用于逻辑信息检索的统计解析

在先前的研究中（Coppola, 2024），我们引入了量化布尔贝叶斯网络（QBBN），这是一种实现自然演绎前向片段的概率因子图逻辑图形模型。该工作存在两个不足：缺乏否定/反向推理，以及缺少自然语言解析器。本文从推理、语义和语法三个层面弥补了这两个不足。在推理方面，我们通过引入NEG因子扩展了QBBN，使P(x) + P(neg x) = 1，并通过反向lambda消息实现逆否推理（modus tollens），从而完善了Prawitz的简单消去规则。系统处理了涵盖22种推理模式的44个测试用例。在语义方面，我们提出了一种带有角色标注谓词、模态量词和三层次表达能力的类型化逻辑语言。在语法方面，我们提出了一个类型槽语法，能够确定性地将句子编译为逻辑形式（33/33正确，无歧义）。LLMs在消歧方面表现良好（95% PP连接准确率），但无法直接生成结构化解析（UAS为12.4%），证明语法是必要的。架构上，LLM进行预处理，语法进行解析，LLM重新排序，QBBN进行推理。我们认为这调和了形式语义与Sutton的“苦涩教训”（2019）：LLMs消除了导致形式NLP失败的注释瓶颈，作为注释者，而QBBN则作为验证者。