首先要明确推理的定义：从已知事实来推断得出新的事实的过程。

推理主要有：归纳、演绎、溯因，这几个大类，其中溯因推理在深度学习种很有用，深度学习存在可解释的问题，溯因推理关注的一个方面是推理结果的可解释逻辑。

基于符号逻辑的知识图谱推理

基于本体的推理利用本体中定义的类层次结构、属性约束和公理规则，从已知事实推导出隐含事实的过程。

本体推理主要有集中类型：子类推理、实例推理、属性继承、属性传递、属性约束推理

基于产生式规则的推理

产生式规则（Production Rule）的基本形式是： IF 条件 THEN 结论/动作。产生式推理有两种方向：前向和后向。

编译原理中的产生式是语言的生成规则，知识图谱推理中的产生式规则是知识的推导规则，它们都源于乔姆斯基的形式语言理论，经过不同路径发展，最终在现代人工智能中殊途同归。

知识图谱嵌入（KG Emebedding）

知识图谱本质上是由无数的三元组 (头实体, 关系, 尾实体) 构成的，例如 (比尔·盖茨, 创始人, 微软)。在传统的符号逻辑中，这些是独立的个体和关系，计算机难以直接进行类比或联想。

基于嵌入学习的方法，就是给知识图谱里的每一个符号（实体和关系）都分配一个独一无二的数学“身份证”——向量。这个向量是一串固定长度的数字，例如 [0.2, 0.5, -0.1, 0.8, …] 。

其最终目标是让这些向量不仅代表符号本身，更能精确地捕捉到符号之间的语义联系和逻辑结构 。例如，我们希望训练后，“比尔·盖茨”的向量和“微软”的向量在空间中的距离，要比“比尔·盖茨”和“苹果公司”的向量距离更近。

嵌入的概念：

在机器学习中，嵌入是指：将离散的、符号化的对象（如词、实体、关系）映射到一个连续的、低维度的向量空间中，使得这个空间中的几何关系能够反应原始对象的语义关系。

书中规则学习与嵌入学习的融合模型体现了一种创造的思维，也是一个可遵循的创新模式，A+B=>C 。叠加的创造。