本研究提出LLaCTR方法，解决了现有LLM在大规模实例中点击率预测的计算开销问题。通过自监督微调提取轻量级语义知识，LLaCTR在有效性和效率上优于现有方法，展现出良好的应用潜力。

本研究构建了NPN构式的语义标注数据集，发现BERT能够有效区分构式及其意义，表明其编码了超越表面句法的语义知识。

本研究提出了一种新的可能性预测方法，通过微调大型语言模型的知识，解决了语言建模在辨别事件可能性方面的不足。研究表明，适配器融合显著提升了模型的语义知识，从而改善了可能性预测。

研究者提出了开放词汇伪装的物体分割任务，并构建了一个大规模复杂场景数据集。通过集成语义知识和视觉结构线索，提出的方法可以有效地捕捉伪装对象，并在数据集上超过了先前的方法。希望这个新任务能推动开放词汇密集预测任务的研究。

该研究提出了一种基于大型语言模型增强的实体对齐框架（LLMEA），将知识图谱的结构知识与大型语言模型的语义知识相结合，以提升实体对齐的效果。实验结果表明，LLMEA 优于其他基线模型，进一步剖析试验证实了我们提出框架的效能。

该研究提出了一种新颖的基于图形的框架，用于摘要会议演讲，无需监督和注释。该系统结合了多种方法的优点，利用字嵌入和图形退化的进展，考虑外部语义知识，并设计了自定义的多样性和信息量度量。实验表明，该系统改进了现有技术水平。