【目的】比较不同大语言模型推理方法在突发公共卫生事件政策智能问答中的效果差异。【方法】以DeepSeek-R1为例，分别实现了检索增强生成、知识图谱协同、微调、联网搜索及不使用外部数据的推理，并以人工标注的问答为基准，对所有推理方法的优劣进行比较；其中，不使用外部数据的推理对照了Qwen-QwQ和GPT-4o模型的表现。【结果】自动评估中，基于检索增强生成、知识图谱协同和微调的组合方案在BLEU-4和ROUGE-L指标上分别达到0.259和0.494，优于其他方法；联网搜索次之（BLEU-4为0.225，ROUGE-L为0.465）。人工评估中，组合方案的内容准确性得分最高（3.560）；不使用外部数据的大参数模型在语句流畅性、答案完整性、答案可用性和答案信任度维度表现更优。【局限】实验数据来自网络公开政策文本，未涵盖实际封闭场景中的本地数据，也不包括多媒体格式，无法验证多模态场景下的推理效果。【结论】在本地数据支持下，不同推理方法在政策智能问答领域可显著降低幻觉、提高准确性，尤其在突发公共卫生事件等垂直领域具有较好适用性。以外部数据为支持能提高模型生成内容的准确性，不使用外部数据推理的生成内容更加完整和可信。
【目的】针对医疗数据碎片化、知识关联弱及传统知识库泛化不足的问题，提出一种用于知识整合与决策支持的医疗领域认知推理模型。【方法】该模型采用联合抽取模型构建多层次知识网络；设计融合蒙特卡洛树搜索与对抗学习的向量知识库生成框架，通过路径优化捕捉复杂实体关联。【结果】命名实体识别任务中BART模型的F1值达0.997，对抗学习过程中推理准确率从0.673提升至0.992，验证了模型的推理增强能力。【局限】实验验证主要基于皮肤病数据，且训练数据以中文医疗文本为主，对多语言医疗数据及极少数最新医学术语的适应性有待提升。【结论】本研究解决了传统知识库关联弱、泛化能力不足的问题，为临床诊疗提供了精准的知识支持。
【目的】针对中医药知识图谱存在结构稀疏、语义信息利用不足等问题，将中医古籍文本作为实体描述信息引入表示学习模型，以提升知识图谱推理性能。【方法】以《伤寒论》398条条文为语料，通过人工标注与自动抽取相结合的方式构建经方知识图谱，并将《伤寒论》及《金匮要略》中与实体相关的条文作为实体描述语料输入预训练语言模型。在TransE、DistMult、ComplEx、SimplE等基线模型上分别融合静态BERT表示（BERT-Static）和端到端微调BERT表示（BERT-Dynamic）进行知识图谱推理实验。【结果】在经方知识图谱上，融合古籍信息后的推理模型在MRR、Hits@1、Hits@3、Hits@10等指标上的性能均明显优于对应的基线模型。从绝对数值看，MRR由0.062~0.089提升至0.257~0.270，Hits@10由0.148~0.181提升至0.513~0.547。文本长度消融实验表明：当BERT输入长度由16增加至96个中文字符时，模型性能持续提升；但超过96个中文字符后性能提升不再显著，而训练时间近似线性增长。【局限】本研究实验数据主要来源于《伤寒论》及《金匮要略》相关条文，知识图谱规模相对有限；方法上仅考虑实体描述信息与结构三元组的联合表示，未纳入关系路径与规则推理等结构增强信息。【结论】将中医古籍文本作为实体描述信息并与预训练语言模型结合，能够有效增强中医药知识表示能力，显著提升中医药知识图谱推理性能。
【目的】解决医学影像报告中临床描述和医学影像中病灶对象之间的语义对齐问题，从而提高二者之间的对应关联性。【方法】提出一种基于解剖信息增强的医学视觉定位方法（AEMVG），通过解剖先验知识指导模块（APKG）和正常特征增强病灶定位模块（NELG）来提高医学视觉定位能力。APKG为训练样本生成引导标签，使模型能够更准确地理解解剖结构信息，从而在全局范围内缩小定位搜索空间，降低全局定位不确定性。NELG将正常解剖特征作为负样本以提升模型识别病灶的能力，缓解局部定位不确定性。【结果】MS-CXR数据集上的实验显示，AEMVG方法的准确率和均交并比分别为0.724 6和0.607 9，相对于最优基线模型分别提高2.60个百分点与1.88个百分点，且可视化分析显示其解剖定位与病灶识别更符合临床诊断逻辑。【局限】仅在X射线影像上验证了本文方法，对于CT、MRI等类型的医学影像还有待测试。【结论】AEMVG可有效增强医学视觉定位模型在解剖认知和病灶区分方面的能力，提高临床描述与病灶对象之间的关联性能。
【目的】为解决非结构化文本中联合用药信息的抽取挖掘与形式化表示，提出一种融合深度学习与大语言模型的联合用药知识发现与自动评估方法。【方法】基于文献知识发现理论构建多层级联合用药知识发现框架，融合并优化深度学习模型以完成药物和疾病实体识别、药物-疾病治疗关系和药物-药物组合应用关系提取，结合目标信息特征自动挖掘大规模文本数据中的联合用药知识，并利用定制化设计的“角色+内容”少样本提示词引导大语言模型完成前述结果的评估验证；多层级策略不仅有助于提高联合用药知识发现结果的准确性和可靠性，而且减少了人工参与。【结果】基于大规模PubMed文献库自建评测数据集，所提的联合用药知识发现方法获得94.29%的准确率，经过GPT-4.1大语言模型自动评估后的结果与人工标注一致率达到95.71%。【局限】仅收集公开发表的科技文献开展定量分析，缺少电子病历、药物不良反应报告等多类型数据的实证分析。【结论】融合深度学习与大语言模型的多层级架构，能够高效识别生物医学文献中的联合用药知识，满足下游任务对于大规模、结构化数据的高精需求，为精准医学中药物组合决策等应用提供了技术路径。
【目的】为解决面向话题的讽刺识别中存在的实体重叠和关系复杂问题，提出一种融合外部知识感知注意力的提示学习模型，提升面向话题的讽刺识别准确率。【方法】首先，根据话题和评论文本总结出一个面向话题的提示学习模板；其次，识别话题和评论文本中的实体并将其与知识图谱中的实体对齐，实体及其上下文被用作外部知识以提供补充信息；然后，设计外部知识感知注意力衡量知识的重要性；最后，通过Veralizer模块指定映射词并对掩码进行预测。【结果】在公开的ToSarcasm数据集上的实验表明，本文模型优于对比的先进模型，准确率达到72.25%，F1值达到77.16%。【局限】未采用可学习的软提示方式构建提示模板，提示设计及映射词的选取仍有进一步优化的空间；仅使用ToSarcasm数据集进行训练，模型的泛化能力有待提高。【结论】外部知识的引入能够有效解决实体重叠问题，提示学习能够有效解决关系复杂问题，本文模型能够有效提升面向话题的讽刺识别的准确率。
【目的】探索研究空缺句的“句法形式-修辞功能”映射关系，融合多层次语言学特征，扩展学术文本句子级知识抽取新思路。【方法】依据有效性、冗余性和互补性集成句法复杂度指标体系，采用方差分析与线性回归刻画不同类型研究空缺句的句法复杂度差异。微调科学语言模型提取文本语义特征，通过门控机制自适应融合句法与语义信息进行研究空缺句自动分类，引入动态加权交叉熵与Dice Loss的混合损失函数，提升模型对少数类样本的识别能力。【结果】在句法复杂度概念的不同表征维度下研究空缺句类间差异显著。本文所提基于门控机制的句法与语义融合分类模型在F1值指标上相较于先进基线方法至少提升1.44个百分点；消融实验结果表明该模型中关键组件的必要性和合理性。【局限】仅挖掘人工智能领域代表性会议论文的研究空缺句，尚未突破学科限制；未探讨研究空缺类型与创新性或影响力测度指标的关联。【结论】本研究提出的门控融合模型能够在低资源环境下准确分类学术文本的细粒度修辞功能，有益于补充不同层次语言学特征的差异内容，兼顾稳定性、鲁棒性与可扩展性。
【目的】为更好地把握科学发展脉络，提出一种通用的论文研究阶段自动分类方法，以精准划分研究阶段，揭示学科演进趋势，助力科研规划、资源优化及成果高效转化。【方法】构建多学科适用的研究阶段分类框架，通过标注数据对大语言模型进行监督微调，结合深度语义分析与提示工程技术，实现研究阶段的自动分类，并以科学结构图谱验证其效果。【结果】本文方法在研究阶段分类任务中F1值达85.45%，准确率达85.50%，显著优于多项逻辑回归模型，且在科学结构图谱中呈现出更清晰的阶段特征。【局限】受计算资源限制，未能开展多模型对比实验。【结论】基于监督微调的大语言模型在研究阶段分类中展现出较好的准确性与鲁棒性，优化提示设计可进一步提升性能，为加速科技成果转化与学科发展提供有力支持。
【目的】为促进博物馆文物及历史文化知识的传播与传承，提出一种结合知识图谱与检索增强生成的文化史料知识问答系统构建方法。【方法】首先针对文化史料语料库文本包含大量生僻字和文言文的特点，研发生僻字词典和文言文对照辞典，构建文言文翻译工具，减少大语言模型处理历史文献时的错误信息生成；其次提出一种基于提示学习融合文本矢量化相似性检索和知识图谱检索的方法，设计不同任务的提示模板，实现高效的知识推理和用户交互；最后，以秦文化史料为例，构建了秦文化知识问答系统（ChatQDC）。【结果】实验结果表明，ChatQDC在问题回答平均准确率上较GPT-4、ChatGLM3-6B和DeepSeek-R1-8B分别提升约8、20和31个百分点。【局限】当前系统仅适用于文本型史料知识，对图片、表格等格式的历史资料处理能力有待完善。【结论】相比于传统的专业数据微调方法，该系统的大语言模型无须重新训练即可部署，实现了低成本、低功耗的垂直领域应用。
【目的】简化科技文献摘要撰写流程，生成结构化的图谱式摘要以辅助科研。【方法】选取PMC数据库的水稻育种相关论文，构建4 276条“全文-摘要”问答对；通过实验遴选最优的提示词和温度系数，对Qwen2.5-7B-Instruct大模型进行有监督微调；将微调后的模型接入GraphRAG框架，生成每篇论文的图谱式摘要，并利用优选提示词通过全局查询生成文本摘要。【结果】在水稻育种测试集中，本文方法在ROUGE-1、ROUGE-2和ROUGE-L的F1值上较LightRAG基线模型分别提升44.16、61.36和54.87个百分点；在5分制人工评测得分平均提升1.78分，生成的图谱式摘要更能直观地揭示知识点间的逻辑关联。【局限】受限于算力资源，本研究选取的大模型参数量较小，模型生成能力仍有提升空间；此外，GraphRAG索引构建耗时较长，在实际应用中需进一步优化推理效率。【结论】知识图谱增强的检索生成技术能够深入捕捉论文中的远距离隐藏信息，生成更加全面且准确的论文摘要和层次清晰的图谱式摘要，便于提高科研人员的阅读效率，助力科研工作。
【目的】针对不确定环境下社交媒体用户观点转移模式不明确的问题，通过细粒度观点挖掘刻画用户观点转移规律。【方法】以持续参与疫苗话题讨论的推特用户为实验对象，基于预训练语言模型和神经网络模型构建用户立场检测模型，将用户观点转移路径划分为6种类型。基于不确定减少理论，构建不确定环境下用户观点立场转移预测的特征体系。基于XGBoost模型构建观点立场转移预测模型，采用SHAP方法分析特征重要性。【结果】46.76%的用户并未改变其观点立场，而且观点扭转型用户占比较少。基于XGBoost构建的用户观点转移预测模型F1值达到0.820 9，交互用户立场相似度的特征重要性最高。此外，不同观点转移路径上特征的重要性排序有所不同。【局限】用户观点立场转移可能受到重大外生事件等多重因素影响，对此未作进一步探究。【结论】结合预训练语言模型和神经网络模型能更好地检测用户立场，揭示不确定环境影响用户观点转移的因素，有助于社交媒体用户观点在线监测。
【目的】针对当前技术融合二元关系预测方法的低维表征局限，本研究从异质交互视角设计多元技术融合创新机会发现方法。【方法】构建以知识、专利和企业为节点的企业技术融合创新异质超图网络，设计双模-异质超图注意力神经网络模型（DM-HHGAT），使用超图模式层和异质模式层映射该网络结构信息，融合注意力机制学习多维特征表示，实现多元技术融合创新机会发现。【结果】以人工智能领域22万多条授权专利数据进行实证研究，结果表明该方法的准确率达到94.96%，召回率和F1值分别为97.67%和95.08%。实验对比表明本文模型优于相关基线模型。【局限】仅使用人工智能领域的上市公司数据，在多源数据情境下的泛化能力仍有待进一步检验。【结论】双模-异质超图注意力神经网络模型能高质量地刻画多元技术融合创新的高阶异质交互信息，更精准、细粒度地发现技术融合创新机会。
【目的】为支持潜在应用场景的技术机会识别，提出一种基于专利数据的技术潜在应用场景预测方法，实现技术应用潜力的量化评估。【方法】构建由BERTopic技术主题提取、专利知识图谱构建及知识图谱增强推荐算法KGAT组成的预测框架。首先，采用BERTopic对专利文本进行技术主题提取；其次，基于专利、专利权人、国际专利分类号、德温特手工代码及引用信息构建知识图谱；最后，利用KGAT模型学习技术与应用场景的高阶语义特征，并计算匹配度，获取技术潜在应用场景。【结果】在信息通信技术领域实证研究中，KGAT模型在NDCG@5指标上达0.440 7，相较对比模型最大提升达到0.086 4。【局限】研究仅基于静态专利数据，未考虑技术应用的时序动态。【结论】BERTopic与知识图谱增强推荐算法能有效预测技术应用潜力，为技术的跨领域应用迁移提供了可量化的方法。
