本研究探讨了大型语言模型（LLM）在将非结构化文本转换为标准化格式中的有效性。评估结果显示，GPT-4o在少量提示下表现优异，首次证明LLM能够可靠地进行此类转换，为自动化数据生成开辟了新可能性。

本研究提出了LLMForecaster，一种新型预测后处理器，旨在提升时间序列预测模型对非结构化文本数据的利用。通过微调大型语言模型，该方法有效整合语义、上下文和历史数据，显著提高节假日产品需求预测的准确性。

本研究探讨了如何在非结构化文本中检测法律违规及其对个体的影响。结合RoBERTa和CNN模型，法律命名实体识别和自然语言推理的准确率分别达86.3%和88.25%。

该文研究了主题分割模型在非结构化文本上的泛化能力，发现训练小规模数据集可以提高分割结果。实证评估表明，Focal Loss 函数是交叉熵和加权交叉熵损失函数的一个强大的替代方案。