本文介绍了一个基于知识图谱的事实检查方法，利用其中的语义表示和逻辑规则进行推理，以产生可解释的结果。实验表明，这种基于概率推理的方法比现有技术水平更具准确性。

Jun, 2019

介绍了一个名为 FactKG 的新数据集，该数据集包含 108k 个自然语言声明及其相关类型的推理，旨在通过推理知识图谱来进行事实验证，并开发了基于这些推理类型的基线方法，以提高知识图谱的可靠性和实用性。

May, 2023

本文提出了一种名为策略引导路径推理（PGPR）的方法，将推荐和可解释性结合起来，并在知识图中提供实际路径，通过明确的推理过程生成和支持推荐，同时实现了强化学习和策略引导图搜索算法。在多个实际数据集的评估中，与现有的最先进方法相比，获得了良好的结果。

Jun, 2019

本文提出了一种利用强化学习框架开发的面向缺失事实的多跳图推理和事实提取代理的协同训练方法，以预测知识图谱中缺失的事实，从而提升可解释性推理的效果。

Aug, 2019

本研究论文介绍了一种名为 FOLK（First-Order-Logic-Guided Knowledge-Grounded Reasoning）的方法，用大型语言模型（LLMs）进行复杂声明的验证和解释生成，同时不需要基于人工标注的证据。该方法通过将声明转化为由谓词组成的一阶逻辑子句，每个谓词对应需验证的一个子声明，并利用一组知识基础的问答对进行一阶逻辑引导的推理，从而做出真实性预测并生成解释以说明其决策过程，使模型高度解释性。实验结果表明，FOLK 在涵盖各种声明验证挑战的三个数据集上优于强基线模型。

Oct, 2023

该文综述了利用知识表示与推理方法在强化学习中更抽象表现和更有效学习的领域中取得的进展和应用，并讨论了未来在此领域中需要解决的挑战和可能的方向。

Apr, 2023

在金融服务领域，应用基于知识图谱的可解释推荐系统对客户提供相关的金融文章，促进客户关系、客户参与及推动客户做出明智的金融决策，并发掘了结构化数据和非结构化数据的潜在价值。

Jul, 2023

通过使用知识图谱方法和协同过滤技术，我们的研究提出了一种可以生成客观描述的推荐解释的方法，该方法结合了用户购买历史和物品特征，为用户提供与其偏好相匹配的个性化解释，实验结果表明该方法在自然语言可解释推荐方面优于现有的最新模型。

Aug, 2023

人类使用因果关系和假设的回顾来进行日常决策、计划和理解生活事件。AI 系统需要更丰富的因果关系表示来支持干预和反事实推理，以提高人类对 AI 系统的理解。Causal Knowledge Graph（CausalKG）框架利用最近的因果关系进展和 KG，提供了一种领域适应型的因果模型，用于表示 KG 中的复杂因果关系，并支持反事实推理和干预，从而实现了领域可解释性。

Jan, 2022

本文提出了一种检索 - 探索互动方法 FiDelis，用于处理以知识图谱为基础的推理的中间步骤。通过结合 LLMs 的逻辑和常识推理以及 KG 的拓扑连接性，我们提出了 Path-RAG 模块，用于从 KG 中检索有用的中间知识用于 LLM 推理，并利用 LLMs 的演绎推理能力来自动引导推理过程，以精确确定何时停止进一步的推理，避免误导推理链和不必要的计算。大量实验证明我们的方法在三个基准测试中的性能优于现有的强基线模型，并且作为一种无需训练且计算成本较低且具有更好普适性的方法。

May, 2024