通过神经符号集成与本体推理提升大型语言模型
人工智能
2025-12-08 v2
摘要
大型语言模型（LLM）在自然语言处理方面展现出惊人的能力，但因存在误报和逻辑不一致的‘幻觉’问题而受到制约。这会严重影响其在需要事实准确性的领域的可靠性。我们提出一种神经符号方法，集成符号本体推理与机器学习技术，以增强LLM输出的一致性和可靠性。我们的工作流程利用OWL本体、符号推理器（如HermiT）进行一致性检查，以及轻量级机器学习模型（逻辑回归）将自然语言语句映射到与本体兼容的逻辑形式。当检测到LLM输出与本体之间不一致时，系统会生成解释性反馈，以引导LLM朝正确且逻辑连贯的响应迭代。我们展示了一个基于Python的原型实现。实验结果表明，在定义好的领域内，LLM输出在语义连贯性和事实准确性方面均取得显著提升，展示了将LLM的流畅性与形式语义严谨性结合的潜力。
引用
@article{arxiv.2504.07640,
title = {Enhancing Large Language Models through Neuro-Symbolic Integration and Ontological Reasoning},
author = {Ruslan Idelfonso Magana Vsevolodovna and Marco Monti},
journal= {arXiv preprint arXiv:2504.07640},
year = {2025}
}
备注
Withdrawn because Version 1 contains inaccuracies in references and architecture description. A corrected and improved version will be submitted separately