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。

本研究提出了动态修剪的消息传递网络(DPMPN)和混合图网络(HGN)模型，以提升知识图谱推理性能。这些模型通过图形式的注意力机制和统一图结构，有效解决了边缘稀疏和嘈杂问题，并在多个基准测试中表现优异。此外，研究探讨了大型语言模型在图形推理中的应用，提出的新提示技术PathCompare显著提高了推理性能。

本文提出了一种新方法，通过多模态模型提取语义名词并生成实体级分割，结合多模态特征融合模块，提高了细粒度预测的效率和准确性。实验结果显示，该方法在全景叙事连接、指称表达分割和全景分割任务中表现优越。此外，研究展示了基于多模态知识图谱的推理方法，显著提升了大型语言模型在多模态推理中的能力。