面向逻辑信息检索的统计句法分析

在之前的工作（Coppola，2024）中，我们提出了量化布尔贝叶斯网络（Quantified Boolean Bayesian Network，QBBN），一种把自然演绎的前向片段（Prawitz，1965）实现为概率因子图的逻辑图形模型。该工作留下两个空白：没有否定/反向推理，也没有自然语言分析器。本文在推理、语义和句法三个层面弥补这两个空白。在推理方面，我们用NEG因子扩展QBBN，强制P(x)+P(neg x)=1，并通过反向lambda消息实现逆否推理（modus tollens），补全了Prawitz的简单消去规则。该引擎处理了覆盖22种推理模式的44个测试用例（44/44通过）。在语义方面，我们提出一种带角色标注谓词、模态量词和三层次表达力的类型化逻辑语言，遵循Prawitz：一阶量化、作为参数的命题，以及经由lambda抽象的谓词量化。在句法方面，我们提出一种类型化槽位文法，可将句子确定性地编译为逻辑形式（33/33正确，零歧义）。LLM能处理消歧（PP附加准确率95%），但无法直接产生结构化句法分析（UAS仅12.4%），证实文法是必要的。该架构为：LLM预处理、文法分析、LLM重排、QBBN推理。我们论证这调和了形式语义学与Sutton的“苦涩教训”（2019）：LLM消除了曾扼杀形式化NLP的标注瓶颈，充当标注者，而QBBN充当验证者。代码：https://github.com/gregorycoppola/world