Ein neuro-symbolischer Wissensgraph ist ein hybrides KI-Modell, das neuronale Embeddings von Entitäten und Relationen mit symbolischer Logik und Wissensrepräsentation kombiniert, um robustes Reasoning und flexible Generalisierung zu ermöglichen.
Formal besteht der Wissensgraph aus einer Menge von Entitäten \( \mathcal{E} \), Relationen \( \mathcal{R} \) und Fakten \( \mathcal{F} \subseteq \mathcal{E} imes \mathcal{R} imes \mathcal{E} \).
Neuronale Netze lernen kontinuierliche Einbettungen \( \mathbf{e}, \mathbf{r} \in \mathbb{R}^d \) für Entitäten und Relationen, während symbolische Logikformeln \( \phi \) als Constraints oder Regeln definiert werden, die das Modell bei der Wissensvervollständigung und Inferenz unterstützen.
Die Kombination ermöglicht es, sowohl unscharfe, lernbasierte Muster als auch präzise, regelbasierte Schlussfolgerungen zu integrieren.
Definition:
„Ein neuro-symbolischer Wissensgraph ist eine KI-Architektur, die neuronale Repräsentationen von Wissen mit symbolischer Logik verknüpft, um sowohl lernfähige als auch erklärbare Wissensmodelle zu schaffen.“
Quelle:
Garcez, A. d'A., Lamb, L. C., & Gabbay, D. M. (2019). Neural-Symbolic Cognitive Reasoning. Springer.