NeSy-RAG: Neuro-Symbolic RAG for Explainable Question Answering
神经符号检索增强生成用于可解释问答
🧭 神经符号RAG · 可解释推理
Data Science Group, Heidelberg University, Germany
将检索文本块合成为可归因的Prolog模块并引入知识缺口检测，实现透明可溯源的RAG推理
📌 工作参考价值
- 在对话式推荐或客服Agent中，可将检索到的商品知识/政策文本转化为Prolog谓词，实现决策步骤的可追溯和确定性验证，提升用户信任。
- 知识缺口检测机制可移植到个性化推荐：当用户上下文不完整时（如未提供偏好尺寸、预算），系统主动追问，改善冷启动和动态探索。
- 利用LLM从非结构化语料（商品描述、活动规则）自动抽取结构化规则（布尔断言），与推荐引擎结合，构建可解释的过滤/排序逻辑。
- 在Agent关键推理节点，嵌入神经符号混合策略：用LLM完成灵活的语言理解，用符号执行保障逻辑一致性，平衡泛化与可靠性。
动机：现有RAG推理不透明，中间步骤难以验证，无法可靠归因到证据，且缺少对不完整用户上下文的系统检测，导致回答错误或不全。亟需一种可解释、可溯源的RAG推理框架。
方法：提出NeSy-RAG，一种模块化神经符号框架。对每个检索到的文本块，LLM生成语义上有意义的Prolog谓词，编码为可依赖用户事实的布尔声明。通过联合自然语言-代码嵌入检索相关谓词，组合成Prolog查询。为弥补用户上下文缺失，设计符号化知识缺口检测：自动识别影响查询结果的缺失用户事实，并触发追问交互。执行Prolog查询得到确定性答案，并附带透明执行轨迹，关联每步推理与原始文本。
结果：在ShARC多轮推理问答基准上，未使用领域训练，NeSy-RAG准确率达61.1%，远超同一LLM的RAG基线（42.8%），验证了符号执行在透明性与准确性上的增益。