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。

本文提出了一种新颖的图像生成方法，结合语义知识与扩散模型，实现细粒度的外观转换。该方法通过优化提示值和跨图像注意力机制，在多个数据集上表现优异，能够在不同形状的物体之间进行视觉属性转移，无需对抗训练或额外输入。此外，研究展示了统一评估协议的有效性，推动了图像到图像转换的研究进展。

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。