WSaiOS EOM模拟人工认知工程理论

第十章：人工认知匹配理论——从知识库到认知能力

10.1 为什么研究认知匹配

前面章节已经建立了EOM人工认知体系：

信息

↓

认知元素

↓

认知对象

↓

对象关系

↓

知识库

↓

方法

↓

行动

↓

经验记忆

但是，一个人工认知系统仍然需要解决一个关键问题：

新输入的信息，如何与已有知识产生联系？

人类的大脑并不是每次面对世界都重新学习。

例如：

第一次看到：

四个轮子

方向盘

发动机

车身

通过认知过程：

形成：

汽车

以后再次看到：

类似结构。

大脑会快速匹配：

这可能是一辆汽车

这个过程：

就是：

认知匹配（Cognitive Matching）

EOM认为：

智能的核心不是存储知识，而是利用已有知识匹配新的信息。

10.2 传统搜索与认知匹配的区别

传统搜索：

主要依据：

关键词。

例如：

输入：

电动牙刷供应商

搜索：

寻找包含：

电动牙刷

供应商

的页面。

这种方式：

匹配的是：

文字。

而EOM认知匹配：

匹配：

元素

对象

关系

状态

经验

例如：

输入：

寻找美国市场电动牙刷OEM厂家

系统解析：

元素：

产品：

电动牙刷


角色：

采购者


需求：

寻找厂家


地区：

美国

形成对象：

采购需求对象

然后匹配：

知识库中的：

供应商对象

匹配的是：

认知结构。

10.3 认知匹配模型

EOM定义：

认知匹配：

Cognitive Matching

=

Input Object

+

Knowledge Object

+

Relationship Analysis

+
 
Experience Weight

即：

输入对象

与

知识对象

进行比较。

匹配过程：

新信息

↓

元素解析

↓

对象形成

↓

知识库搜索

↓

对象匹配

↓

关系判断

↓

经验评分

↓

认知结果

10.4 元素匹配

第一层：

元素匹配。

例如输入：

深圳电动牙刷厂家

解析：

元素：

深圳

电动牙刷

厂家

知识库：

寻找：

地区元素：

深圳


产品元素：

电动牙刷


角色元素：

厂家

如果元素一致：

进入下一层。

元素匹配公式：

Element Score

=

匹配元素数量

/

总元素数量

例如：

5个元素：

匹配4个。

评分：

80%

10.5 对象匹配

元素只是基础。

真正认知需要：

对象匹配。

例如：

输入：

寻找供应商

形成：

对象：

采购需求对象

知识库：

对象：

供应商对象

系统比较：

需求对象

是否匹配

供应商对象

比较内容：

属性

状态

能力

关系

例如：

需求：

需要OEM能力

供应商：

拥有OEM能力

形成：

对象匹配。

10.6 关系匹配

EOM认为：

最高级匹配不是对象。

而是：

关系。

因为：

对象代表存在。

关系代表理解。

例如：

两个供应商：

A：

生产

电动牙刷

B：

销售

电动牙刷

虽然：

两个都是：

电动牙刷相关对象。

但是关系不同。

如果用户需要：

生产厂家。

匹配：

A。

原因：

关系匹配正确。

因此：

EOM提出：

认知匹配优先级：

关系

>

对象

>

元素

10.7 状态匹配

现实对象不断变化。

因此需要状态匹配。

例如：

供应商对象：

状态：

正常合作

另一个：

状态：

停止营业

虽然：

属性相同。

但是：

状态不同。

系统应该：

降低匹配概率。

状态模型：

Match

=

Object

+

State

10.8 经验匹配

长期经验会影响匹配。

例如：

两个供应商：

条件相同。

供应商A：

历史：

合作10次

成功9次

供应商B：

历史：

合作10次

成功4次

系统应该：

优先A。

因为：

经验改变认知权重。

经验模型：

Final Score

=

Basic Match

+

Experience Weight

10.9 用户知识参与认知匹配

EOM提出：

人工认知能力不是完全来自系统。

而来自：

用户自身知识。

例如：

两个企业使用同一个系统。

企业A：

拥有：

电子产品供应链资料

企业B：

拥有：

餐饮行业资料

面对：

同一个问题。

系统匹配结果不同。

原因：

用户知识不同。

模型：

User Knowledge

+

System Knowledge

↓

Personal Cognitive Ability

10.10 用户私有知识库模型

EOM设计：

每个用户拥有：

个人认知空间。

结构：

User Knowledge Space


{

Private Object

Private Relation

Private Memory

Private Experience

}

例如：

企业用户保存：

供应商名单。

系统形成：

用户供应商对象库

以后：

优先匹配用户已有资源。

10.11 认知匹配引擎设计

WSaiOS：

设计：

Cognitive Matching Engine。

结构：

Cognitive Matching Engine


Element Matcher

        |

Object Matcher

        |

Relationship Matcher

        |

Memory Matcher

        |

Decision Score

10.12 PHP OOP实现匹配引擎

匹配接口

class CognitiveMatcher
{


    public function match($input,$knowledge)
    {


    }


}

元素匹配：

class ElementMatcher
{


public function compare($a,$b)
{


}


}

对象匹配：

class ObjectMatcher
{


public function compareObject($object1,$object2)
{


}


}

关系匹配：

class RelationshipMatcher
{


public function compareRelation($r1,$r2)
{


}


}

组合：

class CognitiveEngine
{


public function analyze($input)
{


$elementScore=

$this->elementMatcher();


$objectScore=

$this->objectMatcher();


$relationScore=

$this->relationMatcher();



return $score;


}


}

10.13 MVC中的认知匹配流程

Model

保存：

知识对象

关系

经验

Controller

执行：

输入解析

匹配调用

结果生成

流程：

用户输入

↓

Controller

↓

CognitiveMatcher

↓

KnowledgeBase

↓

Memory

↓

Result

View

Smarty输出：

匹配对象

匹配原因

历史经验

推荐结果

10.14 认知匹配与人工智能能力

EOM认为：

人工智能能力：

不是简单：

拥有多少数据。

而是：

拥有多少结构化知识

+

如何匹配知识

+

如何调用方法

+

如何利用经验

因此：

智能过程：

感知

↓

匹配

↓

理解

↓

判断

↓

行动

10.15 本章核心结论

EOM认为：

人工认知的核心过程，是将新的信息与已有认知结构进行匹配，从而产生理解、判断和行动。

传统系统：

输入

↓

查询

↓

结果

EOM系统：

输入

↓

元素匹配

↓

对象匹配

↓

关系匹配

↓

经验匹配

↓

认知结果

↓

行动

软件实现：

ElementMatcher

↓

ObjectMatcher

↓

RelationshipMatcher

↓

MemoryMatcher

↓

DecisionEngine

WSaiOS EOM通过：

PHP OOP

+

MVC

+

知识库

+

记忆系统

+

匹配引擎

构建：

从信息处理到人工认知能力的工程模型。

下一章：

第十一章：人工认知决策理论——从匹配结果到智能行动

重点研究：

• 为什么认知系统必须具备决策能力；
• 决策如何基于对象、关系、方法和经验；
• 概率记忆如何影响决策；
• Decision模型如何对应PHP OOP实现；
• Controller如何形成自动化认知流程。