我的需求可能接近于人们对“专家系统”的期望。并且正在寻找最简单的解决方案，该方案可以给我提供实时或接近实时的推理，以及一些离线（非实时）的学习能力。

为了详细说明，我的问题是 —

监视正在实时更新的日志，并将每个条目标记为红色、绿色和蓝色。
根据以生产规则形式（正如我今天所设想的那样）编纂的逻辑将条目标记为红色、绿色、蓝色。

具有挑战性的地方在于 —

1) 标记为蓝色的日志条目最终必须根据后续的日志条目标记为红色/绿色，我们希望在其中获得更详细的信息，因此需要进行一些记忆。 确切的等待时间事先未知，但有一个最大限制。当然，在任何给定的时间点，可能有成千上万个被标记为蓝色的条目。

2) 确定红色和绿色的规则并不完美，因此有时会发生标记错误。 因此，偶尔的手动审核会发现这些错误。 我的主要挑战是看看我是否可以自动化规则更新的某些部分，并尽量减少编程工作。

我的（持续研究）表明，基于RETE算法的规则引擎可能适用于我的分类和标记，包括重新标记。 如果有效，我仍然需要弄清楚如何自动化“从错误中学习”的部分？ 是否可以采用统计方法，例如贝叶斯分类？ 此外，是否可以将贝叶斯分类完全作为与规则引擎相对的方法来进行初始分类，从而我已经手动充分训练了系统？ 贝叶斯方法似乎通过“相信统计数据”的方法“简化”了维护正确规则集的任务，尤其是因为存在这些定期的手动审核。

PS> 我的主要应用程序是用C++编写的（如果这很重要）。

回答：

这听起来像是复杂事件处理（CEP），其中你有规则和使用时间计算的能力，例如事件 X 在事件 y 之后的 2 分钟内发生。

在Java领域，Drools Fusion（或 Drools Expert）可以很好地处理这个问题（虽然我有点偏见）。 在C++领域……也许你可以设置一个drools-camel-server并通过XML与它通信。