SymbolLKG: Towards Verifiable Logical Reasoning via Logical Knowledge Graph and Symbolic Solvers

📄 arXiv: 2608.26836v1 📥 PDF

作者: Haizhao Fan, Yuchi Xiong, Jize Wang, Xinping Guan, Xinyi Le

分类: cs.AI, cs.CL

发布日期: 2026-08-27

备注: 19 pages, 9 figures

💡 一句话要点

提出SymbolLKG以解决逻辑推理的可验证性问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 逻辑推理 知识图谱 神经符号计算 动态求解器 可验证性

📋 核心要点

  1. 现有方法在多步骤逻辑推理中存在幻觉和不一致性，缺乏有效的验证机制。
  2. 本文提出了一种神经符号架构，将逻辑知识图与动态求解器路由结合，显式建模逻辑依赖关系。
  3. 实验结果显示，该框架在逻辑推理基准测试中显著提高了准确性，优于现有方法。

📝 摘要（中文）

大型语言模型（LLMs）在自然语言理解方面表现出色，但在严格的多步骤推理中常常出现幻觉和不一致性。现有的解决方案如链式思维（CoT）缺乏严格的验证机制，而标准的检索增强生成（RAG）方法往往无法捕捉逻辑任务中的复杂结构依赖。为了解决这一问题，本文提出了一种神经符号架构，将逻辑知识图（LKG）与动态求解器路由相结合，具体而言，提出了一种基于本体的LKG，将逻辑规则和约束视为第一类拓扑节点，从而能够显式建模从文本中提取的依赖关系。实验结果表明，该框架在逻辑推理基准测试中显著优于现有的提示和RAG基线，提供了更高的准确性和可验证的推理路径。

🔬 方法详解

问题定义：本文旨在解决大型语言模型在逻辑推理中的可验证性问题，现有方法如链式思维和检索增强生成在处理复杂逻辑任务时存在局限性，无法有效捕捉结构性依赖关系。

核心思路：提出的神经符号架构通过集成逻辑知识图和动态求解器路由，能够显式建模逻辑规则和约束，提升推理的准确性和可验证性。

技术框架：整体架构包括逻辑知识图（LKG）模块和逻辑路由器。LKG将逻辑规则视为拓扑节点，逻辑路由器则根据任务动态选择最优的符号引擎，结合拓扑感知的混合检索机制。

关键创新：最重要的创新在于引入了基于本体的LKG，使得逻辑规则和约束可以作为第一类节点进行处理，从而显著增强了模型对复杂逻辑依赖的理解能力。

关键设计：在设计中，LKG的构建采用了本体论方法，确保逻辑规则的结构化表示；逻辑路由器则通过动态调度算法优化任务分配，提升了系统的整体效率和准确性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，SymbolLKG在逻辑推理基准测试中显著优于现有的提示和RAG基线，准确率提高了XX%，并且提供了可验证的推理路径，展示了其在复杂逻辑任务中的有效性。

🎯 应用场景

该研究的潜在应用领域包括智能问答系统、法律推理、自动化决策支持等。通过提高逻辑推理的可验证性，能够在多个行业中实现更高效和可靠的决策过程，具有重要的实际价值和未来影响。

📄 摘要（原文）

Large Language Models (LLMs) have demonstrated remarkable proficiency in natural language understanding, yet they struggle with strict multi-step reasoning, frequently suffering from hallucinations and inconsistency. Existing solutions like Chain-of-Thought (CoT) lack rigorous verification mechanisms, while standard Retrieval-Augmented Generation (RAG) often misses the complex, structural dependencies inherent in logical tasks. To bridge this gap, we propose a Neuro-Symbolic architecture that integrates a Logical Knowledge Graph (LKG) with dynamic solver routing. Specifically, we introduce an ontology-based LKG that treats logical rules and constraints as first-class topological nodes, enabling explicit modeling of dependencies extracted from text. We further design a Logic Router to dynamically dispatch tasks to the optimal symbolic engine, which is supported by a topology-aware hybrid retrieval mechanism. Experimental results on logical reasoning benchmarks demonstrate that our framework significantly outperforms state-of-the-art prompting and RAG baselines, delivering higher accuracy and verifiable reasoning paths.