From Large Language Model Predicates to Logic Tensor Networks: Neurosymbolic Offer Validation in Regulated Procurement

📄 arXiv: 2604.05539v1 📥 PDF

作者: Cedric Haufe, Frieder Stolzenburg

分类: cs.AI

发布日期: 2026-04-07

备注: 16 pages, 2 figures, 4 tables

💡 一句话要点

提出一种神经符号方法，用于在受监管的采购中验证投标文件的有效性。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 神经符号AI 逻辑张量网络 可解释AI 公共采购 投标文件验证

📋 核心要点

  1. 现有方法在受监管的采购场景中，难以兼顾决策的准确性和可解释性，缺乏将领域知识与语义理解相结合的能力。
  2. 该论文提出一种神经符号方法，利用语言模型提取信息，并结合逻辑张量网络进行决策，实现可审计和可解释的验证。
  3. 实验表明，该方法在性能上与现有模型相当，同时显著提升了可解释性，并支持基于真实语料库的规则检查。

📝 摘要（中文）

本文提出了一种神经符号方法，结合了符号人工智能和子符号人工智能，用于验证受监管公共机构中的投标文件的有效性。该方法利用语言模型提取信息，然后使用逻辑张量网络（LTN）进行可审计的决策。在受监管的公共机构中，决策必须在事实正确和法律可验证的情况下做出。我们的神经符号方法允许将现有的领域知识与语言模型的语义文本理解联系起来。该流程产生的决策可以通过谓词值、规则真值和相应的文本段落来证明，从而能够基于真实的投标文件语料库进行规则检查。在真实语料库上的实验表明，所提出的流程实现了与现有模型相当的性能，而其关键优势在于其可解释性、模块化谓词提取以及对可解释AI（XAI）的显式支持。

🔬 方法详解

问题定义：在受监管的公共采购领域，验证投标文件的有效性至关重要。现有的方法可能缺乏可解释性，难以将领域知识融入决策过程，并且难以进行审计跟踪。因此，需要一种既能保证准确性，又能提供清晰的决策依据的方法。

核心思路：该论文的核心思路是将语言模型的语义理解能力与逻辑张量网络（LTN）的推理能力相结合。语言模型负责从投标文件中提取相关信息，而LTN则利用这些信息和预定义的规则进行逻辑推理，从而做出最终的决策。这种结合使得决策过程既能利用数据的语义信息，又能遵循明确的逻辑规则，从而提高可解释性和可审计性。

技术框架：该方法的技术框架主要包括两个阶段：信息提取阶段和决策阶段。在信息提取阶段，使用语言模型（例如BERT或RoBERTa）对投标文件进行分析，提取出与预定义谓词相关的信息。这些谓词代表了投标文件的关键属性或特征。在决策阶段，将提取出的谓词值输入到LTN中。LTN是一个可微分的逻辑推理系统，它使用张量运算来表示逻辑规则和谓词。LTN根据预定义的规则对谓词值进行推理，最终输出一个决策结果，例如，该投标是否有效。

关键创新：该方法最重要的技术创新点在于将语言模型的语义理解能力与LTN的逻辑推理能力相结合。这种神经符号方法既能利用语言模型处理非结构化文本数据的能力，又能利用LTN进行可解释的逻辑推理。与传统的基于规则的系统相比，该方法能够自动从文本中提取信息，并具有更强的泛化能力。与纯粹的深度学习模型相比，该方法具有更好的可解释性和可审计性。

关键设计：在信息提取阶段，需要仔细设计谓词，以确保能够准确地捕捉投标文件的关键属性。在LTN中，需要定义逻辑规则，这些规则描述了投标文件的有效性标准。LTN使用t-范数和s-范数来表示逻辑连接词（例如，与、或、非）。通过优化LTN的参数，可以使其更好地符合预定义的规则。损失函数通常包括一个真值损失，用于惩罚违反规则的决策。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

该论文在真实投标文件语料库上进行了实验，结果表明，所提出的神经符号方法在性能上与现有模型相当，同时显著提升了可解释性。该方法能够提供谓词值、规则真值和相应的文本段落，从而支持基于真实语料库的规则检查。这使得决策过程更加透明和可信。

🎯 应用场景

该研究成果可应用于各种需要可解释决策的场景，例如公共采购、金融风控、医疗诊断等。通过将领域知识与机器学习模型相结合，可以提高决策的透明度和可信度，并为审计和合规性提供支持。未来，该方法可以扩展到处理更复杂的文档和规则，并与其他可解释AI技术相结合。

📄 摘要（原文）

We present a neurosymbolic approach, i.e., combining symbolic and subsymbolic artificial intelligence, to validating offer documents in regulated public institutions. We employ a language model to extract information and then aggregate with an LTN (Logic Tensor Network) to make an auditable decision. In regulated public institutions, decisions must be made in a manner that is both factually correct and legally verifiable. Our neurosymbolic approach allows existing domain-specific knowledge to be linked to the semantic text understanding of language models. The decisions resulting from our pipeline can be justified by predicate values, rule truth values, and corresponding text passages, which enables rule checking based on a real corpus of offer documents. Our experiments on a real corpus show that the proposed pipeline achieves performance comparable to existing models, while its key advantage lies in its interpretability, modular predicate extraction, and explicit support for XAI (Explainable AI).