在基于案例推理的分类系统(即CBR分类器)中,属性间的相似度对分类和决策结果起着决定性的作用。而属性的相似性度量又依赖于每个属性值之间的相似度计算。本文研究的是符号属性值之间的相似度,这里考虑的符号值属性是其属性值完全无序的一类属性,例如属性“颜色”,其取值为“红”,“黄”,“蓝”。大部分研究认为这类属性值之间的相似度只能取0或1,这种处理方法会导致信息的丢失。已有的工作将这类属性值的相似度从{0,1}扩展到了[0,1]区间,并用遗传算法进行了学习。但当属性的数量及值域较大时,遗传算法的收敛速度明显变慢,且分类精度受到影响。基于此考虑,本文提出一种基于粒子群的相似度学习算法来获得符号属性值的相似度,通过实验证明,基于粒子群的算法比遗传算法收敛速度快,精度高。此外,本研究进一步指出,通过学习获得的属性值相似度可以粗略反应属性本身的重要程度,并给出了属性的重要性度量。实验验证了这种度量的可行性。最后,基于粗糙集理论中相对正域的概念,本文还提出了一种判断数据集的属性之间有无交互作用的方法。