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。

本文介绍了一种上下文感知的动态知识图谱嵌入方法（DKGE），结合图卷积网络和门控策略，能够快速更新知识图谱嵌入。研究探讨了知识图谱完成的不同方法，强调了预训练语言模型与文本描述结合的新方法。实验结果表明，DKGE在动态环境中表现出良好的有效性和效率。

该文综述动态图表示学习的研究进展，涵盖动态知识图谱，按编码器-解码器框架对现有模型分类并分析各类技术，介绍典型应用与常用数据集，指出未来方向；同时涉及图信号处理、矩阵分解、随机游走、深度学习等方法及其应用，讨论动态图监督学习设置与DGNN设计原则，并总结时空信息学习、图生命周期学习及机器人等领域应用。

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。