NeSy-RAG：用于可解释问题回答的神经符号 RAG

检索增强生成 (RAG) 通过将 大语言模型 (LLM) 扎根于文本语料库等外部知识来改进问答。然而，其推理过程在很大程度上仍然不透明：中间推理步骤难以验证，并且无法可靠地归因于具体证据。此外，很少能系统地检测到缺失的用户特定上下文，这通常会导致输出不完整或不正确。我们提出了 NeSy-RAG，这是一种模块化神经符号 RAG 框架，可以从检索到的文本块中合成可归因的 Prolog 模块。对于每个块，系统生成语义上有意义的谓词，对布尔声明进行编码，这可能取决于用户事实。使用联合自然语言代码嵌入，谓词被检索并组成 Prolog 查询。为了解决不完整的用户上下文，我们引入了一种符号知识差距检测机制，该机制可以识别缺失的用户事实，其真值会影响查询结果，并自动触发后续交互。执行生成的 Prolog 查询会产生确定性答案以及将每个推理步骤与其原始源链接起来的透明执行跟踪。在 ShaARC 基准上，在没有特定领域训练的情况下，NeSy-RAG 达到了 61.1% 的准确率，优于同型号 RAG 基准（达到 42.8% 的准确率）。