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

本文提出了一种利用经典逻辑编程语言来装备大型语言模型（LLMs）的方法，以在知识图谱（KG）上回答自然语言问题，从而提供可解释性解决方案。作者使用 MetaQA 数据集证明了该方法的有效性。

Mar, 2023

本文提出了一种模块化的知识库问答系统 Neuro-Symbolic Question Answering (NSQA)，它采用 Abstract Meaning Representation (AMR) parse 语义分析、简单有效的图转换方法和多个可重复使用训练模块（语义分析、实体和关系链接和神经符号推理器），避免需要端到端的训练数据，并在两个著名知识库问答数据集上（基于 DBpedia 的 QALD-9 和 LC-QuAD1.0）实现了最先进的性能，并且 AMR 是 KBQA 系统的强大工具。

Dec, 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

我们提出了一个用于回答不完整知识图谱上任意合取查询的框架，该方法通过无限树状查询的系列来近似循环查询，并利用现有模型进行近似处理。经验证明，我们的近似策略取得了有竞争力的结果，并且包含存在量词变量的查询倾向于改善这些模型的整体性能，无论是对树状查询还是对我们的近似策略。

Oct, 2023

本文介绍了使用自然语言处理技术的语义解析器，将用户的自然语言问题转化为有形式定义的查询语句，通过大规模知识图谱实现。作者提供了一个数据集，其中，用户问题采用 Sparql 语言解析，并对执行结果对系统回答进行注释。通过两种不同的语义解析方法，我们提出了挑战：如何处理大规模词汇，如何建模对话语境，如何处理多实体查询语句，并实现对新问题进行泛化。作者希望我们的数据集能够为开发会话式语义解析器提供有效的测试平台。本文的数据集和模型已经发布，详情请见链接。

Jan, 2023

介绍了如何使用适合的神经符号模型来实现领域泛化和下游任务的鲁棒性，讨论了整合神经语言模型和知识图谱的不同方法，并对各种常识问答基准数据集进行了定量评估和定性错误分析。

Jan, 2022

通过动态生成常识知识图谱，我们提出了一种零 - shot 通识问答的方法，能够推理涉及文本场景中因果关系、影响和状态等方面的隐含世界知识，并实现了生成语义知识结构的功能，从而有效地推理出正确答案。

Nov, 2019

提出了一种利用文本的语义结构来回答多项选择题的新方法，将 QA 转化为一种满足某些全局和局部特性的最优子图的搜索问题，在科学 QA 数据集上表现良好。

Jun, 2019

本研究主要关注于如何从自然语言问题中构建查询图谱，提出了一种基于语义结构的 BERT 模型进行分析和预测，通过过滤噪声查询图，提高了问题解答的准确性。实验结果表明该方法比现有技术有更好的效果。

Apr, 2022