本文提出了 BERTMap，它是一种可以支持无监督和半监督设置的本体映射系统，它使用 fine-tuning 的 BERT 语境嵌入模型来预测映射，并通过利用本体结构和逻辑来完善映射，本文通过对生物医学本体上的三个对齐任务的评估表明，BERTMap 通常比领先的 OM 系统 LogMap 和 AML 表现更好。

Dec, 2021

本研究介绍了一种名为 LaKERMap 的新型自监督学习本体匹配框架，它利用转换器将概念的上下文和结构信息融入其中，旨在捕捉包括本地和全局交互在内的多种结构上下文。通过使用 Bio-ML 数据集和任务，我们的创新方法显示 LaKERMap 在对齐质量和推理时间方面优于最先进的系统。

Oct, 2023

提出了一种基于状态移动距离的多对多跨语言神经机器翻译模型，通过学习通用表示和跨映射关系，可以实现未经训练的语言对之间的零 - shot 翻译，实验证明该方法可以改善语义空间的对齐和预测的一致性。

Oct, 2022

本文介绍了一种基于代理和大型语言模型的本体匹配系统设计范例，并通过实证评估证明其在简单、复杂和少样本本体匹配任务上的性能显著优于现有系统。

Dec, 2023

该研究探索了语义技能的零 - shot 适应能力，在跨领域环境中，在交织的多模态片段中，通过用户输入可触发不同领域的新的远程任务。通过语义技能翻译框架 SemTra，该框架利用一组多模态模型从片段中提取技能，并利用预训练语言模型的推理能力将这些提取的技能适应到目标领域。框架通过任务适应和技能适应的两级层次结构进行适应。在任务适应过程中，语言模型将提取的技能转化为适合跨领域上下文的语义技能序列。技能适应通过语言提示和对比学习的上下文推断来优化每个语义技能，以适应目标领域的上下文。这种层次适应使得该框架不仅能够从交织的多模态片段中一次性推断出复杂任务规范，还能够通过零 - shot 学习能力将其适应到新的领域中。我们在 Meta-World、Franka Kitchen、RLBench 和 CARLA 环境中评估了我们的框架。结果表明，该框架在执行长期任务和适应不同领域方面具有优势，展示了其在解释抽象指令的认知机器人和在不同配置下操作的自主车辆等实际应用案例中的广泛适用性。

Feb, 2024

为解决 Ontology Matching 中评价体系不全的问题，该研究提出了五个新的医学本体匹配任务，并且提出了一个全面的评价框架，对机器学习和非机器学习的匹配系统进行了评估。该研究的资源已经公开发布在 OAEI 2022 的 BioML 赛道中。

May, 2022

LLMs4OM 框架通过零样本提示技术，利用大型语言模型在本体匹配任务中评估大型语言模型的效果，并在不同本体表示（概念、概念父类、概念子类）之间实现检索和匹配两个模块，全面评估了 20 个不同领域的本体匹配数据集，结果表明，在复杂匹配场景下，LLMs 在 LLMs4OM 框架下的性能可以与甚至超过传统的本体匹配系统，凸显了 LLMs 在本体匹配领域的潜力。

Apr, 2024

本文介绍了一种名为 XeroAlign 的简单方法，用于任务特定的交叉语言预训练变形器的对齐。 使用翻译的任务数据鼓励模型为不同的语言生成类似的句子嵌入，从而实现了在多个跨领域的自然语言理解任务上的最新零 - shot 结果，称为 XLM-RA，其文本分类准确性超过使用标记数据训练的 XLM-R，并在跨语言针对性改写任务上表现出与最先进模型相当的性能。

May, 2021

CrossAligner 是一种实现零 - shot 跨语言传递任务知识的有效方法，利用未标记并行数据进行学习对齐，其细调语言模型优于预期。

Mar, 2022

利用预训练的句子转换器生成匹配候选项，接着使用优化的双重编码器来生成最佳匹配项以便自动匹配知识图谱和本体论。在多个数据集上进行了验证并展示了可行性和卓越的结果。

Apr, 2022