本文探讨了结合分布式和符号执行的方法，以提高自然语言查询的准确性和效率。研究提出了多种神经符号模型，解决了复杂逻辑查询的可解释性问题，并展示了在知识图谱上处理多跳逻辑查询的优越性能，强调了神经符号学在人工智能中的应用前景及未来研究方向。

本文介绍了通过知识图谱增强大型语言模型推理能力的新方法，包括图推理（RoG）、KG-Agent和图路径（PoG）。研究表明，这些方法在复杂推理任务中显著提高了准确性和可解释性，尤其在多跳推理和逻辑查询方面，平均准确率提升达18.9%。

本研究探讨了ELBE、Box^2EL和锥体嵌入等方法在知识图谱和本体学习中的应用，旨在提高蛋白质相互作用预测和逻辑查询的效率。研究表明，不同的表示和投影方法对公理预测有显著影响，并提出了基于几何运算的框架以优化复杂查询。