本研究提出利用生成性人工智能将台湾中国研究领域的无结构学术文本转化为结构化知识表示，以满足信息重组需求，增强对中国研究文献的访问能力，并推动区域知识系统的学术基础设施重建。

本文提出了一种基于范畴论概念的C-集合和双推出重写的计划表示的替代方法，可以有效处理关于世界状态的结构化知识，并提供了使用知识图谱和关系型数据库建模的形式语义。相较于经典规划表示，该方法在处理隐含前提和效果上更优越，提供了更有结构的框架来解决规划问题。

本研究提出了一种基于知识嵌入的框架，用于可解释性推荐引擎，能够生成个性化解释说明推荐结果。在真实的电子商务数据集上验证了该方法的高效性和可解释性优势。

研究人员通过结构化知识和大型生成模型，提出了一种模块化消除预训练语言模型中多个偏见维度的方法。他们证明了该方法在多个任务和多种语言上的有效性。

大型语言模型具有潜在的革命性特征，能够形成连贯的世界模型并学习空间和时间的线性表示。研究还发现了编码空间和时间坐标的单个神经元，表明现代大模型获得了关于空间和时间的结构化知识。

本研究提出了结构化知识的几何推理方法，使用 Knowledge Crosswords 进行实验，附加了两种新方法，结果表明 Verify-All 方法在性能上大幅优于其他方法，并且对于困难问题更加稳健。但LLMs在结构化知识的几何推理能力仍不够强大，易受影响。

本研究提出了结构化知识的几何推理方法，使用 Knowledge Crosswords 进行实验，附加了两种新方法，结果表明 Verify-All 方法在性能上大幅优于其他方法，并且对于困难问题更加稳健。但LLMs在结构化知识的几何推理能力仍不够强大或完美。