本文探讨了约束文本生成问题，提出了一种结合约束编程的方法，成功生成高度约束的文本。研究表明，详细的约束条件与大型语言模型的结合提升了文本生成的准确性和稳定性，尤其在知识图谱补全和翻译任务中表现突出。

本文综述利用大语言模型进行知识图谱补全的研究，包括KICGPT结合知识提示解决长尾问题、结构感知推理框架将图谱结构嵌入大模型、KG-LLM将三元组视为文本序列并微调小模型优于GPT-4，以及联合完成与对齐、多语言知识蒸馏等方法，在WN18RR、FB15K237等数据集上取得领先效果。

该文综述了图神经网络与对比学习在跨平台账户匹配、黎曼空间交互预测、多模态子空间学习、图聚类、知识图谱补全、评论推荐、异构图嵌入及跨域链接预测等任务中的研究，提出了多种新框架与模型，并在真实数据集上验证了其性能优势。

该文综述常识知识图谱研究进展，涵盖文本方法提升知识图谱补全、约束型提示改善大模型生成质量（在WN18RR和FB15K237上超越先前结果）、神经符号推理器处理动态常识图谱、大规模通识推理数据集与归纳模型、半监督框架PseudoReasoner补全常识库、概率逻辑表示与层次化本体、对话代理零样本推理系统、ConceptNet关系注入UniLM提升文本生成、逻辑推理题训练预训练模型、CLEVER从图像提取常识以及CAR方法提升零样本常识问答表现。

本研究使用文本为基础的方法提升了知识图谱补全的效果，并通过引入约束型提示来改善大型语言模型生成的文本质量。该方法在低资源计算条件下展现了有效的推理能力，并在WN18RR和FB15K237数据集上超越了之前的结果，为将大型语言模型应用于知识图谱补全任务提供了新的研究方向。

本研究使用文本为基础的方法提升了知识图谱补全的效果，并通过引入约束型提示来改善大型语言模型生成的文本质量。该方法在低资源计算条件下展现了有效的推理能力，并在WN18RR和FB15K237数据集上超越了之前的结果，为将大型语言模型应用于知识图谱补全任务提供了新的研究方向。

该研究提出了一种新的知识图谱补全方法，结合了两种现有方法，并通过学习查询相关的集成权重，在三个标准知识图谱补全数据集上取得了最先进的结果。

该研究使用文本为基础的方法提升了知识图谱补全的效果，并通过引入约束型提示来改善大型语言模型生成的文本质量。该方法在低资源计算条件下展现了有效的推理能力，并在 WN18RR 和 FB15K237 数据集上超越了之前的结果。

该论文介绍了知识图谱补全中规则学习方法的高效、可解释性和与纯神经模型竞争的特点，提出了规则聚合问题的概念，并探讨了其理论基础。研究证明了现有的聚合方法可以通过对预测规则进行边缘推断操作来表示，并提出了一种既有效又被忽视的基准方法，与计算复杂度更高的方法具有竞争力。