本文探讨了大型语言模型在识别知识边界时的错误反应，并提出了一种新方法以提升其知识感知能力。实验结果显示，改进后的模型在识别知识缺口方面提高了5.6%至4.9%。

本文探讨了通过引入实体信号和知识图谱提升大型语言模型（LLMs）的知识感知能力。研究表明，知识感知微调和自我认知评估框架显著提高了模型在自然语言处理任务中的表现。KGQuiz框架用于评估LLMs的知识能力，发现模型在简单任务中表现良好，但在复杂推理中仍面临挑战。同时，KIEval框架揭示了数据污染对模型理解力的负面影响。

本文综述了基于图神经网络的知识感知深度推荐系统，重点探讨图嵌入模块在解决冷启动等推荐问题中的应用。研究表明，结合知识图谱的推荐模型在个性化推荐中表现优越，显著提升了推荐的准确性和性能。

介绍了FIRE方法，通过上下文过滤和知识过滤构建知识感知的上下文表示和上下文感知的知识表示。实验结果显示，FIRE在PERSONA-CHAT和CMU_DoG数据集上表现优于以前的方法，并具有更好的可解释性。