【论文笔记】Neurosymbolic AI for Reasoning over Knowledge Graphs_ A Survey

Abstract

符号推理方法与深度学习相结合达到互补优势。
知识图谱：是一种表示异构和多关系数据的流行方式，图结构推理方法试图遵循这种神经符号范式。
Traditionally,

1. 利用基于规则的推理
2. 从可提取的模式中生成代表性数字嵌入

最近的研究试图生成促进可解释性、保持竞争力的性能和整合专业知识的模型。
总结在知识图谱上执行神经符号推理任务的方法，并提出了一种新的分类法。
（1）逻辑信息嵌入方法，（2）具有逻辑约束的嵌入方法，以及（3）规则学习方法。
除了分类法之外，我们还提供了这些方法的表格概述以及源代码的链接，以便进行更直接的比较。
最后，我们讨论这些方法的独特特征和局限性，然后提出该研究领域可以发展的几个前瞻性方向。

INTRODUCTION

知识图谱（KG）是多关系的、易于查询并且可以存储各种类型的数据
神经符号人工智能（AI）：描述了符号人工智能（通常包括逻辑和基于规则的方法）与神经网络和深度学习的结合。

• 主要优势：实现与当前深度学习方