人类对世界的理解与我们的感知和认知密切相关，其中人类语言作为世界知识的重要承载者之一。本文通过 “知识” 这个视角来探索大型模型，并讨论符号知识如何增强大型语言模型以及大型语言模型如何扩展传统符号知识基础。考虑到人类知识的复杂性，我们倡导创建专门管理多样化知识结构的大型知识模型，并提出了五个 “A” 原则来区分 LKM 的概念。

Dec, 2023

大语言模型（LLMs）与知识表示学习（KRL）的整合标志着人工智能领域的重要进展，增强了捕捉和利用复杂知识结构的能力，这种协同作用利用了 LLMs 的高级语言和语境理解能力，提高了 KRL 的准确性、适应性和有效性，从而扩大了其应用和潜力。尽管越来越多的研究关注将 LLMs 嵌入知识表示领域，但对这些增强模型的基本组件和过程的全面回顾明显缺失。我们的调查通过对这些模型进行基于三种不同 Transformer 架构的分类，并分析来自各种 KRL 下游任务的实验数据，评估每种方法的优点和缺点。最后，我们确定并探索这个新兴但未充分开发的领域的潜在未来研究方向，提出了持续进展的路径。

Jul, 2024

使用大型语言模型（LLMs）进行知识工程任务（ISWC 2023 LM-KBC 挑战中），通过预训练的 LLMs 生成相关的字符串格式对象，并将其与相应的 Wikidata QIDs 进行关联，证明了 LLMs 在自动知识库（例如 Wikidata）完成和纠正方面具有潜在的贡献。

Sep, 2023

介绍了大型语言模型（LLMs）的计算成本问题以及知识模型编辑（KME）领域中的最新进展和分类技术，探讨了方法的洞见、优势、限制以及实际应用和挑战，并提出了未来研究方向。

Oct, 2023

大型语言模型在知识表示领域和全球范围内席卷而来，这标志着从显式知识表示转向对显式知识和参数化知识的混合表示的全新关注点。本位置论文将讨论在 LLMs（参数化知识）和知识图谱（显式知识）社区内的一些常见争议点，并推测这种新关注点带来的机遇和愿景，以及相关的研究主题和挑战。

Aug, 2023

通过使用基于 transformer 的生成神经网络架构的 ChatGPT 和其他大型语言模型（LLM）在自然语言处理和图像合成等领域的惊人成功，许多研究人员对过程系统工程（PSE）中的潜在机会感到兴奋。然而，尽管它们在某些任务中非常有用，如撰写文件的初稿、代码编写辅助、文本摘要等，但它们在高度科学领域的成功受限于缺乏深度领域知识而无法推理、规划或解释。在这篇论文中，我们讨论了在化学工程领域开发这种系统面临的挑战和机遇。

May, 2024

本研究调查了大型语言模型（LLMs）与知识图谱（KGs）之间的协同关系，旨在探讨 KG 问答、本体生成、KG 验证以及通过 LLMs 提高 KG 准确性和一致性等领域的研究空白。该论文还检验了 LLMs 在生成描述性文本和自然语言查询方面的作用，并通过分类 LLM-KG 交互、研究方法论和合作使用以及潜在偏见等结构化分析，提供了它们的结合潜力的新见解。该研究强调了它们的交互对于提升人工智能应用的重要性，并概述了未来的研究方向。

Jun, 2024

基于 Jennifer Nado 对分类程序作为概念工程的目标的定义，我们描述了一种使用大型语言模型实现此类程序的方法。然后，我们使用 Wikidata 知识图中的数据来评估两个典型概念工程项目的概念定义：国际天文学联合会对 “行星” 的重新定义和 Haslanger 对 “女性” 的改善分析。我们讨论了这项工作对概念工程理论和实践的意义。代码和数据可在 GitHub 上找到。

Dec, 2023

本文介绍了大型语言模型如何贡献于设计话语，并自动化其中创造性与推理的部分，例如模拟、实验、拓扑优化等过程，从而构建一套可操作的、以话语为中心的设计框架。

Jun, 2023

本文介绍了知识工程的原理和方法，使得开发跨领域和应用的语言能力智能体成为可能。我们以对话行为建模为例，描述了基于 OntoAgent 知识中心的认知架构的综合方法，并突出了过去方法的局限性，这些方法将对话与其他代理功能隔离开来。

Feb, 2022