基于案例的推理（CBR）是人工智能的一个子领域，它通过参考先前遇到的情境（即“案例”）库来解决新问题。CBR系统并非从抽象规则或统计模式中推导答案，而是检索最相似的过往案例，调整其解决方案以适应当前问题，然后将新经验存储起来供未来使用。这种方法模仿了人类解决问题的过程，人们往往依赖对特定过往事件的记忆，而非第一性原理。
该方法在1980年代末和1990年代初获得 prominence，主要得益于Roger Schank和Janet Kolodner等研究者在Xerox PARC及其他机构的工作。Schank的动态记忆理论认为人类记忆围绕情节性经验组织，为CBR提供了认知基础。Kolodner在1993年出版的著作《基于案例的推理》成为标准参考，该领域的年度国际基于案例的推理会议（ICCBR）自1995年起每年举办。
CBR循环
标准CBR系统通过四步循环运作，通常缩写为“4R”过程：检索（Retrieve）、重用（Reuse）、修订（Revise）和保留（Retain）。
- 检索：给定新问题描述，系统在案例库中搜索具有相似特征的案例。相似性通常通过加权特征匹配计算，其中案例的每个属性（例如患者的症状或机器的错误代码）与新问题的对应属性进行比较。欧氏距离或余弦相似度等距离度量很常见，索引方案有助于缩小搜索范围。
- 重用：检索到的案例的解决方案被转移到新问题。在简单系统中，这可能是直接复制。在更复杂的系统中，解决方案会根据新旧情境之间的差异进行调整。例如，如果过去的案例通过特定维修解决了机械故障，系统可能会针对略有不同的机器型号调整维修程序。
- 修订：提出的解决方案通过模拟或实际应用进行评估。如果失败，系统会诊断失败原因并相应修改解决方案。此步骤通常涉及人工反馈或特定领域的修复算法。
- 保留：新问题及其确认的解决方案作为新案例添加到案例库中。这一学习步骤确保系统随着经验积累而改进，随时间推移变得更加准确和高效。
应用与领域
CBR已在广泛的实际领域中得到部署。最早且最成功的应用之一是帮助台和客户支持系统，例如Compaq SMART系统（1990年代），该系统使用CBR诊断计算机硬件问题。在医学领域，CASEY（1989）等CBR系统及后来的工具通过将患者记录与历史案例匹配来支持诊断和治疗规划。法律领域也使用CBR检索先例，例如卡内基梅隆大学的HYPO系统（1987）帮助律师查找相关法院判决。
其他 notable 应用包括：
- 工程设计：为新组件或系统重用过去的设计解决方案。
- 机器人技术：使机器人能够将过去的动作序列适应新环境。
- 电子商务：根据相似的过往购买行为推荐产品。
- 欺诈检测：通过将可疑交易与已知欺诈案例进行比较来识别。
与其他AI方法的关系
CBR常与基于规则的专家系统形成对比，后者将知识编码为显式的if-then规则。基于规则的系统需要知识工程师提取并形式化专业知识，而CBR系统可以更直接地从历史记录构建，减少知识获取瓶颈。然而，CBR系统在定义有效相似性度量和维护大型案例库方面面临挑战，这些案例库可能变得庞大且缓慢。
随着机器学习和深度学习的兴起，CBR有时被视为较旧的范式。然而，它在混合系统中仍然具有相关性。例如，现代大型语言模型（LLM）已与CBR结合，以基于特定过往示例来 grounding 响应，提高事实准确性和可解释性。神经网络研究也探索了“神经基于案例的推理”，其中案例表示被学习为嵌入，允许在学习的特征空间中计算相似性。这种整合已在MIT CSAIL和斯坦福AI实验室等机构得到探索。
优势与局限
CBR提供了若干优势。它具有透明性，因为解决方案可以追溯到特定的先前案例，从而更容易向用户解释决策。它增量学习，无需重新训练全局模型。它非常适合知识不完整或例外常见的领域，因为它可以通过检索最接近的匹配来处理“边缘案例”。
其局限性包括对案例库质量和覆盖范围的依赖；如果问题与任何存储的案例都不相似，系统可能产生较差的结果。相似性评估可能脆弱，而调整仍然是一个难题，通常需要手工制作的规则。随着库的增长，性能可能下降，需要案例保留策略和索引策略。截至2020年代中期，CBR在主流AI研究中不如深度学习突出，但它继续在专业工业和学术环境中使用，特别是在可解释性和数据效率至关重要的地方。