本研究提出KG-LLM-Bench基准，评估大语言模型在文本化知识图谱推理中的表现。通过对七种语言模型和五种文本化策略的实验，揭示了优化模型性能的见解。

本文通过联邦学习在三个数据集上的训练和聚合分析，提出了一种数据分区策略来模拟不同统计异质性水平，并引入了度量独立同分布程度的标准。同时，根据不同特征的数据集，确定了最佳的联邦学习模型和参数。最终，提出了优化模型性能的联邦学习参数和聚合器的推荐指南。