Technical Report -- A Context-Sensitive Multi-Level Similarity Framework for First-Order Logic Arguments: An Axiomatic Study

Titolo del Documento

Quadro di Similarità Multi-Livello Sensibile al Contesto per Argomenti in Logica del Primo Ordine: Uno Studio Assiomatico

1. Il Problema

La similarità tra argomenti formali è diventata cruciale in ambiti come l'aggregazione di argomenti nella semantica graduale e la decodifica degli entimemi (argomenti incompleti). Sebbene esistano approcci consolidati per la logica proposizionale, questi mostrano limitazioni significative quando applicati alla Logica del Primo Ordine (FOL):

• Struttura Complessa: La FOL richiede di gestire predicati, termini, variabili e quantificatori, rendendo difficile una semplice comparazione sintattica.
• Problemi di Scalabilità: Gli approcci esistenti che tentano di gestire le variabili tramite istanziazione completa soffrono di esplosione combinatoria, specialmente in domini aperti o illimitati (tipici del linguaggio naturale).
• Mancanza di Sensibilità Contestuale: Le metriche attuali spesso ignorano l'importanza relativa dei diversi componenti semantici (es. un predicato d'azione può essere più importante di un dettaglio descrittivo).

2. Metodologia

Gli autori propongono un nuovo framework ibrido che combina la struttura logica simbolica con modelli linguistici e pesatura contestuale. La metodologia si articola in quattro livelli principali:

A. Fondamenta Logiche e Trasformazione CNF

• Rappresentazione: Gli argomenti sono definiti come coppie $\langle \Phi, \alpha \rangle$ (supporto e conclusione) in FOL.
• Compilazione CNF: Per gestire la complessità, gli argomenti vengono trasformati in Forma Normale Congiuntiva (CNF).
  • Viene utilizzata la Skolemizzazione per eliminare i quantificatori esistenziali, trattando le variabili come costanti. Questo approccio sacrifica l'equivalenza logica perfetta a favore della scalabilità e della fattibilità operativa, evitando l'esplosione combinatoria dell'istanziazione completa.
  • Gli argomenti diventano coppie di insiemi di clausole CNF.

B. Modello di Similarità Multi-Livello Parametrico

Il framework calcola la similarità in quattro livelli gerarchici, dove ogni livello si basa sul precedente:

1. Predicati e Termini ($sim_P$): Similarità tra simboli (es. "cane" vs "scimmia"). Può essere sintattica (uguaglianza esatta) o semantica (tramite modelli linguistici come SBERT).
2. Letterali ($sim_L$): Similarità tra atomi logici (predicato + termini). Combina la similarità del predicato con quella dei parametri, gestendo sia l'ordine che il matching "migliore" (best-match) tra termini.
3. Clausole ($sim_C$): Similarità tra clausole (disgiunzioni di letterali). Utilizza una misura di Tversky Fuzzy adattata, che aggrega le similarità dei letterali permettendo di gestire clausole di dimensioni diverse.
4. Insiemi di Clausole / Formule ($sim_S$): Similarità tra premesse o conclusioni. Calcolata come una media pesata delle migliori corrispondenze tra clausole, utilizzando pesi contestuali.

C. Sensibilità al Contesto e Pesi

Un contributo chiave è l'introduzione di pesi contestuali ($w$) assegnati a predicati, termini e clausole.

• Questi pesi riflettono l'importanza semantica percepita (es. in un contesto di "dominio", il verbo "teasing" potrebbe avere un peso maggiore rispetto alla posizione "zoo").
• I pesi influenzano il calcolo della similarità a livello di letterali e clausole, permettendo al modello di dare priorità agli elementi informativi rilevanti.

D. Pipeline di Applicazione

Il processo operativo prevede tre fasi:

1. Trasformazione Logica: Mappatura del testo naturale in rappresentazioni FOL-CNF (es. tramite LLM).
2. Assegnazione dei Pesi: Assegnazione manuale o appresa di pesi contestuali ai componenti logici.
3. Calcolo della Similarità: Allineamento delle clausole, calcolo della similarità pesata e aggregazione finale per ottenere un punteggio tra 0 e 1.

3. Contributi Chiave

1. Fondazione Assiomatica Estesa: Definizione di un insieme di principi (assiomi) che una misura di similarità dovrebbe soddisfare in FOL, tra cui:
   • Massimalità, Simmetria, Sostituzione.
   • Indipendenza dalla Sintassi (opzionale, a seconda del modello).
   • Minimilità e Non-Zero: Garantiscono che la similarità globale derivi direttamente dalla similarità dei componenti base.
   • Monotonia e Rinforzo: Principi che regolano come l'aggiunta di nuove informazioni influisce sulla similarità.
2. Due Famiglie di Modelli:
   • Sintatticamente Sensibile ($M_{sb}$): Utilizza modelli linguistici (es. SBERT) per calcolare similarità semantiche tra simboli diversi (es. "cane" e "scimmia" hanno una similarità parziale).
   • Sintatticamente Indipendente ($M_{eq}$): Considera simili solo gli elementi sintatticamente identici.
3. Framework Ibrido: È il primo approccio che integra struttura logica FOL-CNF, modelli linguistici e pesatura contestuale per la similarità degli argomenti.
4. Spiegabilità: A differenza dei modelli basati puramente su embedding (black-box), questo approccio offre una decomposizione simbolica che permette di tracciare perché due argomenti sono simili (es. "le clausole sulla posizione sono identiche, ma quelle sull'azione hanno similarità parziale").

4. Risultati ed Evidenze

• Casi di Studio: Gli autori hanno testato il framework su esempi tratti dal dataset STSb (Semantic Textual Similarity) e su scenari di argomenti strutturati (es. interazioni tra animali allo zoo).
  • Esempio: Confronto tra "Un cane sta prendendo in giro una scimmia" e "Una scimmia sta prendendo in giro un cane".
  • Risultato: Il modello assegna un punteggio di similarità di 0.628, allineandosi strettamente con la valutazione umana media (0.630).
  • Confronto: I modelli SBERT standard danno punteggi troppo alti (0.985) ignorando il cambio di ruolo agente/paziente, mentre ChatGPT-4o fornisce una giustificazione testuale ma non strutturata (0.400). Il modello proposto bilancia struttura e semantica.
• Validazione Assiomatica: Sono stati dimostrati teoremi che provano come le famiglie di modelli proposte soddisfino la maggior parte dei principi assiomatici (13 su 14 per il modello sintatticamente indipendente, 12 su 14 per quello sensibile alla sintassi, con l'eccezione del principio "Non-Zero" in certi casi di pesatura estrema).
• Efficienza: Il calcolo è stato eseguito in circa 0.3 secondi su hardware consumer, dimostrando la fattibilità pratica.

5. Significato e Implicazioni

Questo lavoro è significativo per diversi motivi:

• Ponte tra Logica e NLP: Offre un metodo rigoroso per applicare la logica formale a problemi di linguaggio naturale, superando le limitazioni della logica proposizionale.
• Interpretabilità: Fornisce un'alternativa trasparente ai modelli di embedding neurali, cruciali per applicazioni di XAI (Explainable AI) e sistemi di supporto alle decisioni.
• Flessibilità Contestuale: La capacità di adattare i pesi in base al contesto (es. dare più importanza alla conclusione che alle premesse in certi scenari di dibattito) rende il sistema adattabile a diverse applicazioni (decodifica di entimemi, aggregazione di argomenti, clustering).
• Fondazione per Futuri Lavori: Apre la strada a ricerche su misure di similarità non simmetriche, calibrazione automatica dei pesi e benchmark empirici su larga scala.

In sintesi, il paper presenta un framework teorico e pratico solido per misurare la similarità tra argomenti complessi, combinando la precisione della logica formale con la flessibilità semantica dei moderni modelli linguistici.