本研究探讨了人类语言中语法特征的语义属性与句子处理成本之间的关系，发现语法组织主要基于感知属性，但优先考虑功能目标，以促进有效的语言处理。

本文介绍了一种零样本物体检测方法，通过融合语义属性和视觉特征，提高了未知对象的检测精度。研究提出了多种技术和数据集，以应对对象属性预测的挑战，并在多个基准上取得显著改进。此外，探索了基于语言描述和图像样例的多模态分类器，显示出优于传统方法的性能。

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。

本文提出了一种无监督属性学习方法，利用在线文本语料库发现与人类概念语义属性相关的词汇，并通过深度卷积模型优化课程-属性关联。实验证明该方法能够在大规模数据集上有效地发现和学习语义属性，并在三个数据集上优于现有技术的零样本学习效果。