本文提出了一种使用 Answer Set Programming 的实际应用，以理解与餐厅有关的叙述，并通过将餐厅内的角色建模为故事中的有意图的代理来解决这一问题。我们还创建了一个餐厅故事语料库来设计和评估我们的方法。

Sep, 2018

使用回答集编程（ASP）的高层次和抽象符号规范引导和多样化基于 LLM 的故事生成，产生比未引导的 LLM 更多样化的故事，并通过代码摘录证明 ASP-based outline generation 相较于完整的叙事规划具有改进的紧凑性和灵活性。

Jun, 2024

本文介绍了如何使用 ASP 建立心理学领域的知识形式化，以更加准确的研究、比较和验证理论。作者应用 ASP 技术，对短期记忆机制进行了形式化描述，进而预测用户与图形界面的交互。

Jul, 2010

我们提出了一种混合架构，用于系统地计算关于视频数据的鲁棒视觉解释，其中包括假设形成，信念修正和默认推理，并且由紧密集成的两个协同构成：以时间 - 空间为基础的踪迹上的函数回答集规划的诱导推理和基于检测的对象跟踪和动态分析的视觉处理流程。

Dec, 2017

提出了一个结合了大型语言模型和逻辑编程 Answer Set Programming 的框架 STAR，通过在语言上提取知识并利用 ASP 进行规定驱动的推理，以提高针对需要推理的 NLU 任务的性能和可解释性。

Feb, 2023

该研究论文介绍了一种将 Answer Set Programming（ASP）的知识表示和推理能力整合到通用应用程序中的框架，并且展示了在不同平台的 ASP 系统中，特定化该框架的正确方法，包括移动平台和教育场景，并开发了几个基于 ASP 的应用程序。

Jul, 2017

本文提出了一种目标导向的脚本构建任务，通过基于语言模型的生成方法和首先从候选池中检索相关步骤然后排序的检索方法，使用第一个支持 18 种语言的多语言脚本学习数据集来试验该任务，并表明该任务是实用的，可行的但挑战性很大，同时我们的方法在零 - shot 学习下能够在各种其他数据集和领域中轻松部署。

Jul, 2021

该论文为对 ASP 的解释性研究做出了概述。主要关注 ASP 的不同解释方式及其异同，并探讨其在未来的成功应用中的重要性。

Sep, 2018

通过使用 ASP 技术，本研究在解决物联网、传感器技术、连续数据流、流推理等领域中的关键问题。

Jan, 2013

人工智能的可解释性越来越受到关注，本研究试图填补 Answer-set Programming 中的解释支持的空白，并通过扩展语言支持和开发新的解释形式（如对比解释）来推进可解释 ASP 的研究。

Aug, 2023