背景: 现有的大语言模型（LLM）智能体要么依赖于固定的、手工制作的反射工作流，要么需要对LLM参数进行梯度更新，这两种方式都限制了其灵活性和适应性。前者僵化，后者计算成本高昂，不适用于在线持续学习。方案概述: 论文提出了一种名为Memento的新型学习范式，旨在实现自适应LLM智能体，且无需微调底层LLM。该方法通过基于记忆的在线强化学习实现低成本的持续适应。作者将此过程形式化为记忆增强马尔可夫

摘要 知识图谱冲突消解是知识融合中的关键挑战，传统方法在处理未见实体时往往因知识有限而受限。本文提出CRDL方法，创新性地采用“先检测后解决”范式：首先通过冲突检测区分1-to-1和non-1-to-1关系，然后结合知识图谱嵌入评分和大型语言模型推理能力进行冲突消解。实验表明，CRDL的召回率和F1分数分别提升了56.4%和68.2%，显著优于基线方法。该研究首次将冲突检测与LLM能力相结合，为解

本文探讨利用大型语言模型(LLMs)实现医疗本体自动映射，构建RDF知识图谱的创新方法。研究团队对GPT-4o、Claude 3.5等6个先进系统进行对比实验，提出融合BioBERT嵌入和ChromaDB向量检索的混合式语义映射引擎。实验结果表明，该方案在108个医疗术语数据集上表现优异，其中GPT-4o精确率达93.75%，F1分数达96.26%，显著优于传统方法。研究验证了LLMs在医疗知识图

摘要：本文提出LLM4VKG框架，利用大型语言模型自动化构建虚拟知识图谱(VKG)。针对传统方法依赖专家知识、难以处理命名模糊性等问题，该框架通过Retriever、Matcher、Namer三级模块实现数据库与本体元素的对齐，结合四种映射模式(SH/SR/SRm/SE)生成VKG规范。在RODI基准测试中，LLM4VKG平均F1分数比现有最优方法提升17%，最高提升39%，且对不完整本体具有鲁棒

摘要：本文提出LLM-Align框架，利用大语言模型（LLM）提升知识图谱实体对齐效果。针对传统嵌入方法语义理解不足和LLM直接处理全量三元组效率低的问题，该框架采用三阶段流程：先由基线模型生成候选对齐，再通过启发式选择关键属性和关系构建提示词，最后引入多轮投票机制提升推理稳定性。在DBP15K跨语言数据集上的实验表明，LLM-Align显著优于现有方法，最高提升Hits@1达3.2%，在ZH-E

本文提出了一种名为CRDL的创新方法，通过结合冲突检测和大语言模型（LLM）来提升知识图谱冲突解决的性能。该方法首先针对不同关系类型实施精准过滤策略，然后利用精心设计的Prompt工程，使LLM能够有效识别包含未见实体的三元组。实验结果显示，CRDL在召回率和F1分数上分别比现有方法提升了56.4%和68.2%。该研究为知识融合过程中的冲突解决提供了更鲁棒的解决方案，显著提高了知识图谱的数据质量。

本文提出了一种基于混合语言模型的无监督实体对齐方法HLMEA，通过创新的"过滤-选择"两阶段框架解决知识图谱融合中的关键问题。该方法首先利用小型语言模型(SLM)进行高效候选实体筛选，再通过大型语言模型(LLM)进行精确匹配决策，并设计了迭代自训练机制实现SLM和LLM的协同优化。实验表明，HLMEA在多个基准数据集上显著优于现有监督和无监督方法，为知识图谱对齐提供了新的有效解

本文探讨了使用大型语言模型（LLM）进行无监督实体解析（ER）的提示工程方法。研究比较了六种不同的提示策略在电商数据集上的表现，发现GPT-3.5在无监督ER任务中表现良好（F1>80%），但更复杂的提示方法未必优于简单方法。例如，单属性提示在成本降低37%的情况下性能与多属性方法相当。研究还发现，结构化JSON格式会降低性能，而相似度评分提示在不同数据集上表现不稳定。这些结果表明LLM为E

KAG框架通过深度融合知识图谱与传统RAG技术，提出专业领域知识服务解决方案。其核心创新包括LLM友好的知识表示方法、逻辑形式引导的混合推理引擎、基于语义推理的知识对齐机制，以及针对KAG的模型能力增强策略。在多跳问答任务中，KAG较SOTA方法取得显著提升（HotpotQA F1提升19.6%，2WikiMultiHopQA提升33.5%），并已成功应用于电子政务和电子健康领域。该框架将集成到开

ST-Raptor提出了一种基于大语言模型(LLM)的半结构化表格问答框架，通过创新的层次正交树(HO-Tree)表示法解决复杂表格布局处理难题。该框架将表格构建为元数据树和主体数据树，设计了流水线式问答机制，将复杂问题分解为原子操作步骤，并引入两阶段验证确保可靠性。实验在新构建的SSTQA数据集上进行，结果显示ST-Raptor比现有方法最高提升20%的准确率。该研究为金融、医疗等领域的半结构化