研究主题：

​

解释性短语推理（EPR, Explainable Phrasal Reasoning）

​

EPR是一种面向短语的、弱监督可解释NLI推理方案，结合神经网络和模糊逻辑，实现了可解释且高性能的自然语言推断与自动解释生成，推动了神经符号混合AI的进展。

• 目的：解决深度学习NLI模型“黑箱”、可解释性弱的问题，让模型能给出“句子之间为何是蕴含、矛盾或中性”的可观察推理过程。​

• 方法框架：

  • 首先自动检测出句子的短语（而不是单词，短语作为更有意义的语义单元）。

  • 利用嵌入相似度对齐前提句和假设句中的短语。

  • 用神经网络对齐的短语对进行NLI标签判断（蕴含Entailment、矛盾Contradiction、中性Neutral），未对齐的短语也使用特殊标签处理。

  • 最后通过模糊逻辑公式（fuzzy logic）把短语级标签归纳成整体句子标签。整个EPR模型支持端到端弱监督训练——只用句子标签，不用短语级标签人工标注。

• 创新与优势：

  • 能为NLI决策给出显式的、分短语的逻辑解释，易于人类理解。

  • 不需要人工细粒度标注，弱监督完成短语级推理训练。

  • 模型几乎处处可微，可以直接用梯度做反向传播，效率高。

  • 提出的推理结果还能提升自动文本解释生成（比如e-SNLI数据集BLEU分提升2分），达到了新的性能水平。

• 实验结果：

  • 和传统、预训练以及基线方法对比，在短语推理F分方面显著优于SOTA（最新技术）。

  • 少参数的模型（T5-small等）结合EPR逻辑，比大模型+人工标注获得更好解释生成效果。

  • 在主流数据集（SNLI、MNLI）上验证，推理性能、文本解释、句子级分类均衡发展。