实现张量逻辑：通过张量收缩统一 Datalog 和神经推理

符号推理与神经网络的统一仍是人工智能中的核心挑战。符号系统提供可靠性和可解释性，但缺乏可扩展性；而神经网络提供学习能力，但牺牲了透明性。Domingos 提出的张量逻辑 (Tensor Logic) 认为，逻辑规则与爱因斯坦求和在数学上等价，为统一之路提供了原则方法。本文通过三个实验对该框架进行经验验证。首先，我们通过计算包含 1,972 个成员和 1,727 对亲子关系的圣经家族图的传递闭包，展示了递归 Datalog 规则与迭代张量收缩的等价性，在 74 次迭代后发现 33,945 个祖先关系。其次，我们通过训练带有可学习变换矩阵的神经网络，在嵌入空间中实现推理，展示了在保留查询上的零样本组合推理。最后，我们在 FB15k-237 上验证了张量逻辑叠加构造，该数据集包含 14,541 个实体和 237 个关系。使用 Domingos 的关系矩阵公式 $R_r = E^\top A_r E$，我们在标准链路预测上实现了 0.3068 的 MRR，在组合推理基准上实现了 0.3346 的 MRR（训练时移除直接边），表明矩阵组合能够在无直接训练示例的情况下实现多跳推理。