SymbolLKG：通过逻辑知识图谱与符号求解器迈向可验证的逻辑推理

摘要

大语言模型（LLM）在自然语言理解上表现出色，但在严格的多步推理上仍有困难，经常出现幻觉和不一致。思维链（CoT）等现有方案缺乏严格的验证机制，而标准的检索增强生成（RAG）往往遗漏逻辑任务固有的复杂结构性依赖。为弥合这一差距，我们提出一种神经符号架构，将逻辑知识图谱（LKG）与动态求解器路由相结合。具体而言，我们引入基于本体的LKG，将逻辑规则和约束视为一等拓扑节点，从而能够显式建模从文本中提取的依赖关系。我们进一步设计了Logic Router，将任务动态派发到最优的符号引擎，并由拓扑感知的混合检索机制提供支持。在逻辑推理基准上的实验结果表明，我们的框架显著优于最先进的提示和RAG基线，带来更高的准确率和可验证的推理路径。

SymbolLKG：通过逻辑知识图谱与符号求解器迈向可验证的逻辑推理：论文配图 — 图1：推理范式的比较。输入中以绿色突出约束、灰色突出噪声、橙色突出前提。直接 LLM 管线（左）忽视这一结构，犯下“封闭世界假设”（CWA）错误，错误地猜 Jamie 获胜。SymbolLKG 管线（右）将文本转换为逻辑知识图谱，使用符号化验证严格检查前提。该系统正确地得出答案为“Unknown”。