答案集编程(Answer Set Programming, 简称ASP)是一种基于逻辑的编程范式，主要用于解决人工智能中的知识表示和非单调推理问题。在ASP中，知识表示的关键在于处理所谓的认知否定（epistemic negation）以及默认否定（default negation，通常用符号“¬”表示）。认知否定是一种用于表示知识的否定形式，它与默认否定的区别在于，认知否定表达的是“知识中不包含某信息”，而默认否定则是简单地表示“某信息不成立”。
在现有的认知方法中，如Gelfond等人提出的方法，存在一些问题，主要是由于认知模态操作符（如K和M）的递归使用导致的非预期世界视图（unintended worldviews）的问题。这类世界视图的问题主要是因为递归调用认知模态操作符时无法正确地反映预期的认知否定语义，可能会导致错误的世界状态被考虑在内，从而影响推理结果的正确性。
在本文中，作者Yi-Dong Shen提出了一种新的处理认知否定的方法。这种方法避免了非预期世界视图的出现，从而为Gelfond提出的长期存在的认知规格（epistemic specifications）问题提供了解决方案。这个新的方法适用于推广任何已存在的答案集语义学，例如Faber等人定义的FLP答案集语义学，以及Shen等人提出的更为严格且没有默认否定循环性的FLP语义学。
在处理认知否定方面，本文考虑了一般逻辑程序（general logic programs），它由形式为H←B的规则构成，其中H和B是可能包含认知否定的一阶逻辑公式。通过引入一种新的程序转换和一种新定义的世界视图来最小化世界视图中的知识，作者定义了一般逻辑程序的一般认知答案集语义（general epistemic answer set semantics）。
本文中的新方法不仅在理论上为认知否定提供了新的语义解释，还在实践中对于现有ASP系统的扩展性和正确性提供了重要贡献。例如，通过对一般逻辑程序的认知否定扩展，可以得到认知FLP语义（epistemic FLP semantics），并且通过该方法能够扩展Shen等人提出的无默认否定循环性的FLP语义为认知无循环语义（epistemic well-justified semantics）。
为了更深入理解这一技术的发展和应用，本文的研究成果对于学术界和工业界中的ASP研究和实践具有重要的意义。特别是在需要对复杂知识系统进行推理的场景，如专家系统、智能规划、以及在信息不完整或者不确定时需要做出合理决策的领域，这是一项突破性的进展。通过提供一个更加健壮的认知否定处理机制，本文为ASP在这些领域的应用提供了坚实的理论基础和技术支持。
