通过自 induction 与 relevance ReEstimate 提升规则检索与推理

本文系统性地解决了规则检索问题，这是一个关键但鲜有人关注的领域。使用稀疏或稠密检索器直接搜索与下游推理相关的规则的常规方法往往效果不佳。这主要是由于查询中实例化事实与规则抽象表示之间存在显著的语义鸿沟所致。这一误差导致检索质量次优，进而严重影响推理性能。为克服这些挑战，我们提出了自 induction 增强检索（SIAR）方法，该方法利用大型语言模型（LLM）对可能为推理提供帮助的潜在规则进行 induction，通过抽象查询中潜在知识和逻辑结构。这些被 induction 的规则随后用于查询扩充以提高检索效果。此外，我们引入规则相关性 ReEstimate（R$^3$），该方法通过评估所检索规则所包含的抽象知识是否可以被实例化以与查询中的事实一致，并评估其对推理的帮助程度来重新估计检索规则的相关性。广泛的实验结果表明，我们提出的方法在各种设置下都有效且具有多样性。