本研究探讨了基于预训练语言模型的知识库Paradigm，提出了存储和查询实体事实的能力。介绍了GPT-NER算法，解决了命名实体识别（NER）任务中的问题。评估了大型语言模型在知识图谱构建和推理中的表现，并提出了多智能体的AutoKG方法。研究了大型语言模型在本体学习中的应用，展示了其在知识提取和结构化方面的能力。最后，提出了通过关联知识图谱提升领域特定任务性能的框架。

本研究旨在推动本体学习的理解和创新，改善网络的互操作性，为创建智能和用户友好的语义网做出贡献。

该论文探讨了描述逻辑的概念及其特点，分析了描述逻辑与OWL的关系，介绍了多种机器学习方法在本体学习中的应用，提出了基于描述逻辑的规划新方案，并研究了自动规划方法在智能环境中的应用，最后展示了OWLOOP API的优缺点。

本文提出了LLMs4OL方法，利用大型语言模型进行本体学习。研究评估了九种不同LLM模型在术语类型化、分类系统发现和非分类关系提取等任务中的表现，发现LLMs能够有效提取和结构化知识。尽管LLMs在一般知识上表现良好，但在细致的长尾知识和基本语义属性学习上存在局限性，并提出了改进策略以提高其知识一致性和理解能力。

本研究探讨大型语言模型（LLMs）在本体学习和推理中的应用。研究发现，LLMs能够有效提取和结构化知识，但在逻辑推理和语义理解方面存在局限性。实验表明，LLMs的推理表现与人类存在差异，强调了提升其推理能力的必要性。

本研究探讨了ELBE、Box^2EL和锥体嵌入等方法在知识图谱和本体学习中的应用，旨在提高蛋白质相互作用预测和逻辑查询的效率。研究表明，不同的表示和投影方法对公理预测有显著影响，并提出了基于几何运算的框架以优化复杂查询。