Rule2Text：知识图谱中逻辑规则的自然语言解释
计算与语言
2025-08-01 v1 人工智能
机器学习
摘要
知识图谱（KGs）通常包含足以支持推理新事实的丰富信息。识别逻辑规则不仅可以提高知识图谱的完整性，还可以帮助检测潜在错误、揭示细微数据模式，并增强整体的推理和解释能力。然而，规则的复杂性以及每个知识图谱独特的标记约定可能会使其难以被人类理解。本文探讨了大型语言模型生成逻辑规则自然语言解释的潜力。具体而言，我们使用 AMIE 3.5.1 规则发现算法从基准数据集 FB15k-237 和两个大规模数据集 FB-CVT-REV 和 FB+CVT-REV 中提取逻辑规则。我们检查了各种提示策略，包括零样本和少样本提示、包括变量实体类型以及链式思考推理。我们对生成的解释进行了基于正确性、清晰度和幻觉的全面人类评估，并评估了大型语言模型作为自动评判员的使用。我们的结果表明在解释的正确性和清晰度方面表现出色，尽管仍存在一些挑战值得进一步研究。本研究中使用的所有脚本和数据均可在 https://github.com/idirlab/KGRule2NL 上公开获取。
引用
@article{arxiv.2507.23740,
title = {Rule2Text: Natural Language Explanation of Logical Rules in Knowledge Graphs},
author = {Nasim Shirvani-Mahdavi and Devin Wingfield and Amin Ghasemi and Chengkai Li},
journal= {arXiv preprint arXiv:2507.23740},
year = {2025}
}