N_L:松弛时序逻辑自然推理系统

由于时序逻辑的特性所在,经典逻辑的某些规则不能直接用于时序自然推理,虽然N系统给出了一个解决办法——把所有规则或推理分为两类:垂直型和水平型,但这种二维模式又为推理带来了某些困难。本文提出了N_L松弛时序逻辑自然推理系统,它为以上两类推理提供了统一视角,我们可以证明:N_L与N等价;有N的证明则必有长度不超过它的N_L证明。

一阶谓词逻辑反驳演算自然推理系统

反驳各种逻辑谬误离不开对矛盾式的认识和理解。为此,构建了一个直观的包含所有矛盾式的一阶谓词逻辑反驳演算的自然推理系统;根据定义的语义解释,考察了该系统的一些元理论。在此基础上,考察了一阶谓词逻辑反驳演算系统和证明系统的关系,证明了两个重要结果:(1)谓词逻辑反驳演算系统中的任一矛盾式都对应于经典谓词逻辑证明系统中的有效式;(2)谓词逻辑反驳演算系统包含经典谓词逻辑的证明系统,即通常的谓词逻辑公理系统是反驳演算的一个子系统。

相干命题逻辑自然推理系统NR的自动证明

给出了相干命题逻辑自然推理系统NR的自动证明算法。首先将待证命题公式A的子公式组成一个初始集合P,对其中的元素采用系统NR的推理规则得到新的命题公式加入P,当得到秩为0的A时命题得证;然后对A的证明树进行整理即得到演绎序列。对系统NR的大部分定理证明取得了良好的效果,算法生成的演绎序列清晰可读,接近手工推理。

论替换中项法下的直言三段论自然推理系统

替换中项法是直言三段论新方法,利用该方法可以构造直言三段论自然推理系统。在该系统中,利用替换中项法能够证明三段论的所有有效式,能够判定三段论的所有有效性,能够显示三段论如何从前提推出结论,能够提供补充三段论省略前提的线索。

自然推理系统中的假设前提引入与消去规则

形式化的自然推理系统最显著的特点就是引入假设前提。在自然推理中,可以根据需要随时引入假设前提,但是推理的结论不能依赖于假设前提,因此假设前提在其完成了使命后,必须被消去。运用假设前提消去规则进行推理就是按照"如果A1,A2,…,An├B,那么A1,A2,…,An-1├An→B"的规则进行语形变换的过程,但是理解假设前提消去规则何以能够消去假设前提这个问题,涉及到对前提与结论之间真假制约情况的讨论,属于语义解释的范围。

对自然推理系统P_N中假设前提销去规则(Hyp^-)的理解

自然推理系统中假设前提销去规则是指在引入假设前提推导出结论的过程中,运用蕴涵引入规则构造一个蕴涵式,从而销去假设前提。根据充分条件假言命题为真的情况下前后件之间的关系,只要构造的蕴涵式的前后件都为真,或者前后件都为假,或者前件为假且后件为真,那么这个蕴涵式的逻辑值就是真的,这样就可以销去假设前提了。

古典命题逻辑与模态命题逻辑的自然推理系统之比较

模态命题逻辑的自然推理系统TN、S4N、S5N与古典命题逻辑的自然推理系统PN相比:形式语言有了扩张;推理规则增多,且相同推理规则的作用范围扩大;推出的定理数量增多;推理能力大大增强。

两型自然推理系统的比较

1934年,S.Jaskowski与G.Gentzen几乎同时提出了所谓自然推理系统。两种系统都获得极大的发展,成为最受人们欢迎的系统。这两种系统各有优缺点,大体说来,前者最和人们日常的推理过程相近似,从而使用起来最为方便;后者则除可以不用割切(cut)规则外,各规则都是由简主繁,理论上最是简捷,没有兜圈子的毛病,最适宜于作理论上的探讨(尤其当讨论融贯性、可推导性等问题时)。因此长期以来,人们都认为使用时宜选择前者,作理论上探讨时,宜选择使用后者,并认为两者根本不同,无法变成一个。

一种新的基于假设的自然推理系统

本文在介绍自动定理证明的历史和分析自然推理研究的现有成果的基础上,提出了用以实现启发式自然推理系统HNDS的确定性推理算法。并设计了用作推理基本手段的假设机制。本系统采用知识库系统的软件结构,面向标准形式的命题逻辑和一阶谓词逻辑,对系统定理能给出清晰的类人证文过程。HNDS系统基于的推理算法理论上是合理的和完备的,这主要因为系统结合了自然推理与消解原理,并首创了量词逐层Skolem化的策略。

一个古典的自然推理系统——论斯多葛命题逻辑

在逻辑史上,斯多葛派的重大贡献就是继亚里士多德建立了第一个名词逻辑系统(即三段论系统)之后,建立了第一个命题逻辑系统.亚里士多德的三段论系统是一个古典的公理系统,而斯多葛命题逻辑系统则是一个古典的自然推理系统.在斯多葛派之前,麦加拉学派和逍遥学派已经研究过假言命题的逻辑形式,但他们并没有建立一个命题逻辑系统,在逻辑史上首先把命题逻辑加以系统化,并建立了第一个自然推理系统的是斯多葛派.

自然推理方法的改进

根据综合推理的优点，提出自然稚理方法的改进，设制了新的证明格式。改进后的方法优点有二：第一，证明过程中，前题和结论非常靠紧，假设较易引入；第二，并列推理，逻辑线路清晰易懂。

命题自然推理方法刍议

本文考察了六种命题自然推理方法。这些方法各具特点，并分别适用于不同场合──“条件推演法”适用于推得蕴涵式．“分情况证明法”适用于前提中有析取式的场合，等等。这些方法可分做“直接推演法”和“间接推演法”两类。称间接推演法为“假设演绎法”这样一种传统的说法是不合适的。这些方法为命题自然推理的运用提供了一种有力而方便的工具。

自然推理系统中推理证明的两种新思路

基于自然推理系统中推理证明的归谬法和附加前提法的结构特点,结合命题逻辑的等值演算对推理方法进行改进,得到结论后进否定引入和结论析取项否定引入两种新的推理证明的思路。

一种基于多层次语言信息的自然语言推理方法

随着网络深度逐层加深,提取特征时表层信息和浅层特征或多或少被遗失,而一些推理场景需要浅层特征来作出推理判断。为此,提出一种融入多层语言信息的自然语言推理方法,通过学习多层深度神经网络的不同层对结果的贡献权重,有效结合不同层学习到的语言信息对结果进行预测。在SNLI数据集上的实验结果和对多个样例的分析表明,多层神经网络的不同层捕获到了不同的语言信息,不同的网络层擅长不同的推理任务,合理融入不同层次的语言信息有助于方法性能的提升。

基于知识图谱增强的自然语言推理方法研究

自然语言推理(NLI)是自然语言处理中的一项重要任务。它旨在识别两个句子之间存在的逻辑关系。大多数现有的方法通过使用训练语料库从而获得的语义知识进行推理,而忽略了背景知识的使用以及引入。在该工作中,为了解决这个问题,论文提出一种新的基于知识图谱增强的NLI(KGNET)模型,从而在NLI任务重引入相关领域知识的增强。KGNET模型由三个组件组成:语义关系表示模块、知识关系表示模块、和标签预测模块。该模型在两个基准数据集(SNLI和MultiNLI)上的实验验证了模型的有效性。

基于知识图谱路径最优化的自然语言推理方法

外部知识库为自然语言推理模型提供了更多的推理知识,而传统融合知识图谱的自然语言推理模型在子图构建的过程中会引入大量噪声,影响最终模型准确率。对此提出一种基于知识图谱路径最优化的自然语言推理方法,首先结合权重信息和路径长度信息进行子图过滤,从而减少图中未匹配实体的数量,增加子图的上下文相关度,然后运用图神经网络编码子图得到图向量来进一步获取子图中的知识信息,最后将图向量和文本向量相结合送入分类器做判别。采用中文语料库作为实验数据集,结果表明论文模型测试准确率相比基线模型提升1.2%~4.4%,实现了比基线模型更好的识别性能。

融合干预与反事实的知识感知型去偏推理模型

溯因自然语言推理任务旨在根据给定前提事件和结果事件选择更加合理的假设事件。针对推理过程中由中介变量与混杂变量导致的“逻辑缺陷”与“单句标签泄露”偏差问题,提出一种基于干预与反事实原理推理模型(KDIC)。该模型中包含了中介变量调节器、单句假设偏差、外部知识融合三个模块。中介变量调节器由因果图干预与假设对比学习组成。因果图干预旨在基于给定事件构建一个因果图,基于注意力机制和图卷积网络提取中介变量指导深度网络编码,去捕获未观察事件的潜在特征。同时,引入假设对比学习,激励模型主动区分影响假设判断的关键因素并弥补“逻辑缺陷”。基于反事实问题构建单据假设偏差模块,以主动识别“单句标签泄露”带来的推理偏差,减少模型对假设中某些特定词汇或短语的依赖。采用预训练常识知识图谱编码器ComET引入外部知识,确保模型全面理解观察事件发生的动机和可能结果,增强事件间的整体逻辑性。在αNLI数据集上进行了实验,证明KDIC的推理能力仅次于基于自监督训练得到的Electra-large-discriminator,但KDIC具有更强的鲁棒性以缓解推理过程中的偏差。

基于平衡损失和多级注意力的溯因推理方法

针对溯因自然语言推理任务(aNLI)中存在的问题,即正确假设之间存在一定独立性,且对推理的贡献存在不一致性,设计一种“平衡正样本softmax聚焦损失”,调整正确假设概率影响程度,并平衡样本损失权重.此外,在aNLI中,正样本与负样本之间的关联性往往体现在特定的短语上,这些短语对判断样本的合理性至关重要.因此设计多级注意力模型,通过多层次的注意力机制逐步细化,从而实现对短语级特征的深层次关注.这个新模型被命名为平衡损失多级注意力MAT-Ball模型.结果表明,MAT-Ball模型在Roberta-large预训练模型上取得了最高的性能,与公开可获得代码的方法相比,ACC和AUC结果分别增加了约1%和0.5%.同时,研究比较了在低资源和损失收敛性方面的性能,证明了所提出的方法的效率和鲁棒性.

一种基于自然语言的安全事故文本事件推理方法分析

传统的事故事件文本处理通常需要人工分析事故事件的原因、措施和违反相关规定的行为。而安全事故文本往往涉及特定场景,特别是在文本输入和要求结果方面,人工分析需要耗费大量的人力物力。本文提出了一种基于自然语言的安全事故推理方法,能够快速、准确地获取相关事件的发展脉络和信息,更高效、更客观、更准确地处理事故。

融合Attention多粒度句子交互自然语言推理研究

自然语言推理的很多问题都可以抽象为句子匹配问题,传统的匹配方法采用的是对句子向量或句子间的词向量做匹配,这些方法都只关注句子自身的语义信息,忽略句子之间的组合特征,造成语义损失.本文提出多粒度句子交互匹配方法,引入Attention机制,通过不同粒度、不同层次的句子交互,利用深度神经网络模型(BiLSTM)对句子蕴含关系进行分类.本文方法在SNLI语料库上进行了丰富的实验,结果表明该方法在自然语言推理任务上比当前最优的方法获得了更好的表现.