本研究提出了一种新的知识编辑方法KEDKG，旨在解决大型语言模型在多跳问题回答中的知识需求。通过构建动态知识图谱，该方法显著提高了答案的准确性和可靠性。实验结果表明，KEDKG在动态信息环境中优于传统模型。

本研究提出将动态知识图谱与大型语言模型结合，以提升电子学习环境中的个性化教学支持。研究表明，该方法能增强学生理解能力，但需警惕大型语言模型的误导风险，强调人类干预的重要性。

本研究提出一种结合偏好优化和强化学习的递归学习方法，提升小型语言模型的推理能力和反思性。通过动态知识图谱和自我教学，模型不断提高推理质量，特别在生物材料科学领域展现出强大的适应性和应用潜力。

本文讨论了应用数学研究数据中模型与算法关系表示不足的问题，并提出了动态知识图谱的解决方案。该研究整合了250多个应用数学研究资产，提高了研究数据的可用性和公平性。

本研究填补了微服务环境下动态知识图谱异常检测的研究空白，提出了一种基于模型集成学习的方法，通过三种动态知识图谱的表示方式和机器学习模型，在ISWC 2024数据集上表现优于基线，提供了可靠的异常检测解决方案。

本文综述了动态图表示学习的研究进展，包括动态知识图谱、编码器-解码器模型和应用，并提出了未来研究方向。

该研究提出了一种新的神经网络建模方法，使用时间戳图事件序列表示动态知识图谱，并使用时间点图神经网络对其进行建模，以解决互动文本游戏测试平台的固有弱点。实验结果表明该方法优于之前的方法，时间信息对性能具有重要性，能够推广到存在相同标签物体的复杂环境中。