8.1 推理的多种含义
知识推理包含多种活动：演绎从前提与规则得出后果，归纳从观察学习模式，溯因寻找可能解释观察的原因，概率推断在指定模型下估计信念，因果推断则在因果假设下研究干预效应。在图机器学习中，“推理”也可能指预测缺边或回答多跳问题。因此，只要涉及保障性质，就应说明推理的具体类型。
研究证据图谱分别记录已断言、已验证、已推导和已预测状态。推导陈述有解释结论如何成立的规则与前提；预测陈述有解释其如何排序的模型与分数；断言有来源；验证陈述则通过了规定的接受流程。同一陈述可以兼有多种关联，但系统绝不能悄悄把一种状态替换成另一种。
四类操作具有不同输入和解释。结构结果、排序假设与逻辑或因果结论的地位不同。
原图保留中英文标签；请结合正文解释阅读。点击可查看大图。8.2 显式规则的演绎
假设模式规定所有Dataset都属于ResearchResource，且D属于Dataset，推理器便可推导D也是ResearchResource。这是简单类层级推理。另一条规则可以规定：文档报告一项评价，而评价使用某数据集，则文档对该数据集存在证据依赖。结论成立是因为应用明确制定了这条依赖规则，普通的图连通性本身不能确立它。
规则推理可以用前向链从已知事实推导后果，也可以用反向链从问题回溯支持前提。物化推理预先存储派生结果，查询重写或按需推理则在需要时计算相关后果。选择取决于更新频率、查询模式和规则语言。高频查询的稳定层级可能适合物化，快速变化的事实则可能更适合选择性计算。
每项派生结果都应保存推导依据，或保留能够复现依据的路径。若数据集D被重新分类，系统必须知道哪些派生陈述依赖该分类。仅存派生三元组而无来源，会使修正困难。真值维护可以撤销支持不再成立的结论，同时保留仍有其他有效推导的结论；即使规则简单，这也是动态图谱的实践要求。
8.3 开放世界语义与查询边界
开放世界推理中，无法证明某陈述并不意味着证明其否定。图谱没有论文使用数据集D的记录时，正确回答可能是“本图谱尚不知晓”。若用户问“哪些论文不使用D”，则需要更强的完备性假设，例如只查询方法部分已经全面审核的论文。应用应明确这一范围，使否定结果仍可解释。
SPARQL蕴涵机制规定查询如何在简单图匹配之外纳入不同语义[52]。部署应说明采用原始存储三元组、RDFS后果、某种OWL配置子语言，还是自定义规则。即使显式数据相近，两个端点也可能因推理设置不同而返回不同答案。因此，复现查询同时需要数据快照与蕴涵配置。
某些操作契约适合封闭世界检查。例如，每项已接受Evaluation都必须有指标，那么缺失指标就是该应用内的验证失败；这不代表现实实验没有指标，只说明记录不满足契约。区分验证与逻辑蕴涵，使系统能够同时使用二者，而不混淆目的。
8.4 规则挖掘与不确定规律
规则挖掘在图中寻找反复出现的关系模式，AMIE 3提高了知识库规则挖掘效率[27]。挖掘结果可能有用，但测得的置信度不是逻辑保证。例如，两名作者经常合作发表，或许常在同一机构，却不能从共同作者身份逻辑推出共同任职。把这一规律提升为严格规则，会产生错误任职关系。
负责任的流程应分开发现、验证和部署。挖掘模式先成为候选规则，领域专家再判断它表达的是有意义规律还是采集过程的产物，留出数据检验预测价值，应用再决定用于建议、异常检测或概率模型。只有能够作为逻辑约定获得正当依据的关系，才应成为硬性推理规则。
观察到的置信度对缺失数据敏感。某些谓词记录更完整时，规则可能因记录过程而显得更强或更弱。解释置信度前，应先询问数据完备性已知到什么程度。在资料充分实体上得到的高分，未必适用于资料稀少实体。这使规则挖掘与知识获取中的选择偏差问题联系起来。
8.5 将链接预测视为假设生成
链接预测将缺失关系排序为待调查候选。模型可能学到某类方法常在某类数据集上评价，于是建议一个可能遗漏的评价连接。建议有助于发现漏项，却不能证明实验实际发生。若目标关系描述事件，在预测边进入已接受事实层前仍需外部证据。
DistMult说明评分函数如何带来结构限制。对固定关系，其标准三线性分数对于头、尾实体向量是对称的[22]，适合某些对称模式，却无法单独区分所有非对称关系。这是数学性质，不是认定模型普遍无效；实际系统可能增加其他组件或约束，评价应针对完整实现。
负采样通常通过替换已观察三元组的某个论元，生成训练负例。但在不完整图谱中，一些负样本实际上可能真实，只是尚未记录。因此，训练过程依赖对缺失机制的假设，报告应说明这些假设，而不能把所有缺边都视为已验证的虚假关系。模型预测基准标注中缺失的合理关系时，也会出现同样评价问题。
传导式评估通常测试训练中见过的实体之间的新连接；归纳式评估则在规定条件下测试对未见实体或新图的泛化。一种设置中的成功，未必能迁移到另一种。若组织图谱每周新增项目，对未见实体的表现就是关键要求。仅因某基准流行而选用它，可能完全漏掉这一要求。
8.6 概率校准与解释
排序分数不会自动成为概率。模型可以把正确候选排得很高，但数值分数未必符合实际正确频率。校准研究预测置信度与观察结果的一致性；Guo等人展示了现代神经网络中的校准问题，并评价修正方法[30]。图谱应用应在相关关系类型与部署分布上检查校准，不能直接假定通用模型已校准。
解释应指出答案的实际依据。规则结论展示前提与规则，检索答案展示来源段落，学习预测可展示影响较大的路径或特征，但这种解释可能只是对模型行为的近似。预测后展示的路径，未必是产生预测的实际路径。界面应标记解释类型，不能把漂亮的关系路径当作形式证明。
8.7 因果主张需要因果假设
因果图表达变量相互影响的假设。普通知识图谱可以存放因果主张，但给边命名为CAUSES，不会自动形成有效因果模型。因果推断需要明确干预问题、混杂与结构假设，以及识别或估计策略[50]。中心性或关联模式不能替代这些要求。
研究案例中，论文报告某方法改善结果，是有关一项主张的证据。主张是否获得因果支持，取决于研究设计、比较条件与替代解释。图谱可以组织这些特征并检索相关证据，却不能仅通过连接其他研究修复一个失控的比较。在任何因果解释附近，都应明确这一限制，尤其是智能体同时总结实验与观察证据时。
8.8 实用推理架构
建议架构将问题路由到适当操作：精确事实问题使用已接受断言与来源，分类问题使用配置好的演绎层，探索发现使用明确标为假设的排序和预测边，因果问题则检索研究设计与假设，交由独立分析处理。可以先用模板和类型化工具实现这种路由，再引入复杂的自主规划器。
答案记录包含操作类型、输入快照、证据、不确定性，以及使用的规则或模型。若系统无法满足所需证据标准，应给出不完整回答，或请求缩小问题范围。这既保留图谱用途，也避免赋予所有输出相同权威。核心原则是：结论从产生、呈现到后续行动，始终保持状态可见。