结构化数据是普遍的知识源，大型语言模型在处理结构化数据方面存在显著不足，为了增加语言模型中的结构化知识落地能力，研究人员开发了一种全面的指导调整数据集，并利用此数据集训练了一系列基于 Code-LLaMA 架构的模型，横跨 7B 到 34B 参数范围。这些模型在 18 个评估数据集中有 14 个超越了任务专用模型，并在 7 个结构化知识落地任务中取得了新的最佳成果。此外，这些模型在 6 个新的结构化知识落地任务上表现出出色的泛化能力。然而，我们观察到模型规模的扩大只能带来些微的改进，这表明结构化知识落地仍然是一个具有挑战性的任务，需要更多创新的设计突破新的领域。

Feb, 2024

本文提出语义知识图谱（SKG）来集成抽象和其他元信息中的语义概念以表示语料库，并利用半监督流程进行实体抽取和实体标准化，以及设计了一个数据流系统来展示如何灵活和交互地进行各种语义查询。最后，在可视化文献的基础上进行研究并提供现实世界的用例来展示 SKG 的有用性。

Jun, 2023

利用多级共享知识指导学习方法（SKG）在数据集级别通过文本摘要识别实体集合内的共享特征，而在任务级别则利用动态调整的损失权重提出了一种创新的多任务学习架构，有效缓解了子任务间知识共享不均衡的问题。实验证明 SKG-KGC 在三个知名数据集上显著优于现有基于文本的方法，尤其在 WN18RR 数据集上取得了显著提升。

May, 2024

该研究致力于利用结构化、非结构化和半结构化知识来源（如文本、表格、列表和知识库）进行开放域问题回答，并提出了统一的方法，将它们转化为文本并采用检索 - 阅读器模型，从而大大提高了在知识库问题回答任务上的表现，并将异构知识来源融合成一个简单且有效的统一知识模型，并在两个流行的问答基准测试中（自然问题和网络问题）继续提高最新的图形方法等级，分别为 3.5 和 2.6 点。

Dec, 2020

提出了一种基于结构化知识和统一检索生成的方法（SKURG）来回答多模态和多跳问题，包括模态对齐，统一检索生成和中间检索结果的集成。该方法在两个数据集上均取得了最先进的效果。

Dec, 2022

本文提出了一种使用语言模型结合知识进行基于知识的问答的方法，其中包括知识构建方法和深度融合机制，可以优雅地提取结构数据和提高模型性能。

Sep, 2022

PLUG 是一个预训练的语言模型，可以将异构知识源同化为一个统一的知识表示，从而提高知识引导型对话生成任务的泛化能力。该模型可以通过少量的训练样本实现不同下游知识引导型对话生成任务的泛化，且在零样本和少样本场景中表现显著优异。

Dec, 2021

本研究旨在探讨结构化数据如知识图谱和文本等对大语言模型（LLMs）内部化知识的差异，提出了一种将结构化知识注入 LLMs 的方法，并通过在不同知识图谱数据上的预训练和多个自然语言任务的性能比较，证明了该方法的有效性。

May, 2022

论文提出了一种名为 `SKT` 的序列潜变量模型，该模型可提高多轮对话的知识选择准确性，并相应地改进了话语生成的绩效；实验结果表明，该模型在大规模对话评估中取得了最先进的表现。

Feb, 2020

本文研究了将知识图谱转化为自然语言文本的任务，主要讨论了广泛的开放领域大规模语言生成的挑战，将知识图谱转化为自然语言文本，从而提高了语言模型的事实准确性和减少了毒性。通过对开放领域 QA 和 LAMA 知识探测的任务进行评估，表明该方法在文本检索方面有很大的优势。

Oct, 2020