摘要
检索增强生成(RAG)虽能利用外部知识提升问答效果,但其推理过程不透明且难以验证。本文提出NeSy-RAG框架,将检索文本转化为可归因的Prolog模块,通过语义谓词编码布尔主张并组合成查询。针对用户上下文缺失,引入符号化知识缺口检测机制以触发后续交互。执行Prolog查询可获得确定性答案及透明执行轨迹,在ShARC基准测试中准确率显著优于基线模型。
AI 推荐理由
论文核心在于通过神经符号方法增强推理的可解释性与确定性,解决黑盒推理问题。
研究机构
Data Science Group, Heidelberg University, Germany
论文信息