本研究探讨了RAG系统在数据提取攻击中的隐私风险，提出了一种新的隐式知识提取攻击方法（IKEA），该方法通过良性查询提高了知识提取的效率和成功率，显示出RAG系统面临重大隐私风险。

本研究探讨了如何有效提取大型语言模型中的知识以生成逻辑程序。通过新方法增强推理能力，验证其应用潜力，结果表明能加速逻辑程序的推理过程。

本研究利用大型语言模型提取入侵生物学文献中的关键生态信息，包括物种、地点、栖息地和生态系统。尽管现有模型在生态实体提取上具有潜力，但仍存在局限性，为未来的知识提取工具奠定基础，帮助研究人员更好地理解和管理生物入侵。

ArchGuard 是一个开源架构治理平台，帮助开发者分析微服务依赖关系并提供改进建议。新推出的 Architecture Analyser 集成多种分析功能，利用 AI 从 API 调用链中提取业务和领域知识，提高知识提取效率，帮助用户优化软件架构。

本文提出了LLMs4OL方法，利用大型语言模型进行本体学习。研究评估了九种不同LLM模型在术语类型化、分类系统发现和非分类关系提取等任务中的表现，发现LLMs能够有效提取和结构化知识。尽管LLMs在一般知识上表现良好，但在细致的长尾知识和基本语义属性学习上存在局限性，并提出了改进策略以提高其知识一致性和理解能力。

本文研究了论文来源追踪，构建了高质量数据集PST-Bench，揭示了不同主题的演化模式。提出了一种基于深度学习的模型，结合BERT和GCN，提升了文章引用建议的准确率。同时探讨了科学出版领域的扩展及自然语言处理在知识提取中的潜力，并提出了新数据集和工具供社区使用。

该研究综述了知识图谱与大型语言模型结合的方法，探讨了其在人工智能应用中的潜力，提出了多种框架，展示了在知识提取、问答任务和教育应用中的有效性，强调了二者协同作用对提升性能的重要性，并指出未来研究方向。

本文探讨了大型语言模型（LLMs）与知识图谱（KGs）之间的协同关系，分析了它们在知识提取和KG验证等领域的应用。研究提出了分类法，揭示了LLMs在增强学习中的潜力，并讨论了未来研究方向，强调了二者结合的重要性，以提升人工智能应用的准确性和一致性。

本研究探讨大型语言模型（LLMs）在本体学习和推理中的应用。研究发现，LLMs能够有效提取和结构化知识，但在逻辑推理和语义理解方面存在局限性。实验表明，LLMs的推理表现与人类存在差异，强调了提升其推理能力的必要性。

本研究探讨了利用大型语言模型（LLMs）进行事件模式的自动归纳与知识提取，提出了名为ESHer的事件模式收割机，能够高效生成高质量事件模式。实验结果显示，LLMs在事件推理和表格数据提取方面仍需改进，并提出了新方法以提升其性能。

本文探讨了大型语言模型（LLMs）在数学推理、强化学习和知识提取等领域的应用与挑战。研究表明，LLMs在解决数学问题时表现出人类认知偏差，但在执行解决方案时缺乏类似偏差。此外，LLMs在概念生成和用户交互方面表现出优势，尽管在某些推理任务中效果有限。整体而言，LLMs的能力和应用潜力仍在不断发展。

本文介绍了知识图谱的概念、应用及演化，比较了不同知识图谱的内容和覆盖范围，探讨了知识提取和推理技术在金融分析等领域的应用，并提出了未来研究方向，包括结合大型语言模型与知识图谱的能力。

FLAME是一种新方法，利用大型语言模型从少量样本中提取知识并进行微调，以实现更准确的分类体系扩展。实验证明FLAME在真实场景中取得了显著的改善。