[发明专利]预计算模型的结果的检索

说明书

技术领域

本发明涉及计算机程序和系统领域，并且更具体地涉及用于在事件过程中对模型结果进行检索的方法、系统以及程序。

背景技术

推荐用于在工程中做出决策。例如，在正在进行的卫星发射中，需要推荐紧急行动以使得事故风险的函数(例如，控制燃料箱的温度、燃料消耗、发射器的速度……)最小化。推荐不限于对设备进行控制，而是也可以在设备的构思和制造期间使用推荐，例如，CAD系统可以针对设备的设计提供推荐，从而使得所设计的设备发生故障的风险最小化。

存在若干已知类别的推荐系统。第一类别包括所谓的推荐者系统，该推荐者系统是访问者接收基于已访问内容的内容建议的系统。例如，搜索引擎基于已访问页面的个人历史记录对搜索结果进行排序。在Marko and Yoav Shoham.″Fab：content-based，collaborative recommendation.″Communications of the ACM 40.3(1997)：66-72中讨论了这样的系统的示例，或者在Sarwar，Badrul，et al.″Item-based collaborative filtering recommendation algorithms.″Proceedings of the 10th international conference on World Wide Web.ACM，2001中也讨论了这样的系统的示例。

然而，这些推荐者系统在集中大量用户的历史的应用中起作用。例如，搜索拥有超过10亿用户。托管在公司服务器上的系统不具有如此大量的决策制定者来向其学习。决策制定者典型地使用最佳的商业实践或管理咨询公司来得到基于在相似情况下其同行所积累的经验的建议。但是，商业、操作以及设备数据与不同公司的相对隔离使得难以通过计算机程序来自动化该学习过程。所以，决策制定者基于描述触发对决策的需求的情况的数据(例如，描述其自身操作和设备的变量)对情况进行评定，而不是考虑其同行的决策历史。因此，这些推荐者系统并不适合于这样的情况。

第二类别包括基于由专家写入并自动应用的规则的、使得与某个问题有关的决策制定自动操作的专家系统。当选项的数量少，并且输入变量可由人员管理或被处理为归总在可管理的可区分变量的集合中时，则专家可能指定将在大多数情况下产生最优行动的规则。第一种方法被称为“仅专家规则”，其中规则由该系统将被应用到的技术领域的专家手动写入。第二种方法被称为“与经验模型结合的专家规则”，其中基于学习处理可用输入并返回可管理数量的输入的机器来构建经验模型。这样的模型将典型地返回估计的概率。因为降低了提供给人为写入规则的输入的复杂度，所以减少了人为错误的空间。

然而，该第二类别遭受许多缺点；值得注意的是，当独立因素的数量和选项的数量导致不可由人类专家来管理的问题时，第一种方法不起作用。第二种方法需要大量的硬件资源来训练经验模型。实际上，典型地由新数据触发对决策的需求。并且典型地必须迅速采用决策。因此进一步限制可用资源的数量和可以使用这些系统的情况的数量。

作为经验模型的示例，经验规则生成系统例如Delmia这些系统示出了处理这种现象所需要的复杂度。经验规则生成系统通过大量的变量对所描述的现象进行建模。这些系统通过以下操作起作用：产生许多具有单独的低召回和低精度的规则(并且因此可能相互矛盾)，使用投票来解决它们的不同的结果，并且输出投票的结果，该投票结果被用作描述情况的新的合成变量。这些系统典型地同时实现高召回和高精度(各自高于80％)，但是这样做会产生可能还未由专家创作的不可管理的数量的规则(对于几十个变量来说，达到数万到数百万的量级)。

在具有许多输入参数和两个决策替代方案的情况下，这样的系统可以成功地用在“与经验模型结合的专家规则”方法中。

然而，这样的经验模型不允许决策制定者考虑在训练系统和写入专家规则时不存在或未被考虑的数据。此外，经验模型可能需要大量的硬件资源来训练。实际上，典型地由新数据触发对决策的需求。并且典型地必须快速采用决策。因此进一步限制可用资源的数量和可以使用这些系统的情况的数量。

第三类别包括可理解的模型、表示以及交互界面，通过以使得可以由决策制定者或其助手对其进行管理的形式表示相关信息来帮助做出决策。例如，商业智能工具提供用于选择变量并可视化其交互的模块，例如，借助于散点图。分析人员挑选相关的可视化结果、生成静态报告并将其发送给决策制定者。