2022年4月8日，由硕士生曲瀚昊和博士生高俊牵头撰写的论文《Interpretable Proof Generation via Iterative Backward Reasoning》获NAACL 2022录用。NAACL全称The North American Chapter of the Association for Computational Linguistics，在中国计算机学会推荐会议列表中被列为C类会议，在计算学部列为B类会议。今年会议将于7月10-15日在美国西雅图召开。

以下为录用论文介绍：

题目：Interpretable Proof Generation via Iterative Backward Reasoning

作者：曲瀚昊，曹雨，高俊，丁亮，徐睿峰*

简介：推理路径生成任务是在给定事实和规则集合的前提下，构建问题的树形推理路径，如下图：

图1 事实集合、规则集合、推理路径示意图

之前的推理路径构建方式主要分为一次性完成推理路径建模的方式和迭代生成式推理路径建模的方式。其中第一种方式和人类的推理方式不同，缺少过程性和可解释性。第二种方式因为推理搜索空间较大同时结合了生成模型来迭代生成中间推理语句，存在推理效率不高的问题。本文提出了一种从问题出发自顶向下迭代式构建推理路径的高效模型IBR，在保持可解释性的同时提高推理路径生成的效率，结合了两种方式的优点。迭代构建推理路径的本质就是不断添加新的边，其最简单的方式就是先找到边的起点，再找边的终点。所以IBR将推理中间过程简化成两步：1）推理路径中某个事实（fact）或规则（rule）节点需要推理展开（对应找新边的父亲节点），2）为推理路径生成新的一个事实或规则节点（对应找新边的孩子节点）。同时本文是领域内首个利用推理策略指导推理路径生成的方法，解决了之前从问题出发自顶向下迭代生成式方法无法生成带有FAIL节点推理路径的问题。实验证明，IBR在效率方面相较于迭代生成式推理路径建模的方式有着明显优势，同时在推理路径构建的多个评价指标上，相较于之前的从问题出发自顶向下迭代生成式方法也有着明显优势。

图2 IBR模型示意图