探索如何使用基于 RNN 的迭代神经网络将符号逻辑定义为字符级逻辑程序，使其在高维向量空间中学习推理，进一步分析学习推理算法如何产生逻辑程序中的原子、文字和规则表示，并针对谓词和常量符号的长度以及多次跳跃推理的步数进行评估。

May, 2018

我们提出了一种基于自然逻辑的神经网络模型，该模型使用模块网络模拟自然逻辑操作，并使用内存组件模拟上下文信息以有效建模单调性推理和聚合。实验表明，该模型可以有效地建模单调性推理，因此在聚合时得到更好的性能。

Nov, 2020

研究如何通过神经逻辑编程的框架来学习概率一阶逻辑规则应用于知识库推理，达到了比先前工作更好的效果。

Feb, 2017

我们提出了一种新的框架，无缝提供神经网络（学习）和符号逻辑（知识和推理）的关键属性，每个神经元都有权重实值逻辑公式的组成部分，得到了高度可解释的分离表示，推理是全向的而不是集中在预定义的目标变量上，对应于逻辑推理，包括经典的一阶逻辑定理证明作为特殊情况。

Jun, 2020

本文提出了一种名为 GNN-QE 的神经符号模型，用于回答复杂的一阶逻辑查询，在解决神经方法推理难以解释的问题的同时，取得了较显著的实验成果。

May, 2022

本文介绍了一种使用神经网络来处理知识图谱上的多跳逻辑查询的方法，并展示了实验室中的卓越性能，该方法可以处理包括否定查询在内的全一阶逻辑查询。

Sep, 2022

介绍了一种表示符号知识库的新方法，称为稀疏矩阵实体化知识库。该表示形式可以使用完全可微的神经模块，表达式足够丰富以模拟多跳推理，并具有可伸缩性，以便使用现实中的大型知识库。该方法能够在多个 GPU 上分布，可扩展到数千万个实体和事实，比朴素的稀疏矩阵实现快几个数量级。稀疏矩阵实体化知识库可用于 KB 完成和语义分析器学习等任务。

Feb, 2020

本文提出了一种名为 Conditional Theorem Provers（CTPs）的方法，它是 Neural Theorem Provers（NTPs）的扩展，可以通过基于梯度的优化学习出最优规则选择策略以实现可解释性和可扩展性，并且在大规模任务中表现优异。CTPs 在 CLUTRR 数据集上取得了表现最优结果，并在标准基准测试中展现了比其他神经符号模型更好的链接预测结果。

Jul, 2020

本文提出了一种解决人工智能中自然语言和知识库的推理问题的方法，即利用神经定理证明器和共享嵌入空间来实现，该方法被证明的可扩展性更加高效，并取得了较好的预测结果和可解释性。

Dec, 2019

提出了一种新型的神经定理证明器，通过仅考虑最高证明分数相关的证明路径，可以在以前无法应用的知识库上进行推理和学习。

Jul, 2018