本研究提出了一种新的洛伦兹知识聚合机制及三种模型增强技术，解决了对比学习在用户-物品二部图和知识图中捕捉层次结构的不足，推荐效果提升达11.03%。

本研究探讨人类与系统之间的相互理解，提出神经符号人工智能（NeSy AI）结合符号知识与数据驱动学习模型，显著增强这种理解。研究表明，NeSy AI和知识图通过知识分享与交流，促进人类、人工智能和机器人之间的有效沟通，并指出未来研究的空白。

选择优质信息源、注重基础知识和原理、使用知识图是提升学习效率的关键。这些方法能显著提高学习效果。

本研究提出了KnowPath框架，旨在解决大型语言模型在回答事实时的幻觉问题。通过结合内部知识与外部知识图，KnowPath提高了推理的准确性，并在多个真实世界数据集上验证了其优越性。

本研究通过引入基于知识图的RAG和自我校正机制，克服了文本到图像模型在复杂文化主题上的局限，显著提升了多种模型的生成性能。

本研究提出了一种基于知识图的技能库框架，旨在提高机器人在开放世界环境中的技能转移效率。该框架增强了机器人的技能意识和空间语义理解，确保在新环境中的有效性。

本研究旨在建立层次结构的知识图，以支持初学者研究人员进行调查。通过鱼骨图和人工智能技术，评估其在研究主题概述和跨学科关系识别中的有效性。同时，探讨计算机视觉在防治森林火灾中的应用，以及生成AI在文献总结和研究想法生成中的重要作用，以提高研究效率和发现新方向。

该研究提出了KGAN和EMGF等多种基于图的深度学习模型，旨在提升细粒度情感分析的性能。这些模型结合了知识图、句法信息和先进的卷积网络，在多个数据集上实现了最先进的效果，显著提高了情感特征的提取和分析能力。

本文探讨了利用扩散模型生成动态城市流量的方法，结合城市知识图和增强模型，展示了在无历史流量数据情况下的优越性。研究表明，该模型能够有效重建二维湍流，并在流场预测中实现高准确度和快速计算，具有广泛的应用潜力。

本文探讨了利用四种术语提取器从数学文本中提取数学实体，以构建数学知识图。研究开发了原型系统Parmesan，帮助研究人员理解数学概念，并提供了两个开放数据集以支持数学研究。此外，介绍了基于瑞士法律系统的多维NLP基准测试和新型自然前提选择任务，以提升大型语言模型在数学推理中的能力。

该研究提出了一种基于标签的Seq2Seq模型，旨在从刑事案件事实中生成法庭观点，以提升刑事指控预测系统的可解释性。研究结合事件中心知识图和图神经网络，解决了叙事推理问题，并探讨了大型语言模型在法律领域的应用及其局限性，提出了未来发展方向。

本研究利用大型语言模型（LLM）解决知识图的关键问题，通过将三元组视为文本序列，并引入KG-LLM框架进行建模。实验证明该方法在三元组分类和关系预测任务中达到了最先进的性能水平，微调较小的模型优于ChatGPT和GPT-4。

BYOKG是一种无需人工标注训练数据的通用问答系统，通过探索未知知识图中的信息来模拟人类对信息的理解能力。它使用语言模型进行探索，并生成多样的查询程序示例，预测任意问题的程序。BYOKG在小规模和大规模图上都非常有效，QA准确性极大提高。通过持续的探索和语言模型改进，BYOKG的性能可靠地提升。

该研究提出了一种名为 KGAN 的知识图增强网络，用于细粒度情感分析任务。该方法通过并行学习语境和句法表示来捕获情感特征，并结合知识图和 RoBERTa 模型进一步获取方面特定的知识表示，最终在五个 ABSA 数据集上实现了最先进性能的新纪录。

该研究使用KG-LLM框架对三元组进行建模，达到了最先进的性能水平。微调相对较小的模型优于最新的ChatGPT和GPT-4。

本研究利用大型语言模型（LLM）解决知识图的关键问题，通过KG-LLM框架对三元组进行建模，实验表明该方法在三元组分类和关系预测等任务中达到最先进的性能水平。微调相对较小的模型优于最新的ChatGPT和GPT-4。

本研究使用KG-LLM框架对三元组进行建模，达到了最先进的性能水平。微调相对较小的模型优于最新的ChatGPT和GPT-4。

Nemo是一款可靠性和性能强大的逻辑编程引擎，适用于建模数据为中心的分析计算。它擅长处理大量输入事实的知识图和本体推理任务，并以Rust编写，是一个免费且开放源码的工具。

本文提出了一种基于仿真的新方法，通过知识图和实体嵌入来表示异构上下文，并使用并行运行的代理集合对需求进行上下文感知型策略的组合。评估结果表明，代理可以即时请求组合策略，以成功完成适应上下文的活动，而无需通过冗长的训练步骤和场景学习这些策略。与应用强化学习的代理不同。