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

本文调查了神经符号人工智能的杂交方法在生物医学领域的实用性和潜在益处，这些方法对于如药物重新定位等任务的 KG 完成 (KGC) 更为适合，因为生物医学数据集通常被建模为知识图谱 (KG) 以捕捉其多关系、异质性和动态属性。

Jul, 2023

本研究开发了一种创新方法，使神经网络能够生成和利用知识图谱，通过与人类提供的知识对齐，描述概念级知识并优化网络参数。实验结果表明，我们的方法始终捕捉到与人类知识密切对齐的网络生成的概念，并且甚至能够发现人类之前未发现的新概念。这种策略不仅增强了神经网络的可解释性，而且有助于在这些系统中集成符号逻辑推理。

Apr, 2024

本文研究了知识图谱和预训练语言模型相结合的文本分类任务，对常见的文本到知识图谱对齐方法进行了评估，结果表明当前的方法相对于完全相关的查询子图存在一定的局限性。

Jun, 2023

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

提出一个基于神经符号学习的 KG 推理模型，通过结合 KG 嵌入和规则学习模块来实现语义关联的增强和解释能力的提高，实验表明这一模型在神经符号学习方面表现优异。

Dec, 2021

本研究开发了一种结合符号逻辑和神经网络自动生成生物学知识图谱节点的向量嵌入方法，用于生物知识图谱的边预测，并实现了优于人工特征方法的表现，该方法可应用于任何生物知识图谱中，并开放性的提供了生物领域中基于语义 Web 技术的知识库的机器学习和数据分析。

Dec, 2016

知识图谱是一个基于图形的数据结构，用于表示世界的事实，其中节点表示现实世界的实体或抽象概念，边表示实体之间的关系。知识图谱嵌入通过在低维向量空间中表示实体和关系来捕捉它们之间的语义关系。本文讨论了基于翻译和神经网络的嵌入模型，它们根据语义属性、评分函数和架构的不同而有所区别，并进一步讨论了在一些使用深度学习模型和利用社交媒体数据的领域中应用知识图谱。

Apr, 2024

本文提出了一种基于代数结构的 Knowledgebra（知识代数）数学语言，分析了五个不同的代数属性，证明了半群关系嵌入是一般知识图谱关系嵌入最合理的代数结构，提出了一个实例化模型 SemE，使用简单的矩阵半群具有最好的性能，同时提出了一种基于正则化的方法，在嵌入训练中融合人类知识派生的链式逻辑规则，为深度学习和代数推理的结合提供了一种可能性。

Apr, 2022

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