NeuroSymActive：结合主动探索的可微神经符号推理用于知识图谱问答

尽管大规模预训练语言模型和神经推理系统在许多自然语言任务中取得了进展，但它们在需要精确、结构化多跳推理的知识密集型查询上仍面临挑战。知识图谱提供了事实基础的紧凑符号表示，但将其与神经模型结合并不简单：将图事实嵌入提示中会导致效率低下和脆弱性，而纯粹的符号或搜索方法在检索成本和梯度优化方面存在不足。本文提出NeuroSymActive，一种模块化框架，结合了可微神经符号推理层与主动价值引导的探索控制器，用于知识图谱问答。该方法将软统一风格的符号模块与神经路径评估器及蒙特卡洛风格的探索策略相结合，优先扩展高价值路径。实验结果表明，NeuroSymActive在标准KGQA基准测试中实现了较高的答案准确率，同时减少了昂贵的图查找和模型调用次数，优于常见的检索增强基线。