本文提出了一种运用知识图谱的结合方法来提高自然语言推理问题（NLI）领域中性能的技术，该技术在文本、图形和文本到图形的模型上均取得了最新的最优表现，并讨论了外部知识在解决 NLI 问题中的实际意义。

Sep, 2018

我们研究了自然语言推理 (NLI) 在自动化需求工程任务中的应用。我们集中在需求分类、需求规范缺陷的识别以及利益相关者需求冲突的检测三个任务。通过在不同学习设置下进行的实验，我们明确证明了我们的 NLI 方法在需求规范分析方面超越了传统的 NLP 方法以及基于大型语言模型和聊天机器人模型的其他方法。此外，我们分享了在学习设置方面的经验教训，使 NLI 成为自动化需求工程任务的合适方法。

Apr, 2024

我们开发了一个基于数据驱动方法的自然语言接口系统，其中包含了一个逐步查询推荐模块，帮助用户在探索大型复杂 SQL 数据库时进行更有效和系统化地数据分析过程。我们的用户研究表明，相比于没有推荐模块的基准系统，我们的系统可以帮助用户更加高效和系统化地进行数据分析。

Jan, 2022

本文评估了 24 个最近开发的自然语言数据库接口（NLIs），并将其分类为基于关键字、模式、解析和语法的四组，发现语法为基础的系统是最强大的，但高度依赖其手动设计的规则，同时本文的研究成果对于设计能够回答各种用户问题的 NLIs 至关重要。

Jun, 2019

本文介绍了一个基于实体、知识图谱和链式实体的自然语言处理流程，旨在将用户意图转化为关键实体，以便在知识图谱中搜索顶层聚合概念，避免在基于意图或检索算法的流程中丢失重要信息。

May, 2022

通过自动将自然语言句子转化为描述逻辑，我们使用大型语言模型将自然语言句子转换为 OWL 功能语法，用于丰富本体论，并通过人类监督的方式提供该工具作为 Protge 插件。

Jul, 2023

提出了一种称为 SpatialNLI 的 NLI 用于空间领域，它采用一种空间理解模型来识别空间请求的意义并将其注入到自然语言问题中以缓解捕捉空间专用语义的负担，同时实验结果表明 SpatialNLI 胜过现有的方法

Aug, 2019

利用预训练的大型语言模型（LLMs）和 ChatGPT API 作为推理核心，通过自然语言处理、基于方法论的提示调整和 Transformer 技术，自动化创作基于场景的本体论文、都市数据集和模拟技术手册，生成知识图谱，以促进都市决策支持系统的发展。

May, 2024

本文介绍了一个用于评估本体完成方法的基准，并对两种方法的优势和弱点进行了深入分析。我们发现这两种方法确实相辅相成，混合策略取得了最佳的整体效果。我们还发现，即使经过微调，本任务对大型语言模型来说仍然具有很高的挑战性。

Mar, 2024

本文介绍了一种通用的可转移自然语言交互系统，通过自动注释机制分离出自然语言查询中的数据库 schema 和数据，采用个性化序列模型将注释的查询翻译成 SQL 语句，实验证明该方法在 WikiSQL 数据集上的表现优于传统方法，并且可被应用于其他数据集而无需重新训练。

Sep, 2018