案例推理（Case-based Reasoning简称CBR）最早是由耶鲁大学Roger Schank(1982)在《dynamic memory》中提出来的[19-20]。案例推理是一种相似或类比的推理方法，它是通过访问知识库中过去同类问题的求解从而获得当前问题解决方案的一种推理模式[21]。在CBR中，一个问题状态描述及其求解策略用一个案例（case）表示，案例中存储了与过去经历相关的案例，并按一定的模式在知识库中组织，形成案例库[22]。23402
国外关于案例推理方面的研究比较成熟。学者Admodt(1994)[23]提出了一个典型的基于案例推理系统求解过程（即4R理论），可以归纳为：案例检索（retrieve），案例重用（reuse），解决方案修改（revise）和案例保存（retain）。Finnie等人在研究中考虑了案例库的准备过程，在R4模型基础上提出了R5模型：案例检索（Retrieval）、案例重用（Reuse）、案例调整（Revise）、案例分配（Repartition）和案例保存（Retain），在保存之前对案例进行重新划分，以便以后的应用。论文网
相比于国外而言，国内对CBR的研究相对较晚，20世纪90年代以后，我国在案例推理方面的研究才开始有所发展。但对此的研究人数相对较少，主要集中在高校和科研院所。华中科技大学的陈琦（2006）[24]结合电信长途传输线路故障预案调度知识管理系统的设计，提出了知识管理中应用CBR为长途传输线路故障找到合适的预案。详细描述了故障信息和故障信息详细说明内容在系统中的表示，同时也提出了基于剪枝策略来进行故障案例匹配和用数据挖掘的原理对案例库和预案库进行知识的挖掘。杨文继（2010）[25]将CBR 技术运用于交通信号的控制中,提出了在分析交通信号的控制基础上,提取出交通信号案例特征、案例表示、案例检索算法选择、案例的修正算法等方面的具体实施方法。归纳案例推理的主要研究领域有：关键技术（如案例索引、检索、修正、案例库的构建等）、CBR应用系统、CBR与人工神经网络、集成粗糙集、聚类、规则推理等技术的集成等方面。
2014年4月，在中国知网上，以“案例推理”为题名，进行文献搜索，共搜索得到655篇文献，结合了统计分析软件NteExpress，通过关键词统计，得出表1.1的数据。
表1. 1 CNKI中关于“案例推理”的关键词统计
关键词    篇数    关键词    篇数    关键词    篇数
案例推理    388    人工智能    29    案例表示    13
基于案例推理    179    相似度    28    决策支持系统    21
故障诊断    69    案例库    33    遗传算法    12
专家系统    47    粗糙集    19    本体    12
案例检索    40    数据挖掘    13    神经网络    12
从上表的关键词词频分析可得出，目前关于CBR的应用主要集中在故障诊断和专家系统中，另外，案例推理，人工智能和相似度的方法的使用也占了一定的比例。同时可得出案例表示、案例库，相似度算法（遗传算法，粗糙集，神经网络）等都是案例推理系统在构建过程中的关键步骤和主要研究方法。本文，将案例推理检索系统中的相似度分析作为主要的研究内容。 案例推理研究现状:http://www.youerw.com/yanjiu/lunwen_16434.html