从知识连接到智能组织：WSaiOS认知网络的理论框架与系统设计摘要

从知识连接到智能组织：WSaiOS认知网络的理论框架与系统设计

作者:东塬一老翁

摘要

传统知识图谱以实体、关系和属性的三元组形式表达客观知识，能够有效回答"是什么"的问题，却难以支撑"为什么""如何做""如何决策"等深层认知需求。本文基于WSaiOS系统的设计与实践，提出认知网络（Cognitive Network）的理论框架。认知网络将概念、规则、案例、能力、工作流、经验、上下文和目标统一建模为认知节点（Cognitive Node），并通过多种认知关系类型构成可计算、可演化的大规模异构网络。本文系统阐述认知网络的定义、核心构件、动态演化机制及其在认知搜索、推理决策和能力调用中的应用价值。我们认为，认知网络是对传统知识图谱的范式升级------前者回答"知识如何连接"，后者进一步回答"智能如何组织"，从而为通用人工智能系统的认知基础设施提供可行路径。

关键词：认知网络；知识图谱；WSaiOS；认知节点；智能组织；认知搜索；异构网络

1 引言

1.1 研究背景

知识表示是人工智能领域的核心问题之一。自20世纪80年代以来，知识库和知识图谱技术在语义网、信息检索、推荐系统和智能问答等领域取得了显著成就 $1$ $2$ 。以Google于2012年正式推出的知识图谱为代表，大规模实体关系网络成为现代智能系统的重要基础设施 $3$ 。典型的知识图谱将世界表示为（实体，关系，实体）的三元组，如（Apple, is_a, Fruit），能够以高度结构化的方式表达事实性知识。

然而，随着人工智能系统从简单的信息检索任务向复杂的推理、决策和执行任务拓展，知识图谱的表达能力逐渐暴露出根本性局限。具体而言，传统知识图谱能够告诉系统"这是什么"，却无法有效表达：

· 为什么（因果机制与原理）；

· 如何做（流程与方法）；

· 如何判断（规则与准则）；

· 如何决策（权衡与优化）；

· 如何执行（能力与行动）。

这些局限并非技术实现层面的不足，而是反映了知识图谱基本建模范式的边界。知识图谱本质上是对静态事实的描述，而非对动态认知过程的组织。

1.2 问题提出

在企业智能化和通用人工智能（AGI）的追求中，一个核心挑战日益凸显：如何构建既能存储事实知识、又能组织和运用经验、规则、流程和能力的统一认知基础设施？

我们观察到，在实际的智能系统应用中，至少存在以下六个维度的知识需要被统一管理：

维度含义示例

概念层领域概念的定义与分类 SEO、WordPress、FDA

规则层约束、准则与推理依据 FDA医疗器械出口规则

案例层历史经验与情境化知识某企业ERP选型案例

能力层系统可执行的操作单元 WordPress部署能力

流程层多步骤任务的编排采购审批流程

经验层实践中沉淀的隐性知识最优SEO策略

这些维度的知识具有不同的结构、不同的来源和不同的使用方式，现有系统往往将它们分别存储于知识库、规则引擎、案例库、工作流引擎等独立模块中，导致知识碎片化和认知断层。

1.3 本文贡献

针对上述问题，本文基于WSaiOS的设计与实现，提出认知网络（Cognitive Network）理论框架，主要贡献包括：

提出认知节点的统一抽象：将异构的认知对象（知识、规则、案例、能力、工作流等）统一建模为认知节点，赋予其标准化的元数据结构和演化能力；
设计认知关系的多层次体系：定义了12种以上具有认知意义的关系类型，使网络不仅能表达连接，更能表达认知语义；
建立多子网协同的架构：将知识网络、规则网络、案例网络、工作流网络和能力网络整合为统一的认知网络；
阐明演化机制与应用价值：论证认知网络作为智能组织基础设施的理论意义和工程可行性。

2 相关工作与理论基础

2.1 知识图谱的演进与边界

知识图谱的研究可追溯至语义网络（Semantic Network） $4$ 和框架系统（Frame System） $5$ 。现代知识图谱以RDF（Resource Description Framework）和OWL（Web Ontology Language）为典型表示语言，通过本体（Ontology）定义概念层次和关系类型 $6$ 。

知识图谱在表达事实性知识方面表现出色，尤其在大规模开放域知识表示中取得了广泛应用。然而，研究者也逐渐意识到其局限性。Hitzler等 $7$ 指出，知识图谱缺乏对默认推理（default reasoning）和常识推理的支持。Noy等 $8$ 发现，知识图谱在表示过程性知识（procedural knowledge）时存在结构失配问题。

更为关键的是，知识图谱的节点和关系是静态的、无状态的，不具备随时间演化的内在机制，也难以表达知识的不确定性、上下文依赖性和实践性特征。

2.2 从语义网到认知架构

与知识图谱并行发展的另一个重要方向是认知架构（Cognitive Architecture）。SOAR $9$ 和ACT-R $10$ 等认知架构试图模拟人类的认知过程，包括感知、记忆、推理和学习等机制。这些架构强调了知识的动态使用，而非静态存储。

然而，认知架构通常针对特定的认知任务设计，缺乏对大规模异构知识管理的通用框架。同时，认知架构中的知识表示往往采用产生式规则（production rules）或符号系统，与现代知识图谱的图结构表示存在隔阂。

2.3 案例推理与经验表示

案例推理（Case-Based Reasoning, CBR） $11$ 是人工智能中一个重要的方法论，强调利用历史经验解决新问题。CBR系统的核心包括案例表示、案例检索、案例复用、案例修正和案例保存五个环节。

尽管CBR有效地将经验知识纳入推理过程，但传统CBR系统通常将案例库与规则库、知识库分开管理，缺乏统一的表示框架和网络化的关联机制。近年来的研究开始探索将案例与知识图谱结合 $12$ ，但仍未解决多维度认知对象的统一建模问题。

2.4 现有系统的综合比较

我们将现有相关系统与WSaiOS认知网络进行多维度比较，如表1所示：

维度知识图谱规则引擎 CBR系统工作流系统认知网络(本文)

事实知识 ✓✓✓ ✗ ✓ ✗ ✓✓✓

规则知识 ✓ ✓✓✓ ✓ ✗ ✓✓✓

案例知识 ✓ ✗ ✓✓✓ ✗ ✓✓✓

流程知识 ✗ ✗ ✗ ✓✓✓ ✓✓✓

能力表示 ✗ ✗ ✗ ✓ ✓✓✓

经验演化 ✗ ✗ ✓ ✗ ✓✓✓

节点关联 ✓✓ ✗ ✓ ✓ ✓✓✓

统一框架 ✗ ✗ ✗ ✗ ✓✓✓

表1表明，现有系统各自擅长处理特定类型的知识，但缺乏将不同类型知识统一组织为可计算网络的能力。这正是认知网络要解决的核心问题。

3 认知网络的理论框架

3.1 设计原则

认知网络的设计遵循五项基本原则：

原则一：统一抽象。所有认知对象，无论其来源、结构和用途如何，均应抽象为统一的节点类型，赋予标准化的元数据结构。这一原则确保了异构知识的可比较性和可操作性。

原则二：认知语义。节点之间的关系不仅表示图结构上的连接，更承载明确的认知含义。关系应当能够被系统理解和推理，而非仅仅服务于图遍历。

原则三：持续演化。认知网络不是静态的知识快照，而是随系统运行不断更新、扩展和优化的动态系统。每个节点都应支持版本追踪和置信度更新。

原则四：多网融合。不同类型的认知子网（知识子网、规则子网、案例子网等）在统一的框架下共存，并通过跨子网关联实现认知整合。

原则五：可计算性。认知网络的结构和内容应支持算法化的访问、查询、推理和更新，能够被认知内核（Cognitive Kernel）高效调用。

3.2 认知网络的形式化定义

定义1（认知节点，Cognitive Node）。认知节点是构成认知网络的基本单元，形式化表示为八元组：

\text{Node} = (ID, Type, Title, Description, Meta, Source, Confidence, Version)

其中：

· ID ：全局唯一标识符；

· Type ：节点类型，取值于预定义或动态扩展的类型集合 \mathcal{T}；

· Title ：节点标题或名称；

· Description ：节点的语义描述；

· Meta ：元数据集合，包括创建时间、更新时间、所有者、权限等；

· Source ：知识来源标识；

· Confidence ：置信度，取值范围 $0, 1$ ；

· Version ：版本号。

定义2（认知关系，Cognitive Relationship）。认知关系是认知节点之间的有向边，形式化表示为四元组：

\text{Relation} = (Source, Target, Type, Weight)

其中 Source 和 Target 为认知节点的ID， Type 为关系类型， Weight 为关系强度权重。

关系类型集合 \mathcal{R} 至少包括：Contains, Depends, Supports, BelongsTo, Requires, Causes, Produces, Uses, References, Matches, Extends, Conflicts, Equivalent, DerivedFrom 等，并支持动态扩展。

定义3（认知网络，Cognitive Network）。认知网络是一个有向异构图：

\mathcal{CN} = (\mathcal{N}, \mathcal{R}, \mathcal{E})

其中 \mathcal{N} 为认知节点集合，\mathcal{R} 为关系类型集合，\mathcal{E} \subseteq \mathcal{N} \times \mathcal{R} \times \mathcal{N} 为边集合。

3.3 与传统知识图谱的关系

认知网络与知识图谱之间存在层次关系。我们可以将知识图谱视为认知网络的一个子网------知识子网（Knowledge Subnetwork），其中节点类型限于实体和概念，关系类型限于本体关系（如is_a, instance_of, part_of等）。

然而，认知网络超越了知识图谱的边界：

节点类型扩展：从实体和概念扩展到规则、案例、能力、工作流、上下文、目标等多种类型；
关系语义丰富：从本体关系扩展到认知关系，如依赖、支持、冲突、导出等；
动态性增强：从静态知识表示扩展到支持置信度演化、版本管理和经验沉淀；
可执行性：从被动查询扩展到能力调用和流程执行。

因此，知识图谱是认知网络的基础组成部分，而认知网络是整个智能系统真正的认知基础设施。

4 系统架构与核心组件

4.1 总体架构

WSaiOS认知网络的系统架构分为四个层次：

接入层：提供认知网络的创建、查询、更新和推理接口，支持同步和异步两种调用模式。

网络层：管理认知节点和认知关系的存储、索引和检索，包括图数据库、向量数据库和关系数据库的协同使用。

语义层：实现节点和关系的语义理解，包括实体链接、关系抽取、语义相似度计算和上下文建模。

演化层：负责认知网络的更新、版本管理、置信度校准和结构优化。

四层架构确保了认知网络在功能上的完整性和在工程上的可扩展性。

4.2 认知节点的类型体系

WSaiOS定义了以下核心节点类型：

Concept Node（概念节点）：表示领域概念或类别，如"医疗器械"、"SEO策略"。概念节点构成领域本体。

Knowledge Node（知识节点）：表示事实性或陈述性知识，如"FDA认证适用于美国市场"。

Rule Node（规则节点）：表示条件-结论形式的推理规则，如"IF 产品为医疗器械 AND 目标市场为美国 THEN 需要FDA认证"。

Case Node（案例节点）：表示历史经验或情境，包括成功案例、失败案例、项目案例、对话案例等。

Workflow Node（工作流节点）：表示可执行的多步骤流程，如采购审批流程、内容发布流程。

Capability Node（能力节点）：表示系统可执行的功能单元，如"WordPress部署"、"PDF生成"。

Goal Node（目标节点）：表示任务或目标，如"完成FDA申报"、"优化SEO排名"。

Context Node（上下文节点）：表示情境信息，如时间、地点、用户角色、设备环境等。

Document Node（文档节点）：表示非结构化的文档资源。

Pattern Node（模式节点）：表示可复用的模式或模板。

Memory Node（记忆节点）：表示系统长期记忆中的特定片段。

4.3 认知关系体系

认知关系是认知网络表达认知语义的核心机制。WSaiOS定义了以下主要关系类型：

关系类型语义含义示例

Contains 包含/组成 Workflow Contains Task

Depends 依赖 Capability Depends Knowledge

Supports 支持/使能 Rule Supports Decision

BelongsTo 归属 Case BelongsTo Domain

Requires 要求/需要 Goal Requires Capability

Causes 导致/因果 Action Causes Result

Produces 产出/生成 Workflow Produces Document

Uses 使用/应用 Capability Uses Tool

References 引用/参考 Knowledge References Document

Matches 匹配/对应 Case Matches CurrentSituation

Extends 扩展/继承 Concept Extends Concept

Conflicts 冲突/矛盾 Rule Conflicts Rule

Equivalent 等价/同义 Concept Equivalent Concept

DerivedFrom 导出/来源 Rule DerivedFrom Case

这些关系类型不仅支持图遍历，更支持语义推理。例如，当系统发现 \text{Goal} \xrightarrow{\text{Requires}} \text{Capability} 且 \text{Capability} \xrightarrow{\text{Depends}} \text{Knowledge} 时，可以自动推导出完成该目标需要特定知识。

4.4 异构网络融合机制

认知网络的核心创新之一在于将不同类型的子网融合为统一的网络结构。具体而言：

知识子网（Knowledge Subnetwork）：由Concept Node和Knowledge Node构成，表达领域的事实性知识，与传统知识图谱对应。

规则子网（Rule Subnetwork）：由Rule Node及其之间的推理关系构成，支持前向和后向链式推理。

案例子网（Case Subnetwork）：由Case Node及其之间的相似关系构成，支持基于经验的类比推理。

工作流子网（Workflow Subnetwork）：由Workflow Node和Task Node构成，表达可执行的流程结构。

能力子网（Capability Subnetwork）：由Capability Node及其依赖关系构成，表达系统的功能拓扑。

这些子网通过跨类型的认知关系相互连接。例如，一个Case Node可以通过References关系指向多个Knowledge Node，也可以通过DerivedFrom关系指向一个Rule Node。跨子网连接使得系统能够从多个认知维度综合处理问题。

5 关键机制

5.1 认知搜索

认知搜索是认知网络支持的核心操作之一，区别于传统的关键词搜索。

定义4（认知搜索，Cognitive Search）。给定查询 q （可以是非结构化文本、结构化条件或两者混合），认知搜索返回认知网络中的相关节点集合 \mathcal{N}_{relevant} \subseteq \mathcal{N} ，以及从查询到节点的认知路径 \mathcal{P} 。

认知搜索的实现包括三个层面：

语义检索：基于向量嵌入的语义相似度匹配，支持对节点Title和Description的语义理解。
结构检索：基于图结构的关联发现，通过多跳遍历找到与查询节点相关的间接关联。
混合检索：综合语义相似度和结构关联度的多因子排序。

与传统搜索不同，认知搜索返回的不只是文档列表，而是包含节点类型、关系路径和置信度的结构化结果，为后续的推理和决策提供丰富的上下文。

5.2 基于案例的推理

认知网络天然支持案例推理（CBR）。案例子网中的Case Node存储了历史情境及其解决方案，通过以下步骤支持新问题的处理：

检索（Retrieve）：根据当前问题的特征，在案例子网中搜索最相似的Case Node。相似度计算基于案例的属性向量和结构上下文。
复用（Reuse）：将检索到的案例解决方案应用于当前问题，并根据差异进行调整。
修正（Revise）：在执行过程中根据反馈修正方案。
保留（Retain）：将新的问题-解决方案对作为新的Case Node加入案例子网，实现经验积累。

认知网络的优势在于，案例检索不仅可以基于案例自身的属性，还可以通过跨子网关联（如案例关联的规则、知识和能力）进行更丰富的匹配。

5.3 规则推理与规则链

规则子网支持沿关系链的自动推理。具体而言：

当系统激活一个Rule Node时，可以通过以下关系自动扩展推理范围：

· Causes：找到该规则导致的后续规则；

· Requires：找到该规则依赖的前提规则；

· Supports：找到该规则支撑的高层规则；

· Conflicts：检测可能存在冲突的规则。

这种规则链推理避免了传统规则引擎中规则孤立的问题，使系统能够动态发现和应用相关规则，减少规则遗漏。

5.4 工作流学习与调用

工作流子网使得系统不仅能够执行预定义的流程，还能从历史执行中学习流程模式。具体机制包括：

工作流发现：通过分析工作流节点之间的路径，发现常见流程模式。
工作流推荐：根据当前目标和上下文，推荐适用的工作流。
工作流优化：通过分析工作流执行的反馈数据，调整工作流节点的参数和结构。
工作流组合：将多个基础工作流组合为复杂工作流，通过Depends关系管理依赖。

5.5 能力组合与依赖解析

能力子网描述了系统能力的拓扑结构。当系统需要完成复杂任务时，能力组合机制按以下步骤工作：

目标解析：将Goal Node分解为子目标。
能力匹配：为每个子目标找到匹配的Capability Node。
依赖解析：根据Depends关系确定能力调用的顺序和条件。
执行调度：按依赖顺序调用能力，并处理执行中的异常。

能力网络使得系统可以灵活应对任务变化，当某个能力不可用时，可以通过网络找到替代路径。

6 演化机制

6.1 认知网络的动态性

认知网络不是一次性构建的静态知识库，而是随系统运行持续演化的动态系统。演化体现在以下方面：

节点演化：每个Cognitive Node的Confidence和Version字段支持对节点内容的持续更新。当新知识进入时，系统可以创建新版本或调整置信度。

关系演化：认知关系可以随使用动态建立、强化或弱化。例如，系统可以统计两个节点被共同访问的频率，动态调整关系权重。

结构演化：新类型的节点和关系可以在系统运行过程中动态注册，无需停机或重构。

子网演化：新的案例、规则和工作流持续加入相应子网，使网络的覆盖范围和密度不断增加。

6.2 新知识注入

新知识注入认知网络的过程遵循以下流程：

知识获取：从文档、对话、API或用户输入中提取新知识。
节点创建：根据知识类型创建相应类型的Cognitive Node。
关系链接：通过实体链接和关系抽取，将新节点与现有节点建立关联。
冲突检测：检测新知识与现有知识之间是否存在Conflicts关系。
置信度评估：根据知识来源的可信度设置初始置信度。
网络更新：将新节点和关系提交到网络存储，并更新索引。

6.3 经验沉淀

经验沉淀是认知网络区别于静态知识库的重要特征。经验来源于：

· 系统执行任务的日志；

· 用户与系统的交互记录；

· 任务成功或失败的反馈；

· 系统内部推理过程的中间结果。

经验沉淀的机制包括：

案例化：将成功的任务执行过程封装为Case Node。
模式化：从重复出现的成功模式中提取Pattern Node。
规则化：从经验中归纳出新的Rule Node。
工作流化：将常用的操作序列沉淀为Workflow Node。

经验沉淀使得认知网络不仅能存储"别人告诉的知识"，还能积累"自己学会的知识"。

6.4 置信度传播与更新

认知网络中的每个节点和关系都具有置信度。当网络发生更新时，置信度沿关系传播：

前向传播：当源节点的置信度变化时，沿Supports和Causes等关系影响目标节点的置信度。
后向传播：当目标节点获得验证时，沿DerivedFrom和References等关系回溯更新源节点的置信度。
协同更新：当多个来源支持同一结论时，置信度根据证据组合规则综合计算。

置信度机制使认知网络具有了不确定性的显式表示和处理能力，这对于处理真实世界中不完整和不精确的信息至关重要。

7 应用场景与分析

7.1 应用场景

认知网络在以下场景中展现其优势：

智能决策支持：当决策者面对复杂问题时，认知网络可以同时提供相关知识（Knowledge Node）、历史案例（Case Node）、适用规则（Rule Node）和可选工作流（Workflow Node），从多个维度支持决策。

自动化任务执行：Agent Runtime通过能力网络找到所需能力，通过工作流网络获取执行流程，通过规则网络满足合规要求，实现端到端的自动化。

知识管理与沉淀：企业可以将分散的知识、经验和流程纳入统一的认知网络，避免知识孤岛，促进组织学习。

智能问答与对话：认知搜索结合多子网关联，使问答系统不仅能回答"是什么"，还能回答"怎么做"和"为什么"。

7.2 与传统方法的对比分析

我们以三个典型任务为例，比较认知网络与传统方法的差异：

任务一：FDA医疗器械出口决策

传统知识图谱只能提供"FDA是机构"、"医疗器械属于产品类别"等事实。而认知网络可以：检索相关Rule Node（FDA认证规则）、Case Node（过往认证案例）、Capability Node（认证咨询能力）、Workflow Node（认证流程），综合支持决策。

任务二：复杂故障排查

传统系统依赖预定义的决策树或规则列表，容易遗漏规则。认知网络通过规则子网的链式推理，自动发现相关规则；通过案例子网找到相似故障案例；通过能力子网定位可用的诊断工具。

任务三：新员工培训

传统培训系统提供文档和课程列表。认知网络可以为新员工生成个性化的学习路径，基于目标岗位的Capability Node反向推导所需Knowledge Node和Concept Node，并通过案例子网提供情境化学习材料。

7.3 认知网络作为认知基础设施

认知网络在WSaiOS中扮演着认知基础设施（Cognitive Infrastructure）的角色，其地位类似于操作系统中的文件系统或数据库管理系统。具体而言：

· 对Cognitive Kernel而言，认知网络提供统一的知识访问接口，屏蔽了异构知识源的差异；

· 对Agent Runtime而言，认知网络提供能力发现和工作流编排的支持；

· 对上层应用而言，认知网络提供认知搜索和推理服务，使应用无需关心知识的存储和检索细节；

· 对系统整体而言，认知网络是智能持续成长的核心载体，每一次任务执行都会回馈到网络中，形成"使用-反馈-演化"的正循环。

8 讨论

8.1 认知网络的局限与挑战

认知网络虽然提供了统一的认知组织框架，但仍面临若干挑战：

规模与性能：随着节点和关系数量的增长，认知搜索和推理的计算复杂度上升。需要在图的近似算法、分布式存储和增量计算方面进行优化。

知识质量：认知网络的有效性高度依赖节点和关系的质量。如何防止错误知识的传播、如何处理过时知识、如何评估知识来源的可信度，都是需要持续研究的问题。

冷启动：在没有足够节点和关系积累的情况下，认知网络的价值有限。需要通过导入既有知识库、利用大语言模型生成初始节点、设计引导机制鼓励用户贡献等方式解决冷启动问题。

语义歧义：不同用户或不同上下文中，同一术语可能有不同含义。认知网络需要结合Context Node进行语义消歧。

安全与权限：认知网络包含敏感知识，需要细粒度的权限控制，确保用户只能访问授权范围内的节点和关系。

8.2 未来方向

认知网络作为WSaiOS的核心创新，仍有广阔的发展空间：

认知网络的自主学习：研究如何让认知网络从系统执行反馈中自主调整结构和参数，减少人工干预。

多模态认知节点：扩展节点类型以支持图像、音频、视频等多模态知识。

认知网络与LLM的融合：探索认知网络为大语言模型提供结构化知识和可验证事实来源的机制，以及LLM辅助认知网络构建和演化的方法。

认知网络的联邦化：研究多个WSaiOS实例之间认知网络的共享与联邦学习，实现跨组织的知识协同。

形式化验证：为认知网络建立形式化语义，支持对网络内容的逻辑一致性验证。

9 结论

本文基于WSaiOS的设计与实践，提出了认知网络（Cognitive Network）的理论框架。认知网络通过统一抽象认知节点、建立多层次认知关系、融合异构认知子网、支持持续演化，实现了从"知识连接"到"智能组织"的范式升级。

我们的核心观点可以概括为三个层次：

第一层：传统知识图谱擅长表达事实性知识，能够回答"是什么"，但其表达边界决定了它难以支撑复杂的认知任务。

第二层：智能系统需要的不仅是知识，还需要规则、案例、能力、流程、经验等多维度认知资产。这些资产需要统一组织，而非分散管理。

第三层：认知网络通过统一建模、多网融合、持续演化的机制，为智能系统提供了可计算、可扩展、可持续成长的认知基础设施，是通向通用人工智能的重要基石。

认知网络的理论意义在于回答了"智能如何组织"这一根本问题，其实践意义在于为WSaiOS的认知内核、Agent运行时和上层应用提供了统一的认知支撑。随着系统运行和网络演化，认知网络将日益成为WSaiOS最核心的数字资产和竞争力来源。

参考文献

$1$ Berners-Lee T, Hendler J, Lassila O. The semantic web $J$ . Scientific american, 2001, 284(5): 34-43.

$2$ Singhal A. Introducing the knowledge graph: things, not strings $R$ . Official Google Blog, 2012.

$3$ Noy N F, Gao Y, Jain A, et al. Industry-scale knowledge graphs: lessons and challenges $J$ . Communications of the ACM, 2019, 62(8): 36-43.

$4$ Quillian M R. Semantic memory $M$ //Semantic information processing. 1968: 227-270.

$5$ Minsky M. A framework for representing knowledge $M$ //The psychology of computer vision. 1975: 211-277.

$6$ McGuinness D L, Van Harmelen F. OWL web ontology language overview $R$ . W3C Recommendation, 2004.

$7$ Hitzler P, Krötzsch M, Rudolph S. Foundations of semantic web technologies $M$ . CRC Press, 2009.

$8$ Noy N F, Musen M A. A survey of ontology versioning and evolution $C$ //International Workshop on Semantic Web Foundations and Application Technologies. 2004.

$9$ Laird J E. The Soar cognitive architecture $M$ . MIT Press, 2012.

$10$ Anderson J R. How can the human mind occur in the physical universe? $M$ . Oxford University Press, 2007.

$11$ Aamodt A, Plaza E. Case-based reasoning: Foundational issues, methodological variations, and system approaches $J$ . AI communications, 1994, 7(1): 39-59.

$12$ Chen W, Wang H, Chen J, et al. Knowledge graph enhanced case-based reasoning for business decision support $C$ //AAAI Conference on Artificial Intelligence. 2021.