专家系统最近几年取得了较块的发展,通过使用专家系统节约了人力加快了信息流通的速度,在很多领域专家系统得到了有效的应用。本文论述了一个基于CBR的智能旅游咨询系统的构建方法。 本课题的主要任务是通过对传统得反馈式CBR算法的深入研究,对多用户的CBR系统的构架提出一种新的实例库构架方法。通过这种新的实例库的构造方法改善CBR的推理。最终在旅游智能咨询系统中应用这种方法,并和过去的CBR方法进行对比。 CBR(Case-Based Reasoning)基于实例的推理是一种通过重用过去解决问题经验来解决当前问题的新型智能推理技术。在专家系统中,知识的表示方法常常决定了采用何种推理方式进行专家系统的推理。本文首先论述了过去在专家系统中的知识表示方式和他们的优缺点。然后对CBR的知识表示和采用这种知识表示方式之后其对应的推理方法和知识获取的过程做了详细的描述,指出了采用CBR推理技术具备的优势所在。而如何提高CBR智能系统的推理速度和解决冗余数据问题往往是CBR智能系统面临的一个关键性问题。在当今的工业信息时代,新的实例常常以一个比较高的速度存入实例库,大量的实例使得推理速度和精度相对降低,使得我们不得不回头仔细考证这些实例是否对推理有用。另一方面,问题域也不是一成不变的,问题域发生变化之后常常需要重新定义实例。不同用户由于使用喜好的不同也回使得这种变化加剧。因此如何提高推理速度和精度是CBR研究人员一直以来研究的热点。近年来涌现的反馈式CBR在这方面做了有益的探索。但是反馈式CBR还存在一定的问题:例如索引制定比较笼统,数据冗余问题比较难于克服等等。就此问题,本文论述了一种对传统反馈式CBR算法的改进——多层式的实例库索引结构,通过对实例库库结构的分层提高了搜索的效率与精度,并在系统构造的最初最大限度的控制了实例的冗余。实例的冗余一直是困扰CBR系统的一个大问题,除了使用分层的库结构来解决实例的冗余外,我们在CBR进行学习的时候也会产生大量的数据冗余,而如果对这部分冗余控制不好的话往往会造成实例库急剧膨胀导致搜索速度下降。最后我们使用这种方法构造一个旅游智能咨询系统。系统采用一种三层的逻辑结构构建实例库,很好地体现了问题解决对用户个人偏好的要求,并通过多种方法有效的降低