Identification of Entailment and Contradiction Relations between Natural Language Sentences: A Neurosymbolic Approach

自然语言推理（NLI），也被称为文本蕴涵识别（RTE），是自然语言理解的重要方面。现在大多数研究使用机器学习和深度学习来在特定数据集上执行此任务，这意味着它们的解决方案既不可解释也不明确。为了解决需要一种可解释的RTE方法的问题，我们提出了一种基于将文本转换为抽象意义表示（AMR）图的新型流水线。为此，我们使用了一个预训练的AMR解析器。然后，我们将AMR图转换为命题逻辑，并使用SAT求解器进行自动推理。在文本中，通常常识表明前提和主张之间存在蕴涵（或矛盾）关系，但由于使用了不同的措辞，这不会从它们的逻辑表示中识别出来。为了解决这个问题，我们引入了放松方法，允许替换或遗忘某些命题。我们的实验结果表明，这种流水线在四个RTE数据集上表现良好。

论文的问题是如何提出一种可解释的方法来处理自然语言推理（NLI）的问题，以及如何解决逻辑表示中的歧义和不确定性。

论文的关键思路是将文本转换为抽象意义表示（AMR）图，然后将AMR图转换为命题逻辑，并使用SAT求解器进行自动推理。此外，论文还提出了一种松弛方法来处理逻辑表示中的歧义和不确定性。

论文的实验结果表明，该方法在四个NLI数据集上表现良好。此外，论文还开源了预训练的AMR解析器，并提供了详细的实验设计和结果分析。

最近的相关研究包括使用神经网络进行NLI的研究，如《A Decomposable Attention Model for Natural Language Inference》和《Neural Machine Translation of Rare Words with Subword Units》。还有一些研究探索如何处理逻辑表示中的歧义和不确定性，如《Probabilistic Soft Logic for Explanatory Semantic Parsing》和《Probabilistic Logic Programming for Natural Language Understanding》。