本文提出了逻辑结构约束建模的方法，通过引入针对命题单元的蕴涵或矛盾关系而非实体关系的逻辑结构来解决基于逻辑推理的问题回答任务，使用基于语篇的图网络实现了逻辑图构建和逻辑特征学习，并将基础特征与高级逻辑特征相结合，实现文本编码器的答案预测，实验结果证明该方法在三个文本逻辑推理数据集上效果显著，并且具有未见过逻辑文本的普适性。

Jul, 2022

本论文致力于将符号逻辑推理的多步骤推理与神经网络的概括功能相结合。在文本和大型知识库中对实体和关系进行复杂推理。提出了三种重要的建模方法：（1）学习联合推理关系（2）使用神经注意力建模多个路径（3）学习在单个 RNN 中共享强度，使用我们的方法在实验任务中实现了 25％的错误率降低，推理中的错误率降低了 84％。

Jul, 2016

本研究通过利用 GPT-3.5 中的链式思维和图形推理技术，以及详细的例子推理，全面探索了关系抽取，并引入了一种新颖的图形推理方法，将关系抽取拆分为连续的子任务，提高了处理复杂关系数据的精确性和适应性，实验证明了我们方法的有效性。

Apr, 2024

本研究提出了一种基于自然逻辑单元和事实推导方法的超图构建和问题回答方法，得到了较好的实验结果。

May, 2021

本文提出了一种使用基于话语的信息汇总处理逻辑推理 QA 的方法 ——DAGN，它将话语信息编码成一种图形式，并通过一个图形网络学习话语感知特征，实现了在两个 QA 数据集中具有竞争力的结果，源代码可在 https URL 上获得。

Mar, 2021

本文旨在探索多站点问答任务的 RGCN 模型、图形关系和节点嵌入，并在 WikiHop 数据集上经验性地探讨每个关系、节点类型和嵌入对多站点 QA 性能的影响。

Oct, 2022

本文介绍了一种类似神经模块网络的组合模型，旨在对文本进行复杂的逻辑推理，通过寻找文章中相关的句子，并使用神经模块将它们链接起来，模型在 ROPES 上取得了显著的性能改进。

Apr, 2020

本文提出了一种新颖的判别推理框架来显式地建模文档中每对实体对之间的推理路径，并利用构建的图形和每个实体对的矢量化文档上下文来估计不同的推理路径的关系概率分布，从而识别它们的关系，实验证明我们的方法在大规模 DocRE 数据集上优于之前的最优表现。

Jun, 2021

本研究提出了一个名为图形协作推理（GCR）的方法，该方法利用邻居链接信息从逻辑推理角度对图形进行关系推理，并在常用基准数据集上展示其在链接预测等任务方面的卓越表现。

Dec, 2021

提出一种新的神经符号方法，用于解决包含逻辑推理的阅读理解题，通过输入文本单位之间的逻辑关系图，并辅以一个自适应逻辑图网络 (AdaLoGN) 来推断逻辑关系，从而实现神经和符号之间的相互加强，有效回答多项选择题。在 ReClor 和 LogiQA 上实现了完整的测试并获得了良好的实验结果。

Mar, 2022