristic of multi-department and multi-attribute [ J ] . Operations research and management science，2020，29（2） ：66-72.

[16] ZHAO J F， HUO Y L， XIONG J， et al. Case retrieval strategy of turning process based on grey relational analysis[ J] . Computer modeling in engineering amp; sciences， 2024， 138（2） ： 1663-1678.

[17] MOUGOUIE B， BERGMANN R. Similarity assessment for generalizied cases by optimization methods[ M]∥Lecture Notes in Computer Science. Berlin： Springer， 2002.

[18] 譚睿璞，張文德，陳圣群，等. 異質信息環境下基于案 例推 理 的 應 急 決 策 方 法 [ J ]. 控 制 與 決 策， 2020， 35（8） ：1966-1976. TAN R P， ZHANG W D， CHEN S Q， et al. Emergency decision-making method based on case-based reasoning in heterogeneous information environment [ J] . Control and decision， 2020，35（8） ：1966-1976.

[19] 李興國， 蔣夢鑫， 楊雪潔， 等. 基于案例推理的重大 公共衛生事件協同決策方法[ J]. 情報科學， 2023， 41（5） ： 10-16， 25. LI X G， JIANG M X， YANG X J， et al. A collaborative decision-making method for grave public health emergencies based on case-based reasoning[ J] . Information science， 2023， 41（5） ： 10-16， 25.

[20] WANG R， YE S H， LI K， et al. Bayesian network based label correlation analysis for multi-label classifier chain [ J] . Information sciences， 2021， 554： 256-275.

[21] 丁家滿，周蜀杰，李潤鑫，等. 基于關聯規則和拓撲序 列的分類器鏈方法[ J] . 軟件學報，2023，34（ 9） ：4210- 4224. DING J M， ZHOU S J， LI R X， et al. Classifier chains method based on association rules and topological sequences[ J] . Journal of software， 2023， 34 （ 9） ： 4210 - 4224.

[22] MISHRA N K， SINGH P K. Feature construction and smote-based imbalance handling for multi-label learning [ J] . Information sciences， 2021， 563： 342-357.