本研究提出MILA方法，以解决本体匹配在数据互操作性中的挑战。MILA通过检索-识别-提示流程，提高语义对应的准确性，减少对大型语言模型的请求，表现优于现有系统，具有广泛的应用潜力。

本研究探讨了本体匹配系统中文本预处理流程的标准化对语法匹配的影响，结果表明标记化和规范化优于停用词删除和词干提取。此外，提出了一种新的上下文修复方法，显著提升了匹配的准确性和性能。

本文探讨了一种基于知识图谱的本体匹配新方法，提出了五个医学本体匹配任务及评价框架，利用大型语言模型（LLM）提升对齐效率，解决复杂对齐挑战，并提出了新方法OWL2Vec4OA以优化嵌入机制。研究结果表明，LLM在本体匹配中具有显著潜力。

该文汇总多篇研究，主题涵盖本体匹配、知识图谱嵌入与实体对齐。具体包括：BERTSubs利用BERT进行子类预测；远程监督联合学习实体与文本嵌入；LaKERMap使用转换器融合结构上下文；共引与专家混合提升科学文本分类；order-embedding扩展改进分层知识表示；多语言共训嵌入提升实体对齐；Meta-embedding综述填补空白；自监督预训练检测上下文同义词；KGEM评估实体相似性；HME结合多语言与子词嵌入提升代码交换命名实体识别。