Exploring knowledge graph-based neural-symbolic system from application perspective

人工智能（AI）的快速发展，特别是通过深度神经网络，促进了视觉和文本处理等领域的显着进展。然而，追求展现人类推理和可解释性的AI系统仍然是一个重大挑战。神经符号范式将神经网络的深度学习能力与符号系统的推理能力相结合，为开发更透明和可理解的AI系统提供了一个有前途的途径。在这个范式中，知识图谱（KG）成为一个关键要素，通过相互连接的实体和关系，主要利用三元组（主语、谓语、宾语）提供了一种结构化和动态的方法来表示知识。本文探讨了基于KG的神经符号整合的最新进展，阐明了KG如何支撑这种整合在三个关键类别中的应用：通过符号知识的融入增强神经网络的推理和可解释性（符号用于神经网络），通过神经网络方法改进符号系统的完整性和准确性（神经用于符号），以及促进它们在混合神经符号整合中的联合应用。本文强调了当前的趋势，并提出了神经符号AI领域未来研究的方向。

论文旨在解决神经网络在推理和可解释性方面的局限性，提出了神经符号融合范式，通过知识图谱作为桥梁，将深度学习和符号系统相结合，以实现更透明和可理解的人工智能系统。

论文提出了三种神经符号融合范式：符号用于神经网络、神经网络用于符号以及混合神经符号融合，以实现更好的推理和解释能力。

论文重点探讨了基于知识图谱的神经符号融合方法，详细介绍了三种融合范式以及相应的实验和应用。论文提出的方法在知识推理和自然语言处理方面具有广泛的应用前景。

近期相关研究包括《Neural-Symbolic VQA: Disentangling Reasoning from Vision and Language Understanding》、《Neural-Symbolic Computing: An Effective Methodology for Principled Integration of Machine Learning and Reasoning》等。