- COLING逻辑规则作为法律案例检索的解释
通过使用逻辑规则解释法律案件检索结果，提供合乎逻辑、真实可信且解释性强的法律案件检索模型。
- ASGEA：利用子图对齐中的逻辑规则进行实体对齐
利用 Align-Subgraph 实体对齐（ASGEA）框架从 Align-Subgraphs 中挖掘逻辑规则，设计了 Path-based 图神经网络（ASGNN）来有效地在知识图谱中识别和整合逻辑规则，并通过多模式增强的锚点和多模式注 - 一种基于 ASP 的数据到文本处理的 xAI 方法
该论文提出了一个符合 xAI 要求的框架，通过 ASP/Python 程序对自然语言文本进行生成，并实现了对准确性错误和合成量的显式控制，同时利用逻辑规则对文本进行层级组织和结构管理。
- 简单规则注入用于 ComplEx 嵌入
本文介绍了一种名为 InjEx 的机制，通过简单限制来注入多种类型的规则，以将可解释的先验知识融入嵌入空间，实验结果表明 InjEx 在知识图谱补全和少样本知识图谱补全设置中优于基准模型和专门的少样本模型，并且保持了可扩展性和效率。
- ACL通过可微分符号编程改进语言模型的逻辑推理能力
本文提出 DSR-LM 框架，通过符号编程实现不同 iable 符号推理框架，其中预训练的语言模型控制事实知识的感知，符号模块执行演绎推理，并改进了 LMs 的逻辑推理能力，结果表明其在推理基准测试中的精度提高了 20% 以上。
- 利用逻辑知识增强生物医学数据的嵌入表示
本研究探讨在生物医学领域的知识图谱中，如何通过引入逻辑规则来增强知识图谱嵌入表示，提高关系建模的效果。具体地，采用关系推理网络（R2N）作为知识图谱嵌入技术的补充，在 PharmKG 数据集上进行对比实验，并进行消融分析。结果表明，该方法显 - 知识图谱推理在图类型上的调查：静态、动态和多模态
该研究论文为知识图谱推理提供了一种静态模型，其目的是在知识图谱上推出新的事实，概述了静态、时间性和多模态 KGR 模型的检测，探讨了相应的数据集和挑战。
- ACL预先训练的语言模型是否具备演绎推理能力？
本文对预训练语言模型的可学习演绎性能进行了全面评估，发现该模型存在推理规则泛化不足、对表面形式的修改表现不稳定、在推理过程中出现遗忘现象等问题，说明预训练语言模型对于演绎推理的表现仍不可靠，远未达到人类的推理能力。
- EMNLP学习文档级别关系抽取的逻辑规则
本文提出了 LogiRE，一种通过学习逻辑规则进行文档级关系提取的新型概率模型。该模型将逻辑规则作为潜在变量，并由规则生成器和关系提取器两个模块组成，可以显式捕捉长程依赖并具有更好的解释能力，实验结果表明在关系性能（1.8 F1 分数）和逻 - 文本分类的规则提示调整
本文提出了基于规则的提示调整 (PTR) 方法，将逻辑规则应用于构建提示，以便在许多类别的文本分类任务中编码先前知识，并通过对关系分类进行实验，证明 PTR 能显著且一致地优于现有的最先进基线。
- 利用嵌入和逻辑规则对生物医学知识图谱进行精化
本文提出了一个名为 BioGRER 的方法，该方法综合了知识图谱嵌入和逻辑规则，以改进生物医学知识图谱的质量，并在 COVID-19 知识图谱上获得了有竞争力的结果。
- COLING基于逻辑引导的零样本关系分类语义表示学习
该研究提出了一种基于逻辑引导的语义表示学习模型，通过知识图谱嵌入和逻辑规则，在已知和未知关系之间建立联系，用于零样本关系分类。实验结果表明，该方法可以推广到未见关系类型，并取得了有希望的提升。
- ACL逻辑引导的数据增强和正则化技术，用于一致性问答
本文通过整合逻辑规则和神经模型，使用基于一致性的正则化来提高问答任务中对比问题的响应的准确性和一致性，该方法在各种问题回答（QA）任务中获得大幅提高。特别是，在数据集中，我们的方法使 RoBERTa 模型的性能提高了 1-5％，，并在 WI - AAAI基于规则导向的知识图谱组合表示学习
本文提出了一种基于规则和路径的联合嵌入（RPJE）方案，利用逻辑规则的可解释性和准确性、KG 嵌入的泛化性以及路径的补充语义结构。实验结果表明，RPJE 在 KG 完成任务上优于其他最先进的基线，这也证明了利用逻辑规则和路径提高表示学习的准 - 结合 LIME 与 Aleph 丰富关系概念的视觉解释
本文提出了一种能够利用归纳逻辑程序系统 ALEPH 所得到的逻辑规则来解释分类器决策的方法，并利用图像生成方法 LIME 进行实例和背景知识的学习，通过图像展示了该方法的应用，证明了该方法能够识别图像中的关系，并生成更丰富的解释。
- EMNLP神经模型一致性的逻辑驱动框架
本文提出了一种利用逻辑规则来约束神经模型，从而调整其预测不一致性，增强其预测准确性和一致性的学习框架，并在自然语言推理任务上进行了实验验证。
- 逻辑规则支持的知识图谱嵌入
该论文提出了一种新的逻辑规则增强的知识图谱嵌入方法，可以与任何基于转换的知识图谱嵌入模型（如 TransE）轻松集成。经过广泛的实验，在链接预测和三元组分类上显示出更好的性能提升。
- EMNLP重新审视情感分类中编码逻辑规则的重要性
本研究分析了不同情感分类模型在语法复杂的输入（如 A 但 B 句子）上的表现，发现使用 ELMo 嵌入取代逻辑规则可以显著提高情感分类性能，并展示了 ELMo 隐式学习逻辑规则的能力。
- AAAI软规则迭代指导下的知识图谱嵌入
本文提出了一种基于规则引导的嵌入（RUGE）的知识图嵌入新范例，通过迭代查询规则获取软标签进而更新嵌入模型，在 Freebase 和 YAGO 数据集的链接预测实验中，RUGE 模型取得了显著和一致的改善效果。
- 基于规则的传递性和反对称性嵌入知识图谱
本文提出了一种新颖的方法，将知识三元组和逻辑规则整合起来，通过有序关系在连续的低维向量空间中对实体和关系类型进行编码，同时利用逻辑规则的传递性和反对称性，来实现知识表示的学习。通过实验证明，该模型在知识图谱完成任务方面显著优于其他基线模型，