逻辑规则建模（Logic Rule Modeling）
Ref: assets/2026-08-05/逻辑规则模型.pdf（SGM，厦门大学数学科学学院，72 页）
没有看数学的动力，《常微分方程方法》摆了。
本质
逻辑规则建模 = 把”如果……那么……”的判断标准显式化成形式化规则，再由事实出发推出结论。它做的是知识显式化：把经验、约束、边界，变成可计算、可检查、可解释的语句。
为什么需要这套东西？因为数据模型学的是”统计规律”（通常怎样），规则表达的是”硬性要求”（必须怎样）。
最小语法：为什么规则要形式化
自然语言有歧义（“成绩较好”到底是几分？），形式化规则没有：
| 概念 | 作用 |
|---|---|
| 命题 | 能判真假的陈述 |
| 联结词 | 组合命题 |
| 谓词 | 描述对象及属性 |
| 量词 | 描述范围 |
| 知识库 | 事实 + 规则集合 |
形式化的两个价值：消除歧义 + 可以计算。“成绩较好 ⇒ 推荐”是模糊的；“平均成绩 ≥ 85 ∧ 已修概率论 ⇒ 推荐机器学习导论”是没有歧义，可以计算的。
推理
三段论：。
- 正向推理：从已知事实出发，能推多少推多少——适合”给定现状，能得出什么”；
- 反向推理：从目标倒着问”需要什么条件”，回头查事实——适合”判断/验证”类问题。
冲突与优先级
多条规则同时满足却结论相反（高信用 ⇒ 低风险 vs 多次逾期 ⇒ 高风险）。处理手段：权重 和 优先级/硬规则。
案例
| 案例 | 规则 |
|---|---|
| 毕业资格 | 且规则 + 规则链 |
| 课程推荐 | 推荐规则 + 排除规则 |
| 医学诊断 | 带权规则 + 分级 |
| 金融风控 | 硬规则 + 评分 |
| 智能客服 | 模型识别意图 + 规则控流程 |
| 排课 | 硬约束 + 软规则 |
| 知识图谱 | 规则链推新知识 |
规则 与 机器学习
| 维度 | 规则 | 数据模型 |
|---|---|---|
| 知识来源 | 人写（专家/制度） | 数据学（样本） |
| 可解释性 | 天然可解释 | 难解释 |
| 硬约束 | 能保证 | 不能保证 |
| 复杂模式 | 写不出来 | 擅长 |
| 数据需求 | 不需要大数据 | 需要足够数据 |
| 维护 | 规则库人工维护 | 重训 |
结合方式：规则作前置过滤、后置校验、模型特征、解释输出；模型作候选规则发现（决策树的一条路径就是一条规则）。
局限
- 规则过拟合：为少数案例写”地区=A ∧ 年龄=23 ⇒ 高风险”，出现泛化差的问题。
- 阈值主观：10000 元为什么不是 8000？边界要有依据（制度规定或数据分析）。
- 维护成本：规则库是动态变化的——政策、行为、风险一变就要更新，旧规则会产生错误决策；
- 组合爆炸：规则数量增多，冲突排查和覆盖验证较难，所以要拆清楚、留解释、定期 review。