JPH08129488A - 推論方法及び推論システム - Google Patents

Abstract

(57)【要約】 【課題】 本発明は、推論精度の高い推論方法及び推論
システムを提供することを目的とする。 【解決手段】 入力手段により、事実データが本システ
ムに与えられる。与えられた事実データは作業領域に格
納され、推論手段が起動される。推論手段の各推論サイ
クルにおいては、以下の処理が実行される。まず、ルー
ル抽出処理部により、ルール群とデータ群が比較され、
最適なルールが抽出される。次に、事例抽出処理部によ
り、抽出されたルールにマッチした事例が事例記憶手段
から抽出される。次に、選択処理部により、それぞれ抽
出されたルールと事例の条件部に記述された条件を比較
して、事実データと類似度の高い一方が選択される。実
行処理部は、選択されたルールまたは事例の手続きを実
行する。実行された手続きが処理を中止する手続きでな
ければ、推論サイクルを繰り返す。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、専門的な知識を利
用して、診断・設計・計画などの問題解決を行う知識ベ
ースシステム（エキスパートシステム）に関し、特に問
題状況に応じた知識の運用を制御するための制御知識の
獲得に適した推論システム（推論方法）に関する。

【０００２】

【従来の技術】知識ベースシステムの構築を行うに当た
って重要な作業の一つに、対象分野の知識を明確化し、
推論エンジンで実行可能な形に符号化（コーディング）
する知識獲得作業がある。従来、この知識獲得作業は、
ナレッジ・エンジニア（Ｋｎｏｗｌｅｄｇｅ ｅｎｇｉ
ｎｅｅｒ、知識工学者などと訳す）が、専門家へのイン
タビューを中心として知識の収集作業を行い、収集され
た知識を推論エンジンで実行可能な形式へコーティング
する作業を行っていた。しかし、このような人間を介し
た知識獲得は、多くの労力と時間を要し、知識ベースシ
ステムの開発工数の大部分を占めてしまうことも多く問
題であった。この問題は、一般に知識獲得上のボトルネ
ックと呼ばれている。

【０００３】近年、この知識獲得の過程をサポートする
技術が進歩し、知識獲得の過程を自動化あるいは支援す
る知識獲得（支援）ツールが開発されてきた。このた
め、問題のタイプ（問題タスクという）や対象分野のタ
イプ（対象ドメインという）によっては知識獲得上のボ
トルネックは緩和されてきた。しかし、これらの知識獲
得（支援）ツールの多くは、当該ドメインの実体関係に
ついての知識や基本となる問題解決のための知識を獲得
することを支援する目的で開発されたものが多く、実用
性が乏しかった。

【０００４】ところで、知識ベースシステムを実用化す
る上では、問題の状況に応じた適切な知識を適切に運用
するように知識を制御することが、正しい解を求める上
で重要となる。また、知識ベースシステムにおける問題
解決の過程は、知識ベースに蓄積された多量の知識を探
索する作業として定式化されることが多く、その場合、
探索の手法を制御して効率良く解を見つけるための探索
制御が必要である。このような制御に関する知識（以下
制御知識と呼ぶ）は、分類型・構成型という知識ベース
システムのタイプに関わらず必要となってくる。しか
し、このような制御知識は、一般にノウハウ的な知識で
あるため獲得が非常に困難である。

【０００５】その理由の第１は、制御知識は、問題タス
クや対象ドメインのように問題や対象から容易かつ明確
に把握される知識とは異なり、当該分野における専門家
の日常業務における問題解決の過程から経験的に獲得さ
れるものが多く、専門家の記憶の中に潜在化されてお
り、明確化し難い、ということである。

【０００６】第２の理由は、このような制御知識は、知
識の運用や探索を制御するという性質上、蓄積されてい
る問題タスクや対象ドメインと密接な関係があるばかり
でなく、新しい制御知識の獲得並びに実行が既存の制御
知識の実行に大きな影響を与えるものであり、獲得され
た新たな制御知識により問題解決の手法に矛盾が生じな
いように、既存の知識との間の整合性を保ちながら獲得
しなければならない、ということである。

【０００７】従来技術の１つはヘリックIIである（参考
文献：Nitta, et al:"HELIC-II:ALegal Reasoning Syst
em on Parallel Inference Machine", Proceedings of
the International Conference on Fifth Generation C
omputer System, ICOT, 1992). ）。ヘリックIIは統合
システムで、ルールベース推論（ＲＢＲ）と事例ベース
推論（ＣＢＲ）を用いる点は、本発明と似ている。

【０００８】しかし、ヘリックIIでは、ＲＢＲとＣＢＲ
の各モジュールが共働するには、中央作業メモリを通じ
て情報を授受する必要があった。

【０００９】また、ＲＢＲとＣＢＲを統合する他の方法
も知られている（参考文献：Yasunobu, et al:"An Inte
grated Method for Rule-Based Reasoing and Case-bas
ed Reasoning", Jounal of Japanese Society of AI, V
ol.7, No.6, pp.155-162, 1992）。この方法は、本発明
と異なり、（１）統一された「Ｉｆ−検索−Ｔｈｅｎ」
文法を用いる特定のルールに、事例を明快に索引づける
もので、（２）運用中にシステムの成長を促進する学習
／知識獲得の各モジュールを備えていなかった。

【００１０】また、ｉｆ−ｔｈｅｎルールを、関連する
事例に基づいて順次調整するアプローチも知られている
（参考文献：Nakatani, et al:"Tuning Rules by Case
s", Topics in Case-Based Reasoning:Proceedings of
the First European CBR Workshop, Lecture Notes in
AI837, pp.313-324, 1993）。しかし、このアプローチ
は、本発明と異なり、ルールか事例かを選択するもので
はなかった。

【００１１】

【発明が解決しようとする課題】現在までに、前記のよ
うな制御知識の獲得を支援する知識獲得（支援）ツール
が提案されている。しかし、従来の知識獲得（支援）ツ
ールは、次の問題点があった。第１には、専門家の記憶
の中に潜在的に存在する制御知識を誘発するためのサポ
ートが乏しかった。第２には、既に獲得された知識との
整合性のチェックが不十分であった。第３には、獲得し
た制御知識の照合効率が悪かった。

【００１２】この点を、ＲＢＲ（Ｒｕｌｅ−Ｂａｓｅｄ
Ｒｅａｓｏｎｉｎｇ）と呼ばれるルールベース推論
と、ＣＢＲ（Ｃａｓｅ−Ｂａｓｅｄ Ｒｅａｓｏｎｉｎ
ｇ）と呼ばれる事例ベース推論とを例にとって具体的に
説明する。

【００１３】まず、ＲＢＲとして一般に採用されている
プロダクション・システムに基づいて、その構成並びに
問題点を説明する。図２１にプロダクション・システム
の構成を示す。プロダクション・システムは、推論処理
部１００と、ルールベース１１０と、作業メモリ１２０
と、入出力部１３０とから構成されている。そして、推
論処理部１００は、ルール照合部１０１、競合解消部１
０２、実行処理部１０３、およびこれら３つのモジュー
ルを制御する推論制御部１０４を備えている。また、入
出力部１３０は、端末１３１と、キーボード・マウス１
３２を備えている。

【００１４】作業メモリ１２０は、作業記憶、ＷＭ（ｗ
ｏｒｋｉｎｇ ｍｅｍｏｒｙ）などとも呼ばれ、入力さ
れたデータや推論過程におけるデータを一時的に保管す
る領域である。この作業メモリ１２０は、高速なアクセ
スが必要なので、通常は主記憶装置上に確保される。作
業メモリ１２０に格納されるデータは、さまざまな形式
が考えられるが、ここでは、プロダクション・システム
として一般的なクラス・属性・属性値のデータとして考
える。この個々のデータをＷＭ要素と呼ぶ。図２２に作
業メモリの内容の例を示す。

【００１５】ルールベース１１０には、ｉｆ〜ｔｈｅｎ
…形式のルールが問題解決に先だって格納されている。
図２３にルールベース１１０に格納されているルール群
の具体例を示す。また、図２４にルールベース１１０の
ベン図表現を示す。ここでは簡単のため、流体温度（０
〜１０）と流体圧力（０〜１０）についてのみ示す。図
２５は、図２４のベン図に対応するルールベースの内容
の一例を、問題分類ツリーで表す図である。この図にお
いて、ｘは流体温度を、ｙは流体圧力に対応する。

【００１６】次に、プロダクション・システムの動作に
ついて、図２６のフローチャートを用いて説明する。以
下の説明は、図２３に示すルールベース１１０に対し
て、図２２に示す作業メモリ１２０の状態で推論が起動
された時のプロダクション・システムの動作を示す。

【００１７】ルール照合部１０１は、まず、ルールベー
ス１１０に格納されたルールの条件部と、作業メモリ１
２０に格納されたＷＭ要素を照合させ、その時点での作
業メモリ１２０の内容に照らして適用可能なルールと、
その適用を可能とさせるＷＭ要素との組（インスタンシ
エーションという、ルールを具体化したものという意
味）の集合（競合集合という）を生成する。図２７に示
すようなインスタンシエーションが作成される（ステッ
プ１４０）。

【００１８】競合解消部１０２は、一定の規則に従っ
て、競合集合からインスタンシエーションを一つだけ選
択する（ステップ１４２）。ここでは、最も適用範囲の
狭いルールを選択するものとする。その結果、図２７の
競合集合からルールＡが選択される。インスタンシエー
ションの選択は、すなわちその時点で適用可能なルール
の選択を意味する。

【００１９】実行処理部１０３は、競合処理部によって
選択されたインスタンシエーションのルールの実行部
を、そのインスタンシエーションでの照合データを用い
て実行する（ステップ１４３）。そして、入出力部１３
０を通して、ユーザとの対話、すなわち、端末１３１へ
の情報の出力、キーボード・マウス１３２からのデータ
の入力が行われる。また、作業メモリ１２０への新たな
データの追加、変更、削除も行われる。ここでは、新た
なＷＭ要素が作成され、作業メモリ１２０に追加され
る。その結果、作業メモリ１２０の内容は、図２８のよ
うになる。

【００２０】実行処理が完了すると、制御はルール照合
部１０１に戻り、以後、ルール照合（ステップ１４１）
→競合解消（ステップ１４２）→ルール実行（ステップ
１４３）の推論サイクルが繰り返されることになる。こ
のサイクルは、ルールの実行部に記述された推論停止命
令が実行されるまで（ステップ１４４）、あるいは照合
処理においてマッチするルールがなくなるまで（ステッ
プ１４１）繰り返される。ここでは、新たに追加された
ＷＭ要素にマッチするルールは存在しないので、推論サ
イクルは終了する。

【００２１】さて、プロダクション・システムでは、ル
ールの条件部と実行部が正しく記述されていることを前
提に動作を行っており、開発者の意図に反したルール記
述がなされていると、問題解決の結果は開発者の意図と
異なったものになってしまう。例えば、本来、バルブの
材質としてステンレスを指示して欲しかったとしよう。
プロダクション・システムでは、ルールベースの変更は
新たなルールの追加、あるいは、既存ルールの修正によ
って行われる。これを実現するには、ルールベース１１
０の内容を編集し直さなければならない。その際、条件
部を考えなければならないとか、既存ルールとの整合性
を考えなければならないといった問題が発生する。

【００２２】一方、ＣＢＲ（事例ベース推論）では、過
去の問題解決事例をデータベースに蓄積しておき（事例
ベースと呼ぶ）、新たな問題が入力されると、事例ベー
スから類似した問題解決事例を検索して、問題に合わせ
て修正して解を生成する。このようなＣＢＲは、通常、
特徴抽出、事例検索、事例修正からなる。ＣＢＲは、知
識獲得面で優れているが、エキスパートシステム構築面
で以下の問題があった。

【００２３】第１に、ＣＢＲを支援する仕組みを構築す
るのが困難であった。第２に、トップレベルの問題解決
に適用するのは粒度が荒すぎる場合がある。第３にこの
種の推論で広く採用されているプロダクション・システ
ムに組み込むことが容易でない欠点もあった。

【００２４】本発明は、知識の利用を制御するための戦
略的・運用的な知識の獲得を支援することを意図したも
ので、同様の目的を持つ従来システムの上記に掲げた問
題点を解決することを目的としている。

【００２５】すなわち、本発明は、上記のような従来技
術の問題点を解決するために提案されたもので、その目
的は、推論精度の優れた推論方法及び推論システムを提
供することである。また、本発明の他の目的は、知識の
獲得と利用を効果的に行なう推論方法及び推論システム
を提供することである。

【００２６】

【課題を解決するための手段】上記の目的を達成するた
め、請求項１の発明は、推論を行うのに必要な条件を一
般的に記述した条件部とこの条件に対応する結論を記述
した結論部とを一組としたルールと、具体的な事例を表
す条件を記述した条件部とこの条件に対応する結果を記
述した結果部とを一組とした事例と、を用いて推論を行
なう推論方法において、与えられた入力データにマッチ
する条件を有する前記ルールを抽出するルール抽出処理
と、抽出されたルールに対応する前記事例を抽出する事
例抽出処理と、このように抽出された前記ルール及び前
記事例について、前記入力データとの類似性を評価する
評価処理と、前記ルール又は前記事例のうち、前記入力
データとより前記類似度の高い条件を有するものを選択
する選択処理と、選択された前記ルールの結論部又は前
記事例の結果部に基づいて推論を実行する実行処理と、
を含むことを特徴とする。

【００２７】請求項８の発明は、請求項１の発明を装置
の観点から把握したものであって、推論を行うのに必要
な条件を一般的に記述した条件部とこの条件に対応する
結論を記述した結論部とを一組としたルールと、具体的
な事例を表す条件を記述した条件部とこの条件に対応す
る結果を記述した結果部とを一組とした事例と、を用い
て推論を行なう推論システムにおいて、与えられた入力
データにマッチする条件を有する前記ルールを抽出する
ルール抽出手段と、抽出されたルールに対応する前記事
例を抽出する事例抽出手段と、このように抽出された前
記ルール及び前記事例について、前記入力データとの類
似性を評価する評価手段と、前記ルール又は前記事例の
うち、前記入力データとより前記類似度の高い条件を有
するものを選択する選択処理と、選択された前記ルール
の結論部又は前記事例の結果部に基づいて推論を実行す
る実行手段と、を有することを特徴とする。

【００２８】請求項１、８の発明では、与えられた入力
データにマッチするルールと事例の双方が抽出され、ル
ール及び事例のどちらが入力データに類似するかが判断
される。そして、ルール又は事例のうち、入力データへ
の類似度の高いいずれかが推論で用いられる。したがっ
て、ルールに補強例や例外が存在する場合も、これらの
例を事例として保持し推論に適用できるので、推論精度
が向上する。また、ルール自体を修正することなく補強
例や例外を事例として保持できるので、推論システムの
構成や保守が容易になる。なお、推論が多段にわたると
きは、各段階で、一つのルールの結論部又は事例の結果
部が次のルール又は事例を呼び出すが、この場合は抽出
から推論実行までの処理を１つのサイクルとして段階ご
とにこのサイクルを実行すればよい。

【００２９】また、請求項２の推論方法は、推論を行う
のに必要な条件を記述した条件部とこの条件に対して専
門家が判断した結論の手続きを記述した結論部とを一組
としたルールを複数組格納するルール記憶処理と、具体
的な事例で用いた条件を記述した条件部とこの条件で実
際に実行した結果の手続きを記述した結果部とを一組と
した事例を複数組格納する事例記憶処理と、を含み、入
力処理によって入力された問題データ、推論過程で生じ
た仮説データなどのデータを一時的に格納する作業領域
を用い、利用者が入力した事実データを受け付けて、前
記作業領域に格納する入力処理と、前記作業領域に格納
された各データから前記ルール記憶処理で格納されたル
ール又は前記事例記憶処理で格納された事例を選択し、
選択したルールの結論部又は事例の結果部の手続きを実
行する処理を１サイクルとして、処理を停止させる手続
きを実行するまでサイクルを繰り返す推論処理とを含
み、前記推論処理の１サイクルの処理は、前記作業領域
に格納された各データと前記ルール記憶処理で格納され
た各ルールの条件部に記述された条件とを比較して最適
なルールを抽出するルール抽出処理と、前記ルール抽出
処理で抽出されたルールの条件部に記述された条件と少
なくとも部分的に一致する条件が記述された条件部を有
する事例を、前記事例記憶処理で格納された事例から抽
出する事例抽出処理と、前記ルール抽出処理で抽出され
たルールと前記事例抽出処理で抽出された事例とのそれ
ぞれの条件部に記述された条件を比較して、前記入力処
理によって入力された事実データと類似度の高い一方を
選択する選択処理と、前記選択処理で選択されたルール
の結論部又は事例の結果部の手続きを実行する実行処理
と、を含むことを特徴とする。

【００３０】請求項９の推論システムは、請求項２の発
明を装置の観点から把握したものであって、（ａ）推論
を行うのに必要な条件を記述した条件部とこの条件に対
して専門家が判断した結論の手続きを記述した結論部と
を一組としたルールが複数組格納されたルール記憶手段
と、（ｂ）具体的な事例で用いた条件を記述した条件部
とこの条件で実際に実行した結果の手続きを記述した結
果部とを一組とした事例が複数組格納された事例記憶手
段と、（ｃ）入力手段によって入力された問題データ、
推論過程で生じた仮説データなどのデータを一時的に格
納する作業領域と、（ｄ）利用者が入力した事実データ
を受け付けて、作業領域に格納する入力手段と、（ｅ）
作業領域に格納された各データからルール記憶手段に格
納されたルール又は事例記憶手段に格納された事例を選
択し、選択したルールの結論部又は事例の結果部の手続
きを実行する処理を１サイクルとして、処理を停止させ
る手続きを実行するまでサイクルを繰り返す推論手段と
を備え、推論手段の１サイクルの処理は、（ｅ１）作業
領域に格納された各データとルール記憶手段に格納され
た各ルールの条件部に記述された条件とを比較して最適
なルールを抽出するルール抽出処理部と、（ｅ２）ルー
ル抽出処理部で抽出されたルールの条件部に記述された
条件と少なくとも部分的に一致する条件が記述された条
件部を有する事例を事例記憶手段から抽出する事例抽出
処理部と、（ｅ３）ルール抽出処理部で抽出されたルー
ルと事例抽出処理部で抽出された事例とのそれぞれの条
件部に記述された条件を比較して、入力手段によって入
力された事実データと類似度の高い一方を選択する選択
処理部と、（ｅ４）選択処理部で選択されたルールの結
論部又は事例の結果部の手続きを実行する実行処理部と
を備えることを特徴とする。

【００３１】請求項２、９の発明によれば、入力手段に
より、事実データが本システムに与えられる。与えられ
た事実データは作業領域に格納され、推論手段が起動さ
れる。推論手段の各推論サイクルにおいては、以下の処
理が実行される。まず、ルール抽出処理部により、ルー
ル記憶手段に格納されたルール群と作業記憶手段に格納
されたデータ群が比較され、最適なルールが抽出され
る。次に、事例抽出処理部により、抽出されたルールの
条件部に記述された条件にマッチした条件が記述された
条件部を有する事例が事例記憶手段から抽出される。次
に、選択処理部により、それぞれ抽出されたルールと事
例の条件部に記述された条件を比較して、入力手段によ
って入力された事実データと類似度の高い一方が選択さ
れる。実行処理部では、選択されたルールの結論部また
は事例の結果部の手続きが実行される。

【００３２】このように、請求項２、９の発明では、ル
ール又は事例のうち、入力された事実データへの類似度
の高いいずれかが推論で用いられる。したがって、ルー
ルに補強例や例外が存在する場合も、これらの例を事例
として保持し推論に適用できるので、推論精度が向上す
る。また、ルール自体を修正することなく補強例や例外
を事例として保持できるので、推論システムの構成や保
守が容易になる。

【００３３】なお、推論が多段にわたるときは、一つの
ルール又は事例の結論部が次のルール又は事例を呼び出
すが、この場合は抽出から推論実行までの処理を１つの
サイクルとして段階ごとにこのサイクルを実行すればよ
い。すなわち、請求項２、９の発明は実行された手続き
が処理を中止する手続きでなければ、推論サイクルを繰
り返す。処理を中止する手続きであれば、推論サイクル
は終了する。このように、請求項２、９の発明は、多段
にわたる推論に適している。

【００３４】また、請求項３の発明は、請求項１又は２
記載の推論方法において、前記ルール抽出処理は、前記
ルール記憶処理で格納された各ルールの条件部に記述さ
れた条件と前記作業領域に格納された各データとを比較
して、各データと一致するルールを抽出する照合処理
と、前記照合処理で複数のルールが抽出された場合に、
所定の手法を用いて１つに絞り込む競合解消処理とを含
むことを特徴とする。

【００３５】請求項１０の発明は、請求項３の発明を装
置の観点から把握したものであって、請求項８又は９記
載の推論システムにおいて、さらに、ルール抽出処理部
は、（ｅ１１）ルール記憶手段に格納された各ルールの
条件部に記述された条件と作業領域に格納された各デー
タとを比較して、各データと一致するルールを抽出する
照合処理部と、（ｅ１２）照合処理部で複数のルールが
抽出された場合に、所定の手法を用いて１つに絞り込む
競合解消処理部とを備えることを特徴とする。

【００３６】請求項３、１０の発明によれば、照合処理
部により、知識ルール記憶手段に格納された各ルールと
作業領域に格納された各データの比較が行われ、各デー
タと一致するルールが抽出される。照合処理部で抽出さ
れたルールが複数ある場合には、競合解消処理部によ
り、所定の手法で１つのルールに絞り込まれる。

【００３７】また、請求項４の発明は、請求項１又は２
記載の推論方法において、前記各条件を構成する属性間
の重み付けや前記各条件と前記事実データとの所定の類
似度関数などの類似評価知識を格納する類似評価知識格
納処理を含み、前記選択処理の比較で用いられる類似度
は、前記条件をＰ、前記事実データをＱ、条件Ｐと事実
データＱとの類似度をｓｉｍ、条件Ｐの属性の数をｎ、
前記類似評価知識格納処理で格納された属性間の重み付
けをｗｔ_i （ｉ＝１〜ｎ）、前記類似評価知識格納処理
で格納された類似度関数をｓｉｍ_i （）（ｉ＝１〜ｎ）
とした場合に、

【数３】 を満たす値であることを特徴とする。

【００３８】請求項１１の発明は、請求項４の発明を装
置の観点から把握したものであって、請求項８又は９記
載の推論システムにおいて、さらに、各条件を構成する
属性間の重み付けや各条件と事実データとの所定の類似
度関数などの類似評価知識が格納された類似評価知識格
納手段を備え、選択処理部の比較で用いられる類似度
は、条件をＰ、事実データをＱ、条件Ｐと事実データＱ
との類似度をｓｉｍ、条件Ｐの属性の数をｎ、類似評価
知識格納手段に格納された属性間の重み付けをｗｔ
_i （ｉ＝１〜ｎ）、類似評価知識格納手段に格納された
類似度関数をｓｉｍ_i（）（ｉ＝１〜ｎ）とした場合
に、

【数４】 を満たす値であることを特徴とする。

【００３９】請求項４、１１の発明によれば、選択処理
部では、ルール抽出処理部で抽出されたルールと事例抽
出手段で抽出された事例とからいずれか一方を選択して
いるが、この選択は事実データとの類似度で比較して行
っている。類似度の計算は、類似評価知識格納手段に格
納された類似度関数ｓｉｍ_i （）が用いられている。

【００４０】すなわち、条件も事実データも同じいくつ
かの属性を含んでいる。そして、属性ごとに、類似度を
算出するための関数を定めておく。各関数は、担当する
属性について、条件側の属性値と、事実データ側の属性
値を、２つの引数としてとり、これら属性値間の類似度
を関数値として与える。各関数は対応する属性の性質に
応じて異なったものを用いてよい。また、属性ごとに、
類似度全体に影響する重要度に応じて、重みを定めてお
く。そして、属性ごとに、条件と事実データの各属性値
に基づいて関数によって類似度を算出し、属性ごとの類
似度と重みの積を合計すれば、条件と事実データの全体
の類似度が算出される。

【００４１】この結果、重みすなわち重要度が高い属性
の類似度ほど、全体の類似度に強い影響を与える。この
ように、請求項４、１１の発明では、属性ごとの類似度
は各関数によって、また、属性ごとの重要度は重みによ
ってそれぞれ調整できるので、条件と事実データ間の類
似度の判断基準の調整による推論精度の向上が容易であ
る。

【００４２】また、請求項５の発明は、請求項４記載の
推論方法において、前記推論処理でのサイクルごとの推
論処理の履歴を格納する推論履歴記憶処理と、前記推論
処理終了後に、前記推論履歴記憶処理で格納された推論
処理の履歴に従って前記推論処理を再実行させる再実行
処理と、前記再実行処理で行った推論処理の推論過程、
推論結果に対する専門家の評価を受け付ける評価入力処
理と、前記評価入力処理によって入力された専門家の評
価に基づいて、前記推論結果が正しいと評価された事例
（正事例）と誤りであると評価された事例（負事例）に
分類し、この評価結果と共に前記事実データを条件部、
前記推論結果を結果部とした事例として前記事例記憶処
理によって登録する事例登録処理とを含み、前記推論処
理は、各サイクルごとに推論処理の履歴を前記推論履歴
記憶処理によって格納する履歴格納処理を有することを
特徴とする。

【００４３】請求項１２の発明は、請求項５の発明を装
置の観点から把握したものであって、請求項１１記載の
推論システムにおいて、さらに、（ｆ）推論手段でのサ
イクルごとの推論処理の履歴が格納された推論履歴記憶
手段と、（ｇ）推論手段での推論処理終了後に、推論履
歴記憶手段に格納された推論処理の履歴に従って推論手
段での推論処理を再実行させる再実行手段と、（ｈ）再
実行手段で行った推論処理の推論過程、推論結果に対す
る専門家の評価を受け付ける評価入力手段と、（ｉ）評
価入力手段によって入力された専門家の評価に基づい
て、推論結果が正しいと評価された事例（正事例）と誤
りであると評価された事例（負事例）に分類し、この評
価結果と共に事実データを条件部、推論結果を結果部と
した事例として事例記憶手段に登録する事例登録手段と
を備え、推論手段は、各サイクルごとに推論処理の履歴
を推論履歴記憶手段に格納する履歴格納処理部を備える
ことを特徴とする。

【００４４】請求項５、１２の発明によれば、推論手段
での推論処理が終了すると、再実行手段により、推論履
歴記憶手段に格納された推論処理の履歴に従って推論手
段での推論処理が再実行される。そして、評価入力手段
によって、推論処理の推論過程、推論結果に対する専門
家の評価を受け付け、この専門家による評価から、正事
例、負事例が作成され、この評価結果と共に事例記憶手
段に登録される。この事例の登録によって、問題解決精
度が向上する。

【００４５】また、請求項６の発明は、請求項５記載の
推論方法において、前記評価入力処理によって入力され
た専門家の評価に基づいて、前記類似評価知識格納処理
で格納された類似評価知識を所定の手法で追加、変更す
る類似評価知識調整処理を含むことを特徴とする。

【００４６】請求項１３の発明は、請求項６の発明を装
置の観点から把握したものであって、請求項１２記載の
推論システムにおいて、さらに、評価入力手段によって
入力された専門家の評価に基づいて、類似評価知識格納
手段に格納された類似評価知識を所定の手法で追加、変
更する類似評価知識調整手段を備えることを特徴とす
る。

【００４７】請求項６、１３の発明によれば、類似評価
知識調整手段により、ルール・事例選択手段で正しい判
断が行われるように類似評価知識の調整が行われる。こ
の調整により、次回から、ルール、正事例、負事例の選
択が正しく行われるようになり、推論精度が向上する。

【００４８】また、請求項７の発明は、請求項５又は６
記載の推論方法において、前記類似評価知識格納処理で
格納された類似評価知識を参照しながら、前記事例記憶
処理で格納された各事例から新たなルールを作成し、作
成したルールを前記ルール記憶処理によって登録するル
ール登録処理を含むことを特徴とする。

【００４９】請求項１４の発明は、請求項７の発明を装
置の観点から把握したものであって、請求項１２又は１
３記載の推論システムにおいて、さらに、類似評価知識
格納手段に格納された類似評価知識を参照しながら、事
例記憶手段に格納された各事例から新たなルールを作成
し、作成したルールをルール記憶手段に登録するルール
登録手段を備えることを特徴とする。

【００５０】請求項７、１４の発明によれば、ルール登
録手段により、事例記憶手段に格納された各事例から新
たなルールが作成され、ルール記憶手段に登録される。
この学習過程により、ルール記憶手段が洗練化され、推
論解決精度が向上する。

【００５１】

【発明の実施の形態】次に、本発明の実施の形態（以
下、単に「実施形態」という）について図面にしたがっ
て具体的に説明する。なお、実施形態の各機能は、所定
のソフトウェアがコンピュータ及び周辺機器を制御する
ことで実現される。すなわち、本明細書では、発明及び
実施形態を、各機能や各処理に対応する仮想的回路ブロ
ック（「〜手段」や「〜部」など）を想定して説明して
いる。このため、各ブロックに対して、各ハードウェア
やソフトウェア要素は１対１には対応しない。

【００５２】実施形態を実現するためのコンピュータ
は、ＣＰＵ、ＲＡＭからなる主記憶装置の他に、典型的
には、キーボードやマウスなどの入力装置と、ハードデ
ィスク装置などの外部記憶装置と、ＣＲＴ表示装置やプ
リンタなどの出力装置と、必要な入出力制御回路を含
む。但し、コンピュータやＣＰＵの規模、数、形式は自
由で、例えば、コンピュータネットワーク、分散処理、
マルチタスクなどを自由に用い得る。また、トラックボ
ールやイメージスキャナなど他の入力装置や、フロッピ
ーディスク装置・光磁気ディスク装置・フラッシュメモ
リなど他の記憶装置や、液晶表示装置など他の出力装置
を用いてもよい。

【００５３】また、実施形態を実現するソフトウェアの
形式は、典型的には、ＯＳ上の応用ソフトウェアが考え
られ、また、高級言語やアセンブラからコンパイルされ
た機械語が考えられるが、本発明が実施できる限り、Ｏ
Ｓを用いない、ソフトウェアをインタプリタで実行する
など自由に変更し得る。また、ソフトウェアの格納態様
も自由で、例えば、ＲＯＭに格納しておいても、外部記
憶装置から一度に又は一部づつ読み込んでも、部分ごと
の格納態様が異なってもよい。また、処理の各ステップ
は、その性質に反しない限り、順序の変更や並行処理は
自由である。

【００５４】また、本明細書において「入力」とは、外
部からのみならずファイルなどからの入力を含み、本来
の入力のみならずエコーバックや修正・編集などを含
む。同様に、「出力」とは、外部へのみならずファイル
などへの出力を含み、本来の出力のみならず出力範囲の
指定などを含む。また、ユーザインタフェースの形式
も、対話形式、メニュー形式、グラフィカルユーザイン
タフェースやマルチウインドウなど自由である。なお、
対話的入出力手順によって入力と出力を一体的操作によ
って実現してもよく、このような一体的操作によって、
選択・指定・特定などの処理を行ってもよい。

【００５５】また、本明細書におけるデータの表現形式
やデータの格納手段の形式は自由で、例えば、データの
格納場所は内部記憶や外部記憶でもよく、ファイル形式
を用いるかも自由である。また、データは必要な間だけ
保持されれば十分でその後消滅してもよい。また、辞書
データのように当面変更されない情報はＲＯＭに格納し
てもよい。

【００５６】また、本明細書で明示せずとも、動作に必
要な一般的な情報やその格納領域、例えば、各種ポイン
タ、スタック、カウンタ、フラグ、パラメータ、ワーク
エリア、バッファなどが適宜用いられる。

【００５７】実施形態の各部分が処理に要する情報は、
特に記載がない場合、当該情報を保持している他の部分
から、当該情報を格納している変数やメモリへのアクセ
スによって獲得される。また、実施形態は、他のソフト
ウェアとともに又はその一部として実現したり、機能の
一部を電子回路に置き換えてもよい。

【００５８】以下、本発明の実施形態について添付図面
を参照しつつ説明する。

【００５９】［1.構成］本実施形態は、請求項８〜１４
に対応する推論システム及びこの推論システム上で実行
される推論方法（請求項１〜７に対応するもの）に関す
るものである。本実施形態の目的は、推論精度の優れた
推論方法及び推論システムを提供することである。ま
た、本実施形態の他の目的は、知識の獲得と利用を効果
的に行なう推論方法及び推論システムを提供することで
ある。

【００６０】図１は、本実施形態に係る推論システムの
構成を示すブロック図である。本実施形態の推論システ
ムは、推論処理部１０と、学習処理部２０と、データベ
ース・知識ベース群３０と、入出力部４０とを備えてい
る。

【００６１】推論処理部１０は、ルール照合部１１と、
事例検索部１２と、類似評価部１３と、ルール・事例選
択部１４と、実行処理部１５と、これら５つのモジュー
ルを制御する推論制御部１６から構成される。なお、事
例検索部１２、類似評価部１３、ルール・事例選択部１
４を競合解消部１７と呼ぶ。

【００６２】学習処理部２０は、ルール学習部２１と、
事例登録部２２と、類似評価知識調整部２３と、推論再
実行部２４と、推論評価部２５と、これら５つのモジュ
ールを制御する学習制御部２６とから構成されている。

【００６３】データベース・知識ベース群３０は、ルー
ルベース３１と、事例ベース３２と、類似評価知識ベー
ス３３と、作業メモリ３４と、推論履歴３５とを備えて
いる。ワークステーションなどの通常の計算機では、入
出力部４０には、ＣＲＴ端末などの表示装置４１や、キ
ーボード・マウスなどの入力装置４２などが接続されて
いる。場合によっては、入出力部４０を介して外部シス
テム５０が接続されていることもある。

【００６４】本実施形態のハードウェア構成を図２に示
す。本実施形態のハードウェア構成の内、ＣＰＵ６０と
主メモリ６１に格納された処理プログラムが、推論処理
部１０と学習処理部２０に対応し、ディスク装置６３
が、データベース・知識ベース群３０に対応し、端末６
４とキーボード・マウス６５が、入出力部４０に対応す
る。

【００６５】本実施形態の構成の内、ルール照合部１
１、実行処理部１５、推論制御部１０、ルール記憶部３
１、作業メモリ３４、及び入出力部４０については図２
１に示した従来例と同じ構成である。本実施形態が、図
２１に示した従来例と構成が異なるのは、従来例の競合
解消部１０２が、事例検索部１２、類似評価部１３、ル
ール・事例選択部１４に分解されている点と、事例ベー
ス３２、類似評価知識ベース３３、推論履歴３５が追加
されている点である。

【００６６】本実施形態では、推論のためのルールと事
例とを用意し、ルールはルールベース３１に、事例は事
例ベース３２に格納しておく。ルールは、推論を行うの
に必要な条件を一般的に記述した条件部とこの条件に対
応する結論を記述した結論部とを一組としたものであ
る。この場合は、結論は、推論の最終的結論のみなら
ず、他のルールや事例を呼び出すことを含む。また、事
例は、具体的な事例を表す条件を記述した条件部とこの
条件に対応する結果を記述した結果部とを一組としたも
のである。事例は、実際に存在した例を表すものでもよ
いし、結論が明らかな仮想の例に基づいて作成してもよ
い。

【００６７】すなわち、事例ベース３２には、推論事例
が格納されている。ここでいう推論事例とは、推論過程
の１ステップあるいは複数ステップの入力と出力、すな
わち、一連の推論ステップ開始時の具体的な値を持つ作
業記憶データ（前件部）と、推論過程での実行処理の記
述あるいは推論結果（後件部）をペアにしたものであ
る。

【００６８】従って、ある事例の入力記述が作業メモリ
３４に格納されていた時に、ルール照合部１１の処理に
よりマッチするルールを特定することができる。このよ
うに、ルール照合部１１の処理によって事例Ｃとマッチ
するルールＲが特定できた場合に、事例ＣがルールＲに
マッチしたというものとする。

【００６９】本実施形態では、事例ベース３２に格納さ
れた事例は、検索効率のためマッチするルールと対応付
けて格納されているものとする（必ずしもその必要はな
い）。ここでは、図３に示すような事例が格納されてい
るものとする。さらに、事例の結果記述が、事例のマッ
チするルールの実行部記述に一致するか否かで、正事例
と負事例に分類する。事例記憶部に格納された事例は、
正事例と負事例に分類されているものとする。

【００７０】［2.作用］ ［2-1.作用の概略］推論を開始させるには、まず、ユー
ザが推論の基礎となるデータを与える。典型的な入力デ
ータは、事実を表す事実データであるが、ユーザが行な
った途中までの推論結果を与えて、その先を推論させて
もよい。与えられた入力データ（事実データ）は所定の
作業領域に格納され、推論処理部１０が起動される。

【００７１】最も単純な推論の例は、与えられた入力デ
ータに対して単一のルール又は事例が適用されて、最終
的結論が得られる場合である。この場合、まず、入力デ
ータにマッチする条件を有するルールが抽出される。次
に、抽出されたルールに対応する事例が抽出される。こ
のように抽出されたルール及び事例については、入力デ
ータとの類似性が判断される。そして、ルール又は事例
のうち入力データとより類似度の高い条件を有するもの
が選択され、推論は選択されたルールの結論部又は事例
の結果部に基づいて行なわれる。

【００７２】例えば、入力データにマッチするルール
と、このルールに対応する事例が存在し、事例の結果が
ルールの結論と反対の場合、この事例はルールの例外を
表している。このときは、事実データはルールの条件に
属する場合でも、事例にそっくりならば、同じ例外とし
てルールと反対の結果を得るべきである。このように、
請求項１の発明では、ルール及び事例の双方に基づいて
推論が行なわれる。

【００７３】以下、本実施形態の処理を図４のフローチ
ャートに従って説明していく。

【００７４】［2-2.ルール抽出処理］まず、入力データ
にマッチする条件を有するルールが抽出される。本実施
形態では、プロダクション・システムと異なり、競合解
消部１７でインスタンシエーションが選択された後、す
ぐに実行処理部１５が起動されるのではなく、事例検索
部１２、類似評価部１３、ルール・事例選択部１４の一
連の処理を経た後、実行処理部１５が起動される。

【００７５】［2-3.事例抽出処理］事例検索部１２は、
選択されたインスタンシエーションのルールにマッチす
る事例を検索する（ステップ７２）。ここでは、予め事
例格納時にマッチするルールと対応付けて事例ベース３
２に格納してあるものとする。この方法では、事例検索
はルールＩＤに対応する事例群を事例ベース３２から読
み出せば良いので、検索処理は簡単に行え且つ効率が良
い。ただし、予め対応づけを行っておく必要があり、特
にルールが詳細化された際などに対応付けを更新する必
要がある。

【００７６】別の検索処理方法としては、ルールの条件
部と同じ検索事例を事例ベース３２の検索条件として使
用し、ルールが決まってから検索処理を行う方法であ
る。この方法は、検索効率が相対的に劣るので、ここで
は採用しない。

【００７７】本実施形態では、最も条件部の狭いルール
にマッチする事例を検索するものとする。例えば、図３
の問題入力に対してはルールＡが選択され、事例Ｃ１が
検索される。

【００７８】［2-4.類似度の評価処理］次に、類似評価
部１３により、入力された問題と、検索された個々のル
ール及び事例との間の類似性が評価される（ステップ７
３）。ここでは、類似性を類似度という数値で表現し、
類似度は以下のように定義されるとする（請求項４、１
１）。

【００７９】

【数５】 ここで、ｉは属性Ａ１…Ａｎに対応し、ｗｔ_i は属性間
の重み付け、ｓｉｍ_iは属性毎の問題値と事例値の類似
度定義である。いずれも、０〜１の範囲を取るものとす
る。

【００８０】すなわち、条件も事実データも同じいくつ
かの属性を含んでいる。そして、属性ごとに、類似度を
算出するための関数を定めておく。各関数は、担当する
属性について、条件側の属性値と、事実データ側の属性
値を、２つの引数としてとり、これら属性値間の類似度
を関数値として与える。各関数は対応する属性の性質に
応じて異なったものを用いてよい。また、属性ごとに、
類似度全体に影響する重要度に応じて、重みを定めてお
く。

【００８１】例えば、図５は、条件Ｐと事実データＱ間
における類似度の構成を示す概念図である。すなわち、
条件Ｐと事実データＱはそれぞれ属性Ａ_i （Ａ１〜Ａ
ｎ）を有し、各属性Ａ_i （Ａ１〜Ａｎ）は、それぞれ属
性の趣旨や形式に応じた属性値を有する。一組の属性間
には重みｗｔ_i と関数ｓｉｍ_i が設定されている。

【００８２】そして、属性ごとに、条件と事実データの
各属性値に基づいて関数によって類似度を算出し、属性
ごとの類似度と重みの積を合計すれば、条件と事実デー
タの全体の類似度が算出される。

【００８３】この結果、重みすなわち重要度が高い属性
の類似度ほど、全体の類似度に強い影響を与える。この
ように、本実施形態では、属性ごとの類似度は各関数に
よって、また、属性ごとの重要度は重みによってそれぞ
れ調整できるので、条件と事実データ間の類似度の判断
基準の調整による推論精度の向上が容易である。

【００８４】なお、ｄｉｓｔ_i （Ｐ，Ｑ）＝ｗｔ
_i （Ｐ）×（１−ｓｉｍ_i （Ｐ，Ｑ））として、

【数６】 を定義すると、これは類似度を距離に直したものにな
り、直観的に把握しやすいので、後の説明では両者を適
宜使い分ける。なお、属性間の重み付けは、各ルール毎
に異なった値を取ることができ、類似度定義は共通であ
るとする。

【００８５】類似評価知識ベース３３は、類似評価部１
３で用いる知識を格納している。図６に類似評価知識を
示す。

【００８６】［2-5.ルール・事例の選択処理］次に、ル
ール・事例選択部１４が、ルール又は事例のうち事実デ
ータとより類似度の高い条件を有するものを選択する。
図２１に示す従来例における競合解消部１０２が、ルー
ル間（正確にはインスタンシエーション間）の選択を行
うのに対し、本実施形態のルール・事例選択部１４は、
ルール（正確にはインスタンシエーション）および事例
の選択を行う（ステップ７４）。

【００８７】［2-6.実行処理］ルールが選択された場合
は、そのルールは実行処理部１５に渡され、実行処理部
１５でルールの実行部が実行される。事例が選択された
場合は、その結論部が実行処理部１５に渡され、実行さ
れる（ステップ７５）。この後は、ルール実行をＲＢＲ
（Ｒｕｌｅ−Ｂａｓｅｄ Ｒｅａｓｏｎｉｎｇ）実行、
事例の実行をＣＢＲ（Ｃａｓｅ−Ｂａｓｅｄ Ｒｅａｓ
ｏｎｉｎｇ）実行と呼ぶものとする。

【００８８】推論処理部１０は、以上に説明したような
一連の処理を一サイクルとし、必要なだけのサイクルを
繰り返すことによって推論を行なう（請求項２、９）。
ここで、図７は、複数のサイクルによって推論が行なわ
れる状態を示す概念図である。この図に示すように、事
実データから結論を得る推論過程は、各ルールＲ及び事
例Ｃを含む。ルールＲ／事例Ｃの中には、最終的な結論
（結果）を持っているものが存在し、推論がそのような
ルールＲ／事例Ｃに到達すると推論が終了する。

【００８９】サイクルを繰り返すとき、前のサイクルに
よって得られた中間的仮説などの処理結果は、作業領域
を通じて次のサイクルに渡され、次のサイクルにとって
は入力データとなる。

【００９０】推論にいくつのサイクルを要するかは入力
データによるが、典型的な場合は次のごとくである。例
えば、入力データが多数の項目を含み、推論の目的があ
る選択を行なうこととする。そして、この推論にいくつ
かのルール又は事例を用いるものとする。各ルール又は
事例の条件部は、入力データに含まれる項目の一部を含
む。ルール又は事例は第１の類型の動作と第２の類型の
動作を表す。

【００９１】第１の類型の動作は、条件判断の結果に応
じて、他のルール又は事例を呼び出すことである。これ
は、ある条件が成立又は不成立のとき、そのルール又は
事例だけでは結論が出ず、別のルール又は事例を呼び出
すことを意味する。このような呼び出しは、各ルール又
は事例をリスト形式で格納しておき、各ルール又は事例
の後ろ向きポインタに次のルール又は事例の格納領域の
先頭番地を設定することによって実現することができ
る。

【００９２】第２の類型の動作は、条件判断の結果に応
じて、結論が選択されることである。これは、ある条件
が成立又は不成立のとき、さらなる判断を要さずに結論
が選択できることを意味する。

【００９３】ルール又は事例は必ず条件を含むが、結論
部に第１又は第２の類型の動作のどちらが存在するか
は、ルール又は事例による。すなわち、あるルール又は
事例は、条件が成立のときも不成立のときも他のルール
又は事例を呼び出すだけかもしれない。また、別のルー
ル又は事例は、条件が成立のときも不成立のときも結論
を選択する。このようなルール又は事例は別のルール又
は事例を呼び出さない。また、他のルール又は事例は、
条件が成立のときは結論を選択するが、不成立ならば他
のルール又は事例を呼び出す。

【００９４】もちろん、あるルール又は事例が、判断の
ための一要素として他のルール又は事例を呼び出すこと
も考えられる。このような呼び出しは、コンピュータプ
ログラムにおいて、あるルーチンが、他のルーチンを関
数名で呼び出すことに似ている。このような呼び出しの
ときは、呼び出されたルール又は事例は一定の結論を出
すと、この結論と推論の制御とを呼び出したルール又は
事例に返す。また、論理が入れ子になった問題では、再
帰的呼び出しも効果的である。

【００９５】これら推論のサイクルの停止は様々に実現
できる。例えば、ルール又は事例（事例）の結論部にお
いて、結論の選択とともに必ず推論を終了を宣言する命
令を記述しておいてもよいし、推論のドライバの側で目
的とする結論が選択されたらサイクルを停止してもよ
い。さらに、時間切れ、推論が同じ経路でどうどう巡り
を始めたとき、など、サイクルの停止は自由に定義でき
る。

【００９６】すなわち、実行処理が完了すると、制御は
ルール照合部１１に戻り、以後、ルール照合（ステップ
７０）→競合解消（ステップ７２〜７４）→ルール実行
（ステップ７５）の推論サイクルが繰り返されることに
なる。このサイクルは、例えば、ルールの実行部または
事例の結論部に記述された推論停止命令が実行されるま
で（ステップ７６）、あるいは照合処理においてマッチ
するルールがなくなるまで（ステップ７１）繰り返され
る。

【００９７】以上のように、本実施形態では、与えられ
た入力データにマッチするルールと事例の双方が抽出さ
れ、ルール及び事例のどちらが入力データに類似するか
が判断される。そして、ルール又は事例のうち、入力デ
ータへの類似度の高いいずれかが推論で用いられる。し
たがって、ルールに補強例や例外が存在する場合も、こ
れらの例を事例として保持し推論に適用できるので、推
論精度が向上する。また、ルール自体を修正することな
く補強例や例外を事例として保持できるので、推論シス
テムの構成や保守が容易になる（請求項１、８）。

【００９８】［2-7.ルール／事例の選択基準］さて、ル
ール・事例選択部１４のルール・事例の選択基準は、ル
ールおよび事例がどのような目的で用いられているかに
よって異なる。ここでは、本実施形態が効果として狙っ
ている推論処理の洗練化に用いる場合について説明す
る。

【００９９】以下、事例かルールかの選択基準について
説明するが、そこで用いる用語を予め定義しておく。
「正事例」はルールＲに属する事例Ｃで、その後件部が
ルールＲの実行部と矛盾しない場合、Ｃを正事例と呼
び、＋ＣあるいはＣ＋Ｒと表す。「負事例」は、ルール
Ｒに属する事例Ｃで、その後件部がＲの実行部と矛盾す
る場合、Ｃを負事例と呼び、−ＣあるいはＣ−Ｒと表
す。また、問題ＰのマッチするルールＲに属す負事例−
ＣをＲの「競合負事例」と呼ぶ。「近傍」は、事例Ｃに
ついて以下のように定義する。

【０１００】

【数７】 すなわち、初期設定された閾値ｄ０または、最も類似し
た正事例との距離の最小値との小さい方を半径とする範
囲である。ここで、ｄ０は初期状態では、システムに共
通な値に設定しておいて良いが、後述するチューニング
過程で狭められる。

【０１０１】競合負事例が存在する場合としない場合で
選択基準は大きく異なる。以下の説明では、問題をＰと
し、問題ＰのマッチするルールをルールＲ（図ではＰを
直接囲む丸四角）、正事例を＋Ｃ、負事例を−Ｃなどと
する。

【０１０２】［2-7-1.競合負事例が存在しない場合］ま
ず、競合負事例が存在しない場合について説明する。

【０１０３】問題Ｐを近傍に含む負事例ＣがあればＣＢ
Ｒを選択する。そのような事例が複数存在すれば、最も
類似した負事例を用いる。それ以外の場合、ルールＲで
ＲＢＲ、または、正事例でＣＢＲを実行する。競合負事
例が存在しない場合のパターンについて図８（ａ）〜
（ｆ）を用いて説明する。いずれもルールＲまたはルー
ルｒを利用する。

【０１０４】即ち、図８（ａ）は問題Ｐのマッチするル
ールＲにマッチする事例が存在しない場合で、当然ルー
ルＲを利用することになる。図８（ｂ）は本質的に図８
（ａ）と同じであり、ルールＲを利用する。つまり、問
題ＰはルールｒでなくルールＲにマッチしているのであ
る。図８（ｃ）はＰに全く事例が存在しないので、実は
図８（ａ）と本質的に同じであり、ルールｒを利用す
る。単に外側のルール、つまり、より一般的なルールに
も事例が存在しないというだけである。

【０１０５】図８（ｄ）は問題ＰのマッチするルールＲ
にマッチする事例としては正事例のみが存在する場合
で、ルールＲを利用しても、最も類似した事例＋Ｃ１を
利用しても結論は同じであり、いずれでも良い。図８
（ｅ）はＰのマッチするルールＲに事例が存在しない場
合で、ルールＲが選択される。図８（ｅ）のようにルー
ルｒに正事例＋Ｃが存在しても、ルールＲにのみ関わる
Ｐには関係ない。なおＲと同じ結論を持つルールｒの負
事例が存在する場合は、後述する競合事例のある場合の
図８（ｅ），（ｆ）になる。

【０１０６】図８（ｆ）は問題ＰのマッチするルールＲ
の外側については、正事例が存在しようと負事例が存在
しようと無関係なことを示すもので、ルールｒが選択さ
れる。つまり、問題Ｐに全く事例が存在しないので、図
８（ａ）と本質的に同じである。

【０１０７】［2-7-2.競合負事例が存在する場合］次
に、競合負事例が存在する場合について説明する。

【０１０８】問題に十分類似した負事例が存在し、か
つ、最も類似した事例が負実施例ならば、ルール及び正
事例でなく、負事例を利用する。それ以外の場合、ルー
ルまたは正事例を利用する。つまり、負事例が存在して
も問題に十分類似していない場合や、十分に類似した負
事例が存在しても、さらに、類似した正事例が存在する
場合は、負事例を利用しない。

【０１０９】競合負事例が存在する場合のパターンにつ
いて図９（ａ）〜（ｆ）を用いて説明する。図９（ａ）
〜（ｃ），（ｆ）では負事例を、図９（ｄ），（ｅ）で
はルールまたは正事例を利用する。なお、いずれの場合
も、負事例は問題に十分類似しているとする。

【０１１０】図９（ａ）では、問題Ｐのマッチするルー
ルＲに十分類似した負事例が存在し、正事例よりも類似
しているので、負事例を利用する。ただし、問題Ｐは−
Ｃ１の近傍にあるものとする。図９（ｂ）では、正事例
はルールＲでなくルールｒにマッチするので、ルールｒ
にマッチする正事例は考慮しなくて良い。図９（ｃ）で
も、正事例はルールＲでなくルールｒにマッチするの
で、ルールｒにマッチする正事例は考慮しなくて良い。
従って、図９（ｃ）のように、たとえ正事例＋Ｃ２が負
事例−Ｃ１より類似していても、負事例−Ｃ１を利用す
る。

【０１１１】図９（ｄ）では、問題Ｐのマッチするルー
ルＲに十分類似した負事例が存在するが、正事例の方が
類似しているので、ルールまたは正事例を利用する。こ
こでは、負事例の近傍（負事例の適用範囲）が、正事例
により狭められていると考えても良い。

【０１１２】図９（ｅ）では、負事例はルールＲではな
くルールｒにマッチしているが、もしその実行部がルー
ルＲに等しければ、ルールＲにマッチするものとして考
慮に入れる。その考え方は、ルールｒの条件部が過大に
なっており、その結果、本来Ｒにマッチする事例を取り
込んでしまっているという考え方である。この場合、正
事例の方が類似しているので、ルールまたは正事例を利
用する（競合事例がない場合の図８（ｅ）参照）。な
お、負事例の実行部が、ルールＲにもｒにも一致してい
なければ、ｒのさらなる例外と考えて無視する。

【０１１３】図９（ｆ）は図９（ｅ）と類似している
が、正事例と負事例の距離が逆転しているので（負事例
の方が類似している）、負事例を利用する（競合事例が
ない場合の図８（ｅ）参照）。

【０１１４】以上で推論処理部１０の構成と動作の説明
が終了した。

【０１１５】［2-8.学習処理］次は学習処理部２０の構
成と動作について説明する。本実施形態の方式において
問題解決精度を向上させるためには以下の３つの方法が
ある。

【０１１６】第１の方法は、事例ベース３２を拡充する
方法である（事例登録部２２）。これは、システムの出
力に対する外部（専門家・シミュレータ）からの成功・
失敗のフィードバックを得て、正事例・負事例を生成
し、マッチするルールに対応付けて事例ベース３２に格
納する方法である。

【０１１７】第２の方法は、類似検索知識をチューニン
グする方法である（類似評価知識調整部２３）。これ
は、ルールと負事例の選択基準に問題と負事例・正事例
との類似度が含まれるので、類似度をチューニングする
ことによりルールと負事例の選択精度、ひいては精度を
向上させる方法である。

【０１１８】第３の方法は、ルールベース３１を洗練化
する方法である（ルール学習部２１）。この方法は、問
題分類ツリーの末端ノードを分岐させ、ツリーを成長さ
せる方法である。これは、ルールの条件部の洗練化に他
ならない。また、ＣＢＲの観点から見れば、事例のイン
デクシングの洗練化ととらえることもできる。

【０１１９】これらの方法を用いる場合、事例ベース３
２に格納された事例は、直接ＣＢＲで利用される他、類
似度のチューニングや問題分類ツリーの洗練化にも利用
される。なお、複数の事例からルールを学習させるアイ
デアは従来からもあったが、単に複数の事例からの帰納
学習を行うものが多く、そこでの記述属性の選択は課題
として残っている。本方式は、チューニングされた類似
性知識を用いて、この記述属性の選択をガイドできるも
のである。以下、各方法について順番に説明する。

【０１２０】［2-8-1.事例ベースの拡充］まず、第１の
方法である推論過程・推論結果の評価をフィードバック
して事例ベース３２を拡充する方法について説明する。

【０１２１】事例ベースの拡充では、推論でのサイクル
ごとの推論処理の履歴を記憶しておき、推論処理終了後
に、記憶した履歴に従って推論処理を再実行すなわち再
現し、再現された各過程での推論結果に対する評価を改
めて与える。各過程では、各推論結果を、正しいと評価
された事例（正事例）と誤りであると評価された事例
（負事例）に分類し、この評価結果と共に事実データを
条件部、推論結果を結果部とした事例として事例記憶手
段に登録する。この事例の登録によって、問題解決精度
は向上する（請求項５、１２）。

【０１２２】本実施形態において、知識を拡充する源は
システムの出力に対する外部、すなわち、専門家あるい
は同等の判断能力を有するシステム（例えばシミュレー
タ）からの成功・失敗のフィードバックである。この情
報から正事例・負事例を生成し、マッチするルールに対
応付けて事例ベース３２に格納する。

【０１２３】まず、最終解あるいは中間解に対する専門
家等からの成功・失敗の情報をフィードバックして、問
題解決の過程で実行された個々の洗練化モジュールの成
功・失敗を判断する。次に、個々の洗練化モジュールで
の問題解決でルールを利用したか負事例を利用したかに
よって、正事例または負事例を生成させる。

【０１２４】もし最終解が成功（正解）と判断されれ
ば、問題解決の過程で実行された全ての洗練化モジュー
ルが成功（正解）だったということになる。もし最終解
が失敗（不正解）だった場合は、問題解決過程をトレー
スし、失敗（不正解）モジュールを特定する必要があ
る。トレースの方法は、最終解から後向きに、問題入力
から前向きに、あるいは途中の怪しいモジュールから、
といった具合に様々な方法がある。また、正解情報のフ
ィードバックが人間（専門家）によってなされるか、或
いはシステム（シミュレータ等）によってなされるかに
よって判断が異なるので、状況によって使い分ける必要
がある。いずれにしても、失敗モジュールが特定された
ら、専門家等によって本来の正解を入力してもらう必要
がある。失敗モジュールに対する正解情報がなければ、
負事例は修正できず、ひいては、類似検索知識のチュー
ニングも、ルールベース３１の洗練化も行うことはでき
ない。

【０１２５】以下のようにして、正事例・負事例を生成
し、マッチしたルールに対応付けて事例ベースに格納す
る。事例の追加により、問題解決精度がどのように向上
するかについても述べる。図１０に、ルールＣの領域に
正事例・負事例が蓄積されていく様子を示す。

【０１２６】成功モジュールにおいて、ルールが利用さ
れていたら、正事例として登録する。正事例をマクロ的
に利用できるシステムでは、ルールを用いた場合に他の
モジュールで起こる可能性のある失敗をスキップするこ
とによる問題解決精度の向上が望める。

【０１２７】成功モジュールにおいて、負事例が利用さ
れていたら、負事例として登録する。同じ結論を導く負
事例の仲間が増えることにより、負事例を適用できる範
囲が明確化され、ルールと事例の選択精度の向上に寄与
できる。

【０１２８】失敗モジュールにおいて、ルールが利用さ
れていたら、負事例として登録する。例外状況が新たな
負事例として登録されることにより、次回はこの負事例
を用いた正しい問題解決を行えるようになる。

【０１２９】失敗モジュールにおいて、負事例が利用さ
れていたら、正解がルールの結論と同じなら、正事例と
して登録する。負事例の利用許可の閾値を小さくする。
すなわち、近傍を小さくすることにより、負事例の選択
利用の精度が高まる（近傍の定義は前述）。

【０１３０】正解がルールの結論と異なれば、負事例と
して登録する。登録されていた負事例とはまた異なる例
外状況が新たな負事例として登録されることになり、次
回はこの負事例を用いた正しい問題解決を行えるように
なる。

【０１３１】次に、ルール・事例の使い分けと事例拡充
による推論精度向上について包括的な具体例を提示す
る。ここでは、図１１に示す問題を次々に与え、問題解
決の都度、推論評価、推論再実行、事例登録を行う。そ
の結果、図１２〜図１６のように推論と事例の登録が行
われていく。

【０１３２】図１２では、問題Ｐ３を与えたときの推論
と事例登録を示す。問題が負事例Ｃ１の近傍に入り、他
に事例がないので、Ｃ１を用いてＣＢＲを実行する。す
なわち、Ｃ１にならって、「特殊チタン」との結論が提
示される。専門家はこの出力を正しいとみなしたとす
る。事例登録部２２により問題Ｐ３は負事例−Ｃ３とし
て登録される。

【０１３３】図１３では、問題Ｐ４を与えたときの推論
と事例登録を示す。問題が負事例Ｃ１の近傍に入り、他
に事例がないので、Ｃ１を用いてＣＢＲを実行する。す
なわち、Ｃ１にならって、「特殊チタン」との結論が提
示される。専門家はこの出力を誤りと判断して、正解は
「チタン」だと指摘したとする。この正解はルールＣと
同じなので、ルールＣの正事例として事例登録される。
その結果、負事例−Ｃ１の近傍は＋Ｃ４を排除するのに
最小限必要な大きさに縮小される。

【０１３４】図１４では、問題Ｐ５を与えたときの推論
と事例登録を示す。また同様にＰ６，Ｐ７も与えられ、
事例登録されている。これらを近傍に含むような負事例
はないので、いずれの場合もルールＣが利用され、「チ
タン」と結論される。しかも専門家はその結果を正しい
と判断したので、これらの問題はいずれも正事例として
登録される。

【０１３５】図１５では、問題Ｐ８を与えたときの推論
と事例登録を示す。近傍の負事例がないので、ルールＣ
を用いて「チタン」と提示される。しかし、専門家はこ
の結論を誤りとみなし、正解は「特殊チタン」との訂正
を受けた。これはルールＣの結論に反するので、問題Ｐ
８はルールＣの負事例として登録される。

【０１３６】図１６では、問題Ｐ９を与えたときの推論
と事例登録を示す。問題が負事例Ｃ３の近傍に入り、他
に事例がないので、Ｃ３を用いてＣＢＲを実行する。す
なわち、Ｃ３にならって「特殊チタン」との結論が提示
される。しかし、専門家はこの結論を誤りとみなし、正
解は「クロムモリブテン」との訂正を受けた。これはル
ールＣの結論に反するので、問題Ｐ９はルールＣの負事
例として登録される。また、この結論はＣ３の結論とも
異なるので、Ｃ３とＣ９の近傍は、それぞれを排他する
大きさに縮小される。以上の一連の問題解決と事例登録
の結果、図１０（ｂ）に示すような状態になる。

【０１３７】［2-8-2.類似度知識の調整］次に、第２の
方法である類似評価知識調整部２３の行う類似評価知識
のチューニングについて説明する。類似評価知識のチュ
ーニングは、失敗ステップにおいて、同じ問題が与えら
れた時に次回は成功するように、類似度知識を変更する
処理である。

【０１３８】類似評価知識のチューニングでは、推論の
各過程において、当該過程での推論結果に対する評価に
基づいて、類似評価の基準となる知識が調整される。こ
のため、同様の問題が次回与えられた場合に、ルール、
正事例、負事例の選択が正しく行われるようになり、推
論精度が向上する（請求項６、１３）。

【０１３９】前述のように、本実施形態では、類似度は
以下のように定義される。

【０１４０】

【数８】 ここで、ｗｔ_i は、ルールごとに定義される属性間の重
み付け、ｓｉｍ_i はシステム全体で共通の属性ごとの問
題値と事例値の類似度定義である。チューニング対象と
しては、重みｗｔ_i と類似度定義が考えられるが、重み
をルールごとに定義するのと同じ理由（前述）でチュー
ニング対象は重みのみとする。

【０１４１】チューニングの方法について図１７の具体
例を用いて説明する。図１７（ａ）はチューニング前の
状態、図１７（ｂ）はチューニング後の状態を表してい
る。図１７（ａ）では、問題Ｐは正事例＋Ｃ１より負事
例−Ｃ２の方に近い（類似度が大きい）ので、負事例を
用いてＣＢＲが行われる。しかし実際には、ルールを用
いるべきだったとしよう。つまり、類似度知識が誤って
いたために、負事例−Ｃ２の利用を正事例＋Ｃ１で排除
できなかったのである。そこで、少なくとも、

【数９】 すなわち、

【数１０】 となるように、重みを調整する。例えば、図１７（ａ）
で１：１だった重みを図１５（ｂ）のように１：３にす
ると、図１７（ｂ）の重み付き座標軸で示すように、距
離関係（類似関係）が逆転する。その結果、次回から
は、−Ｃ２ではなく＋Ｃ１が正しく選択される。

【０１４２】数値計算の方法としてはいろいろなものが
考えられる。例えば、特願平４−１４７５２８（類似情
報検索装置、服部）が存在する。また、特願平５−６５
７２５（類似検索装置、田中）では、属性別類似度の調
整が提案されているが、同様の手法を属性間重要度の調
整に用いることができる。この従来技術では、前記数式
７、８のような事例間の距離関係を制約条件とし、現在
値からの変化分を最小とするような線形計画法として、
計算を定式化し、類似度（重要度）調整問題を、線形問
題を解くことに帰着させている。

【０１４３】［2-8-3.新規ルールの学習］次に、第３の
方法であるルール学習部２１による新規ルールの学習に
ついて説明する。

【０１４４】新規ルールの学習では、相互に類似する事
例のグループに基づいて新たなルールが作成されるの
で、推論に用いられるルールが洗練化され、推論解決精
度が向上する（請求項７、１４）。

【０１４５】ユーザとの対話のない自動学習とユーザと
の対話のある知識獲得とを行った結果、図１８及び図１
９に示すように、学習前のルールＣが洗練化されて、例
外事例群を中心にルールＤが形成された。以前、負事例
だった事例のうち結論がＤのものは、新たに学習された
ルールＤに対しては正事例になることに注意されたい。
図２０は、図１９のベン図に対応するルールベースの内
容の一例を、問題分類ツリーで表す図である。この図に
おいて、ｘは流体温度を、ｙは流体圧力に対応する。

【０１４６】なお、結論が「特殊チタン」の事例Ｃ９
は、新ルールＤに対しても負事例となっている。事例が
充実してくれば、ルールＤがさらに詳細化されルールＥ
が形成されるかも知れない。このように、負事例を核と
して、より詳細化されたルールが形成され、ルールベー
スが洗練化されていく。

【０１４７】このような詳細化の具体的な一類型とし
て、大量に事例が蓄積されている場合は、帰納学習アル
ゴリズムを用いて自動学習を行うことができる。帰納学
習とは、問題と結果のペアである多数の訓練例から、そ
れらに共通して成立する法則性を抽出し、表現するもの
である。訓練例、法則性、学習過程にいくつかのバリエ
ーションが存在する。

【０１４８】本出願では、訓練例（ｔｒａｉｎｉｎｇ
ｅｘａｍｐｌｅ）として、問題部が複数の属性−値の組
で表現され、結果が１つの属性−値の組で表現されるも
のを考える。図３に示した事例が、すなわち、訓練例に
なり得る。ここで、推論文脈、流体温度、流体圧力、配
管口径が問題の属性であり、バルブ材質が結果の属性で
ある。また、図１１の問題群は、バルブ材質の正解情報
が与えられれば、訓練例となり得る。

【０１４９】帰納学習アルゴリズムにはいくつかのバリ
エーションがあるが、原形はいわゆるＩＤ３（参考文
献：J.R.Quinlan, "Introduction of Decision Trees",
Machine Learning Vol.1, No.1, pp.81-106, 1986）で
あるが、その後いくつかの改良がなされ、本発明に適用
できるアルゴリズムで最も完成度の高いものはＣ４．５
（参考文献：J.R.Quinlan, "C4.5: Programs for Machi
ne Learning", Morgan Kaufmann Publishers, 1993）で
ある。これらのアルゴリズムでは、学習結果は決定木(d
ecision tree) の形で表現される。これは、各ノードが
テストになっており、新たな問題の適用では、テスト結
果にしたがって枝を辿って末端ノードに達すると、そこ
に正解が記述されているものである。

【０１５０】決定木は、末端ノード(leaf node) から根
ノード(root node) に向かってテストを集めていくと、
末端ノードと同数のIf-then ルールを抽出できることが
知られている。本発明では、帰納学習結果からこのよう
にして抽出した、図１８に示す形式のIf-then ルールを
利用しようとするものである。但し、ルール独自の文法
への適合と、実行部第１行の推論文脈の修正など、帰納
学習結果に別途追加すべき情報も必要であるが、これは
細部であるので、ここでは詳述しない。

【０１５１】しかし、少数の事例しか蓄積されていない
場合は、専門家へのインタビューを含む対話的な知識獲
得を行うか、対象ドメインの背景（モデル）を利用した
推論を併用して演繹的にルールを学習する必要がある。

【０１５２】前者のインタビューに基づく知識獲得手法
としては、さまざまなものが提案されており、決定版と
いうべき手法は存在しない。むしろ、個々の対象ドメイ
ンや問題タスクに合わせたシステム構築が必要である。
本発明での実施形態の場合、工業分野の分類型問題であ
り、例えば、次のような手法が考えられる。

【０１５３】まず、ルール洗練化(refinement)の対象と
して、図１６のルールＣが選択されたとする。このよう
な洗練化対象のルールは、ある程度事例が蓄積されたも
の、特に負事例が蓄積されたものから、ユーザである専
門家に選ばせるのが適切であろう（システム側で選択す
ることもできよう）。次に、選択されたルール記述その
ものを（例えば図１８の形式で）表示すると共に、その
条件部にマッチする事例Ｃ１〜Ｃ９を、専門家が理解し
やすい形式で、表示する。最後に、専門家は、ルール記
述と実際に発生した事例を見比べ、ルールの修正、分
割、別ルールとの併合などの洗練化を行なう。このよう
なアプローチを具体化した手法で、本提案の枠組にフィ
ットするものとして、本出願人による「推論装置」（特
願平４−１３０９７５）が存在する。

【０１５４】演繹的な学習方式としては、説明ベース学
習(explanation-based learning)を利用することが可能
である（参考文献：T.M.Mitchell et al, "Explanation
-Based Generalization: A Unifying View", Machine L
earning, Vol.1, No.1, pp.47-80, 1986）。

【０１５５】これは、対象分野において成り立つ規則の
集合（背景理論、domain theory という）をあらかじめ
用意しておき、事例が与えられたときに、なぜその事例
が成り立つかを背景理論を用いて演繹的に説明する。そ
の説明構造、すなわち利用した領域理論の規則の木構造
を利用して、与えられた事例を正当づけるような一般規
則を学習するものである。例えば、本実施例で、流体温
度、流体圧力、配管口径、バルブ材質の間に何か規則性
があり、それが領域理論として明確になっていれば、説
明ベース学習が使えるであろう。例えば、図１９におい
て、なぜＣ９が負事例なのかを説明できれば、そこから
説明ベース学習により、Ｃ９を正当づけられるようなル
ールの学習が可能である。

【０１５６】いずれにしても、類似度のチューニングの
結果を有効利用することが大切である。すなわち、ルー
ルの詳細化に利用できる属性は、その洗練化モジュール
の起動時に判明している全ての情報ということになる
が、実際には状況の弁別に寄与しない属性がほとんどで
ある。どの属性が重要かは、類似度知識のチューニング
の過程で重要度として現れてくるので、これを利用す
る。つまり、重要度の大きい属性のみを記述属性として
帰納学習を行なったり、重要度の大きい属性についての
条件から専門家にインタビューしていくなどの手法が考
えられる。

【０１５７】上述の方法は、考え得る全ての属性群から
出発して絞り込みを行うことを前提としているが、関係
のありそうな属性が分かっている場合には、予め絞り込
んでおく方がチューニングにおける手間が省ける（数値
計算での変数の個数が減る）。しかし、このようなアプ
ローチを取った場合、チューニング計算において解なし
となる場合もあり得る。これは、無関係と思っていた属
性が、例外状況の記述において必要であることを表して
おり、記述属性を追加して再計算する必要がある。な
お、場合によっては、洗練化モジュールへの問題入力の
属性の組み合わせだけでは状況をうまく表現できない場
合もあるが、このような場合には、まったく異なった観
点の属性を追加する必要がある。

【０１５８】［3.他の実施の形態］本発明は、上記の実
施形態に限定されるものではなく、実施態様の変更は自
由であるから、次に例示するような他の実施形態をも包
含するものである。例えば、ルール及び事例の表現形式
は、上記実施形態に示したものには限定されず、自由に
定めうる。また、事実データにマッチするルールや、こ
のルールに対応する事例を抽出する基準は、条件の一部
が一致するものには限定されず、例えば、条件が類似す
るものを抽出したり、抽出の際一致すべき条件の程度を
状況に応じて変動させるなど、自由に定めうる。

【０１５９】また、実施が推論のみを目的とし、知識の
蓄積を目的としない場合には、学習処理部は必ずしも設
けなくともよい。本明細書において「専門家の評価」と
いうときは、あるべき評価すなわち正解を意味し、狭義
の人間の専門家による評価には限定されず、外部システ
ムによる判断や専門家でないユーザの判断などを広く含
む。

【０１６０】

【発明の効果】本発明の推論方法及び推論システムであ
れば、ルールでは表現しきれない微妙な判断を要するノ
ウハウをシステムに取り込むことができ、推論精度が向
上する。また、既に獲得されたルールとの整合性を保っ
たまま事例を管理することができる。さらに、事例を直
接推論に利用し、事例群からアプローチを生成しなくて
も推論精度を向上させることができる。さらにまた、Ｃ
ＢＲ（Ｃａｓｅ−Ｂａｓｅｄ Ｒｅａｓｏｎｉｎｇ）の
仕組みをプロダクション・システムに容易に組み込める
といった大きな効果がある。

【図面の簡単な説明】

【図１】本発明の実施の形態の推論システムのモジュー
ル構成を示すブロック図である。

【図２】本発明の実施の形態の推論システムを実施する
ための標準的なハードウェア構成を示すブロック図であ
る。

【図３】本発明の実施の形態の推論システムにおいて、
事例ベースの内容の具体例を示す図である。

【図４】本発明の実施の形態の推論システムにおいて、
処理の流れを示すフローチャートである。

【図５】本発明の実施の形態の推論システムにおいて、
条件Ｐと事実データＱ間における類似度の構成を示す概
念図である。

【図６】本発明の実施の形態の推論システムにおいて、
類似評価知識の具体例を示す図である。

【図７】本発明の実施の形態の推論システムにおいて、
複数のサイクルによって推論が行なわれる状態を示す概
念図である。

【図８】本発明の実施の形態の推論システムにおいて、
ルールと事例の選択基準（競合負事例が存在しない場
合）を示す図である。

【図９】本発明の実施の形態の推論システムにおいて、
ルールと事例の選択基準（競合負事例が存在する場合）
を示す図である。

【図１０】本発明の実施の形態の推論システムにおい
て、事例ベースの拡充過程の具体例を示す図である。

【図１１】本発明の実施の形態の推論システムにおい
て、問題Ｐ３〜Ｐ９の具体的な属性を示す図である。

【図１２】本発明の実施の形態の推論システムにおい
て、問題Ｐ３の処理と事例登録を示す図である。

【図１３】本発明の実施の形態の推論システムにおい
て、問題Ｐ４の処理と事例登録を示す図である。

【図１４】本発明の実施の形態の推論システムにおい
て、問題Ｐ５〜Ｐ７の処理と事例登録を示す図である。

【図１５】本発明の実施の形態の推論システムにおい
て、問題Ｐ８の処理と事例登録を示す図である。

【図１６】本発明の実施の形態の推論システムにおい
て、問題Ｐ９の処理と事例登録を示す図である。

【図１７】本発明の実施の形態の推論システムにおい
て、類似度知識のチューニング処理を示す図である。

【図１８】本発明の実施の形態の推論システムにおい
て、学習後のルールベースの内容を示す図である。

【図１９】本発明の実施の形態の推論システムにおい
て、学習後のルールベースのベン図表現を示す図であ
る。

【図２０】本発明の実施の形態の推論システムにおい
て、図１９のベン図に対応するルールベースの内容の一
例を、問題分類ツリーで表す図である。

【図２１】従来例に係る推論システムのモジュール構成
を示すブロック図である。

【図２２】従来の推論システムにおいて、問題入力後の
作業メモリの内容を示す図である。

【図２３】従来の推論システムにおいて、ルールベース
の具体例を示す図である。

【図２４】従来の推論システムにおいて、ルールベース
のベン図表現を示す図である。

【図２５】従来の推論システムにおいて、図２４のベン
図に対応するルールベースの内容の一例を、問題分類ツ
リーで表す図である。

【図２６】従来のプロダクション・システムの処理の流
れを示すフローチャートである。

【図２７】従来の推論システムにおいて、競合集合の具
体例を示す図である。

【図２８】従来の推論システムにおいて、ルールＡ実行
後の作業メモリの内容の具体例を示す図である。

【符号の説明】

１０…推論処理部 １１…ルール照合部 １２…事例検索部 １３…類似評価部 １４…ルール・事例選択部 １５…実行処理部 １６…推論制御部 １７…競合解消部 ２０…学習処理部 ２１…ルール学習部 ２２…事例登録部 ２３…類似評価知識調整部 ２４…推論再実行部 ２５…推論評価部 ２６…学習制御部 ３０…データベース・知識ベース群 ３１…ルールベース ３２…事例ベース ３３…類似評価知識ベース ３４…作業メモリ ３５…推論履歴 ４０…入出力部 ４１…表示装置 ４２…入力装置 ５０…外部システム ６０…ＣＰＵ ６１…主メモリ ６２…バス ６３…ディスク装置 ６４…端末 ６５…キーボード・マウス

Claims (14)

【特許請求の範囲】
1. 【請求項１】 推論を行うのに必要な条件を一般的に記
   述した条件部とこの条件に対応する結論を記述した結論
   部とを一組としたルールと、 具体的な事例を表す条件を記述した条件部とこの条件に
   対応する結果を記述した結果部とを一組とした事例と、 を用いて推論を行なう推論方法において、 与えられた入力データにマッチする条件を有する前記ル
   ールを抽出するルール抽出処理と、 抽出されたルールに対応する前記事例を抽出する事例抽
   出処理と、 このように抽出された前記ルール及び前記事例につい
   て、前記入力データとの類似性を評価する評価処理と、 前記ルール又は前記事例のうち、前記入力データとより
   前記類似度の高い条件を有するものを選択する選択処理
   と、 選択された前記ルールの結論部又は前記事例の結果部に
   基づいて推論を実行する実行処理と、 を含むことを特徴とする推論方法。
2. 【請求項２】 推論を行うのに必要な条件を記述した条
   件部とこの条件に対して専門家が判断した結論の手続き
   を記述した結論部とを一組としたルールを複数組格納す
   るルール記憶処理と、 具体的な事例で用いた条件を記述した条件部とこの条件
   で実際に実行した結果の手続きを記述した結果部とを一
   組とした事例を複数組格納する事例記憶処理と、 を含み、 入力処理によって入力された問題データ、推論過程で生
   じた仮説データなどのデータを一時的に格納する作業領
   域を用い、 利用者が入力した事実データを受け付けて、前記作業領
   域に格納する入力処理と、 前記作業領域に格納された各データから前記ルール記憶
   処理で格納されたルール又は前記事例記憶処理で格納さ
   れた事例を選択し、選択したルールの結論部又は事例の
   結果部の手続きを実行する処理を１サイクルとして、処
   理を停止させる手続きを実行するまでサイクルを繰り返
   す推論処理とを含み、 前記推論処理の１サイクルの処理は、 前記作業領域に格納された各データと前記ルール記憶処
   理で格納された各ルールの条件部に記述された条件とを
   比較して最適なルールを抽出するルール抽出処理と、 前記ルール抽出処理で抽出されたルールの条件部に記述
   された条件と少なくとも部分的に一致する条件が記述さ
   れた条件部を有する事例を、前記事例記憶処理で格納さ
   れた事例から抽出する事例抽出処理と、 前記ルール抽出処理で抽出されたルールと前記事例抽出
   処理で抽出された事例とのそれぞれの条件部に記述され
   た条件を比較して、前記入力処理によって入力された事
   実データと類似度の高い一方を選択する選択処理と、 前記選択処理で選択されたルールの結論部又は事例の結
   果部の手続きを実行する実行処理と、を含むことを特徴
   とする推論方法。
3. 【請求項３】 前記ルール抽出処理は、 前記ルール記憶処理で格納された各ルールの条件部に記
   述された条件と前記作業領域に格納された各データとを
   比較して、各データと一致するルールを抽出する照合処
   理と、 前記照合処理で複数のルールが抽出された場合に、所定
   の手法を用いて１つに絞り込む競合解消処理とを含むこ
   とを特徴とする請求項１又は２記載の推論方法。
4. 【請求項４】 前記各条件を構成する属性間の重み付け
   や前記各条件と前記事実データとの所定の類似度関数な
   どの類似評価知識を格納する類似評価知識格納処理を含
   み、 前記選択処理の比較で用いられる類似度は、 前記条件をＰ、前記事実データをＱ、条件Ｐと事実デー
   タＱとの類似度をｓｉｍ、条件Ｐの属性の数をｎ、前記
   類似評価知識格納処理で格納された属性間の重み付けを
   ｗｔ_i （ｉ＝１〜ｎ）、前記類似評価知識格納処理で格
   納された類似度関数をｓｉｍ_i （）（ｉ＝１〜ｎ）とし
   た場合に、 【数１】 を満たす値であることを特徴とする請求項１又は２記載
   の推論方法。
5. 【請求項５】 前記推論処理でのサイクルごとの推論処
   理の履歴を格納する推論履歴記憶処理と、 前記推論処理終了後に、前記推論履歴記憶処理で格納さ
   れた推論処理の履歴に従って前記推論処理を再実行させ
   る再実行処理と、 前記再実行処理で行った推論処理の推論過程、推論結果
   に対する専門家の評価を受け付ける評価入力処理と、 前記評価入力処理によって入力された専門家の評価に基
   づいて、前記推論結果が正しいと評価された事例（正事
   例）と誤りであると評価された事例（負事例）に分類
   し、この評価結果と共に前記事実データを条件部、前記
   推論結果を結果部とした事例として前記事例記憶処理に
   よって登録する事例登録処理とを含み、 前記推論処理は、各サイクルごとに推論処理の履歴を前
   記推論履歴記憶処理によって格納する履歴格納処理を有
   することを特徴とする請求項４記載の推論方法。
6. 【請求項６】 前記評価入力処理によって入力された専
   門家の評価に基づいて、前記類似評価知識格納処理で格
   納された類似評価知識を所定の手法で追加、変更する類
   似評価知識調整処理を含むことを特徴とする請求項５記
   載の推論方法。
7. 【請求項７】 前記類似評価知識格納処理で格納された
   類似評価知識を参照しながら、前記事例記憶処理で格納
   された各事例から新たなルールを作成し、作成したルー
   ルを前記ルール記憶処理によって登録するルール登録処
   理を含むことを特徴とする請求項５又は６記載の推論方
   法。
8. 【請求項８】 推論を行うのに必要な条件を一般的に記
   述した条件部とこの条件に対応する結論を記述した結論
   部とを一組としたルールと、 具体的な事例を表す条件を記述した条件部とこの条件に
   対応する結果を記述した結果部とを一組とした事例と、 を用いて推論を行なう推論システムにおいて、 与えられた入力データにマッチする条件を有する前記ル
   ールを抽出するルール抽出手段と、 抽出されたルールに対応する前記事例を抽出する事例抽
   出手段と、 このように抽出された前記ルール及び前記事例につい
   て、前記入力データとの類似性を評価する評価手段と、 前記ルール又は前記事例のうち、前記入力データとより
   前記類似度の高い条件を有するものを選択する選択手段
   と、 選択された前記ルールの結論部又は前記事例の結果部に
   基づいて推論を実行する実行手段と、 を有することを特徴とする推論システム。
9. 【請求項９】 推論を行うのに必要な条件を記述した条
   件部とこの条件に対して専門家が判断した結論の手続き
   を記述した結論部とを一組としたルールが複数組格納さ
   れたルール記憶手段と、 具体的な事例で用いた条件を記述した条件部とこの条件
   で実際に実行した結果の手続きを記述した結果部とを一
   組とした事例が複数組格納された事例記憶手段と、 入力手段によって入力された問題データ、推論過程で生
   じた仮説データなどのデータを一時的に格納する作業領
   域と、 利用者が入力した事実データを受け付けて、前記作業領
   域に格納する入力手段と、 前記作業領域に格納された各データから前記ルール記憶
   手段に格納されたルール又は前記事例記憶手段に格納さ
   れた事例を選択し、選択したルールの結論部又は事例の
   結果部の手続きを実行する処理を１サイクルとして、処
   理を停止させる手続きを実行するまでサイクルを繰り返
   す推論手段とを備え、 前記推論手段の１サイクルの処理は、 前記作業領域に格納された各データと前記ルール記憶手
   段に格納された各ルールの条件部に記述された条件とを
   比較して最適なルールを抽出するルール抽出処理部と、 前記ルール抽出処理部で抽出されたルールの条件部に記
   述された条件と少なくとも部分的に一致する条件が記述
   された条件部を有する事例を前記事例記憶手段から抽出
   する事例抽出処理部と、 前記ルール抽出処理部で抽出されたルールと前記事例抽
   出処理部で抽出された事例とのそれぞれの条件部に記述
   された条件を比較して、前記入力手段によって入力され
   た事実データと類似度の高い一方を選択する選択処理部
   と、 前記選択処理部で選択されたルールの結論部又は事例の
   結果部の手続きを実行する実行処理部とを備えることを
   特徴とする推論システム。
10. 【請求項１０】 前記ルール抽出処理部は、 前記ルール記憶手段に格納された各ルールの条件部に記
    述された条件と前記作業領域に格納された各データとを
    比較して、各データと一致するルールを抽出する照合処
    理部と、 前記照合処理部で複数のルールが抽出された場合に、所
    定の手法を用いて１つに絞り込む競合解消処理部とを備
    えることを特徴とする請求項８又は９記載の推論システ
    ム。
11. 【請求項１１】 前記各条件を構成する属性間の重み付
    けや前記各条件と前記事実データとの所定の類似度関数
    などの類似評価知識が格納された類似評価知識格納手段
    を備え、 前記選択処理部の比較で用いられる類似度は、 前記条件をＰ、前記事実データをＱ、条件Ｐと事実デー
    タＱとの類似度をｓｉｍ、条件Ｐの属性の数をｎ、前記
    類似評価知識格納手段に格納された属性間の重み付けを
    ｗｔ_i （ｉ＝１〜ｎ）、前記類似評価知識格納手段に格
    納された類似度関数をｓｉｍ_i （）（ｉ＝１〜ｎ）とし
    た場合に、 【数２】 を満たす値であることを特徴とする請求項８又は９記載
    の推論システム。
12. 【請求項１２】 前記推論手段でのサイクルごとの推論
    処理の履歴が格納された推論履歴記憶手段と、 前記推論手段での推論処理終了後に、前記推論履歴記憶
    手段に格納された推論処理の履歴に従って前記推論手段
    での推論処理を再実行させる再実行手段と、 前記再実行手段で行った推論処理の推論過程、推論結果
    に対する専門家の評価を受け付ける評価入力手段と、 前記評価入力手段によって入力された専門家の評価に基
    づいて、前記推論結果が正しいと評価された事例（正事
    例）と誤りであると評価された事例（負事例）に分類
    し、この評価結果と共に前記事実データを条件部、前記
    推論結果を結果部とした事例として前記事例記憶手段に
    登録する事例登録手段とを備え、 前記推論手段は、各サイクルごとに推論処理の履歴を前
    記推論履歴記憶手段に格納する履歴格納処理部を備える
    ことを特徴とする請求項１１記載の推論システム。
13. 【請求項１３】 前記評価入力手段によって入力された
    専門家の評価に基づいて、前記類似評価知識格納手段に
    格納された類似評価知識を所定の手法で追加、変更する
    類似評価知識調整手段を備えることを特徴とする請求項
    １２記載の推論システム。
14. 【請求項１４】 前記類似評価知識格納手段に格納され
    た類似評価知識を参照しながら、前記事例記憶手段に格
    納された各事例から新たなルールを作成し、作成したル
    ールを前記ルール記憶手段に登録するルール登録手段を
    備えることを特徴とする請求項１２又は１３記載の推論
    システム。