这篇论文研究了将现有的大型语言模型的能力应用于以提示为驱动的知识捕捉，重点关注知识图谱，并探索了零样点提示、少样点提示和微调三种方法，并通过专用合成数据集评估了它们的性能。

Feb, 2024

我们介绍了知识导航本体（知识世界导航本体），这是第一个旨在捕捉日常知识以增强大型语言模型（LLM）在个人 AI 助手等实际生成 AI 应用场景中使用的本体。我们的领域是人类生活，包括日常关注和重要里程碑。我们仅模拟既定的人类普遍性概念：时空（地点、事件）和社交（人员、群体、组织）。模拟概念的包含标准是实用主义的，从普遍性和实用性开始。我们比较并对比了先前的工作，比如 Schema.org 和 Cyc，以及知识图谱和语言模型的综合尝试，指出 LLM 已经在内部编码了花费数十年时间才在 Cyc 项目中捕捉到的常识性知识。我们还提供了用于 12 种最流行编程语言的由代码生成的软件库，以便在软件工程中直接使用本体概念。我们强调简单性和开发者体验，以促进人工智能的互操作性。

May, 2024

该研究采用零样本和少样本提示以及多个开放式大型语言模型应用于本体匹配评估任务，通过少量示例和良好设计的提示，实现与使用更大比例的真实数据的监督匹配系统相媲美的结果。

Nov, 2023

提出了一种通过直接在 LLM 的输入中添加知识以增强其内部存储的知识的方法，称为 KAPING，通过在知识图上检索相关事实来改善零 - shot 闭书问答任务性能，经验证跨多个大小不同的 LLM，基于事实的知识增强方法相对于相关零 - shot 基线的平均表现提高达 48%。

Jun, 2023

本研究提出了知识提示范式和基于知识提示的 Pre-trained 语言模型 KP-PLM 框架，该框架通过多种连续提示规则将知识子图转化为自然语言提示，并在这些提示的基础上提出了两个新的知识感知无监督任务，实验证明了 KP-PLM 在多个自然语言理解任务中的优越性。

Oct, 2022

本文提出了一种名为 ProP 的方法，它利用 GPT-3 这个大型语言模型进行知识库构建任务，结合多种提示技巧，结果表明手动提示的重要性、变长回答集的有效用处以及实体别名字典的效用等，从而获得了较高的预测质量。

Aug, 2022

本文提出了一种利用本体驱动的结构化提示系统与 ChatGPT 的方法，通过建立信息和功能模型的形式，实现本体驱动提示与 ChatGPT 的元学习能力的方法基础，以提高聊天机器人系统的效果和性能， 并将该技术应用于康复领域的乌克兰语，我们可以看出该方法不仅适用于 ChatGPT，还适用于其他基于 LLM 的聊天机器人系统， 为自然语言处理和对话系统带来了新的可能性。

Jul, 2023

本文提出使用软提示的方法将世界知识应用到大型自然语言模型中，通过自监督学习在知识库数据上训练软提示，得到的软知识提示可以被用于提高语言模型在不同知识密集型任务中的性能。

Oct, 2022

通过对四个不同大小的大型语言模型以及不同提示技术的比较和基准实验分析，我们发现对于从语义三元组生成自然语言文本，少量示范、后处理和高效微调技术可以显著提高大型语言模型的能力，尤其对于表现出低零样本性能的较小模型。

Feb, 2024

本文提出使用基于挖掘和释义的自动化方法来生成高质量且多样化的提示语，并使用模型集成的方法来改进语言模型（LM）中的关系知识的查询。通过 LAMA 基准测试表明，该方法将 LM 的准确性从 31.1% 提升至 39.6%，为 LM 的知识提供了更严格的下限估计。

Nov, 2019