逻辑信息检索的统计解析

在之前的工作（Coppola, 2024）中，我们引入了量化布尔贝叶斯网络（Quantified Boolean Bayesian Network, QBBN），作为概率因子图实现自然演绎的前向片段（Prawitz, 1965）。该工作仍有两个缺口：缺乏否定/逆向推理，以及缺乏自然语言解析器。本文在推理、语义和语法三个方面填补这两个缺口。对于推理，我们在 QBBN 中引入 NEG 因子以实现 $P(x) + P(neg x) = 1$，通过逆向 lambda 信息实现逆向理由（modus tollens），完成 Prawitz 的简单消除规则。该引擎在 44/44 测试案例中涵盖 22 种推理模式。对于语义，我们提出包含角色标记谓词、模态量词以及遵循 Prawitz 三层表达性的类型化逻辑语言：一阶量化、命题作为参数以及通过 lambda 抽象实现谓词量化。对于语法，我们提出类型化槽位语法法，可确定性地将句子编译为逻辑形式（33/33 正确，零歧义）。LLM 用于消除歧义（95% PP 附着准确率），但无法直接生成结构化解析（仅 12.4% UAS），确认语法是必需的。该架构：LLM 预处理、语法解析、LLM 重排序、QBBN 推理。我们认为这在 Sutton 的“苦涩教训”（2019）框架下实现了形式语义与实际语义的统一：LLM 消除了导致形式化 NLP 死亡的标注瓶颈，作为标注者；QBBN 则作为验证者。代码：https://github.com/gregorycoppola/world