现在，企业正在追求链接开放数据（LOD）以提高其附加值，但它们忽视了其 SPARQL 查询日志。如果经过良好的整理，这些日志可以成为决策者的资产。然而，简单和直接地使用这些日志是很冒险的，因为它们的出处和质量都是非常可疑的。为了以可信赖的方式使用这些日志，用户需要深入了解整个 LOD 环境，并提供工具来整理这些日志。在本文中，我们提出了一个交互式和直观的基于信任的工具，在利用这些日志之前可以用来整理这些 LOD 日志。这个工具旨在支持我们在我们之前的工作 Lanasri 等人 [2020] 中提出的方法。

May, 2024

本文尝试借助异构链接数据和语义 Web 技术，提出了一种新的方案来丰富 Wikidata 知识库，并使用 DBpedia 和 Getty 图像库作为实现案例，结果表明该方法可为 Wikidata 注入数百万条高质量的数据。

Jul, 2022

提出了一种基于 Trie 数据结构和机器学习的日志异常检测框架 SeaLog，实验结果表明 SeaLog 相比基线方法实现更高的准确性和效率，并且可以借助 ChatGPT 等大型语言模型进行异常日志数据的快速反馈和验证。

Jun, 2023

本文提出了一种利用数据库 SQL 查询日志信息来提高现有自然语言接口到数据库的性能的方法，并通过实验评估证明了该方法的有效性，最终准确度提高了 138%。

Jan, 2019

使用拓扑数据分析和谱嵌入方法进行 Windows 日志中的异常检测，这种方法可以比标准的事件计数嵌入方法更好地分类异常日志，并在可能成为异常检测可解释框架的方法方面讨论了其潜在应用。

Apr, 2022

提出了一种名为 Logic Diffusion（LoD）的插件模块，采用关系扩散和随机游走子逻辑采样的方式，辅以梯度自适应训练机制和新型损失函数，在训练或测试集中面对嘈杂数据时能够实现强大的逻辑扩散，与现有知识图谱推理模型相比，LoD 可以提高推理的鲁棒性。

Jun, 2023

本研究提出了一种基于深度学习模型的日志分析方法，旨在提高系统和网络安全韧性，能够学习和改进自身，识别异常日志条目并忽略错误报警。

Mar, 2022

LADER 是一种简单的插件模块，可将稠密检索器与类似训练查询的点击日志相结合，从而实现生物医学文献检索的最新技术表现。

Apr, 2023

开放领域问答（ODQA）作为信息系统中的关键研究领域已经崛起。现有方法采用两种主要范式来收集证据：（1）“先检索然后阅读” 范式从外部语料库中检索相关文档；（2）“先生成然后阅读” 范式使用大型语言模型（LLMs）生成相关文档。然而，两者都无法完全满足证据的多方面需求。因此，本文提出了 LLMQA，一种通用框架，将 ODQA 过程分为三个基本步骤：查询扩展、文档选择和答案生成，结合了基于检索和基于生成的证据的优势。由于 LLMs 展示了在各种任务中表现出的出色能力，我们在框架中指导 LLMs 担任多个角色，作为生成器、重新排序器和评估器，集成它们在 ODQA 过程中的协作。此外，我们引入了一种新颖的提示优化算法，以改进角色扮演提示，引导 LLMs 生成更高质量的证据和答案。在广泛使用的基准测试（NQ、WebQ 和 TriviaQA）上进行的大量实验结果表明，LLMQA 在答案准确性和证据质量方面达到了最佳表现，展示了其推进 ODQA 研究和应用的潜力。

Mar, 2024

本篇研究分析了六个公开可用的日志数据集，关注异常的表现形式和简单的检测技术，结果显示大多数异常与顺序表现无直接联系，不需要先进的检测技术即可实现对这些数据集的高检测率。

Sep, 2023