我正在使用带有推理引擎（前向链接）的专家系统，我想解释为什么它比使用非常简单的概念的决策树更好。（在一种特殊情况下）
我知道在 stackoverflow 上有一个类似的问题，但这不是我正在寻找的答案。
这是我的问题：
对于客户关系管理，我使用许多不同的业务规则（诱导对话规则）来帮助客户对一种产品做出决定。注意：经常添加规则（每天 2 条）。
客户在得到答案之前回答了一系列问题。业务规则与对话规则相结合，使生成的问卷看起来像是由最优决策树生成的问卷。即使隐藏的推理完全不同。
在这种情况下，与决策树相比，我想知道在可扩展性、鲁棒性、复杂性和效率方面支持（或反对）推理引擎的主要论点是什么。
我已经有了一些想法，但既然我需要说服某人，就好像我从来没有足够的论据。
提前感谢您的想法，如果您能建议我阅读有关此主题的好论文，我将很高兴。
前向链接推理引擎支持完整的一阶逻辑规范（转换为 if-then 规则），而决策树只能将一组向下行进到特定子集。如果您同时使用两者来确定用户想要什么汽车，那么在一阶逻辑中您可以说（CHR语法；<=>用 RHS 替换 LHS）：
user_likes_color(C), available_color(C) <=> car_color(C).
除了确定用户想要的汽车品牌/类型的所有规则之外，推理引擎还将选择颜色以及其他属性。
使用决策树，您必须为颜色设置额外的树。只要颜色不与其他属性交互，那没关系，但是一旦它们交互，你就搞砸了：你可能必须为每种颜色复制整个树，除了那些与其他属性冲突的颜色，你需要还要修改树。
（我承认颜色是一个非常愚蠢的例子，但我希望它能传达这个想法。）
这么说我在实践中没有使用推理引擎或决策树。在我看来，如果你想从给定的训练集中学习然后预测结果，你应该使用决策树。例如，如果您有一个数据集，其中包含说明您是否在给定天气条件（风、温度、雨......）的情况下外出烧烤的信息。使用该数据集，您可以构建决策树。决策树的好处是您可以使用剪枝来避免过度拟合，从而避免对噪声进行建模。
如果你有特定的规则，我认为推理引擎比决策树更好，你可以使用这些规则进行推理。Larsmans 已经提供了一个很好的例子。
我希望这会有所帮助