基于逻辑驱动的上下文扩展与数据增强方法用于文本逻辑推理

逻辑推理需要理解文本中的关键逻辑信息，并在此基础上进行推理。现有的大规模预训练模型在逻辑推理任务中主要关注文本的词级语义，难以有效捕捉符号逻辑。本文提出一种新方法，旨在理解文本中的逻辑符号与表达式，从而推导出正确答案。基于此类逻辑信息，我们不仅提出了一种上下文扩展框架，还设计了一种数据增强算法。前者通过遵循逻辑等价定律，将隐含的逻辑表达式纳入上下文，实现上下文扩展；后者则通过生成语义相近但逻辑关系不同的样本，增强模型对逻辑信息的捕捉能力，尤其在逻辑否定与条件关系方面表现突出。我们在ReClor数据集上进行了实验，结果表明，所提方法达到了当前最优性能，且逻辑驱动的上下文扩展框架与数据增强算法均显著提升了模型准确率。此外，我们的多模型集成系统首次在ReClor数据集的EASY子集和HARD子集上均超越了人类表现。