该论文介绍了一种利用大型语言模型技术支持智能代理语义词典中新条目的自动学习的系统。这种学习方法通过现有的非玩具词典和自然语言生成器引导启动，将意义的表达按基本本体建立转换为自然语言句子。此学习方法已应用于学习多词表达式，其含义与智能代理语义词典中的及物动词等效。实验展示了一种融合基于知识的方法、资源、传统数据分析和大型语言模型的混合学习架构的优势。

Dec, 2023

该论文提出了神经逻辑机（NLM）这种结合神经网络和逻辑编程的神经符号架构用于归纳学习和逻辑推理，在小规模排序等任务上进行训练后，可以推广到大规模任务并在如家庭树和排序等任务中取得了优异表现。

Apr, 2019

本文介绍了一种基于控制语言 CNL 的知识编写和查询方法，通过对 KALM 系统的扩展，提出了可以回答更复杂问题的 KALM-QA，并与机器学习方法进行了对比，结果表明 KALM-QA 在回答电影相关问题方面能够达到 100% 的准确率。

Jul, 2019

Logic-LM 是一种将大型语言模型与符号推理相结合的框架，通过首先使用大型语言模型将自然语言问题转化为符号形式，然后进行确定性符号求解，以及自我精炼阶段来修正符号形式，在 ProofWriter、PrOntoQA、FOLIO 和 LogicalDeduction 等四个逻辑推理数据集上的结果表明，与仅使用大型语言模型相比，我们的方法可以显著提高逻辑推理的性能。

May, 2023

LoGiPT 是一种新颖的语言模型，通过直接模拟逻辑求解器的推理过程并严格遵守求解器的语法规则，绕过分析错误，并在竞争的语言模型上表现出优异的性能。

Nov, 2023

讨论了巨型语言模型（LM）的局限性以及如何通过采用系统方法避免这些局限性，提出了一种灵活的、多神经模型的神经符号化架构，并加入了离散知识和推理模块，命名为 Modular Reasoning, Knowledge and Language（MRKL）系统，描述了 AI21 实验室的 MRKL 系统实现与技术上的挑战。

May, 2022

本文通过基于神经网络自然语言解析器 mStanza 的 KALM 框架，针对事实性英语陈述进行事实和查询创作，并提出解决神经网络自然语言解析器存在的词性标注、词形还原和依赖解析错误等问题的技巧，通过测试表明，该系统的正确性超过了 95%。

Aug, 2022

本文介绍了一种基于关系数据库的双向知识管理系统（BKMS），通过记录层级信息促进研究和写作过程，并利用连接概念的参考或洞察来生成有用的知识。它包括改进的分层笔记、AI 辅助头脑风暴和多方向关系等新功能，可以应用于制造或研究企业的库存和变更管理，或生成基于证据的决策分析报告。

Jun, 2022

本文提出了两种解决 out-of-vocabulary 问题的策略和一个语义模型，以解决传统深度神经网络和基于规则的方法在自然语言理解上所面临的挑战。

Apr, 2023

通过对最新进展的简要回顾，本文试图了解大型语言模型在逻辑推理方面的能力，包括逻辑推理数据集、任务以及利用大型语言模型进行推理的方法。通过构建基准测试集 LogiGLUE，并训练一个经过指令微调的语言模型 LogiT5，研究了单任务训练、多任务训练以及思维链知识蒸馏微调技术在不同逻辑推理类别上的表现，旨在揭示大型语言模型在逻辑推理中的能力和潜在路径，为该关键领域的高级和精细化发展铺平道路。

Oct, 2023