A Logic Programming Approach to Knowledge-State Planning: Semantics and Complexity
我们提出了一种新的声明式规划语言，称为K，这是基于逻辑编程的原则和方法。在这种语言中，可以描述知识状态之间的转换，而不是完全描述的世界状态之间的转换，这使得语言非常适合在不完整的知识下进行规划。此外，它使默认原则在规划过程中的使用，支持否定失败。尽管如此，K还支持世界状态之间的转换的表示（即，完全知识的状态）作为特例，这表明语言是非常灵活的。正如我们在特定示例中所展示的，知识状态的使用可以允许自然和紧凑的问题表示。然后，我们提供了一个彻底的分析K的计算复杂性，并考虑不同的规划问题，包括标准规划和安全规划（也称为一致性规划）的问题。我们表明，这些问题有不同的复杂性下的各种限制，从NP到NEXPTIME的命题的情况下。我们的结果形成了DLV^K系统的理论基础，该系统在DLV逻辑编程系统之上实现了K语言。
2001-12-05 cs.AI cs.LO
Enhancing magic sets with an application to ontological reasoning
Department of Mathematics and Computer Science University of Calabria（卡利亚里大学数学与计算机科学系）；Italy（意大利）
魔术集是一种数据到数据的重写技术，用于优化查询应答。重写的程序集中在输入程序的稳定模型的一部分，这足以回答给定的查询。然而，重写可能会引入新的递归定义，甚至可能涉及否定和聚合，并可能减慢程序评估。本文通过防止在重写程序中创建（新的）递归定义来增强魔集技术。结果表明，新版本的幻集对于具有分层否定和聚合的Datastron程序是封闭的，这对于获得重写程序的稳定模型的有效计算是非常方便的.此外，重写的程序被进一步优化，通过消除所包含的规则和有效处理的情况下，绑定传播丢失。这项研究是由挑战刺激的利用Datasheet/ \textsc{dlv}高效推理的大型本体。因此，所有提出的技术已在\textsc{dlv}系统中实现，并进行本体推理测试，确认其有效性。《逻辑程序设计理论与实践》（Theory and Practice of Logic Programming）
2019-07-19 cs.AI
SPARC - Sorted ASP with Consistency Restoring Rules
Kyrgyz-Russian Slavic University（吉尔吉斯-俄罗斯斯拉夫大学）；Texas Tech University（得克萨斯理工大学）
这是一个初步的工作报告，旨在使CR-Prolog -一个版本的ASP与一致性恢复规则-更适合于在教学和大型应用程序中使用。首先，我们描述一个排序版本的CR-Prolog，称为CR-Prolog。其次，我们将CR-Prolog的基本版本翻译成DLV语言，并将其性能与最先进的CR-Prolog求解器进行比较。结果形成的基础，为未来更有效的和用户友好的实施，并阐明了两个有用的知识表示结构之间的关系：一致性恢复规则和弱约束的DLV。
2013-01-08 cs.AI cs.PL
Experimenting with recursive queries in database and logic programming systems
Università della Calabria（卡拉布里亚大学）
本文考虑了大量（可能是分布式的）数据的推理问题。目前，现有的建议显示出一些局限性：{ \em（i）}由于推理通常在主存中进行的事实，可以同时处理的数据的量是有限的; { \em（ii）}与外部的交互（和独立的）DBMS不是微不足道的，在某些情况下，根本不允许;{ \em（iii）}当前实现的效率对于它们在涉及大量数据的复杂推理任务中的利用仍然是不够的。本文提供了在这种情况下的贡献，它提出了一个新的系统，称为DLV $^{DB}$，旨在解决这些问题。此外，本文报告了一个彻底的实验分析的结果，我们已经进行了比较我们的系统与几个国家的最先进的系统（包括逻辑和数据库）的一些经典的演绎问题;其他测试系统是：LDL++，XSB，Smodels和三个顶级的商业DBMS。DLV $^{DB}$在递归查询上的性能甚至明显优于商业数据库系统。逻辑程序设计理论与实践（Theory and Practice of Logic Programming，TPLP）
2007-04-24 cs.AI cs.DB
Computing Preferred Answer Sets by Meta-Interpretation in Answer Set Programming
最近，答案集编程（ASP）作为一种新的解决问题的范例引起了人们的兴趣。需要支持的一个重要方面是处理规则之间的偏好，为此提出了几种方法。在本文中，我们考虑的问题，通过元解释器的答案集编程实现偏好处理方法。特别是，我们认为首选的答案集的方法由Brewka和Eiter，由Delaware，Schaub和Tompits，由王，周和林。我们提出了合适的元解释器，这些语义使用DLV，这是一个有效的引擎ASP。此外，我们还提出了一个元解释器的弱首选答案集的方法，由Brewka和Eiter，它使用DLV的弱约束功能作为表达和解决底层优化问题的工具。我们还考虑了高级元解释器，它利用基于图的特征，通常允许更有效的计算。我们的方法表明，一般的ASP和DLV，特别是快速原型的适用性。这可以被富有成效地用于试验新的语言和知识表示形式主义。
2002-01-16 cs.AI cs.LO
A Polynomial Translation of Logic Programs with Nested Expressions into Disjunctive Logic Programs: Preliminary Report
嵌套逻辑程序最近被引入，以便允许在答案集语义下的逻辑程序规则的头部和主体中的任意嵌套公式。嵌套表达式可以不受限制地使用合取、析取以及作为失败操作符的否定来形成。这为知识表示和推理提供了一个非常灵活和紧凑的框架。已有的结果表明，嵌套逻辑程序可以初等地转化为标准（非嵌套）析取逻辑程序，只需对体文字应用否定作为失败算子.这是非常实际的相关性，因为它允许我们评估嵌套的逻辑程序的手段，现成的析取逻辑编程系统，如DLV。然而，事实证明，这种简单的转换在最坏的情况下会导致指数爆破，尽管复杂性结果表明两种形式主义之间存在多项式转换。在本文中，我们接受了这一挑战，并提供了一个多项式的逻辑程序与嵌套表达式转换为析取逻辑程序。此外，我们表明，这种翻译是模块化的和（强）忠实。我们已经实现了简单的和高级的转换;生成的编译器作为DLV的前端，并在Web上公开提供。
2002-07-19 cs.AI cs.LO
Implementing Default and Autoepistemic Logics via the Logic of GK
University of Science and Technology of China（中国科学技术大学）；Leipzig University（莱比锡大学）
知识和合理假设的逻辑，也称为基础知识逻辑（GK），由林和肖汉姆提出，作为非单调推理的一般逻辑。到目前为止，它已经被用来嵌入默认逻辑（命题情况），自认知逻辑，特纳的普遍因果关系逻辑，以及稳定模型语义下的一般逻辑编程。除了显示GK作为非单调推理逻辑的一般性之外，这些嵌入还揭示了这些其他逻辑之间的关系。在本文中，第一次，我们展示了如何GK的逻辑可以嵌入到析取逻辑编程中的多项式，但非模块化的新变量的翻译。其结果可用于计算缺省逻辑、自认知逻辑和Turner泛因逻辑的扩展/扩展语义，并可通过claspD（-2）、DLV、GNT和cmodels等析取ASP求解器进行求解。
2014-05-05 cs.AI cs.LO
Recursive Aggregates as Intensional Functions in Answer Set Programming: Semantics and Strong Equivalence
University of Nebraska Omaha（内布拉斯加大学奥马哈分校）
本文在Here-and-There逻辑中用内涵函数刻画clingo和dlv中聚合程序的语义，并研究强等价性，提出归约为经典一阶逻辑的变换以支持自动化验证。
2024-12-14 cs.AI cs.LO
Disjunctive Answer Set Solvers via Templates
University of Genova（热那亚大学）；University of Nebraska at Omaha（内布拉斯加大学奥马哈分校）
答案集编程是一种面向困难的组合搜索问题的声明式编程范式。答案集编程的一个基本任务是计算稳定的模型，即，逻辑程序的解。答案集求解程序是执行此任务的程序。判定一个析取程序是否有稳定模型的问题是$Σ^P_2$ -完全的.在析取逻辑编程中推理的高度复杂性是少数能够处理此类程序的求解器的原因，即DLV，GnT，Cmodels，CLASP和WASP。在本文中，我们表明，过渡系统引入Nieuwenhuis，Oliveras和Tinelli模型和分析可满足性求解器可以适用于析取答案集求解器。过渡系统提供了一个统一的视角，并使求解器的描述和比较变得清晰。它们可以有效地用于分析、比较和证明搜索算法的正确性，也可以启发析取答案集求解器设计的新思路。有鉴于此，我们介绍了一个通用的模板，占析取求解器中实现的主要技术。然后，我们说明了这个通用模板如何捕获求解器DLV，GnT和Cmodels。我们还展示了这个框架如何提供了一个方便的工具，设计新的求解算法，通过在不同的求解器中采用的技术相结合。
2015-10-06 cs.AI
A Compiler for Ordered Logic Programs
本文描述了一个在回答集语义下将有序逻辑程序编译成标准逻辑程序的系统PLP。在有序逻辑程序中，规则由唯一的术语命名，规则之间的偏好由一组专用原子给出。一个有序的逻辑程序被转换成第二个规则的扩展的逻辑程序，其中偏好被考虑，因为在转换的理论中获得的答案集与原始理论的优选答案集相对应。由于翻译的结果是一个扩展的逻辑程序，现有的逻辑编程系统可以用作底层的推理引擎。特别是，PLP被认为是逻辑编程系统dlv和models的前端。
2000-03-08 cs.AI
Neural, Symbolic and Neural-Symbolic Reasoning on Knowledge Graphs
Renmin University of China（中国人民大学）
知识图谱推理是支持信息抽取、信息检索和推荐等机器学习应用的基本组成部分。由于知识图谱可以被看作是知识的离散符号表示，因此知识图谱上的推理可以自然地利用符号技术。然而，符号推理是不容忍的歧义和噪音的数据。相反，深度学习的最新进展促进了知识图谱上的神经推理，这对模糊和噪声数据具有鲁棒性，但与符号推理相比缺乏可解释性。考虑到这两种方法的优点和缺点，最近的努力已经取得了这两种推理方法相结合。在这篇综述中，我们深入研究了知识图谱上的符号推理、神经推理和混合推理的发展。我们调查两个具体的推理任务，知识图完成和知识图谱上的问答，并解释他们在一个统一的推理框架。我们还简要讨论了知识图谱推理的未来发展方向。
2021-03-31 cs.AI cs.LO
Optimizing Answer Set Computation via Heuristic-Based Decomposition
Department of Mathematics and Computer Science University of Calabria（卡利亚里大学数学与计算机科学系）；University of Calabria（卡利亚里大学）；Department of Mathematics and Computer Science（数学与计算机科学系）；Rende Italy（伦代（意大利）（注：此为地址信息，非机构，不应提取，原提取有误，正确应为仅提取前两个有效机构相关部分，但按文本结构准确提取应为“Department of Mathematics and Computer Science University of Calabria”））
回答集编程（ASP）是在逻辑编程和非单调推理领域中发展起来的一种纯声明性的形式主义：计算问题由逻辑程序编码，其回答集对应于解决方案，由ASP系统计算。不同的，语义等价的，程序可以定义为相同的问题，但是，系统评估它们的性能可能会显着不同。我们提出了一种方法，自动转换成一个等价的输入逻辑程序，可以更有效地评估。人们可以利用现有的树分解技术重写选定的规则成一组多个的，其思想是引导和自适应地应用它们的基础上，适当的新的算法，以获得一个智能的重写算法集成到ASP系统。该方法是相当普遍的：它可以适用于任何系统，并实现不同的偏好政策。此外，我们定义了一套新的专门针对优化接地，ASP计算的主要阶段之一，我们使用它们，以实现该方法到ASP系统DLV，特别是到其接地子系统I-DLV，并进行了广泛的实验活动，评估该建议的影响。逻辑程序设计理论与实践（TPLP）
2019-01-11 cs.AI cs.CL cs.LO
A Formal Comparison between Datalog-based Languages for Stream Reasoning (extended version)
University of Calabria（卡拉布里亚大学）
本文研究了两种基于逻辑的语言的相对表达能力的推理流，即LARS程序-语言的逻辑为基础的框架分析推理流称为LARS -和LDSR -语言的最近扩展的I-DLV系统流推理称为I-DLV-SR。虽然这两种语言建立在数据库，它们在语法和语义上都不同。为了协调它们的表达能力流推理，我们定义了一个比较框架，使我们能够表明，没有任何限制，这两种语言是无与伦比的，并确定每个语言的片段，可以通过其他的。
2022-08-26 cs.AI
Deductive and Analogical Reasoning on a Semantically Embedded Knowledge Graph
U.S. Army Research Laboratory（美国陆军研究实验室）
将知识表示为连续语义向量空间中的高维向量，可以克服传统知识库的脆弱性和不完备性。我们提出了一种直接在这样的向量空间中进行演绎推理的方法，在推理链的每一步都以简单的方式结合类比、联想和演绎，利用来自不同来源和本体的知识。
2017-07-11 cs.AI
A Knowledge-Based Approach for Selecting Information Sources
通过互联网和万维网，可以获得大量的信息源，这些信息源由不同的提供者提供关于各种主题的信息，而且往往是以不同的格式提供的。这就要求有建立先进信息处理基础设施的工具和方法。该领域的一个问题是在查询应答中选择合适的信息源。在本文中，我们提出了一个基于知识的方法来解决这个问题，在设置中的一组信息源（原型，数据存储库）中的一个应该被选择用于评估用户查询。我们使用扩展逻辑程序（ELP）来表示信息源的丰富描述、基础域理论和正式查询语言（这里是XML-QL，但也可以处理其他语言）中的用户查询。此外，我们使用ELP声明查询分析和生成的查询描述。我们的方法的核心是声明性的源选择程序，我们定义语法和语义。由于所考虑的数据项的结构化性质，这样的程序的语义必须仔细尊重隐式上下文信息的源选择规则，并进一步结合它与可能的用户偏好。我们的方法的原型实现已经实现了利用DLV KR系统及其PLP前端优先ELP。我们描述了一个有代表性的例子，涉及特定的电影数据库，并报告实验结果。
2006-04-21 cs.AI
KompaRe: A Knowledge Graph Comparative Reasoning System
University of Illinois at Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校）
推理是从知识图谱中利用有价值的洞察力、知识和模式的基本能力。现有的工作主要集中在逐点推理，包括搜索、链接预测、实体预测、子图匹配等，本文介绍了知识图谱上的比较推理，旨在推断多条线索的共性和不一致性。我们设想，比较推理将补充和扩展现有的逐点推理知识图谱。详细地说，我们开发KompaRe，第一个原型系统，提供比较推理能力，在大型知识图谱。我们提出了系统的体系结构和核心算法，包括知识段提取，成对推理和集体推理。实证评估表明，拟议的KompaRe的功效。
2020-11-06 cs.AI cs.LG
Neural-Symbolic Reasoning over Knowledge Graphs: A Survey from a Query Perspective
Wayne State University（韦恩州立大学）；University of Illinois at Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校）
该综述从查询视角全面梳理知识图谱推理，涵盖神经符号推理分类及与大语言模型的融合，旨在为多领域研究者提供当前态势与未来方向的相关见解。
2026-08-25 cs.AI
Graph-Augmented Reasoning: Evolving Step-by-Step Knowledge Graph Retrieval for LLM Reasoning
Wuhan University（武汉大学）；Nanyang Technological University（南洋理工大学）
本文提出图增强推理新范式及KG-RAR框架，通过逐步知识图谱检索与推理结合，利用分层检索与PRP-RM精炼信息并评估步骤，使冻结的小规模LLM无需额外训练即可增强数学推理能力，在Math500和GSM8K上取得显著提升。
2025-03-03 cs.AI
Knowledge Reasoning Language Model: Unifying Knowledge and Language for Inductive Knowledge Graph Reasoning
The Key Laboratory of Knowledge Engineering with Big Data (the Ministry of Education of China), Hefei University of Technology, China（合肥工业大学大数据知识工程教育部重点实验室）；School of Computer Science and Information Engineering, Hefei University of Technology, China（合肥工业大学计算机与信息学院）；Nanjing University of Science and Technology, China（南京理工大学）；China Unicom Digital Technology Co., Ltd., Beijing, China（联通数字科技有限公司）；China Unicom Internet of Things Co., Ltd., Nanjing, China（联通物联网有限责任公司）；Shandong Inspur Science Research Institute, Jinan, China（山东浪潮科学研究院）；Griffith University, Australia（格里菲斯大学）
本文提出KRLM，通过统一语言模型知识与知识图谱上下文，解决归纳知识图谱推理中的知识扭曲和生成幻觉问题，实验表明其在25个真实数据集上表现优异。
2026-04-07 cs.AI cs.CL
What Breaks Knowledge Graph based RAG? Benchmarking and Empirical Insights into Reasoning under Incomplete Knowledge
University of Oslo（奥斯陆大学）；Bosch Center for AI（博世人工智能中心）；University of Stuttgart（斯图加特大学）；Amazon（亚马逊公司）；University of Oxford（牛津大学）；The University of Manchester（曼彻斯特大学）；University of Southampton（南安普顿大学）
本文提出BRINK基准测试，揭示了当前KG-RAG方法在知识不完整时推理能力有限，依赖内部记忆且泛化能力各异。
2026-01-12 cs.AI
MemeLogos: Knowledge-Driven Retrieval-Augmented Reasoning for Harmful Meme Detection
Beijing University of Posts and Telecommunications（北京邮电大学）；School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院）；College of Electrical Engineering, Zhejiang University（浙江大学电气工程学院）；Zhongguancun Academy（中关村学院）；China Telecommunications Corporation（中国电信集团有限公司）
针对现有有害表情包检测方法难以捕获可复用危害性知识与推理机制的问题，本文提出知识驱动的MemeLogos框架，通过星形知识图谱与多阶段推理提升检测性能与可解释性，实验验证其效果优于现有方法。
2026-10-19 cs.AI
KnowPath: Knowledge-enhanced Reasoning via LLM-generated Inference Paths over Knowledge Graphs
University of Science and Technology of China（中国科学技术大学）；Zhejiang University of Technology（浙江工业大学）
KnowPath利用LLM内部知识引导外部知识图谱中的可解释子图探索，融合内外知识以增强推理，实验验证其有效性。
2025-05-24 cs.AI
Defeasible Reasoning with Knowledge Graphs
W3C/ERCIM
本文提出一种面向不完美知识的可废止推理表示法与模型，将其与论证理论关联，并探讨了声明式推理策略语法及大语言模型时代符号化方法的前景。
2023-09-22 cs.AI
Learning by Applying: A General Framework for Mathematical Reasoning via Enhancing Explicit Knowledge Learning
University of Science and Technology of China（中国科学技术大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
数学推理是通用人工智能的关键能力之一，它要求机器从解决问题中掌握数学逻辑和知识。然而，就在推理过程中学习和应用的知识而言，现有的方法并不透明（因此不可解释）。在本文中，我们提出了一个通用的学习应用（LeAp）框架，以增强现有的模型（骨干）在一个原则性的方式通过显式知识学习。在LeAp中，我们在一个新的问题-知识-表达范式中进行知识学习，知识编码器从问题数据中获取知识，知识解码器将知识应用于表达推理。学习到的数学知识，包括词-词关系和词-算子关系，形成了一个显性的知识图谱，将知识的“学”与“用”有机地连接起来。此外，对于问题的解决，我们设计了一个语义增强模块和推理增强模块，应用知识，以提高问题的理解和符号推理能力的任何骨干，分别。从理论上证明了LeAp自主学习机制的优越性。在三个真实数据集上的实验表明，LeAp提高了所有骨干的性能，学习准确的知识，并实现了更可解释的推理过程。
2023-02-11 cs.AI cs.CL cs.LG
Neural Probabilistic Logic Learning for Knowledge Graph Reasoning
Beijing University of Posts and Telecommunications（北京邮电大学）；Jiaxing University（嘉兴大学）
本文提出神经概率逻辑学习框架NPLL，通过评分模块增强嵌入网络表达能力，并结合基于变分推断的马尔可夫逻辑网络提升可解释性，在多个基准数据集上显著提高了知识图谱推理的准确性与质量。
2024-07-04 cs.AI cs.LG
Knowledge Pyramid: A Novel Hierarchical Reasoning Structure for Generalized Knowledge Augmentation and Inference
Northwestern Polytechnical University（西北工业大学）
本文针对知识图谱推理中低层知识导致泛化不足的问题，提出知识金字塔框架，通过从低层知识提取高层知识并在多层层次化知识图谱中进行推理，在医学数据集上验证了其能提升推理性能与泛化能力，尤其在少样本场景下准确率显著提高。
2024-01-17 cs.AI cs.IR
Fact-Tree Reasoning for N-ary Question Answering over Knowledge Graphs
Nankai University（南开大学）；Sichuan University（四川大学）；University of Innsbruck（因斯布鲁克大学）
在问答（QA）任务中，为了在知识图谱（KG）上进行更高效、更可解释的答案推理，近年来多跳推理框架得到了广泛的研究。然而，多跳推理是不适用于回答n元的事实问题，由于其线性推理的性质。我们发现有两个可行的改进：1）将基本推理单元从实体或关系升级为事实; 2）将推理结构从链升级为树。在此基础上，提出了一种新的事实树推理框架，通过将问题转化为事实树，并对其进行迭代事实推理来预测正确答案。通过对本文引入的n元事实KGQA数据集的综合评价，我们证明了所提出的事实树推理框架具有预期的高答案预测精度的优势。此外，我们还评估了两个二进制KGQA数据集上的事实树推理框架，并表明我们的方法也有很强的推理能力相比，几个优秀的基线。这项工作对探索复杂的推理场景有直接的影响，并提供了一个初步的基线方法。
2022-03-14 cs.AI
MMCOMET: A Large-Scale Multimodal Commonsense Knowledge Graph for Visual Reasoning
University of Sydney（悉尼大学）；University of Melbourne（墨尔本大学）；University of Edinburgh（爱丁堡大学）；The University of Sydney（悉尼大学）
MMCOMET是一种大规模多模态常识知识图谱，通过整合视觉、物理和社会知识，提升了复杂推理任务如图像描述和叙事生成的性能。
2026-11-11 cs.AI
Reasoning With Uncertain Knowledge
Queen's University at Kingston（金斯顿女王大学）
描述了一种知识表示模型，在该模型中，命题事实及其之间的关系可以由其他事实来支持。可以被支持的知识集被称为认知单元集，每个认知单元都有其显式和隐式支持结构的相关描述，概括了信念和信念的可靠性。该总结足够精确，可以在计算模型中使用，同时保留对底层符号支持结构的描述。当一个事实支持另一个事实之间的支持关系时，我们称之为元支持。这有助于对命题知识的推理。以及其下的支撑结构。
2013-03-27 cs.AI
KnowFormer: Revisiting Transformers for Knowledge Graph Reasoning
Zhongguancun Laboratory（中关村实验室）；Beihang University（北京航空航天大学）；Nanyang Technological University（南洋理工大学）
针对基于路径的知识图谱推理方法受限于消息传递网络的问题，本文提出KnowFormer，利用Transformer架构从消息传递视角进行推理，并引入结构感知模块与高效注意力计算，在转导和归纳基准上取得优越性能。
2024-12-17 cs.AI
On Exploring the Reasoning Capability of Large Language Models with Knowledge Graphs
Singapore Management University（新加坡管理大学）；National Sun Yat-sen University（国立中山大学）
本文研究大语言模型利用预训练知识图谱进行推理的能力，通过四类任务验证其记忆回忆与上下文推断表现，并识别出内容幻觉和本体幻觉两类问题。
2023-12-01 cs.AI cs.CL
EM-RBR: a reinforced framework for knowledge graph completion from reasoning perspective
Cranberry-Lemon University（蔓越莓柠檬大学）；University of the Witwatersrand（金山大学）
知识图谱补全的目的是预测知识图谱中给定实体的新链接。目前主流的嵌入方法主要关注知识库中包含的事实三元组，而忽略了知识库中隐含的逻辑规则所提供的丰富背景信息。为了解决这个问题，在本文中，我们提出了一个通用的框架，名为EM-RBR（嵌入和基于规则的推理），能够结合推理的优势，基于规则和国家的最先进的嵌入模型。EM-RBR旨在利用规则中包含的关系背景知识进行多关系推理链接预测，而不是嵌入模型中的表面向量三角链接。通过这种方式，我们可以在更深的背景下探索两个实体之间的关系，以达到更高的准确性。在实验中，我们证明了EM-RBR在FB 15 k，WN 18和我们的新数据集FB 15 k-R上与以前的模型相比具有更好的性能，特别是新数据集，我们的模型比那些最先进的模型表现得更好。我们在https://github.com/1173710224/link-prediction-with-rule-based-reasoning上提供EM-RBR的实现。
2020-10-11 cs.AI
Reliable Reasoning Path: Distilling Effective Guidance for LLM Reasoning with Knowledge Graphs
The Hong Kong Polytechnic University（香港理工大学）
针对大语言模型知识不足、易幻觉且难处理复杂问题的缺陷，提出结合LLM语义与知识图谱结构信息、带反思模块的RRP框架，可即插即用增强LLM推理，在两个公开数据集上达SOTA。
2025-06-12 cs.AI cs.CL
Knowledge Graph Reasoning with Logics and Embeddings: Survey and Perspective
Zhejiang University（浙江大学）；University of Oxford（牛津大学）；The University of Edinburgh（爱丁堡大学）；Alibaba-Zhejiang University Joint Research Institute of Frontier Technologies（阿里巴巴-浙江大学前沿技术联合研究院）；Hangzhou Innovation Center, Zhejiang University（浙江大学杭州国际科创中心）
知识图谱（KG）推理在学术界和工业界都变得越来越流行。传统的基于符号逻辑的KG推理是确定性的，推理结果是可解释的，而现代的基于嵌入的推理可以处理不确定性和预测似然知识，通常通过向量计算具有高效率。一个很有前途的方向是将基于逻辑和基于嵌入的方法结合起来，并具有两者的优点。近年来，随着越来越多的研究成果的发表，它引起了人们的广泛关注。在本文中，我们全面调查这些工作，重点是如何逻辑和嵌入集成。本文首先简要介绍了KG推理的基本概念，然后从不同的角度对逻辑和嵌入意识KG推理的研究成果进行了系统的分类和讨论，最后总结和讨论了KG推理面临的挑战和进一步的发展方向。
2022-02-15 cs.AI
Scalable Uncertainty Reasoning in Knowledge Graphs
University of Stuttgart, Stuttgart, Germany（斯图加特大学）
本文提出模块化框架，通过定制技术处理知识图谱中不确定性三个层次：概率属性值、概率三元组存在性和不完整模式知识，旨在平衡语义精度与计算可行性。
2026-05-15 cs.AI
MMKGR: Multi-hop Multi-modal Knowledge Graph Reasoning
Soochow University（苏州大学）；Monash University（莫纳什大学）；The University of Queensland（昆士兰大学）
多模态知识图谱（MKG）不仅包括关系三元组，还包括相关的多模态辅助数据（即，文本和图像），这增强了知识的多样性。然而，自然的不完全性极大地阻碍了MKG的应用。为了解决这个问题，现有的研究采用基于嵌入的推理模型来推断丢失的知识融合后的多模态特征。然而，这些方法的推理性能受到以下问题的限制：（1）多模态辅助特征融合效果不佳;（2）缺乏复杂的推理能力，无法进行多跳推理，从而无法推断出更多的缺失知识。为了克服这些问题，我们提出了一种新的模型，称为MMKGR（多跳多模态知识图谱推理）。具体而言，该模型包含以下两个组成部分：（1）一个统一的门-注意力网络，旨在通过充分的注意力交互和降噪来生成有效的多模态互补特征;（2）一个互补特征感知强化学习方法，提出通过执行多跳推理过程来预测丢失的元素，基于组件（1）中获得的特征。实验结果表明，MMKGR优于国家的最先进的方法在MKG推理任务。
2022-09-03 cs.AI cs.DB
Logical Reasoning over Natural Language as Knowledge Representation: A Survey
Nanyang Technological University（南洋理工大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
本文综述了以自然语言作为知识表示、预训练语言模型作为推理器的逻辑推理新范式，涵盖其优势、基准、挑战及未来方向，该范式有效缓解了形式表示的瓶颈并优于端到端神经方法。
2024-02-16 cs.AI cs.CL
Incorporating Connections Beyond Knowledge Embeddings: A Plug-and-Play Module to Enhance Commonsense Reasoning in Machine Reading Comprehension
School of EECS, Peking University（北京大学电子工程与计算机科学学院）；Peng Cheng Laboratory（鹏城实验室）
传统的机器阅读理解（MRC）已经通过模式匹配得到了很好的解决，但常识推理的能力仍然是人类和机器之间的差距。以前的方法通过预训练的知识图谱嵌入（KGE）丰富单词表示来解决这个问题。然而，它们对知识图谱（KG）中节点之间的大量连接的利用有限，这些连接可能是构建常识推理链的关键线索。在本文中，我们提出了一个即插即用的模块来存储连接信息的常识推理（PIECER）。除了用知识嵌入丰富单词表示外，PIECER还构建了一个联合查询-通道图，通过单词之间面向知识的连接来明确地指导常识推理。此外，PIECER具有很高的通用性，因为它可以插入到任何MRC模型的合适位置。实验结果ReCoRD，一个大规模的公共MRC数据集，需要常识推理，PIECER介绍了稳定的性能改善四个代表性的基础MRC模型，特别是在低资源设置。
2021-03-26 cs.AI cs.CL
Towards Large-Scale Interpretable Knowledge Graph Reasoning for Dialogue Systems
University of California, Santa Barbara（加州大学圣巴巴拉分校）；Amazon Alexa AI（亚马逊Alexa人工智能部门）
如今，与语音助手交互的用户需要以非常特定的方式表达他们的请求，以获得适当的响应。这限制了用户体验，部分原因是对话平台缺乏推理能力，以及需要大量劳动的手工规则。提高用户体验和减轻设计人员的手工劳动的一种可能的方法是建立一个端到端的对话系统，该系统可以在感知用户的话语的同时自己进行推理。在这项工作中，我们提出了一种新的方法，将知识推理能力纳入对话系统在一个更可扩展和推广的方式。我们提出的方法允许一个单一的Transformer模型直接在大规模的知识图谱上行走，以生成响应。据我们所知，这是第一个工作，有Transformer模型产生的反应，通过推理可微知识图谱。我们调查的推理能力，所提出的方法在面向任务和特定领域的聊天对话。实验结果表明，该方法可以有效地将知识图谱整合到具有完全可解释推理路径的对话系统中。
2022-03-20 cs.AI cs.CL
Towards Loosely-Coupling Knowledge Graph Embeddings and Ontology-based Reasoning
Technische Universität Berlin（柏林工业大学）；Sapienza University of Rome（罗马第一大学）
知识图谱完成（又名~链接预测），即~从知识图谱推断缺失信息的任务是在诸如产品推荐和问答的许多应用中广泛使用的任务。知识图谱嵌入和/或规则挖掘和推理的现有技术方法是数据驱动的，因此仅基于输入知识图谱包含的信息。这导致不令人满意的预测结果，使得这种解决方案不适用于关键领域，如医疗保健。为了进一步提高知识图谱完成的准确性，我们提出将知识图谱嵌入的数据驱动能力与源于专家或蕴涵机制的特定于领域的推理（例如，OWL2）。通过这种方式，我们不仅可以利用输入知识图谱中可能不包括的领域知识来提高预测精度，而且还允许用户插入他们自己的知识图谱嵌入和推理方法。我们的初步结果表明，我们提高了香草知识图谱嵌入的MRR精度高达3倍，并优于混合解决方案，结合知识图谱嵌入与规则挖掘和推理高达3.5倍MRR。
2022-07-04 cs.AI cs.DB cs.LG
Knowledge Aware Conversation Generation with Explainable Reasoning over Augmented Graphs
Baidu Inc.（百度公司）
研究了两类知识，即来自知识图谱的三元组和来自文档的文本，用于知识感知的开域会话生成，其中图谱路径可以为知识选择决策缩小顶点候选，文本可以为响应生成提供丰富的信息.知识图谱与文本的融合可能会产生相互增强的优势，但这方面的研究较少。为了解决这一挑战，我们提出了一个知识意识聊天机三个组件，一个增强的知识图谱与三元组和文本，知识选择器，知识意识的响应生成器。对于图上的知识选择，我们将其表述为多跳图推理问题，以有效地捕获会话流，与以前的工作相比，这是更可解释和灵活的。为了充分利用将我们的图与其他图区分开来的长文本信息，我们使用机器阅读理解技术改进了最先进的推理算法。我们证明了我们的系统在两个数据集上与最先进的模型相比的有效性。
2019-09-03 cs.AI cs.CL
Walk Wisely on Graph: Knowledge Graph Reasoning with Dual Agents via Efficient Guidance-Exploration
Peking University（北京大学）
针对多跳推理中奖励稀疏和长路径推理困难的问题，提出基于分层强化学习的双智能体模型FULORA，通过高层智能体在简化图上的高效引导与低层智能体在原图上的探索，有效提升了知识图谱推理性能，尤其在长距离推理上表现优异。
2024-12-18 cs.AI cs.LG
Discover Important Paths in the Knowledge Graph Based on Dynamic Relation Confidence
Zhejiang University of Technology（浙江工业大学）；Zhejiang Police College（浙江警察学院）
现有的大多数知识图谱通常都不完整，可以通过一些推理算法进行补充。基于路径特征的推理方法因其具有较强的可解释性而被广泛应用于知识图谱的推理与补全领域。然而，基于路径特征的推理方法仍然存在以下几个方面的问题：路径搜索效率低，稀疏任务的路径不足，部分路径对推理任务没有帮助。为了解决上述问题，本文提出了一种DC-Path方法，该方法结合动态关系置信度等指标对路径特征进行评价，进而指导路径搜索，最后进行关系推理。实验结果表明，与现有的关系推理算法相比，该方法能从知识图谱中选择出当前推理任务中最具代表性的特征，对当前关系推理任务取得更好的性能。
2022-11-02 cs.AI cs.LG
KG-Reasoner: A Reinforced Model for End-to-End Multi-Hop Knowledge Graph Reasoning
Department of Computer Science and Engineering（计算机科学与工程系）
本文提出KG-Reasoner，通过强化学习整合多步推理至LLM的'思考'阶段，实现动态探索推理路径，实验表明其在多跳和知识密集型推理任务中表现优异。
2026-04-14 cs.AI cs.CL
Knowledge-based Analogical Reasoning in Neuro-symbolic Latent Spaces
TCS Research（塔塔咨询服务公司研究院）
类比推理问题挑战了连接主义和符号AI系统，因为这些系统需要结合背景知识、推理和模式识别。虽然符号系统摄取明确的领域知识并执行演绎推理，但它们对噪声敏感，并且需要将输入映射到预设的符号特征。另一方面，连接主义系统可以直接摄取丰富的输入空间，如图像，文本或语音，即使有噪声输入也能识别模式。然而，联结主义模型努力包括演绎推理的明确领域知识。在本文中，我们提出了一个框架，结合了神经网络的模式识别能力与符号推理和背景知识解决一类类比推理问题的属性集和可能的关系，他们是已知的先验。我们从“神经算法推理”方法[DeepMind 2020]中获得灵感，并通过以下方式使用特定于问题的背景知识：（i）基于问题的符号模型学习分布式表示;（ii）训练反映问题中所涉及关系的神经网络转换;最后（iii）训练从图像到分布式表示的神经网络编码器（i）。这三个要素使我们能够使用神经网络作为操纵分布式表示的基本函数来执行基于搜索的推理。我们在RAVENs Progressive Matrices中的视觉类比问题上测试了这一点，并实现了与人类表现相竞争的准确性，并且在某些情况下，优于最初的端到端基于神经网络的方法。虽然最近的神经模型在规模上训练产生SOTA，但我们新的神经符号推理方法是解决这个问题的一个有希望的方向，并且可以说是更通用的，特别是对于领域知识可用的问题。
2022-09-19 cs.AI cs.LG
An original model for multi-target learning of logical rules for knowledge graph reasoning
Harbin Institute of Technology at Weihai（哈尔滨工业大学（威海））
大规模知识图谱提供人类知识的结构化表示。然而，由于不可能收集所有的知识，知识图谱通常是不完整的。基于现有事实的推理为发现缺失的事实铺平了道路。在本文中，我们研究的问题，学习逻辑规则的推理知识图谱，以完成缺失的事实三元组。学习逻辑规则使模型具有很强的可解释性以及推广到类似任务的能力。我们提出了一个模型，能够充分利用训练数据，也认为多目标的情况下。此外，考虑到模型的性能和挖掘规则的质量评估的不足，我们进一步提出了两个新的指标来帮助解决这个问题。实验结果表明，我们的模型在五个基准数据集上的性能优于最先进的方法。结果也证明了指标的有效性。
2022-07-15 cs.AI cs.LG
EPERM: An Evidence Path Enhanced Reasoning Model for Knowledge Graph Question and Answering
University of Science and Technology of China（中国科学技术大学）；Peng Cheng Laboratory（鹏城实验室）
本文提出EPERM，一个三阶段证据路径增强推理模型，通过微调LLM检索子图、筛选并加权证据路径，以利用知识图谱中不同结构信息的重要性，提升KGQA任务的推理能力。
2025-02-22 cs.AI cs.CL
Modularized Transfer Learning with Multiple Knowledge Graphs for Zero-shot Commonsense Reasoning
Yonsei University（延世大学）；University of Edinburgh（爱丁堡大学）；Google Research（谷歌研究院）；Seoul National University（首尔国立大学）
常识推理系统应该能够推广到不同的推理情况。然而，大多数最先进的方法依赖于昂贵的数据注释和过拟合到特定的基准，而不学习如何执行一般的语义推理。为了克服这些缺点，zero-shot QA系统已经通过将常识知识图谱（KG）转换成用于模型训练的合成QA形式样本而显示出作为鲁棒学习方案的前景。考虑到不同常识知识库类型的增加，本文旨在将zero-shot迁移学习场景扩展到多源环境中，使不同知识库能够协同使用。为了实现这一目标，我们建议，以减轻损失的知识，从不同的知识源之间的干扰，通过开发一个模块化的变体的知识聚合作为一个新的zero-shot常识推理框架。五个常识推理基准测试的结果证明了我们的框架的有效性，提高了多个KG的性能。
2022-06-22 cs.AI cs.CL cs.LG
ProgRAG: Hallucination-Resistant Progressive Retrieval and Reasoning over Knowledge Graphs
ProgRAG通过分解复杂问题并逐步扩展推理路径，提升知识图谱问答的可靠性和推理质量。
2025-12-09 cs.AI cs.CL
Commonsense Knowledge Graph Reasoning by Selection or Generation? Why?
School of Engineering, Westlake University（西湖大学工学院）；Zhejiang University（浙江大学）；Alibaba Inc（阿里巴巴公司）
常识知识图谱推理（CKGR）是在已知常识知识图谱（CKG）中存在的实体及其关系的情况下，对缺失的实体进行预测的任务。现有的方法可以分为生成方法和选择方法两大类。每种方法都有自己的优势。通过理论分析和实证分析，对两种方法进行了比较，发现选择法比生成法更适用于CKGR。在此基础上，进一步结合神经文本编码器的结构和知识图谱嵌入模型，解决了选择方法的两个问题，取得了较好的效果。通过选择方法为后续CKGR任务提供了基本框架和基线模型。
2020-08-13 cs.AI cs.CL
Reason-Align-Respond: Aligning LLM Reasoning with Knowledge Graphs for KGQA
School of Computer Science and Engineering, Nanjing University of Science and Technology, China（计算机科学与工程学院，南京理工大学）
本文提出RAR框架，通过Reasoner、Aligner和Responser三个组件将LLM推理与知识图谱结合，并利用期望最大化算法优化，在多个KGQA基准上实现了最先进的性能。
2025-05-27 cs.AI cs.CL
Diversifying Content Generation for Commonsense Reasoning with Mixture of Knowledge Graph Experts
University of Notre Dame（圣母大学）；University of Washington（华盛顿大学）；Microsoft Cognitive Services Research（微软认知服务研究院）
自然语言中的生成常识推理是在生成连贯文本的同时对常识进行推理。近年来，人们对提高常识推理任务生成质量的兴趣激增。然而，这些方法很少调查GCR任务的多样性，其目的是为现实世界的情况产生替代解释或预测所有可能的结果。多样化的GCR是具有挑战性的，因为它期望产生多种输出，不仅语义不同，而且基于常识知识。在本文中，我们提出了MoKGE，一种新的方法，多样化的混合专家（MoE）策略的常识知识图谱（KG）的生成推理。一组知识专家在KG上寻求不同的推理，以鼓励各种生成输出。实证实验表明，MoKGE可以显着提高多样性，同时实现在两个GCR基准上的准确性，基于自动和人工评估。
2022-03-14 cs.AI cs.CL
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
Multimodal Analogical Reasoning over Knowledge Graphs
Zhejiang University（浙江大学）；AZFT Joint Lab for Knowledge Engine（知识引擎AZFT联合实验室）；National University of Singapore（新加坡国立大学）
类比推理是人类认知的基础，在各个领域都占有重要地位。然而，以往的研究主要集中在单模态类比推理，忽视了结构知识的利用。值得注意的是，认知心理学的研究表明，来自多模态来源的信息总是比单一模态来源带来更强大的认知转移。为此，我们介绍了多模态类比推理知识图谱，这需要多模态推理能力的背景知识的帮助下，新的任务。具体来说，我们构建了一个多模态类比推理数据集（MARS）和一个多模态知识图谱MarKG。我们使用多模态知识图谱嵌入和预训练的Transformer基线进行评估，说明了所提出的任务的潜在挑战。基于结构映射理论，我们提出了一种新的模型无关的多模态类比推理框架--Transformer（MarT），该框架具有更好的性能。代码和数据集可在https://github.com/zjunlp/MKG_Analogy上获得。
2023-03-01 cs.AI cs.CL cs.CV
