Neural-Symbolic Reasoning over Knowledge Graphs: A Survey from a Query Perspective
本综述对知识图谱上的神经符号推理进行了全面回顾，重点关注查询类型与分类，同时探讨了通过集成大语言模型来弥合深度学习与符号推理之间鸿沟的创新方法。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一个巨大的数字图书馆，其中关于世界的每一个事实都不以书籍的形式存储，而是作为一张庞大的连接网络。在这个图书馆中，一个人与他的职业相连，一座城市与其所属国家相连，一部电影与其导演相连。这种被称为“知识图谱”的结构，就像是人类理解的一张地图，允许计算机在不同信息片段之间进行导航。几十年来，科学家们一直试图教会机器通过这张地图进行推理，去提出问题并发现隐藏在连接之中的新真理。然而，现实世界是混乱的。事实往往是缺失的，数据也可能是嘈ла或矛盾的。传统的处理方法依赖于像法律条文一样严格、僵化的规则，当面对这些不完美的情况时，它们往往会失效，无法处理现实中的灰色地带。
为了解决这个问题，研究人员一直在开发一种融合了两种不同思维方式的新型智能。一种方式就像计算机程序遵循严格的食谱，精确但脆弱；另一种方式则像人类大脑通过模式进行学习，灵活但有时模糊。通过融合这些方法，科学家们正在创造能够以准确性和适应性同时处理混乱知识网络的系统。韦恩州立大学和伊利诺伊大学厄巴纳-香槟分校的研究人员最近进行的一项调查，深入探讨了这一领域的发展现状。他们研究了这些系统如何回答问题——从简单的单步查询到复杂的、多层级的谜题，以及它们现在是如何被一种新的强大工具所赋能：大型语言模型，也就是驱动现代聊天机器人的同类技术。
研究人员通过观察这些系统被要求回答的问题类型来组织他们的综述。最简单的问题是“单跳查询”（single-hop queries），即答案仅一步之遥。如果你问：“X公司的首席执行官是谁？”，系统会寻找一个直接的链接。对于这类任务，旧的方法使用由专家编写的严格规则，但当数据不完整时，这些规则经常失效。较新的方法使用神经网络（一种通过示例进行学习的计算机模型）来预测缺失的链接。最有效的方法是将两者结合起来：利用神经网络的学习能力来处理不确定性，同时保留规则的逻辑结构以确保答案合理。这种混合方法使系统能够推断出：如果一个人在特定城市的一家公司工作，那么他很可能也居住在该城市，即使这一具体事实从未被明确记录下来。
当问题变得更加复杂，涉及多个步骤或包含“与”、“或”、“非”等逻辑条件时，挑战也随之显著增加。这不仅仅是寻找单个链接，而是要在网络中寻找路径。该综述解释说，研究人员已经开发出将这些问题视为数学问题的方法，可以通过在几何空间中移动来解决这些问题。系统不再仅仅检查一个事实是真是假，而是为不同的可能性分配一个“真实度”。一些方法将这些可能性可视化为多维空间中的形状，如方块或球体。通过观察这些形状如何重叠或契合，计算机可以确定复杂问题的答案，例如：“找出所有曾与一位来自法国的导演合作过、但尚未获得奥斯卡奖的演员。”研究人员发现，尽管这些方法功能强大，但在处理最复杂的逻辑结构时仍然存在困难，这表明该领域仍处于成熟阶段。
该调查还探讨了这些系统如何处理以日常语言而非正式代码提出的问题。当人类问道：“去年获得最多奖项的电影里的反派是谁？”时，系统必须首先理解这个句子，将其拆解，然后搜索知识图谱。早期的尝试试图将句子翻译成僵化的指令，但如果措辞不寻ert，这种方法往往会失败。较新的方法使用强化学习（一种系统通过试错来学习的技术）来导航图谱并找到答案。在用户询问后续问题的对话中，系统必须记住前一轮对话的上下文。研究人员指出，虽然已经取得了进展，但这些系统在处理长链推理时有时会迷失方向，或者无法区分数据中相似的路径。
调查中讨论的最令人兴奋的发展是大型语言模型与知识图谱的整合。这些模型在理解人类语言方面表现出色，但由于缺乏对经过验证的事实数据库的访问，经常会出现“幻觉”问题（即编造事实）；相反，知识图谱充满了事实，却不擅长理解自然语言。研究人员发现，将两者结合起来会产生强大的伙伴关系。在一种方法中，语言模型充当向导，帮助将人类的问题转化为针对知识图谱的搜索查询。在另一种方法中，知识图谱充当事实检查器，为语言模型提供经过验证的信息，以防止其编造内容。最先进的方法允许两者在循环中协同工作：语言模型帮助图谱寻找相关信息，而图谱帮助语言模型完善其答案。这种相互协作创造了一个既能流畅对话又植根于现实的系统。
展望未来，研究人员认为下一个前沿领域在于将这些系统扩展到文本之外。他们设想了包含图像、视频和音频的知识图谱，使计算机能够以一种更接近人类感知的形式来理解世界。他们还预见到一个这些系统可以跨越不同语言的未来，能够在无需人工翻译的情况下，找到用英语、中文或西班牙语表达的事实之间的联系。虽然当前技术在提高机器智能化和可靠性方面取得了显著进展，但调查结论指出，仍有大量工作要做。目标是构建不仅能检索信息，而且能真正理解人类知识中复杂且互联本质的系统，以如同人类心智般的优雅，处理现实世界的混乱。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。