Logical Semantics, Dialogical Argumentation, and Textual Entailment
LIRMM, Univ Montpellier, CNRS（蒙彼利埃大学 LIRMM 实验室、法国国家科学研究中心）
在这一章中，我们引入了一个新的一阶经典逻辑的对话系统，它接近于自然语言论证，并证明了它关于通常的经典有效性的完备性。我们将我们的对话系统与第二作者开发的Grail语法和语义分析器相结合，以解决自动文本蕴涵问题，也就是说，我们用它来决定一个句子是否是一个简短的文本的结果。这项工作，它连接自然语言语义和论证与对话逻辑，可以被视为一个推理的观点自然语言语义的一步。
2020-08-17 cs.CL
Logic-Guided Data Augmentation and Regularization for Consistent Question Answering
University of Washington（华盛顿大学）；Allen Institute for AI（艾伦人工智能研究所）
许多自然语言问题需要在两个实体或事件之间进行定性、定量或逻辑比较。本文提出了一种将逻辑规则和神经模型相结合的方法来提高比较问题回答的准确性和一致性。我们的方法利用逻辑和语言知识来增加标记的训练数据，然后使用基于一致性的正则化训练模型。提高了预测的全局一致性，我们的方法在各种问答（QA）任务，包括多项选择定性推理，因果推理和提取机器阅读理解中实现了比以前的方法有很大的改进。特别是，我们的方法在数据集上将基于RoberTa的模型的性能显著提高了1-5%。我们在WIQA和WITRel上将最先进的技术水平提高了约5-8%，并在HotpotQA上将一致性违规减少了58%。我们进一步证明了我们的方法可以从有限的数据中有效地学习。
2020-05-25 cs.CL
A Theorem-Proving-Based Evaluation of Neural Semantic Parsing
Kyoto University（京都大学）；Keio University（庆应大学）；Kikagaku Inc.（麒麟株式会社）
本文指出 Smatch 等图匹配指标仅捕捉表面重叠而非逻辑等价，通过结合自动定理证明重新评估神经语义解析器，发现图匹配表现好的模型常无法生成逻辑等价公式，归一化能提升逻辑充分性，凸显了逻辑敏感评估的必要性。
2025-10-13 cs.CL
Speak to your Parser: Interactive Text-to-SQL with Natural Language Feedback
University of Maryland, College Park（马里兰大学帕克分校）；Microsoft Research（微软研究院）
我们研究了带有自然语言反馈的语义分析校正任务。给定一个自然语言话语，大多数语义解析系统将该问题作为一次性翻译，其中话语被映射到对应的逻辑形式。在本文中，我们研究了一个更具交互性的场景，人类可以进一步与系统进行交互，提供自由形式的自然语言反馈，以纠正系统时，它产生的初始话语的不准确的解释。我们专注于自然语言的SQL系统和构造，SPLASH，一个数据集的话语，不正确的SQL解释和相应的自然语言的反馈。我们比较了各种参考模型的校正任务，并表明，将这样一个丰富的反馈形式，可以显着提高整体语义解析的准确性，同时保留了灵活性的自然语言的互动。虽然我们估计人类校正准确率为81.5%，但我们的最佳模型仅达到25.1%，这为未来的研究留下了很大的差距。SPLASH可在https://aka.ms/Splash_dataset上公开获得。
2020-06-01 cs.CL
SLFNet: Generating Semantic Logic Forms from Natural Language Using Semantic Probability Graphs
School of Computer Science and Technology, University of Science and Technology of China（中国科学技术大学计算机科学与技术学院）
SLFNet通过引入依存句法先验、语义概率图和多头SLF注意力机制，解决序列到序列语义解析中的“顺序问题”，在多个数据集上取得领先性能。
2024-03-29 cs.CL
Aligning with Logic: Measuring, Evaluating and Improving Logical Preference Consistency in Large Language Models
University of Cambridge（剑桥大学）；Monash University（莫纳什大学）
本研究针对LLMs判断不一致问题，提出基于传递性等三个属性的逻辑偏好一致性评估框架，引入REPAIR技术提升一致性并保持人类偏好对齐，实验证明该框架可反映鲁棒性且改进后算法性能更好。
2025-02-09 cs.AI cs.CL cs.LO
Last Layer Logits to Logic: Empowering LLMs with Logic-Consistent Structured Knowledge Reasoning
Zhejiang University（浙江大学）；Ant Group（蚂蚁集团）；ZJU-Ant Group Joint Lab of Knowledge Graph（浙江大学-蚂蚁集团知识图谱联合实验室）
针对LLM在结构化知识推理中的逻辑漂移问题，提出Logits-to-Logic框架，通过logits增强和过滤模块修正输出逻辑缺陷，在多个KGQA基准上取得最佳性能。
2026-10-05 cs.CL
Semantic Parsing for Task Oriented Dialog using Hierarchical Representations
Facebook Conversational AI（Facebook 对话人工智能）；Facebook AI Research（Facebook 人工智能研究院）
面向任务的对话系统通常首先将用户话语解析为包括意图和槽的语义框架。以前关于面向任务的意图和槽填充工作的工作被限制为每个查询一个意图和每个令牌一个槽标签，因此无法对复杂的组合请求进行建模。替代的语义解析系统已经将查询表示为逻辑形式，但是这些对于注释和解析是具有挑战性的。我们提出了一个层次化的语义解析的注释方案，允许组合查询的表示，并可以有效地和准确地解析标准的选区解析模型。我们发布了一个44k注释查询的数据集（fb.me/semanticparsingdialog），并表明解析模型在这个数据集上的性能优于序列到序列的方法。
2018-10-18 cs.CL
Robust Parsing Based on Discourse Information: Completing partial parses of ill-formed sentences on the basis of discourse information
在一个连贯的文本中，许多单词和短语在一个以上的句子中重复使用。当一个相同的短语（一组连续的词）在不同的句子中重复时，这些句子的组成词往往以相同的修饰模式与相同的词性和相同的修饰语-修饰语关系相关联。因此，当句法分析器不能将句子分析为统一的结构时，在同一文本内的其他句子的完整分析中的在形态上相同的词之间的词性和修饰语-修饰语关系提供用于获得句子的部分分析的有用信息。在本文中，我们描述了一种方法来完成部分解析保持一致性的形态相同的话在同一文本中，就其词性和修饰语的关系。通过使用该方法与技术文档所获得的实验结果提供了良好的前景，以提高在广泛覆盖的自然语言处理系统，如机器翻译系统的句子分析的准确性。
1995-05-24 cmp-lg cs.CL
An Attributive Logic of Set Descriptions and Set Operations
本文提供了一个模型论语义的特征项增加了集合描述。我们提供的约束，指定HPSG风格集的描述，固定的基数集的描述，集成员资格的限制，限制通用的角色量化，集并集，交集，子集和不相交。给出了一个合理、完整和可终止的一致性检验过程，以确定逻辑中任何给定项的一致性。它表明，确定一致性的条款是一个NP完全问题。
1994-05-30 cmp-lg cs.CL
A Logic-Driven Framework for Consistency of Neural Models
University of Utah（犹他大学）
虽然神经模型在个体预测上显示出惊人的准确性，但它们的内部信念在不同的例子中可能不一致。在本文中，我们形式化这种不一致的预测误差的推广。我们提出了一个学习框架，用于使用逻辑规则来约束模型，以使其远离不一致。我们的框架可以利用标记和未标记的例子，并直接与现成的学习计划，而无需模型重新设计兼容。我们在自然语言推理上实例化了我们的框架，实验表明，执行逻辑中规定的不变量可以帮助神经模型的预测准确和一致。
2019-09-13 cs.AI cs.CL cs.LG
LC-ERD: Mining Latent Logic for Self-Evolving Reasoning via Consistency-Regulated Reward Decomposition
The Chinese University of Hong Kong（香港中文大学）；Shanghai Jiaotong University（上海交通大学）；Fudan University（复旦大学）
针对大语言模型推理中高质量过程数据稀缺的问题，提出LC-ERD框架，通过潜在逻辑挖掘和一致性调节的奖励分解，实现自我对齐与推理进化。
2026-05-30 cs.AI cs.CL
Disambiguate First, Parse Later: Generating Interpretations for Ambiguity Resolution in Semantic Parsing
Institute for Language, Cognition and Computation, School of Informatics, University of Edinburgh（语言、认知与计算研究所，信息学院，爱丁堡大学）
针对语义解析中的歧义问题，提出先消歧后解析的模块化方法，利用LLM偏见生成首选消歧结果，并结合填充模型生成缺失解释，有效提升了解释覆盖率与跨数据集泛化能力。
2025-07-12 cs.AI cs.CL
Deterministic Consistency Checking of LP Constraints
我们提供了一个约束为基础的计算模型的线性优先HPSG文法形式主义。描述了一种扩展的特征逻辑，它增加了涉及优先级的各种约束。给出了一个合理、完整、可终止的确定性约束求解过程。确定性计算模型通过弱化逻辑来实现，使得它足以用于涉及词序的语言学应用。
1995-02-16 cmp-lg cs.CL
Logic-Regularized Verifier Elicits Reasoning from LLMs
Department of Computer Science and Technology, East China Normal University（东华大学计算机科学与技术系）；Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究院（TeleAI））
本文提出LOVER，一种基于逻辑规则的无监督验证器，通过内在激活和三个逻辑约束提升LLM推理能力，实验表明其性能优于无监督基线，接近监督验证器水平。
2026-05-07 cs.AI cs.CL
VeriCoT: Neuro-symbolic Chain-of-Thought Validation via Logical Consistency Checks
University of Pennsylvania（宾夕法尼亚大学）；Amazon Web Services（亚马逊网络服务）
VeriCoT 通过将思维链推理步骤形式化为一阶逻辑并进行一致性验证，以识别逻辑缺陷并预测答案正确性，同时利用验证信号改进推理与微调。
2025-11-06 cs.AI cs.CL
Improving Coherence and Consistency in Neural Sequence Models with Dual-System, Neuro-Symbolic Reasoning
MIT（麻省理工学院）；DeepMind；NYU（纽约大学）；Facebook AI Research（Facebook人工智能研究院）
人类推理通常可以理解为两个系统之间的相互作用：直觉和联想（“系统1”）和深思熟虑和逻辑（“系统2”）。神经序列模型-在执行复杂的结构化任务方面越来越成功-展示了系统1的优势和失败模式：它们速度快，可以从数据中学习模式，但通常不一致和不连贯。在这项工作中，我们寻求一种轻量级的，无需训练的方法，通过添加System 2启发的逻辑推理来改进现有的System 1类序列模型。我们探讨了这个主题的几种变化，其中候选人的神经序列模型的逻辑一致性检查的符号推理模块，它可以接受或拒绝的代。我们的方法使用神经推理在神经系统1和逻辑系统2之间进行调解。结果表明，该方法可以提高基于神经的故事生成的一致性和准确性。
2021-12-15 cs.AI cs.CL cs.LG
An Efficient Algorithm for Surface Generation
本文给出了一种方法，它将一个逻辑文法“倒置”，并从逻辑形式的角度而不是从单词串的角度来显示它。LR编译技术被用来允许递归下降生成算法执行“函子合并”，就像LR解析器执行前缀合并一样。这是对语义头驱动的生成器的改进，导致搜索空间更小。语义先行的数量可以变化，并且可以自动找到表大小和所产生的不确定性之间的适当折衷点。
1995-07-21 cmp-lg cs.CL
ShadowGNN: Graph Projection Neural Network for Text-to-SQL Parser
Shanghai Jiao Tong University（上海交通大学）；State Key Lab of Media Convergence Production Technology and Systems（媒体融合生产技术与系统国家重点实验室）
给定数据库模式，Text-to-SQL旨在将自然语言问题转换为相应的SQL查询。在跨域环境下，传统的语义解析模型难以适应不可见的数据库模式。为了提高模型的泛化能力，罕见的和看不见的模式，我们提出了一个新的架构，ShadowGNN，在抽象和语义层面上处理模式。通过忽略数据库中的语义项名称，抽象模式被利用在一个设计良好的图投影神经网络中，以获得问题和模式的非词汇化表示。基于领域无关的表示，关系感知的Transformer被用来进一步提取问题和模式之间的逻辑链接。最后，采用上下文无关文法的SQL解码器。在具有挑战性的Text-to-SQL基准测试Spider上，实证结果表明ShadowGNN的性能优于最先进的模型。当标注的数据非常有限时（只有10%的训练集），ShadowGNN获得了超过5%的绝对性能增益，这表明它具有强大的泛化能力。我们的实现将在\url{https://github.com/WowCZ/shadowgnn}上开源。
2021-04-14 cs.CL cs.HC
On the Vocabulary of Grammar-Based Codes and the Logical Consistency of Texts
Institute of Computer Science, Polish Academy of Sciences（波兰科学院计算机科学研究所）
本文从信息论的两个方面对自然语言中的Zipf-Mandelbrot定律作了新的解释。首先，我们构造了一类新的基于文法的码，其次，我们研究了强非遍历平稳过程的性质。共同讨论的动机是用一个简单的非正式陈述来证明一个命题：如果一个长度为$n$的文本以重复的方式描述$n^β$独立的事实，那么在$n$上的适当条件下，该文本至少包含$n^β/\log n$不同的词。在形式陈述中，采用了两个建模假设。首先，单词被理解为文本的最短基于语法的编码的非终结符符号。其次，文本被假定为是由一个有限能量强非遍历源，而事实是二进制IID变量可预测的移位不变的方式。
2011-02-07 cs.CL cs.IT math.IT
Compositional Consistency-Guided Decoding for Three-Way Logical Question Answering
针对大语言模型在三值逻辑问答中的否定不一致和认知未知问题，提出一种轻量级测试时解码层CGD-PD，通过神经三值分类、符号否定一致性投影和定向二值蕴含探测，在FOLIO数据集上提升准确率4.4-6.8点并减少未知预测。
2026-05-26 cs.AI cs.CL cs.LO
