摘要

基于深度学习（Deep Learning, DL）的语言模型在自然语言推理（Natural Language Inference, NLI）的各类基准测试中取得了优异性能。与此同时，符号化方法在NLI领域的研究关注度逐渐降低。尽管符号化方法与深度学习方法各具优势与局限，但目前尚无系统性方法将二者有机结合以解决NLI任务。为融合符号化方法与深度学习技术，本文提出一种名为NeuralLog的推理框架。该框架同时利用基于单调性的逻辑推理引擎与神经网络语言模型，实现短语级别的对齐。我们将NLI任务建模为经典的搜索问题，并采用束搜索（beam search）算法寻找最优推理路径。实验结果表明，该联合逻辑与神经推理系统在NLI任务上显著提升了准确率，并在SICK与MED数据集上达到了当前最优（state-of-the-art）的性能表现。