本發(fā)明屬于案例推理技術領域，更具體地，涉及一種基于突發(fā)事件情景鏈的情景推理方法及系統(tǒng)。

背景技術：

利用歷史案例中的經(jīng)驗和方案來解決當前問題，是基于案例的推理(Case-based Reasoning，CBR)的主要思想。經(jīng)過二十多年的發(fā)展，CBR已經(jīng)成為非常有生命力的人工智能技術之一，并在很多領域都獲得了成功應用。大量的實際應用表明，案例推理相對于其他人工智能方法，有著獨特的優(yōu)勢，尤其是存在著大量經(jīng)驗知識的領域，案例推理作為一種輔助決策手段，具有很強的實用性。因此，案例推理在公共安全研究中有著廣闊的應用前景。

隨著非常規(guī)突發(fā)事件的發(fā)生越來越頻繁，當前的突發(fā)事件預警預測方法大多從突發(fā)事件案例的宏觀信息(如事件類型、資源類型等)出發(fā)，利用CBR、基于規(guī)則的推理(Rule-Based Reasoning，RBR)、基于模型的推理(Model-based Reasoning，MBR)等方法，然而采用上述方法并不能將案例最原本的信息關系挖掘出來，往往只根據(jù)字面意思去檢索，得到的結果往往不是極少就是不符合用戶需求，這些限制條件在很大程度上使得檢索推理工作難以進行下去。

技術實現(xiàn)要素：

針對現(xiàn)有技術的以上缺陷或改進需求，本發(fā)明提供了一種基于突發(fā)事件情景鏈的情景推理方法及系統(tǒng)，利用結構化的突發(fā)事件案例庫的相關信息，從突發(fā)事件情景特征出發(fā)，利用同一事件中情景的發(fā)生關系、不同事件間情景的致災關系以及情景本身的特征相似度來度量情景鏈間的相似度，具有較高的推理準確度。由此解決現(xiàn)有技術中針對當前案例推理忽略案例基本信息間關系的技術問題。

為實現(xiàn)上述目的，按照本發(fā)明的一個方面，提供了一種基于突發(fā)事件情景鏈的情景推理方法，包括：

(1)根據(jù)用戶輸入的情景獲取目標情景鏈A₁；

(2)根據(jù)預存的情景鏈庫對目標情景鏈A₁進行推理，其子步驟為：

(2-1)對于預存的情景鏈庫中的每條情景鏈，計算情景鏈A₂與A₁之間的層次相似度：其中，m為A₁情景鏈的層級與A₂情景鏈的層級中的最小值，k為A₁情景鏈的層級與A₂情景鏈的層級中的最大值，Siml表示情景鏈A₁與情景鏈A₂在層次l上的節(jié)點集合之間的相似度，情景鏈中的每一個情景構成一個節(jié)點，每一層次中的所有節(jié)點構成一個節(jié)點集合；

(2-2)計算情景鏈A₂與情景鏈A₁之間的節(jié)點相似度Sim_N(A₁,A₂)，其子步驟為：

(2-2-1)由公式Sim_node(a,b)＝γSim_link(a,b)+δSim_p(a,b)計算兩情景a、b之間的情景相似度，其中，Sim_p(a,b)為兩情景a、b的特征屬性相似度，Sim_link(a,b)為兩情景a、b的鏈式關系相似度；

(2-2-2)設情景鏈A₁的情景集合為N_A1＝{a₁，a₂，……，a_i}，情景鏈A₂的情景集合為N_A2＝{b₁，b₂，……，b_j}，則由步驟(2-2-1)計算N_A1中每一個情景與N_A2中所有情景的情景相似度集合S₁，S₂，……，S_i，其中，i表示情景鏈A₁中的情景個數(shù)，j表示情景鏈A₂中的情景個數(shù)；

(2-2-3)由公式：Sim_N(A₁,A₂)＝f(S₁，S₂，…，S_i)/max(i，j)計算情景鏈A₂與情景鏈A₁之間的節(jié)點相似度，其中，f(S₁，S₂，…，S_i)表示最大取值算法；

(2-3)由公式：Sim(A₁,A₂)＝αSim_H(A₁,A₂)+βSim_N(A₁,A₂)計算情景鏈A₁和情景鏈A₂的結構相似度，其中，α和β為調整系數(shù)且α+β＝1；

(2-4)重復步驟(2-1)～步驟(2-3)得到預存的情景鏈庫中的每條情景鏈與目標情景鏈A₁之間的結構相似度；

(3)根據(jù)預存的情景鏈庫中的每條情景鏈與目標情景鏈A₁之間的結構相似度，按照相似度從大到小的順序選取若干個情景鏈進行顯示。

優(yōu)選地，步驟(1)具體包括以下子步驟：

(1-1)接收用戶當前輸入的情景，并輸出提示信息，提示用戶選取與該當前輸入的情景關聯(lián)的上一個情景；

(1-2)若接收到用戶選擇的與當前輸入的情景關聯(lián)的上一個情景的關聯(lián)指令，則將該當前輸入的情景作為用戶選擇關聯(lián)的上一個情景的下一個情景組成情景鏈，其中用戶選擇關聯(lián)的上一個情景屬于本次匹配中用戶已經(jīng)輸入的情景中的情景；

(1-3)若沒有接收到用戶選擇的關聯(lián)情景的關聯(lián)指令，則將當前輸入的情景作為新情景鏈的第一個情景。

優(yōu)選地，在步驟(2-1)中，Siml的計算方式為：

設L_A1＝{a_l1,a_l2,…,a_lg}表示情景鏈A₁在層次l上的節(jié)點集合，g表示情景鏈A₁在層次l上的節(jié)點數(shù)，L_A2＝{b_l1,b_l2,…,b_lh}表示情景鏈A₂在層次l上的節(jié)點集合，h表示情景鏈A₂在層次l上的節(jié)點數(shù)，依次計算出集合L_A1中每一節(jié)點與集合L_A2中所有節(jié)點的節(jié)點相似度集合Q₁,Q₂,…,Q_g，然后計算出Sim l＝f(Q₁,Q₂,…,Q_g)/max(g，h)，其中，兩節(jié)點之間的相似度用歸一化歐式距離表示，f(Q₁,Q₂,…,Q_g)為最大取值算法。

優(yōu)選地，在步驟(2-2-1)中，Sim_p(a,b)與Sim_link(a,b)的計算方式為：Sim_p(a,b)＝Σd(Same(a,b))/n，其中，Same(a,b)表示情景a與情景b中特征屬性名相同的屬性對，n為情景a的特征屬性數(shù)與情景b的特征屬性數(shù)中的最大值，Σd(Same(a,b))表示情景a與情景b中特征屬性名相同的屬性對的相似度之和，d表示情景a與情景b中特征屬性名相同的屬性對的相似度且數(shù)值類屬性的相似度由歸一化曼哈頓距離來度量，字符類屬性的相似度為0或1；

Sim_link(a,b)＝p/q，其中，p為情景a與情景b中情景類型相同的元素對的個數(shù)，q為情景a中所有關系集合元素數(shù)量之和與情景b中所有關系集合元素數(shù)量之和中的最大值。

優(yōu)選地，所述方法還包括：

若接收到用戶輸入的單一情景作為匹配搜索的目標情景，則將所述目標情景作為特殊情景鏈，將預存的情景鏈庫中以該目標情景為父節(jié)點且存在子節(jié)點的情景鏈進行匹配檢索，計算與所述特殊情景鏈之間的節(jié)點相似度，根據(jù)計算出的節(jié)點相似度的大小顯示匹配結果。

按照本發(fā)明的另一方面，提供了一種基于突發(fā)事件情景鏈的案例情景推理系統(tǒng)，包括：

輸入模塊，用于根據(jù)用戶輸入的情景獲取目標情景鏈A₁；

推理模塊，用于根據(jù)預存的情景鏈庫對目標情景鏈A₁進行推理，具體包括以下子模塊：

層次相似度計算模塊，用于對于預存的情景鏈庫中的每條情景鏈，計算情景鏈A₂與A₁之間的層次相似度：其中，m為A₁情景鏈的層級與A₂情景鏈的層級中的最小值，k為A₁情景鏈的層級與A₂情景鏈的層級中的最大值，Siml表示情景鏈A₁與情景鏈A₂在層次l上的節(jié)點集合之間的相似度，情景鏈中的每一個情景構成一個節(jié)點，每一層次中的所有節(jié)點構成一個節(jié)點集合；

節(jié)點相似度計算模塊，用于計算情景鏈A₂與情景鏈A₁之間的節(jié)點相似度Sim_N(A₁,A₂)，具體包括以下子模塊：

第一計算子模塊，用于由公式：Sim_node(a,b)＝γSim_link(a,b)+δSim_p(a,b)計算兩情景a、b之間的情景相似度，其中，Sim_p(a,b)為兩情景a、b的特征屬性相似度，Sim_link(a,b)為兩情景a、b的鏈式關系相似度；

第二計算子模塊，用于由第一計算子模塊計算N_A1中每一個情景與N_A2中所有情景的情景相似度集合S₁，S₂，……，S_i，其中，情景鏈A₁的情景集合為N_A1＝{a₁，a₂，…，a_i}，情景鏈A₂的情景集合為N_A2＝{b₁，b₂，…，b_j}，i表示情景鏈A₁中的情景個數(shù)，j表示情景鏈A₂中的情景個數(shù)；

第三計算子模塊，用于由公式：Sim_N(A₁,A₂)＝f(S₁，S₂，…，S_i)/max(i，j)計算情景鏈A₂與情景鏈A₁之間的節(jié)點相似度，其中，f(S₁，S₂，…，S_i)表示最大取值算法；

結構相似度計算模塊，用于由公式：Sim(A₁,A₂)＝αSim_H(A₁,A₂)+βSim_N(A₁,A₂)計算情景鏈A₁和情景鏈A₂的結構相似度，其中，α和β為調整系數(shù)且α+β＝1；

推理子模塊，用于得到預存的情景鏈庫中的每條情景鏈與目標情景鏈A₁之間的結構相似度；

結果顯示模塊，用于根據(jù)預存的情景鏈庫中的每條情景鏈與目標情景鏈A₁之間的結構相似度，按照相似度從大到小的順序選取若干個情景鏈進行顯示。

優(yōu)選地，所述輸入模塊包括：

接收模塊，用于接收用戶當前輸入的情景，并輸出提示信息，提示用戶選取與該當前輸入的情景關聯(lián)的上一個情景；

情景鏈建立模塊，用于在接收到用戶選擇的與當前輸入的情景關聯(lián)的上一個情景的關聯(lián)指令時，將該當前輸入的情景作為用戶選擇關聯(lián)的上一個情景的下一個情景組成情景鏈，其中用戶選擇關聯(lián)的上一個情景屬于本次匹配中用戶已經(jīng)輸入的情景中的情景；

所述情景鏈建立模塊，還用于在沒有接收到用戶選擇的關聯(lián)情景的關聯(lián)指令時，將當前輸入的情景作為新情景鏈的第一個情景。

優(yōu)選地，Siml的計算方式為：設L_A1＝{a_l1,a_l2,…,a_lg}表示情景鏈A₁在層次l上的節(jié)點集合，g表示情景鏈A₁在層次l上的節(jié)點數(shù)，L_A2＝{b_l1,b_l2,…,b_lh}表示情景鏈A₂在層次l上的節(jié)點集合，h表示情景鏈A₂在層次l上的節(jié)點數(shù)，依次計算出集合L_A1中每一節(jié)點與集合L_A2中所有節(jié)點的節(jié)點相似度集合Q₁,Q₂,…,Q_g，然后計算出Sim l＝f(Q₁,Q₂,…,Q_g)/max(g，h)，其中，兩節(jié)點之間的相似度用歸一化歐式距離表示，f(Q₁,Q₂,…,Q_g)為最大取值算法。

優(yōu)選地，Sim_p(a,b)與Sim_link(a,b)的計算方式為：Sim_p(a,b)＝∑d(Same(a,b))/n，其中，Same(a,b)表示情景a與情景b中特征屬性名相同的屬性對，n為情景a的特征屬性數(shù)與情景b的特征屬性數(shù)中的最大值，∑d(Same(a,b))表示情景a與情景b中特征屬性名相同的屬性對的相似度之和，d表示情景a與情景b中特征屬性名相同的屬性對的相似度且數(shù)值類屬性的相似度由歸一化曼哈頓距離來度量，字符類屬性的相似度為0或1；

Sim_link(a,b)＝p/q，其中，p為情景a與情景b中情景類型相同的元素對的個數(shù)，q為情景a中所有關系集合元素數(shù)量之和與情景b中所有關系集合元素數(shù)量之和中的最大值。

優(yōu)選地，所述推理模塊，還用于在接收到用戶輸入的單一情景作為匹配搜索的目標情景時，將所述目標情景作為特殊情景鏈，將預存的情景鏈庫中以該目標情景為父節(jié)點且存在子節(jié)點的情景鏈進行匹配檢索，計算與所述特殊情景鏈之間的節(jié)點相似度，并由所述結果顯示模塊根據(jù)計算出的節(jié)點相似度的大小顯示匹配結果。

總體而言，通過本發(fā)明所構思的以上技術方案與現(xiàn)有技術相比，主要有以下的技術優(yōu)點：通過將突發(fā)事件解析為多個相關聯(lián)的情景構成的鏈式結構，且情景與情景之間的關系分為4種：次生、衍生、耦合、變異，然后利用事件的情景關系，按照情景鏈檢索方式來度量情景鏈間的相似度，可以提高推理的準確度。

附圖說明

圖1為本發(fā)明實施例公開的一種基于突發(fā)事件情景鏈的情景推理方法的流程示意圖；

圖2為一條情景鏈的結構示意圖；

圖3為本發(fā)明實施例公開的一種基于突發(fā)事件情景鏈的情景推理系統(tǒng)的結構示意圖。

具體實施方式

為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結合附圖及實施例，對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個實施方式中所涉及到的技術特征只要彼此之間未構成沖突就可以相互組合。

情景是對一個突發(fā)事件發(fā)生的孕育、爆發(fā)、持續(xù)、升級或消弭的過程進行的靜態(tài)邏輯歸納，其涉及事件初始狀態(tài)、破壞路徑、持續(xù)方式及復雜程度進行的動態(tài)系統(tǒng)收斂。突發(fā)事件情景的知識模型可用六元組表示為S＝<B,F,H,S,P,T>，式中：B為情景的基本信息；F為情景的致災因素的集合；H為情景的傷害的集合；S為情景的狀態(tài)的集合；P為情景的行政行為的集合；T為情景的處置任務的集合。而情景鏈構建的數(shù)據(jù)信息來源于真實案例，一部分源于同類事件情景間發(fā)生順序，另一部分源于不同類型事件情景間的致災關系。

參閱圖1，圖1為本發(fā)明實施例公開的一種基于突發(fā)事件情景鏈的情景推理方法的流程示意圖，在圖1所示的方法中，具體包括以下步驟：

(1)根據(jù)用戶輸入的情景獲取目標情景鏈A₁；

在用戶進行一次檢索匹配操作時，需要用戶依次輸入一個或者多個情景，即先輸入一個情景，接下來輸入第二個情景，依次類推。在用戶輸入情景的同時，若不是首次輸入的情景，則會輸出提示信息，提示用戶選取與該情景關聯(lián)的上一個情景，以組成情景鏈，例如，若用戶首先輸入情景A，然后輸入情景B關聯(lián)情景A，則組成情景鏈A→B，若用戶再次輸入情景C，則情景C可以關聯(lián)情景B組成情景鏈A→B→C，也可以關聯(lián)情景A組成情景鏈A→C，或者不關聯(lián)任何情景作為一個新情景鏈的第一個情景。因此，步驟(1)具體包括以下子步驟：

(1-1)接收用戶當前輸入的情景，并輸出提示信息，提示用戶選取與該當前輸入的情景關聯(lián)的上一個情景；

(1-2)若接收到用戶選擇的與當前輸入的情景關聯(lián)的上一個情景的關聯(lián)指令，則將該當前輸入的情景作為用戶選擇關聯(lián)的上一個情景的下一個情景組成情景鏈，其中用戶選擇關聯(lián)的上一個情景屬于本次匹配中用戶已經(jīng)輸入的情景中的情景；

(1-3)若沒有接收到用戶選擇的關聯(lián)情景的關聯(lián)指令，則將當前輸入的情景作為新情景鏈的第一個情景。

(2)根據(jù)預存的情景鏈庫對目標情景鏈A₁進行推理；

通過步驟(1)可以根據(jù)用戶輸入的情景得到一條或者多條待推理的目標情景鏈，然后可以分別對目標情景鏈進行推理得到推理結果，具體包括以下子步驟：

(2-1)對于預存的情景鏈庫中的每條情景鏈，計算情景鏈A₂與A₁之間的層次相似度：其中，m為A₁情景鏈的層級與A₂情景鏈的層級中的最小值，k為A₁情景鏈的層級與A₂情景鏈的層級中的最大值，Siml表示情景鏈A₁與情景鏈A₂在層次l上的節(jié)點集合之間的相似度，情景鏈中的每一個情景構成一個節(jié)點，每一層次中的所有節(jié)點構成一個節(jié)點集合。

情景鏈中的情景關系包括次生、衍生、耦合、變異四種發(fā)生關系，如圖2所示表示一個情景鏈，從圖2可以看出，每一層次中的情景代表一個節(jié)點，一層中可以有一個或者多個節(jié)點，節(jié)點與節(jié)點之間存在次生、衍生、耦合、變異四種發(fā)生關系，除耦合關系之外，其它三種發(fā)生關系都具有單向的“父-子”關系，將每個節(jié)點表示為n＝(x,y)，x表示該節(jié)點存在x個父節(jié)點，y表示該節(jié)點存在y個子節(jié)點。如圖2所示的情景鏈中共有節(jié)點{(0,3)、(1,1)、(1,1)、(1,2)、(1,0)、(1,0)、(1,0)、(1,0)}。

其中，層次l上的節(jié)點集合之間的相似度Siml的計算方式為：

設L_A1＝{a_l1,a_l2,…,a_lg}表示情景鏈A₁在層次l上的節(jié)點集合，g表示情景鏈A₁在層次l上的節(jié)點數(shù)，L_A2＝{b_l1,b_l2,…,b_lh}表示情景鏈A₂在層次l上的節(jié)點集合，h表示情景鏈A₂在層次l上的節(jié)點數(shù)，依次計算出集合L_A1中每一節(jié)點與集合L_A2中所有節(jié)點的節(jié)點相似度集合Q₁,Q₂,…,Q_g，然后計算出Sim l＝f(Q₁,Q₂,…,Q_g)/max(g,h)，其中，兩節(jié)點之間的相似度用歸一化歐式距離表示，f(Q₁,Q₂,…,Q_g)為最大取值算法。

其中，兩節(jié)點a、b之間的歸一化歐氏距離為：

可選地，f(Q₁,Q₂,…,Q_g)的一種最大取值算法為：根據(jù)每個集合的元素平均值，將集合Q₁,Q₂,…,Q_g按照升序排序，按序依次取出當前集合Q’中的最大值元素存入集合R中，從集合Q₁,Q₂,…,Q_g中去除Q’，并在剩余的所有集合中去除被取元素位置上的元素，重復上述步驟直至所有集合均取出元素存入R中，R集合所有元素的總和即為f(Q₁,Q₂,…,Q_g)的值。

(2-2)計算情景鏈A₂與情景鏈A₁之間的節(jié)點相似度Sim_N(A₁,A₂)，其子步驟為：

(2-2-1)由公式Sim_node(a,b)＝γSim_link(a,b)+δSim_p(a,b)計算兩情景a、b之間的情景相似度，其中，Sim_p(a,b)為兩情景a、b的特征屬性相似度，Sim_link(a,b)為兩情景a、b的鏈式關系相似度。

將情景鏈中的情景節(jié)點表示為a＝(B_a，F(xiàn)_a，H_a，S_a，P_a，T_a，type)，其中，B_a為情景的基本信息，F(xiàn)_a為情景的致災因素的集合，H_a為情景的傷害的集合，S_a為情景的狀態(tài)的集合，P_a為情景的行政行為的集合，T_a為情景的處置任務的集合，type為情景所代表的事件類型。

其中，Sim_p(a,b)的計算方式為：Sim_p(a,b)＝∑d(Same(a,b))/n，其中，Same(a,b)表示情景a與情景b中特征屬性名相同的屬性對，n為情景a的特征屬性數(shù)與情景b的特征屬性數(shù)中的最大值，∑d(Same(a,b))表示情景a與情景b中特征屬性名相同的屬性對的相似度之和，d表示情景a與情景b中特征屬性名相同的屬性對的相似度且數(shù)值類屬性的相似度由歸一化曼哈頓距離來度量，字符類屬性的相似度為0或1。

其中，數(shù)值類特征屬性對p_a、p_b的歸一化曼哈頓距離為：

Sim_link(a,b)＝p/q，其中，p為情景a與情景b中情景類型相同的元素對的個數(shù)，q為情景a中所有關系集合元素數(shù)量之和與情景b中所有關系集合元素數(shù)量之和中的最大值。

(2-2-2)設情景鏈A₁的情景集合為N_A1＝{a₁，a₂，……，a_i}，情景鏈A₂的情景集合為N_A2＝{b₁，b₂，……，b_j}，則由步驟(2-2-1)計算N_A1中每一個情景與N_A2中所有情景的情景相似度集合S₁，S₂，……，S_i，其中，i表示情景鏈A₁中的情景個數(shù)，j表示情景鏈A₂中的情景個數(shù)；

(2-2-3)由公式：Sim_N(A₁,A₂)＝f(S₁，S₂，…，S_i)/max(i，j)計算情景鏈A₂與情景鏈A₁之間的節(jié)點相似度，其中，f(S₁，S₂，…，S_i)表示最大取值算法。

(2-3)由公式：Sim(A₁,A₂)＝αSim_H(A₁,A₂)+βSim_N(A₁,A₂)計算情景鏈A₁和情景鏈A₂的結構相似度，其中，α和β為調整系數(shù)且α+β＝1。

(2-4)重復步驟(2-1)～步驟(2-3)得到預存的情景鏈庫中的每條情景鏈與目標情景鏈A₁之間的結構相似度；

(3)根據(jù)預存的情景鏈庫中的每條情景鏈與目標情景鏈A₁之間的結構相似度，按照相似度從大到小的順序選取若干個情景鏈進行顯示。

若根據(jù)用戶輸入的情景獲取的待匹配情景鏈有多條，則分別對每條情景鏈按照本發(fā)明所提出的方法進行匹配搜索，最后得到與該多條情景鏈對應的情景鏈作為推理結果進行顯示。

可選地，可以設置兩個標志量來標記檢索次數(shù)和每次檢索得到的情景鏈，例如，第一次檢索時，設檢索次數(shù)為InsId1，第一次檢索可能得到的輸入情景鏈有n條，則將每條情景鏈依次標記為chainId1，chainId2，…，chainIdn；在進行第二次檢索時，則檢索次數(shù)標記為InsId2，依此類推，便于對用戶的屬性信息進行判斷。

可選地，若用戶僅輸入一個情景來進行檢索，則將輸入的單一情景作為作為特殊情景鏈，計算預存的情景鏈庫中以該單一情景為父節(jié)點且存在子節(jié)點的情景鏈與該特殊情景鏈之間的節(jié)點相似度，根據(jù)計算出的節(jié)點相似度的大小顯示匹配結果。

圖3為本發(fā)明實施例公開的一種基于突發(fā)事件情景鏈的情景推理系統(tǒng)的結構示意圖，在圖3所示的系統(tǒng)中包括：

輸入模塊，用于根據(jù)用戶輸入的情景獲取目標情景鏈A₁；

推理模塊，用于根據(jù)預存的情景鏈庫對目標情景鏈A₁進行推理，具體包括以下子模塊：

層次相似度計算模塊，用于對于預存的情景鏈庫中的每條情景鏈，計算情景鏈A₂與A₁之間的層次相似度：其中，m為A₁情景鏈的層級與A₂情景鏈的層級中的最小值，k為A₁情景鏈的層級與A₂情景鏈的層級中的最大值，Siml表示情景鏈A₁與情景鏈A₂在層次l上的節(jié)點集合之間的相似度，情景鏈中的每一個情景構成一個節(jié)點，每一層次中的所有節(jié)點構成一個節(jié)點集合；

節(jié)點相似度計算模塊，用于計算情景鏈A₂與情景鏈A₁之間的節(jié)點相似度Sim_N(A₁,A₂)，具體包括以下子模塊：

第一計算子模塊，用于由公式：Sim_node(a,b)＝γSim_link(a,b)+δSim_p(a,b)計算兩情景a、b之間的情景相似度，其中，Sim_p(a,b)為兩情景a、b的特征屬性相似度，Sim_link(a,b)為兩情景a、b的鏈式關系相似度；

第二計算子模塊，用于由第一計算子模塊計算N_A1中每一個情景與N_A2中所有情景的情景相似度集合S₁，S₂，……，S_i，其中，情景鏈A₁的情景集合為N_A1＝{a₁，a₂，…，a_i}，情景鏈A₂的情景集合為N_A2＝{b₁，b₂，…，b_j}，i表示情景鏈A₁中的情景個數(shù)，j表示情景鏈A₂中的情景個數(shù)；

第三計算子模塊，用于由公式：Sim_N(A₁,A₂)＝f(S₁，S₂，…，S_i)/max(i，j)計算情景鏈A₂與情景鏈A₁之間的節(jié)點相似度，其中，f(S₁，S₂，…，S_i)表示最大取值算法；

結構相似度計算模塊，用于由公式：Sim(A₁,A₂)＝αSim_H(A₁,A₂)+βSim_N(A₁,A₂)計算情景鏈A₁和情景鏈A₂的結構相似度，其中，α和β為調整系數(shù)且α+β＝1；

推理子模塊，用于得到預存的情景鏈庫中的每條情景鏈與目標情景鏈A₁之間的結構相似度；

結果顯示模塊，用于根據(jù)預存的情景鏈庫中的每條情景鏈與目標情景鏈A₁之間的結構相似度，按照相似度從大到小的順序選取若干個情景鏈進行顯示。

其中，各模塊的具體實施方式可以參照圖1中的描述，本發(fā)明實施例將不做復述。

本領域的技術人員容易理解，以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。