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（4 点）
- 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。