Artificial intelligence 理想的算法方法——规则引擎/决策树和一些学习逻辑？

我的要求可能接近人们对“专家系统”的期望。并寻找最简单的解决方案，可以给我实时或接近实时的推理，以及一些离线（非实时）学习功能

具体来说，我的问题是--

观看正在实时更新的日志，并将每个条目分类为红色、绿色和蓝色。 红、绿、蓝的分类是基于编码为生产规则的逻辑（正如我今天想象的那样）

它变得具有挑战性的一点是--

1） 根据后续日志条目，标记为蓝色的日志条目最终必须标记为红色/绿色，我们希望在这些日志条目中有更详细的信息，因此需要记住一点。等待的确切时间，事先不知道，但有一个最大限制。当然，在任何给定的时间点上，都可能有数十万个条目被标记为蓝色

2） 确定红色和绿色的规则并不完美，因此有时标签会出错。因此，偶尔进行一次手工审计就会发现这些错误。我的主要挑战是看我是否可以用最少的编程工作自动化规则更新的某些部分

我的（继续研究）表明，基于RETE算法的规则引擎可以为我的分类和标记服务，包括重新标记。如果这行得通，我还需要考虑如何将“从错误中学习”这一部分自动化？人们可以采用统计方法——s.a.贝叶斯分类法吗？另外，对于初始分类s.t.我已经对系统进行了充分的人工训练，是否可以将贝叶斯分类完全视为规则引擎？贝叶斯方法似乎通过“信任统计”方法“简化”了维护一组正确规则的任务，特别是在有这些定期手动审计的情况下

---

P>我的主要应用程序是用C++编写的（如果有关系的话）。

< P>这听起来像是<强>复杂事件处理<强>（CEP），在这里你有规则，并且使用事件X计算的能力在事件Y之后2分钟内。

---

在Java领域，（或Drools Expert）会处理得非常好（尽管我有偏见）。在C++的土地上…也许您可以设置一个drools camel服务器，并通过XML与之通信。

谢谢@geoffrey de smet。我是在某个时候从CEP回来的（esply ESPER），但不知何故失去了那条轨道，很高兴你能提起它。为了跟上Drools Fusion的发展，我做了一个比较有趣的评论，将ESPER与Drools Fusion进行了比较。这两种方法可以互相补充，这将是一个有趣的问题。这当然是我想深入探索的一条道路。再次感谢。