Semantically Enhanced Models for Commonsense Knowledge Acquisition
Nanyang Technological University（南洋理工大学）；Singapore Institute of Manufacturing Technology（新加坡制造技术研究院）；Agency for Science, Technology and Research（新加坡科技研究局）
常识知识对于实现智能系统至关重要。通常，它的特点是隐含和模糊的，从而阻碍了其获取的自动化。为了应对这些挑战，本文提出了语义增强模型，使推理，通过解决部分常识的歧义。所提出的模型增强了知识图谱嵌入（KGE）框架的知识库完成。实验结果表明了新语义模型在常识推理中的有效性。
2018-09-27 cs.AI cs.CL
Inductive Learning on Commonsense Knowledge Graph Completion
University of Southern California（南加州大学）；Stanford University（斯坦福大学）
常识知识图谱（CKG）是一种特殊类型的知识图谱（KG），其中实体由自由形式的文本组成。然而，大多数现有的CKG完成方法集中在所有实体都在训练时呈现的设置上。虽然这种设置是标准的传统幼儿园完成，它有限制CKG完成。在测试时，CKG中的实体可能是不可见的，因为它们可能具有不可见的文本/名称，并且实体可能与训练图断开连接，因为CKG通常非常稀疏。在这里，我们建议研究CKG完成的归纳学习设置，其中看不见的实体可能会出现在测试时。我们开发了一个新的学习框架命名为归纳。与以前的方法不同，归纳E通过直接从原始实体属性/文本计算实体嵌入来确保归纳学习能力。InductiveE由一个自由文本编码器、一个图形编码器和一个KG完成解码器组成。具体地，自由文本编码器首先基于预训练的语言模型和词嵌入来提取每个实体的文本表示。图编码器是门控关系图卷积神经网络，其从密集图中学习以进行更多信息实体表示学习。我们开发了一种方法，通过增加语义相关的实体之间的边缘，并提供更多的支持信息，未知实体，导致更好的泛化能力的实体嵌入未知实体的CKG致密。最后，归纳E采用Conv-TransE作为CKG完成解码器。实验结果表明，在ATOMIC和ConceptNet基准测试中，InductiveE在标准和归纳设置中的性能都明显优于最先进的基线。InductivE在感应场景中表现得特别好，与现有方法相比，它实现了48%以上的改进。
2021-02-17 cs.AI
A Balanced Neuro-Symbolic Approach for Commonsense Abductive Logic
McGill University（麦吉尔大学）；Huawei Noah’s Ark Lab（华为诺亚实验室）；International Laboratory on Learning Systems (ILLS)（学习系统国际实验室）；MILA（蒙特利尔人工智能实验室）
本文提出一种平衡神经和符号方法，通过迭代增强逻辑问题中的常识关系，提升复杂推理任务的性能。
2026-01-26 cs.AI cs.LG
Neural-Symbolic Commonsense Reasoner with Relation Predictors
The University of Queensland（昆士兰大学）；Monash University（莫纳什大学）；The University of New South Wales（新南威尔士大学）
常识推理的目的是将从常识知识图谱（CKG）中检索到的常识事实集合合并，以得出关于普通情况的结论。常识知识的动态本质要求模型能够在新情况下执行多跳推理。该特征还导致具有大规模稀疏知识图谱，其中需要这样的推理过程来预测新事件之间的关系。然而，现有的方法在这方面是有限的，考虑CKG作为一个有限的事实集，从而使他们不适合推理新的看不见的情况和事件。在本文中，我们提出了一个神经符号推理机，这是能够推理的大规模动态CKG。CKG推理的逻辑规则是在模型训练过程中学习的。除了提供可解释的解释外，学习的逻辑规则有助于将预测推广到新引入的事件。在CKG上的链接预测任务的实验结果证明了我们的模型的有效性，优于国家的最先进的模型。
2021-05-14 cs.AI cs.CL
Language, logic and ontology: uncovering the structure of commonsense knowledge
本文的目的是双重的：（一）我们认为，常识知识的结构必须被发现，而不是发明;（二）我们认为，自然语言，这是最有名的理论，我们的（共享）常识知识，本身应该被用来作为一个指南，发现常识知识的结构。除了提出一个系统的方法来发现常识知识的结构，我们提出的方法似乎也提供了一个解释自然语言中的一些现象，如隐喻，内涵，和名词性复合词的语义。诚然，我们的最终目标是相当雄心勃勃的，它不亚于系统地“发现”一个良好类型的常识知识本体论，并随后制定了期待已久的意义代数的目标。
2006-10-17 cs.AI math.LO
Knowledge Graph-Augmented Korean Generative Commonsense Reasoning
Korea University（高丽大学）
针对语言模型在韩语生成式常识推理中忽略概念关系与深层知识的问题，提出利用韩语知识图谱数据辅助文本生成的方法，实验证明该方法有效提升了推理效率并凸显了辅助数据的重要性。
2023-06-26 cs.AI cs.CL
A Description Logic Framework for Commonsense Conceptual Combination Integrating Typicality, Probabilities and Cognitive Heuristics
ICAR-CNR, Istituto di Calcolo e Reti ad Alte Prestazioni（意大利国家研究委员会高性能计算与网络研究所）
我们提出了一个典型性的非单调描述逻辑，它能够解释原型概念的概念组合现象。所提出的逻辑依赖于典型性ALC TR的逻辑，其语义是基于理性闭包的概念，以及概率描述逻辑的分布式语义，并配备了人类用于概念组合的认知启发式。我们首先通过典型包含扩展了典型ALCTR的逻辑，其直观含义是“典型Cs是Ds的事实存在概率p”。在分布式语义中，我们定义了不同的场景，只包含一些典型性包含，每一个都有一个合适的概率。然后，我们专注于这些情况下，其概率属于一个给定的和固定的范围，我们利用这种情况下，以归因于典型的属性，以获得两个原型概念的组合的概念C。我们还表明，推理建议的描述逻辑是EXPTIME完成的基础ALC。
2019-08-12 cs.AI
Commonsense Evidence Generation and Injection in Reading Comprehension
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Tencent Hippocrates Research Lab（腾讯希波克拉底研究实验室）
人们在阅读理解时，不仅要依据语境本身，而且往往还要依赖于语境之外的常识。为了增强机器的常识推理能力，本文提出了一个阅读理解中的常识证据生成和注入框架CEGI。该框架为阅读理解注入了两种辅助常识证据，使机器具备了理性思维的能力。具体来说，我们建立了两个证据生成器：第一个生成器的目的是通过语言模型生成文本证据;另一个生成器的目的是在图形完成后从常识知识图谱中提取事实证据（自动对齐的文本三元组）。这些证据结合了上下文常识，并作为模型的额外输入。此后，我们提出了一个深上下文编码器提取段落，问题，选项和证据之间的语义关系。最后，我们采用一个胶囊网络提取不同的语言单位（词和短语）的关系，并动态预测的基础上提取的单位的最佳选择。在CosmosQA数据集上的实验表明，所提出的CEGI模型优于当前最先进的方法，并达到了排行榜上的准确率（83.6%）。
2020-05-11 cs.AI cs.CL
Modelling Commonsense Commonalities with Multi-Facet Concept Embeddings
CRIL CNRS & University of Artois（CRIL 法国国家科学研究中心与阿图瓦大学）；University of Shanghai for Science and Technology（上海理工大学）；Cardiff University（卡迪夫大学）
针对标准概念嵌入难以捕捉具体方面共性的问题，提出显式建模多方面兴趣的多面概念嵌入方法，有效捕获更多样化的常识属性，并在超细实体类型和本体补全等下游任务中持续提升性能。
2024-06-04 cs.AI cs.CL
A Commonsense Reasoning Framework for Explanatory Emotion Attribution, Generation and Re-classification
University of Turin（都灵大学）；ICAR-CNR（意大利国家研究委员会高性能计算与网络研究所）
DEGARI（Dynamic Emotion Generator And Reclassifier）是一个可解释的情感归因和推荐系统。该系统依赖于最近推出的常识推理框架，TCL逻辑，这是基于一个人性化的过程中的描述逻辑知识库的新概念的自动生成。从基于Plutchik模型的情感的本体形式化开始，称为Arsartica，该系统利用逻辑TCL来自动生成复合情感的新颖常识语义表示（例如，根据Plutchik，从Joy和Trust的组合中导出的Love）。生成的情感对应于原型，即给定概念的常识表示，并已被用于对各种艺术领域中与情感相关的内容进行重新分类，从艺术数据集到RaiPlay中的编辑内容，RaiPlay是意大利广播公司的在线平台。我们展示了报告的结果（根据获得的重新分类，分配给这种重新分类的用户评级及其可解释性进行评估）是如何令人鼓舞的，并为许多进一步的研究方向铺平了道路。
2021-06-02 cs.AI
Black-box Testing of First-Order Logic Ontologies Using WordNet
Department of Computer Languages and Systems University of the Basque Country UPV/EHU（巴斯克地区大学UPV/EHU计算机语言与系统系）
人工智能旨在为计算机程序提供常识知识，以推理我们的世界。本文提出了一种新的实用方法，自动常识推理与一阶逻辑（FOL）本体。我们提出了一种新的黑盒测试方法的FOL SUMO为基础的本体，利用WordNet及其映射到SUMO。我们的建议包括一个方法（半）自动创建一个非常大的基准能力的问题和程序，其自动化评估使用自动定理证明（ATP）。通过应用不同的质量标准，我们的测试方案可以成功评估a）几种SUMO翻译成FOL的能力和b）各种自动化ATP的性能。最后，我们还提供了一个细粒度的和完整的常识推理能力的分析，目前FOL SUMO为基础的本体。
2018-03-23 cs.AI
Neuro-symbolic Commonsense Social Reasoning
University College London（伦敦大学学院）
社会规范是所有人类社会互动的基础，但对它们进行形式化和推理仍然是人工智能系统的主要挑战。我们提出了一个新颖的系统，用于从社会化学101数据集中获取自然语言中的社会经验规则（ROT），并将其转换为一阶逻辑，其中使用神经符号定理证明器执行推理。我们通过几个步骤来实现这一点。首先，ROTs被转换成抽象意义表示（AMR），这是一个图形表示的概念在一个句子中，并对齐AMR与RoberTa嵌入。然后，我们通过一种新的算法生成AMR的替代简化版本，重新组合和合并嵌入，以增加对不同文本措辞和不正确AMR解析的鲁棒性。AMR然后被转换成一阶逻辑，并查询与神经符号定理证明。本文的目标是开发和评估一种神经符号方法，该方法以逻辑形式对社会情境进行显式推理。
2023-03-14 cs.AI
Selection Strategies for Commonsense Knowledge
Universität Koblenz-Landau（科布伦茨-兰道大学）；Johannes Gutenberg-Universität Mainz（美因茨约翰内斯·古腾堡大学）
选择策略广泛用于一阶逻辑定理证明中，以选择证明手头定理所需的大型知识库的那些部分。通常，这些选择策略不考虑符号名称的含义。在具有常识性知识的知识库中，符号名称通常被选择为具有含义，并且这种含义为选择策略提供了有价值的信息。我们介绍了基于向量的选择策略，一个纯粹的统计选择技术的常识知识的基础上词嵌入。我们比较了不同的常识知识选择技术的目的定理证明，并证明了有用的向量为基础的选择与案例研究。
2022-02-21 cs.AI
Commonsense Knowledge, Ontology and Ordinary Language
American Institutes for Research（美国研究院）；University of Windsor（温莎大学）；American University of Beirut（贝鲁特美国大学）；AT&T Bell Labs（AT&T贝尔实验室）；MetLife（大都会人寿）；Cognos, Inc.（科格斯公司）
二十多年前，一场“相当大的革命”压倒性地取代了自然语言处理（NLP）中基于知识的方法，取而代之的是定量（例如，统计的、基于语料库的、机器学习）方法。虽然我们坚信，纯粹的定量方法不能是NLP的唯一范式，但对NLP构建大型知识库的纯粹工程方法的不满在某种程度上是合理的。在本文中，我们希望证明，这两种趋势都是部分误导和时间已经到了丰富的逻辑语义与本体论结构，反映了我们的常识世界观和我们在日常语言中谈论的方式。在本文中，它将被证明，假设这样一个本体结构的自然语言的语义（例如，借代、内涵、重叠、名词性复合词等）都可以得到适当和统一的处理。
2008-08-08 cs.AI cs.CL
PerCoR: Evaluating Commonsense Reasoning in Persian via Multiple-Choice Sentence Completion
PerCoR是首个大规模波斯语常识推理基准测试，通过多项选择句完成问题评估常识推理能力，展示了DRESS-AF方法在提升数据集难度和模型性能方面的有效性。
2026-01-15 cs.AI cs.CL
Applying the Closed World Assumption to SUMO-based FOL Ontologies for Effective Commonsense Reasoning
University of the Basque Country (UPV/EHU)（巴斯克地区大学）
最常见的是，开放世界假设被采用作为设计，构建和使用本体的标准策略。这种策略限制了任何系统的推理能力，因为非断言语句（缺少知识）可以被假设为真或假。正如我们将证明的，这是特别是一阶逻辑（FOL）本体的情况下，非断言语句是当今的主要障碍之一，其实际应用中的自动常识推理任务。在本文中，我们调查的封闭世界假设（CWA）的应用，使更好地利用FOL本体使用国家的最先进的自动定理证明。为此，我们探索了不同的CWA公式的结构知识编码在FOL翻译的相扑本体，发现几乎30%的结构知识是失踪。我们评估这些配方的实际实验中使用一个非常大的常识基准WordNet通过其映射到相扑。实验结果表明，在CWA框架下，本体的推理能力提高了50%以上。因此，将CWA自动应用于FOL本体减少了它们的歧义，并且可以回答更多的常识问题
2020-03-04 cs.AI
Simple Augmentations of Logical Rules for Neuro-Symbolic Knowledge Graph Completion
Indian Institute of Technology, Delhi（印度德里理工学院）
针对神经符号知识图谱补全中规则覆盖率不足的问题，本文提出溯因转换、逆关系等价规则和随机游走三种规则增强并剪枝低质规则，在多数据集上稳定提升MRR与Hits@1。
2024-07-02 cs.AI cs.CL cs.IR
On the Relation between Weak Completion Semantics and Answer Set Semantics
Technische Universitat Dresden（德累斯顿工业大学）；Technische Universitat Potsdam（波茨坦工业大学）
弱完成语义（WCS）是一种计算认知理论，已被证明是成功的建模人类推理的情节。由于WCS是最近发展起来的一种逻辑编程方法，本文研究了WCS与已建立的回答集语义（ASP）的对应关系。这两种语义的底层三值逻辑是不同的，它们的模型相对于不同的程序转换进行评估。我们首先通过一个著名的心理学实验--抑制任务--的一些例子来说明这些差异。之后，我们将提供从WCS下理解的逻辑程序到ASP下理解的逻辑程序的翻译。特别是，我们将表明，逻辑程序下的WCS可以表示为逻辑程序下的ASP通过定义完成，在程序中的所有定义的原子必须是假的，当它们的定义是假的。
2019-10-16 cs.AI cs.LO
Deep Semantic Abstractions of Everyday Human Activities: On Commonsense Representations of Human Interactions
University of Bremen（不来梅大学）
我们提出了一个深层次的语义表征的空间和运动的范畴从接地体现人与物体的相互作用的观点。我们的重点是一个本体模型，这将是善于从常识知识表示，关系学习和定性推理的认知机器人设置的空间和运动的观点形式化。我们展示了空间和运动本体论的关键方面，并将其形式化为一个代表性的框架，从日常活动的数据集选择的例子的背景下。此外，专注于从RGBD传感器获得的人与物体的交互数据，我们还说明了如何声明（时空）推理（约束）逻辑编程家庭可以执行与开发的深层语义抽象。
2017-10-10 cs.AI cs.CV cs.RO
A hierarchy of faithfulness criteria for knowledge base completion
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
针对知识库补全，提出四个递进的逻辑忠实性标准并证明其蕴含关系，基于相对模型计数定义最强标准，实验表明现有嵌入模型排名准确但不忠实。
2026-09-24 cs.AI
Brain-inspired Graph Spiking Neural Networks for Commonsense Knowledge Representation and Reasoning
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
人脑中的神经网络如何表征常识知识，并完成相关的推理任务，是神经科学、认知科学、心理学和人工智能的重要研究课题。传统的人工神经网络使用固定长度的向量来表示符号，虽然在某些特定任务中获得了不错的性能，但它仍然是一个缺乏可解释性的黑盒子，与人类感知世界的方式相去甚远。受神经科学中的祖母细胞假说的启发，本文研究了群体编码和尖峰时间依赖可塑性（STDP）机制如何被整合到脉冲神经网络的学习中，以及一个神经元群体如何通过引导不同神经元群体之间完成顺序放电来表示一个符号。不同社区的神经元群体共同构成了整个常识知识图谱，形成了一个巨图脉冲神经网络。此外，我们引入了奖励调制尖峰时间依赖可塑性（R-STDP）机制来模拟生物强化学习过程，并相应地完成相关的推理任务，实现了与图卷积人工神经网络相当的精度和更快的收敛速度。对于神经科学和认知科学领域，本文的工作为进一步探索人类大脑表征常识知识的方式提供了计算建模的基础。在人工智能领域，通过构造一种常识性的知识表示和推理出具有坚实生物相容性的脉冲神经网络，为实现更健壮、更可解释的神经网络指明了探索方向。
2022-07-11 cs.AI cs.LG cs.NE
A note on the Declarative reading(s) of Logic Programming
本文分析了逻辑程序设计的说明性阅读。逻辑编程--以及作为失败的否定--没有唯一的声明性阅读。一个普遍的观点是，逻辑编程是默认推理的逻辑，默认逻辑或自动认知逻辑的子形式主义。在这种观点中，作为失败的否定是一个模态算子。在另一种观点中，逻辑程序被解释为定义。在这种观点中，作为失败的否定是经典的客观否定。从常识的角度来看，这两种观点肯定是有区别的。令人惊讶的是，这两种类型的声明性阅读都导致了相同的模型语义。本说明调查了这一情况的原因。
2000-03-13 cs.AI cs.LO
SLogic: Subgraph-Informed Logical Rule Learning for Knowledge Graph Completion
Department of Computer Science（计算机科学系）；New Mexico State University（新墨西哥州立大学）
SLogic通过子图指导的逻辑规则学习方法，在知识图谱补全中实现更精准的规则权重分配和可解释的推理规则生成。
2026-11-04 cs.AI cs.LG
A Logic Programming Framework for Possibilistic Argumentation with Vague Knowledge
University of Lleida（莱里达大学）；Universidad Nacional del Sur（南方国立大学）；IIIA – CSIC（西班牙国家研究委员会人工智能研究所）
可废止的论证框架已经发展成为一个健全的设置，从不完整的和潜在的不一致的知识形式化常识，定性推理。可废止逻辑程序设计（DeLP）是一种基于逻辑程序设计扩展的可废止论证形式。虽然DeLP已经成功地集成在许多不同的现实世界的应用程序，DeLP不能处理明确的不确定性，也不与模糊的知识，因为可解除性是直接编码在对象语言。本文介绍了P-DeLP，一种新的逻辑程序设计语言，扩展了原来的DeLP定性推理的能力，将处理可能性的不确定性和模糊知识。这些功能将正式的基础上PGL，可能性逻辑的基础上哥德尔模糊逻辑。
2012-07-11 cs.AI
Logical Reasoning with Relation Network for Inductive Knowledge Graph Completion
The Hong Kong Polytechnic University（香港理工大学）；National University of Singapore（新加坡国立大学）
提出NORAN关系网络，以关系为中心建模KG，捕获实体无关逻辑证据，解决归纳KGC中的数据稀疏与冷启动问题，在五个基准上显著优于现有方法。
2024-07-22 cs.AI
Exploring & Exploiting High-Order Graph Structure for Sparse Knowledge Graph Completion
Harbin Institute of Technology（哈尔滨工业大学）；Singapore Management University（新加坡管理大学）
针对稀疏知识图谱补全性能随稀疏度增加而下降的问题，提出LR-GCN框架，通过推理路径蒸馏器探索高阶图结构并提取逻辑推理知识至GNN预测器，利用变分EM算法联合优化，有效缓解稀疏问题。
2023-06-29 cs.AI cs.CL
Completion Reasoning Emulation for the Description Logic EL+
Kansas State University（堪萨斯州立大学）
我们提出了一种将深度学习与基于知识的系统相结合的新方法，我们认为这是有希望的。我们的方法旨在模拟推理结构，可以通过中途检查，而不是简单地学习推理机的答案，这是典型的许多黑盒系统目前正在使用。我们通过训练一个长短期记忆（LSTM）人工神经网络来学习两个不同数据集的EL+推理模式，证明了这个想法是可行的。我们还通过破坏一定比例的测试数据并将reasoner和LSTM对损坏数据的预测与正确答案进行比较，证明了这个经过训练的系统具有抗噪声能力。
2019-12-11 cs.AI cs.LO cs.NE
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
Complex Logical Query Answering by Calibrating Knowledge Graph Completion Models
School of Data Science, University of Science and Technology of China（中国科学技术大学数据科学学院）；School of Computer Science, Fudan University（复旦大学计算机科学学院）
针对预训练KGC模型预测值未校准、难以适配CLQA任务的问题，提出轻量高效的CKGC校准方法，将预测值映射至[0,1]区间，在三个基准数据集上显著提升CLQA性能且保留KGC排序指标。
2024-09-30 cs.AI cs.LG
Pairwise Logical Selection of Enthymeme Completions under Semantic-Link Uncertainty
本研究提出PWAL方法，将神经符号管道扩展到缺失结论选择，用逻辑阻力分数替代二元蕴含，在五项任务上提升省略三段论补全的严格准确率并降低平局率，且提供透明分数跟踪。
2026-08-20 cs.AI
Loop Formulas for Description Logic Programs
Guizhou University（贵州大学）；University of Alberta（阿尔伯塔大学）
Eiter等人提出的描述逻辑程序（DL-programs）为语义Web提供了一种简洁而强大的形式化方法，用于集成回答集编程和描述逻辑。本文将逻辑程序的完备化和循环公式的概念推广到描述逻辑程序，并证明了dl-程序的完备化和循环公式的模型可以精确地捕捉到dl-程序的回答集。此外，我们提出了一个新的，替代的语义DL-程序，称为{ \em规范答案集语义}，这是由模型定义的完成，满足所谓的规范循环公式。规范答案集的一个理想性质是它们没有循环论证。本文还探讨了规范答案集的一些性质。
2010-07-23 cs.AI cs.LO
Ontology-Enhanced Knowledge Graph Completion using Large Language Models
Tianjin University, College of Intelligence and Computing（天津大学智能与计算学院）；University of Manchester, Department of Computer Science（曼彻斯特大学计算机科学系）
本文提出 OL-KGC，通过神经感知嵌入结构信息并自动抽取、文本化本体知识以引导 LLM 推理，在三个基准上达到最先进 KGC 性能。
2025-10-21 cs.AI cs.CL
Semantic Matchmaking as Non-Monotonic Reasoning: A Description Logic Approach
Politecnico di Bari（巴里理工大学）
当供求在电子市场上相遇时，或者当代理人搜索网络服务以执行某些任务时，甚至当招聘机构匹配课程和工作简介时，就会出现配对。在这样的开放环境中，匹配过程的目标是发现针对给定请求的最佳可用报价。我们从知识表示的角度来解决匹配问题，基于描述逻辑的形式化。我们设计了概念溯因和概念收缩作为描述逻辑中的非单调推理，适用于在逻辑框架中建模匹配，并证明了一些相关的复杂性结果。我们还提出了合理的算法的基础上设计的推理，语义匹配，并证明他们服从一些常识性质。最后，我们报告建议的匹配框架，这已被用来作为调解人在电子市场和语义Web服务发现的实施。
2011-10-12 cs.AI
Logic-Parametric Neuro-Symbolic NLI: Controlling Logical Formalisms for Verifiable LLM Reasoning
University of Luxemburg（卢森堡大学）；University of Sheffield（谢菲尔德大学）
本文提出逻辑参数化框架，通过可控逻辑形式提升神经符号推理的鲁棒性与适应性，实验表明内部逻辑策略在不同领域具有更优表现。
2026-01-09 cs.AI cs.CL cs.LO
Reasoning about Typicality and Probabilities in Preferential Description Logics
Università del Piemonte Orientale（东皮埃蒙特大学）；Università di Torino（都灵大学）；ICAR-CNR（意大利国家研究委员会高性能计算与网络研究所）；Aix-Marseille University（艾克斯-马赛大学）
在这项工作中，我们描述了优先描述逻辑的典型性，一个非单调扩展的标准描述逻辑的典型性算子T允许扩展知识库的形式T（C）v D，其直观的含义是，通常/通常Cs也是Ds。这种扩展是基于一个最小的模型语义对应的理性闭包的概念，建立在优惠的模型。我们回顾优先描述逻辑的基本概念。我们还提出了两个扩展的优先语义：一方面，我们考虑概率扩展，基于分布式语义，是适合于解决问题的常识概念组合，另一方面，我们考虑其他加强的理性闭包语义和建设，以避免所谓的阻塞的属性继承问题。
2020-04-23 cs.AI
Tight Logic Programs
这篇笔记是关于两种失败的否定理论之间的关系-一种基于程序完成，另一种基于稳定模型或答案集。Francois Fages指出，如果一个逻辑程序满足一定的句法条件（现在称为“紧密性”），那么它的稳定模型可以被描述为它的完备化模型。本文将紧性的定义和Fages定理推广到规则体中有嵌套表达式的程序，并研究了包含谓词传递闭包定义的紧逻辑程序。
2003-02-28 cs.AI cs.LO
A Survey on Knowledge Graphs: Representation, Acquisition and Applications
Aalto University（阿尔托大学）；Monash University（莫纳什大学）；Nanyang Technological University（南洋理工大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
人类知识提供了对世界的正式理解。表示实体之间结构关系的知识图谱已经成为认知和人类智能的一个日益流行的研究方向。本文对知识图谱的研究现状进行了综述，包括1）知识图谱的表示学习、2）知识获取和完成、3）时态知识图谱、4）知识感知应用等方面的研究，并总结了近期的突破和展望方向，以促进未来的研究。我们提出了一个完整的视图分类和新的分类这些主题。知识图谱嵌入从表示空间、评分函数、编码模型和辅助信息四个方面进行组织。对于知识获取，特别是知识图谱的完善，嵌入方法，路径推理和逻辑规则推理，进行了综述。我们进一步探讨了几个新兴的主题，包括Meta关系学习，常识推理和时间知识图谱。为了促进未来对知识图谱的研究，我们还提供了一个针对不同任务的数据集和开源库的精选集合。最后，对几个有前景的研究方向进行了展望.
2021-04-01 cs.AI cs.CL
Deep Adaptive Semantic Logic (DASL): Compiling Declarative Knowledge into Deep Neural Networks
SRI International（美国人工智能研究所）
我们介绍了深度自适应语义逻辑（DASL），这是一种用于自动生成深度神经网络的新框架，它结合了用户提供的形式化知识，以改善从数据中学习。我们提供正式的语义，证明我们的知识表示捕获所有的一阶逻辑和有限采样从无限域收敛到正确的真值。DASL的表示通过避免消失梯度，允许更深的逻辑结构，并实现知识和学习组件之间更丰富的交互，改进了以前的神经符号工作。我们说明DASL通过一个玩具的问题，我们在其中添加结构的图像分类问题，并证明该结构的知识减少了数据需求的一个因素的$1000$。然后，我们评估DASL的视觉关系检测任务，并证明了常识知识的增加，提高性能的$10.7\%$在数据稀缺的设置。
2020-03-16 cs.AI cs.CV
Towards Semantically Enriched Embeddings for Knowledge Graph Completion
Telecom Paris（巴黎电信学院）；Institut Polytechnique de Paris（巴黎综合理工学院）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Technical University of Munich（慕尼黑工业大学）
该愿景论文梳理了基于嵌入的知识图谱补全算法的现有研究，按嵌入生成差异分类讨论多类算法，反思研究现状并提出未来方向，提出可结合LLM与描述逻辑语义增强知识图谱嵌入能力。
2024-07-11 cs.AI cs.CL
BoxE: A Box Embedding Model for Knowledge Base Completion
University of Oxford（牛津大学）
知识库补全（KBC）的目标是通过利用知识库（KB）中已经存在的信息来自动推断缺失的事实。KBC的一种有前途的方法是将知识嵌入到潜在空间中，并从学习的嵌入中进行预测。然而，现有的嵌入模型受到以下限制中的至少一个限制：（1）理论上的不可表达性，（2）缺乏对突出推理模式的支持（例如，层次结构），（3）缺乏对KBC的支持，以及（4）缺乏对合并逻辑规则的支持。在这里，我们提出了一个空间平移嵌入模型，称为BoxE，同时解决了所有这些限制。BoxE将实体嵌入为点，将关系嵌入为一组超矩形（或框），这些超矩形在空间上表征基本逻辑属性。这个看似简单的抽象产生了一个完全表达的模型，为许多所需的逻辑属性提供了一个自然的编码。BoxE可以从丰富的规则语言类中捕获和注入规则，远远超出了单个推理模式。通过设计，BoxE自然适用于更高级别的知识库。我们进行了详细的实验分析，并表明BoxE实现了最先进的性能，无论是在基准知识图谱和更一般的知识库，我们经验表明集成逻辑规则的力量。
2020-10-29 cs.AI cs.LG
Extending Automated Deduction for Commonsense Reasoning
Tallinn University of Technology（塔林理工大学）
常识推理一直被认为是人工智能的圣杯之一。该领域的大多数最新进展都是通过用于自然语言处理的新型机器学习算法实现的。然而，如果不结合逻辑推理，这些算法仍然可以说是肤浅的。除了一些值得注意的例外，实际的自动化逻辑推理机的开发人员大多避免关注这个问题。本文认为，经典一阶逻辑的现有自动推理机所使用的方法和算法可以扩展到常识推理。而不是设计新的专门的逻辑，我们提出了一个框架的扩展主流的分辨率为基础的搜索方法，使这些能够执行搜索任务的实际常识推理合理的效率。建议的扩展主要依赖于普通的证明树上操作，旨在处理常识知识库，包含不一致，默认规则，分类，主题，相关性，置信度和相似性的措施。我们认为，机器学习最适合于常识知识库的构建，而扩展的基于逻辑的方法将非常适合于实际回答来自这些知识库的查询。
2020-03-29 cs.AI
A uniform approach to logic programming semantics
逻辑编程和非单调推理的部分理论涉及这些范式的不动点语义研究。在过去的二十年里，已经提出了几种不同的语义，其中一些比其他的更成功和更受认可。这些不同的语义背后的原理是多种多样的，这取决于一个人的观点，这可能是一个程序员的观点，也可能是受常识推理的启发，因此导致这些语义的结构在技术上是非常多样的，它们之间的确切关系还没有被完全理解。在本文中，我们提出了一个概念上的新方法，基于层次映射，它允许提供统一的表征不同的语义逻辑程序。我们将展示我们的方法，给出新的和统一的一些主要的语义，更特别的最小模型的语义明确的程序，拟合语义，和良好的基础语义的表征。弱完美模型语义的一个新的表征也将提供。
2003-11-12 cs.AI cs.LO
Lloyd-Topor Completion and General Stable Models
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文研究了Lloyd和Topor于1984年定义的程序完备化的推广与Ferraris等人最近提出的稳定模型语义的推广之间的关系。在某些情况下，主要定理可以用来用一阶公式刻画逻辑程序的一般稳定模型。证明使用Truszczynski的稳定模型语义的无穷命题公式。
2013-01-08 cs.AI cs.LO
Description Logics with Fuzzy Concrete Domains
ISTI - CNR（意大利国家研究委员会信息科学与技术研究所）
我们提出了一个模糊版本的描述逻辑与具体领域。主要特点是：（i）概念构造器基于t-范数、t-连续、否定和蕴涵;（ii）具体域是模糊集;（iii）允许模糊修饰符;以及（iv）推理算法基于完成规则和有界混合整数规划的混合。
2012-07-04 cs.AI cs.LO
Combining Rules and Embeddings via Neuro-Symbolic AI for Knowledge Base Completion
IBM Research（IBM研究院）
最近对知识库补全（KBC）的兴趣导致了基于强化学习、归纳逻辑程序设计和图嵌入的大量方法。特别是，基于规则的KBC导致了可解释的规则，同时在性能上与图嵌入相当。即使在基于规则的KBC中，也存在不同的方法，导致不同质量的规则，以前的工作并不总是精确地突出这些差异。困扰大多数基于规则的KBC的另一个问题是关系路径的不一致性：一些关系序列出现在非常少的路径中，而另一些关系序列出现得非常频繁。在本文中，我们证明了并非所有基于规则的KBC模型都是相同的，并提出了两种不同的学习方法：1）混合关系和2）混合路径。当在神经符号AI之上实现时，后者通过将布尔逻辑扩展到实值逻辑来学习规则，后者模型在平均倒数排名方面的KBC准确性优于最先进的基于规则的KBC 2-10%。此外，为了解决关系路径的不一致性，我们将基于规则的KBC与图嵌入相结合，从而进一步改善了我们的结果，并实现了两全其美。
2021-09-16 cs.AI cs.LG cs.LO
Combining Commonsense Reasoning and Knowledge Acquisition to Guide Deep Learning in Robotics
University of Birmingham（伯明翰大学）；The University of Auckland（奥克兰大学）
基于深度网络模型的算法正在用于机器人和人工智能中的许多模式识别和决策任务。训练这些模型需要大量的标记数据集和大量的计算资源，这在许多领域都不容易获得。同时，也很难探索这些模型的内部表示和推理机制。作为解决底层知识表示、推理和学习挑战的一步，本文描述的架构从认知系统的研究中汲取灵感。作为一个激励的例子，我们考虑一个辅助机器人试图减少混乱，在任何给定的场景中，通过推理的对象的遮挡和稳定的对象配置的图像中的场景。在这种情况下，我们的架构逐步学习和修改对象之间的空间关系的接地，并使用此接地从输入图像中提取空间信息。非单调逻辑推理与此信息和不完整的常识领域的知识是用来作出决定的稳定性和闭塞。对于无法通过这种推理处理的图像，自动识别与手头任务相关的区域，并用于训练深度网络模型以做出所需的决策。用于训练深度网络的图像区域也用于增量地获取先前未知的状态约束，这些状态约束与现有知识合并以用于后续推理。使用模拟和真实图像进行的实验评估表明，与仅基于深度网络的基线相比，我们的架构提高了决策的可靠性，并减少了训练数据驱动的深度网络模型所涉及的工作。
2022-01-25 cs.AI cs.CV cs.LG
Corollaries on the fixpoint completion: studying the stable semantics by means of the Clark completion
一般逻辑程序P的不动点完备化fix（P）是一种程序变换，使得P的稳定模型恰好是fix（P）的Clark完备化模型。这是众所周知的，并由Dung和Kanchanasut（1989）进行了研究。然而，这种对应关系更进一步：P的Gelfond-Lifschitz算子与fix（P）的直接结果算子一致，如Wendt（2002）所示，甚至延续到用于表征良基语义和Kripke-Kleene语义的标准算子。我们将应用这些知识的稳定语义的研究，这将使我们几乎毫不费力地得出新的结果，有关固定点和基于度量的语义，神经符号积分。
2004-02-09 cs.AI cs.LO
CoDEx: A Comprehensive Knowledge Graph Completion Benchmark
University of Michigan（密歇根大学）
我们提出了CoDEx，一组从Wikidata和Wikipedia中提取的知识图谱完成数据集，在范围和难度水平上改进了现有的知识图谱完成基准。就范围而言，CoDEx包括三个大小和结构不同的知识图谱，实体和关系的多语言描述，以及数万个看似合理但经验证为错误的硬否定三元组。为了表征CoDEx，我们提供了全面的实证分析和基准测试实验。首先，我们根据逻辑关系模式分析每个CoDEx数据集。接下来，我们报告CoDEx上五个广泛调整的嵌入模型的基线链接预测和三重分类结果。最后，我们将CoDEx与流行的FB 15 K-237知识图谱完成数据集区分开来，表明CoDEx涵盖了更多样化和可解释的内容，并且是一个更困难的链接预测基准。数据、代码和预训练模型可在https://bit.ly/2EPbrJs上获得。
2020-10-06 cs.AI cs.CL cs.IR
Verifying Tight Logic Programs with anthem and Vampire
University of Potsdam（波茨坦大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
本研究扩展了带输入输出的紧逻辑程序的完备化定义，探究其稳定模型与完备化的关系，并用anthem、vampire开展验证正确性的初步实验，深化了逻辑程序与一阶理论的关联研究。
2023-05-01 cs.AI cs.LO
Logical Entity Representation in Knowledge-Graphs for Differentiable Rule Learning
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；The University of Texas at Dallas（德克萨斯大学达拉斯分校）
提出逻辑实体表示（LERP）编码实体相邻子图上下文，结合概率逻辑规则学习提升规则表达力，在知识图谱补全任务中优于现有方法且增强可解释性。
2023-05-22 cs.AI cs.LG cs.LO
Teaching Pretrained Models with Commonsense Reasoning: A Preliminary KB-Based Approach
University of California, Santa Barbara（加州大学圣巴巴拉分校）；Tencent AI Lab（腾讯人工智能实验室）
最近，预训练的语言模型（例如，BERT）已经在许多下游自然语言理解任务上取得了巨大的成功，并表现出一定水平的常识推理能力。然而，它们在常识性任务上的表现仍与人类有很大差距。作为初步尝试，我们提出了一种简单而有效的方法，通过利用最大的常识知识库（KB）ConceptNet中的结构化知识来教授具有常识推理的预训练模型。具体来说，知识库中的结构化知识允许我们构建各种逻辑形式，然后生成需要常识逻辑推理的选择题。实验结果表明，当对这些训练样本进行细化时，预训练模型在需要常识推理的任务上始终提高其性能，特别是在少样本学习设置中。此外，我们也进行分析，以了解哪些逻辑关系更相关的常识推理。
2023-02-16 cs.AI cs.LG
Conversational Multi-Hop Reasoning with Neural Commonsense Knowledge and Symbolic Logic Rules
Facebook（脸书）；EPFL（洛桑联邦理工学院）；University of Washington（华盛顿大学）；Carnegie Mellon University（卡内基梅隆大学）
会话代理所面临的挑战之一是他们无法识别用户命令的未陈述假设，这对于人类来说是一项微不足道的任务，因为他们的常识。在本文中，我们提出了一个用于会话代理的零射击（zero-shot）常识推理系统，试图实现这一目标。我们的推理器揭示了用户命令中未声明的假设，这些用户命令满足一个通用模板，即if-（state），then-（action），because-（goal）。我们的推理机使用一个国家的最先进的基于转换器的生成常识知识库（KB）作为其背景知识的来源进行推理。我们提出了一种新的和迭代的知识查询机制，提取多跳推理链的神经知识库，使用符号逻辑规则，显着减少搜索空间。与迄今为止收集的任何知识库类似，我们的常识知识库容易丢失知识。因此，我们提出了对话式引出人类用户与我们的新的动态问题生成策略，生成和呈现上下文查询人类用户的缺失的知识。我们通过对人类用户的用户研究来评估该模型，与SOTA相比，该模型的成功率高出35%。
2021-09-17 cs.AI cs.CL cs.LG
Modeling and Reasoning in Event Calculus using Goal-Directed Constraint Answer Set Programming
CETINIA Universidad Rey Juan Carlos（胡安卡洛斯国王大学CETINIA）；IMDEA Software Institute（IMDEA软件研究所）；Universidad Politécnica de Madrid（马德里理工大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
自动常识推理对于构建具有可解释AI等特征的类人AI系统至关重要。事件演算（EC）是一个形式主义的家庭，模型常识推理与健全的，逻辑基础。先前使用EC进行机械化推理的尝试在处理密集域中的连续变化（例如，时间和其他物理量）、变量之间的约束、默认否定以及不同推理方法的统一应用等。我们建议使用的s（CASP），查询驱动的，自上而下的执行模型的谓词答案集编程的约束，模型和原因使用EC。我们展示了如何EC的情况下，可以自然和直接编码的s（CASP），以及它如何使演绎和溯因推理任务的域具有约束，涉及密集的时间和密集的流畅性。
2021-06-28 cs.AI cs.LO
Situated Structure Learning of a Bayesian Logic Network for Commonsense Reasoning
Georgia Institute of Technology（佐治亚理工学院）
本文详细介绍了自动生成一个高层次的知识网络执行常识推理，特别是与机器人任务修复的应用程序的算法的实现。该网络使用贝叶斯逻辑网络（BLN）（Jain，Waldherr和Beetz 2009）表示，该网络将抽象概念（包括IsA，AtLocation，HasProperty和UsedFor）之间的一组有向关系与相应的概率分布相结合，该概率分布对这些关系中固有的不确定性进行建模。通过这个网络的推理，可以对抽象概念进行推理，以便执行适当的对象替换或在机器人的环境中定位丢失的对象。该网络的结构是通过结合来自两个现有知识来源的信息生成的：概念网（Speer和Havasi 2012）和WordNet（Miller 1995）。这是通过只包括与给定上下文相关的信息以“情境”方式完成的。结果表明，生成的网络能够准确地预测对象类别，位置，属性和启示在三个不同的家庭场景。
2016-07-01 cs.AI
