神经符号AI：大模型与知识图谱融合的可解释推理路径.pptxVIP

神经符号AI：大模型与知识图谱融合的可解释推理路径从黑箱神经网络到可追溯推理链——RAG/GraphRAG/KGE/规则挖掘8章·KG基础·LLM能力·双向融合·可解释推理·应用与评估

CONTENTS八章路线：为什么融合、怎么融合、怎么落地01为什么需要神经符号02知识图谱基础03大模型的知识与推理04融合架构一：KG增强LLM05融合架构二：LLM构建与补全KG06可解释推理路径07典型应用与评估08趋势、挑战与总结主线：NN给感知与泛化，KG给结构与可解释——两者互补，不是替代。

01·为什么需要神经符号纯神经网络与纯符号，各自的天花板维度纯神经网络(DL/LLM)纯符号系统(KG/规则)优势感知强、泛化好、从数据自学习推理可解释、知识显式、易审计短板黑箱、幻觉、数据饥渴、难更新脆弱、难学习、覆盖有限、维护贵可解释性注意力/归因是事后解释，不保证忠实每条结论可追到具体规则/三元组更新成本改一条知识要重训或微调加一条三元组即生效，但需人工审核判断：两者短板正好互补——神经符号不是新发明，是把两边的长处拼起来。

01·为什么需要神经符号神经符号AI到底要解决什么诉求神经符号怎么做对应技术减少幻觉答案必须挂在KG里真实存在的三元组上RAG/GraphRAG/引用回链可解释推理把结论展开成