本文提出了一种统一关系预测方法UniHDSA，填补了层次文档结构分析的研究空白。该方法将多个子任务整合为一个框架，实验结果表明其在Comp-HRDoc和DocLayNet标准数据集上表现优异。

全景场景图生成（PSG）旨在分割图像中的对象并识别其关系。传统方法仅适用于封闭集，无法处理开放集关系。本文提出OpenPSG，结合预训练模型，实现开放集关系预测。通过引入关系查询变换器，提取对象对特征并判断关系，显著提升预测效率。实验结果表明，OpenPSG在开放集关系预测和全景场景图生成方面表现优异。

本研究提出了多种新方法以提升知识图谱（KG）补全和推理性能，包括RMPI、KG-LLM、GLAR、NORAN和QASPR等。这些方法利用大型语言模型和关系模式，在三元组分类和关系预测等任务中表现优异，显著提高了KG的准确性和效率。

本文探讨了知识图谱补全（KGC）技术，提出了评估协议以解决模型偏差，并对多种现有方法进行了实验，包括基于常识的嵌入框架、KG-S2S生成框架、网络预训练的补全框架（NetPeace）及基于Transformer的模型（PatReFormer）。此外，综述了知识图谱嵌入设计的主要分支及新方法，提出知识感知推理模型（MUSE），在多个数据集上显著提高了关系预测准确性。

本文介绍了基于图神经网络的关系预测框架GraIL，该框架能够推理本地子图结构并学习独立于实体的关系语义。GraIL在归纳设置中优于现有模型，能够有效处理知识图谱中的新实体。此外，研究还提出了GreenKGC和InductivE等多种方法，以提高知识图谱的推理能力和效率，解决稀疏性问题，并在多个基准测试中表现优异。

该研究使用KG-LLM框架对三元组进行建模，达到了最先进的性能水平。微调相对较小的模型优于最新的ChatGPT和GPT-4。

本研究利用大型语言模型（LLM）解决知识图的关键问题，通过KG-LLM框架对三元组进行建模，实验表明该方法在三元组分类和关系预测等任务中达到最先进的性能水平。微调相对较小的模型优于最新的ChatGPT和GPT-4。