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。