Les modèles linguistiques fondés sur l’apprentissage profond (DL) atteignent des performances élevées sur divers benchmarks en inférence linguistique naturelle (NLI). À l’heure actuelle, les approches symboliques pour la NLI reçoivent moins d’attention. Les deux approches — symbolique et DL — présentent chacune des avantages et des limites. Toutefois, aucune méthode actuelle ne combine ces deux approches au sein d’un même système pour résoudre la tâche de NLI. Afin de fusionner les méthodes symboliques et l’apprentissage profond, nous proposons un cadre d’inférence appelé NeuralLog, qui exploite à la fois un moteur d’inférence logique basé sur la monotonie et un modèle linguistique à réseau de neurones pour l’alignement des phrases. Notre cadre modélise la tâche de NLI comme un problème classique de recherche et utilise l’algorithme de recherche en largeur limitée (beam search) pour identifier les chemins d’inférence optimaux. Les expériences montrent que notre système combiné d’inférence logique et neuronale améliore la précision sur la tâche de NLI et atteint des performances de pointe sur les jeux de données SICK et MED.