迈向知识图谱上的统一神经符号推理

知识图谱（Knowledge Graph, KG）推理因其能够自主推导新知识并提升下游应用的可用性与精确度，在人工智能与知识工程领域受到广泛关注。然而，现有方法主要集中于单一的神经或符号推理形式，未能有效整合两者固有优势。此外，当前主流方法主要聚焦于解决单一推理场景，在满足现实推理任务的多样化需求方面存在局限。将神经与符号方法及多种推理场景统一于单一模型中极具挑战性，原因在于符号规则与神经网络之间存在天然的表示鸿沟，且不同场景展现出截然不同的知识结构与特定推理目标。为解决这些问题，我们提出了一种用于知识图谱推理的统一神经符号推理框架，即 Tunsr。Tunsr 首先引入了一致的推理图结构，从查询实体出发，通过迭代搜索后验邻居不断扩展后续节点。在此基础上，提出了一种前向逻辑消息传递机制，以更新每个节点的命题表示与注意力，以及一阶逻辑（First-Order Logic, FOL）表示与注意力。通过这种方式，Tunsr 在每一步通过合并可能的关系来执行多条规则的合并转换。最后，提出 FARI 算法，通过在推理图上持续执行注意力计算来归纳 FOL 规则。在四种推理场景（直推式、归纳式、插值式和外推式）的 19 个数据集上的大量实验结果证明了 Tunsr 的有效性。