【CIKM2020】神经逻辑推理，Neural Logic Reasoning

近年来，深度神经网络在许多研究领域取得了成功。大多数神经网络设计背后的基本思想是从数据中学习相似模式，用于预测和推理，这缺乏认知推理能力。然而，具体的推理能力对于许多理论和实践问题是至关重要的。另一方面，传统的符号推理方法在逻辑推理方面做得很好，但它们大多是基于规则的硬推理，由于不同的任务可能需要不同的规则，使得它们的泛化能力局限于不同的任务。推理和泛化能力对于预测任务都很重要，比如推荐系统，推理为精确预测提供了用户历史和目标项目之间的紧密联系，泛化帮助模型在噪声输入中绘制出一个稳健的用户画像。

在本文中，我们提出了逻辑集成神经网络(LINN)来集成深度学习和逻辑推理的能力。LINN是一个根据输入逻辑表达式构建计算图的动态神经结构。它学习基本的逻辑操作，如AND, OR，而不是神经模块，并通过网络进行命题逻辑推理进行推理。理论任务实验表明，LINN在求解逻辑方程和变量方面都取得了显著的效果。此外，我们通过将实际的推荐任务构造成一个逻辑推理问题来测试我们的方法。实验表明，LINN在Top-K推荐方面的性能显著优于现有推荐模型，验证了LINN在实际应用中的潜力。