Neuro-Symbolic IR

TL;DR

• Neuro-Symbolic IR은 딥러닝 기반 정보 검색에 기호적 표현을 결합해, 기존 dense retrieval이 잘 다루지 못하는 negation, Boolean logic, multi-condition query 같은 구조적 질의를 더 정확하게 처리하려는 정보 검색의 연구 방향

🧠 Neuro-Symbolic Information Retrieval (NS-IR)

Neuro-Symbolic IR은 신경망 기반 정보 검색(neural IR)의 강점과 기호적 표현(symbolic representation)의 강점을 결합한 접근이다. 질의와 문서를 단순한 의미적 유사성만으로 비교하는 데서 벗어나, 사용자가 명시한 논리적 조건과 질의 구조를 검색 과정에 반영하는 것을 목표로 한다.

기존 dense retrieval은 질의와 문서를 벡터로 임베딩하여 의미적 유사성을 계산하는 데 강점이 있다. 그러나 NOT, AND, OR, 다중 제약 조건처럼 명시적인 구조를 가진 질의를 충분히 반영하지 못할 수 있다. 즉, 의미적으로 비슷한 문서를 잘 찾는 능력과 별개로, 질의 안에 포함된 부정 조건이나 결합 조건을 정교하게 처리하는 과정에서 한계가 드러난다.

Neuro-Symbolic IR은 이러한 문제를 보완하기 위해 질의를 단순한 문자열이 아니라 구조화 된 표현 으로 다룬다. 여기서 사용되는 기호적 표현은 하나로 고정되지 않으며, 경우에 따라 1차 논리(FOL), logic rules, grammar/AST 기반 표현 등이 사용된다. 핵심은 검색 시스템이 질의의 구조를 더 명시적으로 해석하고, 문서가 그 구조적 조건에 얼마나 부합하는지를 검색/필터링/리랭킹 과정에 반영한다는 것이다.

예를 들어 FOL 기반 접근에서는 다음과 같은 질의를 생각할 수 있다.

• 예시 질의: “한국의 AI 회사를 찾아줘. 단, 네이버는 제외하고.”
• 예시적 수식화: $\exists xCompany(x)\wedge Location(x,Korea)\wedge Field(x,AI)\wedge \neg (x=Naver)$ 이 표현의 핵심은 “AI”, “한국”, “네이버”라는 키워드의 단순 출현 여부가 아니라 한국의 AI 회사이면서 동시에 네이버는 아닌 대상을 찾도록 질의의 구조를 명시한다는 데 있다. 시스템은 엄밀한 수학적 증명을 수행하기보다는, 명시된 구조적 조건을 대조하여 후보 문서의 논리적 적합성과 조건 일관성을 정밀하게 평가한다.

결론적으로 Neuro-Symbolic IR은 벡터 검색을 대체하는 개념이 아니라 벡터 기반 의미 매칭 위에 기호적 구조를 추가하는 보완적 방식 으로 이해할 수 있다. 이는 복잡한 구조적 질의를 해결하기 위해 신경망(neural) 방법과 기호(symbolic) 방법을 결합하는 정보 검색의 연구 패러다임 으로 볼 수 있다.

---

🔗 Related Notes

• Dense Retrieval
• 1차 논리 (First-Order Logic)
• Boolean Query
• Negation in IR
• NegConstraint

📎 References

• Xu et al. (2025). Logical Consistency is Vital: Neural-Symbolic Information Retrieval for Negative-Constraint Queries.

  • NS-IR 개념을 직접적으로 다루는 핵심 논문이다. negative-constraint query를 대상으로 FOL 기반 논리 일관성을 retrieval/reranking에 반영하는 접근과 NegConstraint 데이터셋을 제시.

• Zhang et al. (2025). Neuro-Symbolic Query Compiler.

  • neuro-symbolic retrieval이 꼭 FOL만을 뜻하지는 않는다는 점을 보여주는 논문이다. 질의를 grammar/AST 기반 구조로 변환해 복잡한 질의를 처리하는 방향을 제안한다.

• Sun et al. (2024). Logic Rules as Explanations for Legal Case Retrieval.

  • 법률 검색 도메인에서 logic rules를 retrieval에 결합한 사례다. symbolic structure가 실제 검색 문제에 어떻게 쓰일 수 있는지 보여준다.

• Weller et al. (2024). NevIR: Negation in Neural Information Retrieval.

  • neural IR이 negation을 얼마나 잘 처리하는지 평가한 대표 벤치마크 논문이다. NS-IR 같은 접근이 왜 필요한지 배경 근거로 쓰기 좋다.

• Zhang et al. (2024). BoolQuestions: Does Dense Retrieval Understand Boolean Logic in Language?

  • dense retrieval이 Boolean logic을 얼마나 이해하는지 분석한 논문이다. AND/OR/NOT 같은 구조적 질의의 한계를 설명할 때 유용하다.

• Lu et al. (2025). MultiConIR: Towards Multi-Condition Information Retrieval.

  • 다중 조건 질의를 대상으로 한 정보 검색 벤치마크 논문이다. 조건 수가 늘어날수록 기존 retrieval 모델이 어려움을 겪는다는 점을 보여준다.