本研究提出了LP-LM系统，旨在解决大型语言模型在问答中产生虚构问题的现象。通过Prolog语义解析，确保回答的可靠性。实验结果表明，LP-LM在简单问题上始终提供准确答案，优于传统大型语言模型。

本研究提出了一种名为OntoSCPrompt的两阶段架构，旨在提升知识图谱问答（KGQA）在新知识图谱上的泛化能力。该方法通过分离语义解析与知识图谱特定交互，并采用本体指导的混合提示学习策略，实验结果表明其在资源有效的情况下与先进方法性能相当，且能够有效泛化至未见领域的知识图谱。

本文研究了在数据稀缺场景下快速获取监督学习标签的挑战，提出了一种新颖的分层符号森林消化算法（DAHSF），该算法结合文本规范化和语义解析，显著优化了模型大小和内存使用，提升了执行速度，具有良好的应用前景。

本研究提出DART方法，通过重述、语义解析、评分和多类分类四个步骤，解决了现有AIGT检测器在黑箱大型语言模型检测中的低效问题，能够有效区分多种模型，展现出实际应用潜力。

本文介绍了一种基于深度学习的对话系统语义解析模型，采用多任务学习和槽位描述来提升槽位填充性能。研究提出了多领域知识驱动的中文会话数据集，验证了背景知识对模型的增强作用，并探讨了转移学习和领域适应的潜力。此外，研究展示了新型神经架构和多模态对话系统的有效性，强调了领域信息在意图检测和插槽填充中的重要性。

本研究提出了一种门控图神经网络，用于编码语义解析图形结构，解决复杂的语义解析向量表示问题。该方法在问答系统中表现优异，尤其是在基于知识图谱的自然语言问答和图神经网络推理方面，显著提升了模型的性能和准确性。研究通过优化知识图谱和问题表示，展示了在多个基准数据集上的持续改进。

本文提出了一种利用自然语言反馈进行语义解析更正的方法，显著提高文本到 SQL 解析器的准确性。研究表明，T5-base 模型能够纠正 T5-large 模型的错误，并在 Spider 数据集上实现了57.2%的精确匹配率，优于其他模型。此外，研究还探讨了使用大型语言模型和数据增强技术来提升自然语言到 SQL 查询的转换效果。

本文探讨了一种基于语言数据和语言类型学特征的跨语种语言模型性能预测方法，评估了多种大型语言模型在多语言机器翻译中的表现。研究表明，大型语言模型在多语言语义解析和翻译方面优于传统方法，并提出了有效的跨语言转移策略，特别是在低资源语言翻译中具有显著优势。

本文介绍了一种应用于低资源任务导向语义解析的新方法，通过用户交互收集话语来改进语义解析器。该方法结合了多个限制条件，包括缺少相关领域的相似数据集/模型和对未标记的自然语言要求保密性等。作者使用数据增强方法，在复杂的 SMCalFlow 日历数据集的低资源情况下，观察到与非数据增强基线相比，在前1个匹配中有33%的相对改进。