符号学习是什么？以符号和逻辑形式表示和学习知识

符号学习（Symbolic Learning）是指以符号的形式来表示和学习知识的一类机器学习方法。在这类方法中，学到的知识是用人类可以直接阅读和理解的符号、规则、逻辑表达式或树状结构来表示的，比如“如果天气晴朗并且湿度较低，那么适合打网球”。它与基于神经网络的“连接主义学习”相对：后者把知识以大量数值权重的形式分散地存储在网络中，人很难直接读懂。

符号学习的代表方法

决策树：把学到的知识表示为一棵树，每个节点是一个关于某个特征的判断，每条从根到叶子的路径就是一条规则。ID3、C4.5、CART 等都是经典的决策树算法，罗斯·昆兰（Ross Quinlan）在 1986 年提出的 ID3 是其中的代表。规则学习：直接从数据中学习一组“如果……那么……”的规则，代表算法有 AQ、CN2、RIPPER 等。概念学习：从正例和反例中学习一个概念的描述，比如 Tom Mitchell 提出的候选消除算法，通过维护与所有样本一致的假设集合来进行学习。归纳逻辑程序设计：学习用一阶逻辑表示的规则，能够描述对象之间的关系，学到的结果可以直接写成 Prolog 等逻辑编程语言的程序。基于解释的学习：利用已有的领域知识，从单个例子中分析出一般性的规律。

历史上的地位

周志华在《机器学习》中梳理了机器学习的发展历程：在 20 世纪 80 年代，“从样例中学习”的一大主流就是符号主义学习，其代表包括决策树和基于逻辑的学习。在那个年代，人工智能领域的主流观点认为，智能的核心在于对符号的操作和推理，专家系统正处于鼎盛时期，符号学习方法能够自动地从数据中获取规则，被寄予厚望。20 世纪 90 年代中期以后，统计学习方法，比如支持向量机，逐渐成为主流；2010 年代以后，基于神经网络的深度学习取得了巨大的成功，在图像、语音、语言等领域远远超过了符号学习方法。

符号学习的优缺点

优点：可解释性强，学到的规则和决策树可以被人直接阅读、检验和修改，专家能够判断它们是否合理，这在医疗、金融、法律等需要解释决策理由的领域非常重要；便于融入领域知识，可以把专家已有的知识以规则的形式直接提供给学习系统；能够从较少的数据中学习；学到的知识可以进行逻辑推理和组合。缺点：难以处理图像、声音这类原始的、高维的、连续的感知数据；对噪声和不确定性的处理能力较弱；当问题复杂时，规则的数量会急剧增加，变得难以管理；表达能力受到所选择的符号表示形式的限制。

神经符号结合

近年来，人们越来越认识到，符号方法和神经网络方法各有所长：神经网络擅长从海量的数据中学习感知和模式识别，但缺乏可解释性和严格的逻辑推理能力；符号方法擅长推理和表达明确的知识，但难以处理感知数据。因此，把两者结合起来的“神经符号”人工智能成为一个活跃的研究方向，比如让神经网络负责感知、把结果转换成符号再进行逻辑推理，或者让神经网络学习可解释的符号规则。大语言模型能够生成代码、调用逻辑推理工具，也可以看作在某种程度上把神经网络与符号系统结合了起来。