الاستدلال القائم على الحالات للاستفسارات باللغة الطبيعية عبر قواعد المعرفة

من الشائع جدًا أن يكون من الصعب حل مشكلة معقدة من الصفر، لكنه يصبح أسهل بكثير إذا استطعنا الوصول إلى مشكلات مشابهة مسبقة الحلول — وهي منهجية تُعرف باسم الاستدلال القائم على الحالة (CBR). نقترح منهجية CBR عصبية-رمزية (CBR-KBQA) للإجابة على الأسئلة في مجموعات معرفية كبيرة. تتكوّن CBR-KBQA من ذاكرة غير معلمية تخزن الحالات (الأسئلة وأشكال منطقية)، ونموذج معلمي يمكنه إنشاء شكل منطقي لسؤال جديد من خلال استرجاع الحالات ذات الصلة به. حققت CBR-KBQA أداءً تنافسيًا على عدة مجموعات بيانات لـ KBQA التي تحتوي على أسئلة معقدة. على سبيل المثال، تفوقت CBR-KBQA على أحدث النماذج الحالية بنسبة 11% في الدقة على مجموعة بيانات ComplexWebQuestions. علاوةً على ذلك، نُظهر أن CBR-KBQA قادرة على استخدام حالات جديدة دون أي تدريب إضافي: من خلال دمج عدد قليل من الأمثلة المُعلَّمة يدويًا في الذاكرة الحالة، تتمكن CBR-KBQA من إنشاء أشكال منطقية ناجحة تتضمن كيانات وعلاقات من المعرفة لم تُرَ من قبل.