Нейросимволический искусственный интеллект ориентирован на интеграцию символьных и нейросетевых знаний. Поскольку символьные знания могут быть легко адаптированы к новым проблемным областям без необходимости обучения на больших объемах данных, нейросимволический искусственный интеллект является перспективным направлением исследований, в частности, для решения задач, для которых недоступны большие наборы данных, необходимые для обучения классических нейросетевых моделей. К таким задачам в том числе относятся задачи из области поддержки принятия решений при моделировании предприятий. Исследования, ориентированные на применение методов машинного обучения при решении задач из данной области, появились сравнительно недавно, и в настоящее время надежных наборов обучающих данных для них еще нет. В статье проанализированы варианты применения различных подходов к интеграции символьных знаний и нейросетевых моделей на примере задачи классификации моделей предприятий. Модели предприятий представлены в виде графов с типизированными вершинами, а в качестве признаков используются типы вершин модели и их количество (топология графов не рассматривается). Проведены эксперименты с использованием классической нейронной сети, нейронной сети, дополненной семантической функцией потерь, и нейронной сети, дополненной предобработкой данных на основе логических правил (при этом структура самой нейронной сети и параметры ее обучения не меняются). Результаты показывают, что применение семантической функции потерь незначительно ухудшает качество нейросетевой модели, в то время как использование предобработки данных существенно его улучшает. Приведенные экспериментальные данные наглядно демонстрируют перспективность исследований в области нейросимволического искусственного интеллекта при решении задач, не имеющих больших наборов обучающих данных, достаточных для использования классических нейросетевых моделей.