摘要

在面对复杂问题时，从零开始求解往往极具挑战性，但如果能够参考具有相似结构且已有解决方案的过往案例，则问题将变得相对容易——这一范式被称为基于案例的推理（Case-Based Reasoning, CBR）。本文提出了一种神经符号融合的CBR方法（CBR-KBQA），用于在大规模知识库上进行问答任务。CBR-KBQA由一个非参数化记忆模块和一个参数化模型构成：前者用于存储案例（即问题及其对应的逻辑形式），后者则通过检索与新问题相关的历史案例，生成该问题的逻辑形式。在包含复杂问题的多个知识库问答（KBQA）数据集上，CBR-KBQA取得了具有竞争力的性能表现。例如，在ComplexWebQuestions数据集上，其准确率比当前最优方法高出11%。此外，我们进一步证明，CBR-KBQA能够在无需任何额外训练的情况下，有效利用新案例：仅需在案例记忆中引入少量人工标注的示例，该模型即可成功生成包含未见过的知识库实体和关系的逻辑形式。