知识库 (KB) 不是静态实体：新信息不断出现，一些以前的知识变得过时。 为了反映知识的这种演变，知识库应该用新知识进行扩展，并从过时的知识中收缩。 这个问题在命题中得到了很好的研究，但对于一阶知识库来说却少得多。 在这项工作中，我们研究了 DL-Lite 中表达的知识库的知识扩展和收缩，DL-Lite 是 Web 本体语言 OWL2 的易处理片段 OWL2 QL 的基础描述逻辑 (DL) 家族。 我们从一个新的知识进化框架和进化应该尊重的自然假设开始，并将我们的假设与完善的 AGM 假设进行比较。 然后，我们回顾了著名的命题理论扩展和收缩模型和基于公式的方法，并展示了它们如何适用于 DL-Lite 的情况。 特别是，我们展示了基于模型的方法的内在局限性：除了其中一些方法不尊重我们建立的假设之外，它们还忽略了知识库的结构特性。 这会导致演化结果的不良属性：DL-Lite KB 的演化无法在 DL-Lite 中捕获。 此外，我们表明众所周知的基于公式的方法也不适合 DL-Lite 扩展和收缩：它们要么具有高计算复杂性，要么产生无法在 DL-Lite 中表达的逻辑理论。 因此，我们提出了一种新的基于公式的方法，该方法尊重我们的原则，并且在 DL-Lite 中可以表达进化。 对于这种方法，我们还提出了多项式时间确定性算法来计算 DL-Lite KB 的演化，当演化仅影响事实数据时。
