本文提出了一种新颖的知识融合架构，Knowledge Enhanced Neural Network (KENN)，用于时间序列预测，旨在将知识和数据领域的优势相结合，减少整体框架对数据的依赖性，提高性能并将其与现有方法进行比较。

Feb, 2022

提出 KeGNN，一种神经符号框架，结合了神经和符号方法，用于图数据的学习，旨在通过添加系统先前知识来提高精度，并通过多个基准数据集的节点分类进行评估。

Mar, 2023

KGNN 框架采用 GNN 编码器和知识感知解码器，旨在以细粒度的方式共同探索高阶结构和属性信息，同时在知识图谱中保留关系模式，并在链接预测和三元组分类任务上展示了其有效性和可扩展性。

May, 2022

研究证明，通过对图形结构数据进行了解和拓展，结构化数据分析可以被大大提高。Inductive Logic Programming (ILP) 和 Graph-Based Neural Networks (GNNs) 成为图形结构数据分析上的两个主流，新兴的 Vertex-Enriched Graph Neural Networks (VEGNNs) 又进一步提高了分类性能并能够提前学习到有关联的顶点边的信息，因此在结构化数据分析中加入领域知识的时候可以考虑使用。

Oct, 2020

人工智能的快速发展，特别是通过深度神经网络，已经在视觉和文本处理等领域取得了显著进展。但是，实现人类类似的推理和可解释的人工智能系统仍然面临重大挑战。神经符号学范式将神经网络的深度学习能力与符号系统的推理能力结合起来，提供了开发更透明和可理解的人工智能系统的有希望途径。本文探讨了基于知识图谱的神经符号一体化的最新进展，阐明了知识图谱在三个关键类别中支撑着这种一体化：通过引入符号知识来增强神经网络的推理和可解释性（Symbol for Neural），通过神经网络方法来提高符号系统的完整性和准确性（Neural for Symbol），以及促进两者在混合神经符号一体化中的应用。本文强调了当前的趋势，并提出了神经符号人工智能领域未来研究的方向。

May, 2024

本文综合研究了知识增强的神经机器推理领域，分类总结了现有方法，并探讨了应用领域和未来研究前景。

Feb, 2023

提出了一种增强学习模型的方案，即通过知识图谱的事实三元组来为自然语言处理任务提供上下文知识，并采用基于卷积的模型来减少关注空间，从而大大提高了文本分类和自然语言推理任务的性能。

Feb, 2018

采用先验知识辅助在长文本中进行语义匹配，提出了一种知识增强混合神经网络（KEHNN），该模型通过知识门将先验知识融入单词表示中，并建立了三个匹配通道，最终实现对句子的局部和全局语境进行匹配的高检索性能。

Nov, 2016

提出了一种神经符号交织的（ENeSy）复杂查询答案框架，该框架能够在神经和符号推理结果的基础上分别回答和集成查询，通过压缩和整合基本运算符和链接预测提高了复杂查询的效果，并应用于多项基准测试。

Sep, 2022

我们提出了一种新的用于有命题背景知识的监督多标签分类的形式化方法，称为推理中的语义调整，其在推理过程中限制系统而不影响训练，相比于另外两种常见的神经符号技术（语义调整和语义正则化），我们讨论了其在理论和实际上的优势，并开发了一种新的多尺度方法来评估神经符号技术的好处随着网络规模的演化，通过对多个数据集的实验和比较，我们的结果表明，推理中的语义调整可以用于构建更准确的基于神经网络的系统，使用更少的资源，并确保输出的语义一致性。

Feb, 2024