使用语言模型自动化构建可执行知识图谱以实现合规性，通过手动标记部分法规、训练 BERT 模型以及核心引用解析和语法分析，生成了一个存储在 Neo4j 数据库中的知识图谱，并展示了使用 Cypher 查询和图神经网络相结合的扩展性判决自动化系统的概念。

Feb, 2023

利用大型语言模型（LLM）以替代传统的自然语言处理技术，在较大规模上从隐私政策中高效准确地提取隐私做法，并实现出色的性能评估和降低成本。

May, 2024

研究探索了利用大型语言模型（LLMs）自动提取食品安全领域与要求相关的法律内容并检查法规工件的合规性。研究结果表明，LLMs 在提高法规合规性和监管分析效率方面具有显著的潜力，尤其通过减少手动工作量，提高准确性，并在合理的时间和财务限制下实现。

Apr, 2024

本研究利用自然语言推断（NLI）技术，采用预训练的嵌入和 BiLSTM 注意力机制，比较大公司的隐私政策与隐私法规，测试发现，在实际 NLI 任务中，基于 MNLI 数据集训练的模型更好。

Mar, 2022

通过利用大型语言模型（LLM）开展文本分析，本研究构建了 PolicyGPT 隐私政策文本分析框架，并在两个数据集上进行了测试，结果表明在零样本学习条件下，PolicyGPT 取得了强大的性能，并优于传统机器学习和神经网络模型。

Sep, 2023

使用大型语言模型，可以自动进行隐私政策文本中的高准确度 GKC-CI 参数注释，展示了对数据探索中 GKC-CI 注释的扩展效果。

Nov, 2023

这篇论文探讨了使用大型语言模型（LLMs）对知识图谱（KG）完成模型进行自动评估的方法。通过使用通用生成型人工智能和 LLMs，可以替代传统的基于人工标注的大规模验证方法，引入了一种基于开源结构和语义验证工具的框架，以及灵活的事实检查和验证方法，并支持参考任何外部知识源的功能。该设计易于适应和扩展，可以通过模型内开发的知识、用户提供的上下文以及能够获取外部知识的代理来验证任何类型的图形结构数据。

Apr, 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

本研究旨在开发一种创新的语义查询处理系统，允许用户获取澳大利亚国立大学计算机科学（CS）研究员们所产生的研究作品的全面信息。该系统将大型语言模型（LLMs）与澳大利亚国立大学 CS 领域的 ANU Scholarly Knowledge Graph（ASKG）相结合，ASKG 是存储 ANU 所有研究相关产物的结构化知识库。通过结合 Deep Document Model（DDM）进行全面文档表示和 KG-enhanced Query Processing（KGQP）进行优化复杂查询处理的知识图融合方法，以解决传统学术知识图建设和利用方法的局限性，该方法能够获取来自 ASKG 的相关事实和文本节点，并在实验中显示出优于基准方法的结果，具有提高查询准确性和效率的潜力，为开发与 LLMs 的精确可靠交互奠定基础，强化了知识利用与自然语言理解能力。这项工作展示了该框架在学术研究场景中的实际应用，凸显其革新学术知识管理与发现的潜力，使研究人员更有效地获取和利用文档中的知识。

May, 2024

利用开源 LMMs 进行（半）自动化构建知识图谱的可行性研究以及深度学习方法的知识图谱构建

Mar, 2024