NeuroSymActive：用于知识图谱问答的可积极探索的可微分神经符号推理

大型预训练语言模型和神经推理系统已推进许多自然语言任务，但它们在需要精确、结构化多跳推理的知识密集型查询方面仍面临挑战。知识图谱提供了一个紧凑的符号基质用于事实 grounding，但将图结构与神经模型集成具有挑战性：盲目将图事实嵌入提示中会导致低效和脆弱，而纯符号或搜索密集型方法在检索和缺乏基于梯度的细化方面可能成本较高。我们引入 NeuroSymActive，一个模块化框架，将可微分神经符号推理层与用于知识图谱问答的主动、价值导向探索控制器相结合。该方法将软统一风格的符号模块与神经路径评估器和蒙特卡洛风格的探索策略耦合在一起，后者优先考虑高价值路径扩展。在标准 KGQA 基准测试上的实验结果表明，NeuroSymActive 在保持强答案准确性的同时，显著减少了常规检索增强基线的昂贵图表查找和模型调用次数。