【目的】本文旨在解决中华诗酒文化中“物象-意蕴”隐式语义关系难以形式化表示、冷启动条件下标注语料稀缺导致的语义识别性能受限，以及意蕴知识缺乏结构化表达与关系约束等关键技术问题。【方法】提出UOCIP模型，设计涵盖语料构建、物象抽取、意蕴识别、图谱构建4阶段流程，并引入对抗训练机制与AIGC数据增强策略，提升模型在低资源场景下的表现。【结果】实验结果表明，物象抽取模型的Macro-F1值从56.2%提升至58.6%；意蕴识别模型在多模态注意力机制支持下的Macro-F1值达到83.41%；构建的意蕴知识图谱覆盖5类术语类别，包括酒类物象、酒具、饮酒状态、人物称谓及文化意象，并具备一定的未登录术语识别能力。【局限】当前模型在处理非典型诗风文本及进行图谱边界语义控制方面仍存在挑战，泛化能力与边界规范性有待提升。【结论】本文在冷启动条件下初步实现了中华诗酒文化语义建模的有效方法路径，验证了UOCIP模型在传统文化智能处理中的可行性与推广价值，为后续相关研究提供了理论基础与方法参考。
【目的】针对语义理解不充分和跨模态对齐不精准问题，本文提出一种基于跨模态语义增强的联合多模态方面级情感分析方法，提升多模态方面-情感对抽取效果。【方法】引入文本方面-情感抽取和跨模态对齐融合两个子任务，协同实现语义增强。首先，利用大语言模型的文本理解能力，并结合提示工程引导其进行方面-情感对抽取，以提升文本语义理解；其次，通过深度嵌入聚类对文本和图像特征进行聚类，并利用聚类标签嵌入优化多头交叉注意力的计算，以增强跨模态对齐；最后，将融合特征输入条件随机场中进行序列标签预测，并在多任务学习框架下联合优化任务损失，以提升方法整体性能。【结果】本文方法在Twitter-15和Twitter-17数据集上的F1值分别高达69.4%和70.6%，证明了该方法在多模态方面-情感对抽取任务中的有效性。【局限】聚类中心个数的设定采用静态设定方式，可能导致聚类效果受参数选择的影响。此外，大语言模型生成的标注结果可能存在噪声和不稳定性。【结论】本文方法通过有效的语义增强在多模态方面-情感对抽取任务中获得良好的性能，验证了语义增强在联合多模态方面级情感分析中的有效性。
【目的】针对现有多模态大模型在识别有害模因时存在注意力偏移与推理误判的问题，提出一种融合情绪感知与注意力校准的多模态大模型优化方法。【方法】基于Plutchik情绪轮模型构建多情绪视角，通过多步推理机制注入文化背景和特征增强，借助模糊测试生成多样化解释路径，并引入多轮推理机制结构化精炼解释内容。同时，设计对齐网络校正因情绪放大导致的误判，结合小模型加权投票机制形成最终判断。【结果】在中文公开数据集ToxiCN-MM上，本文方法的精确率、召回率和F1值较基线模型GPT-4V分别提升1.9个百分点、7.3个百分点和4.7个百分点；在英文公开数据集FHM上进行跨语言验证，本文方法的准确率和AUC指标较基线模型Evolver提升3.0个百分点和5.0个百分点，在跨语言场景下具备较为稳定的泛化性能。【局限】本文方法主要基于现有公开数据集进行验证，在实际复杂场景中的表现仍需进一步测试，且模型优化依赖于情绪轮模型和文化背景的准确性，对于跨文化或新兴文化语境的适应性可能有限。【结论】本文方法有效提升了多模态大模型对有害模因的识别能力，为防范有害模因传播提供了新的技术手段，也为多模态模型的情绪感知和注意力校准研究提供了参考。
【目的】针对传统自注意力机制忽视序列动态特征、位置信息与语义割裂、上下文感知能力不足等问题，提出嵌入时间序列混合的自注意力机制（Time Series Mixing Attention， TSMA）。【方法】首先，通过时间位移填充策略扩展序列时间维度；其次，结合序列切片与重组操作融合相邻时间步信息；最后，设计全连接层嵌入时间信息，实现序列局部时序特征与全局依赖关系的联合建模。【结果】在CoNLL-2003数据集上，TSMA-RoBERTa的微平均F1值较BERT-Base和SciBERT-Base分别提升3和9个百分点；在SNLI数据集上，TSMA-BERT的Neutral、Contradiction和Entailment推理F1值分别提升9、5和1个百分点；在SST-2数据集上，TSMA-RoBERTa的加权平均F1值较基准模型提升2个百分点。【局限】TSMA机制仅在英文数据集上进行了验证。【结论】TSMA机制在序列时间轴上直接嵌入动态依赖关系，能够有效提升自注意力机制在长序列和稀疏数据处理中的性能。
【目的】针对多模态情感分析中时序特征利用不足与模态信息不一致的问题，提出多尺度时序感知与自适应权重融合的方法。【方法】本文构建了多模态情感分析模型MSA-MTAAWF。该模型首先设计多尺度时序感知模块以充分捕获多层次的时序信息；在此基础上，提出自适应权重融合架构，内部集成全交叉注意力机制、模态重要性学习与特征门控，最终通过加权融合实现精准的情感分析。【结果】在两个基准数据集上的实验表明，本文模型性能显著优于基线模型。相较于最佳基线模型，其二分类准确率与F1值在CMU-MOSI数据集上分别提升了2.15和2.26个百分点，在CH-SIMS数据集上分别提升了3.14和2.67个百分点。【局限】模型在极端噪声干扰下的鲁棒性以及模态严重缺失时的推理能力不足。【结论】本文实现了时序与跨模态信息的深度融合，依托自适应权重机制显著提升情感分析的性能，在多模态人机交互领域具备重要的应用价值。
【目的】从知识元细粒度层面探索AI跨领域知识组合特征，融合多维特征提升组合预测效果。【方法】提出一种基于图卷积网络（GCN）的跨视图对比学习模型GCN_Contrast，通过图对比学习和基于注意力机制的特征融合方法有效结合多维特征，进而预测潜在的跨领域知识组合。【结果】以医学信息学领域为例，通过对比实验发现GCN_Contrast模型效果提升明显，比GCN模型在Precision@500、Precision@100以及Precision@50指标上分别提升了8.4、16.0和20.0个百分点，AUC值提升0.029。【局限】知识元的特征选择较有限，未从引文网络角度挖掘知识元之间的关系。【结论】GCN_Contrast模型能有效识别AI跨领域的潜在知识组合，为促进AI与科学研究深度融合、提升跨学科知识创新效率提供新的决策依据。
【目的】针对社交媒体中隐晦仇恨言论语义复杂性高、人工标注成本高且传统检测方法可解释性不足的局限，提出一种基于大语言模型自学习推理增强的仇恨言论检测方法STR4HSD。【方法】首先，基于Qwen-Max模型构建“生成-验证-反思-过滤”的自学习推理增强模块，生成包含推理路径的高质量思维链数据集；其次，微调Qwen2.5-7B-Instruct模型，提升其在中文语境下的仇恨言论识别准确性；最终，融入毒性词典引导的领域先验知识，提升模型对隐晦仇恨言论的语义理解能力。【结果】在中文隐晦仇恨言论识别数据集ToxiCN和具有伪装扰动的隐晦仇恨言论数据集ToxiCloakCN上，本文方法的F1值分别为84.2%和84.7%，相比表现最好的基线模型分别提高2.2和4.6个百分点。【局限】本文方法主要针对单语种文本场景，尚未解决多模态信息融合与跨语言迁移中的语义对齐问题。【结论】STR4HSD在降低标注成本的同时，实现了对隐晦仇恨言论的高精度检测与可解释分析，为社交平台内容治理提供了新的技术路径。
【目的】针对现有多模态虚假信息检测研究在前景特征、背景特征和外部特征的自适应调整机制等方面的不足，本研究提出基于对比驱动特征增强的多模态虚假信息检测模型。【方法】采用语义信息解耦模块分离新闻图片的前景主体表征与背景上下文信息，用于指导多维特征融合；使用熵权法结合新闻评论中的人群反馈特征，实现外部特征权重的自适应调整机制。【结果】与现有最佳基线模型相比，本文模型在Weibo-24自建数据集和Weibo公开数据集上的精确度分别提升了1.21和1.58个百分点，具有一定优越性。【局限】对比驱动特征融合使得模型的复杂度与硬件要求显著上升；性能表现依赖人群反馈特征的质量；未考虑视频、语音等其他模态信息。【结论】图像的前景、背景特征结合人群反馈特征对虚假信息识别效果显著。
【目的】针对社交网络中网络谣言的广泛传播问题，基于建立的考虑社区结构的社交网络谣言传播模型，提出基于最大影响树的谣言链接阻断算法，遏制谣言扩散。【方法】将社交网络中的节点划分为多个社区，建立一个考虑社区结构的社交网络谣言传播模型（IC Model Considering Community Structure， CSIC）。通过引入最大影响树，并调整节点影响阈值，提出全局路径分离（PSG）、全局路径合并（PMG）及社区路径合并（PMC）三种谣言链接阻断算法。最后，实验验证了算法在不同规模社交网络中的阻断效果。【结果】PSG和PMG算法的运行时间随节点区域影响阈值的增大而减少，但算法的有效性略有下降。在大规模网络中，PMG算法的阻断效果优于PSG算法；从种子节点出发的效果优于非种子节点；针对具有明显属性特征的谣言，PMC算法能快速识别并有效阻断相关社区。【局限】由于谣言属性信息获取困难，需要进一步探索如何更好地衡量社区成员对特定谣言的兴趣与传播倾向，以提升阻断算法性能。【结论】本文提出的考虑社区结构的谣言链接阻断算法，能够有效抑制社交网络中的谣言传播，为社交网络谣言治理提供了新思路。
【目的】为解决传统失真信息识别方法在语义理解、数据覆盖与知识更新方面的局限以及大语言模型幻觉问题，提出一种可信任、可理解的突发事件失真信息识别框架（TLXM）。【方法】一方面，基于样本嵌入与链式思考提示策略设计两阶段大模型以限制幻觉发生；另一方面，通过动态集成规则将两阶段大模型与XLNet-BiLSTM混合模型进行结合。【结果】TLXM框架在突发事件失真信息数据集中的识别准确率达到85.02%，领先于框架各单元消融组合的识别结果，且在典型案例数据集中整体准确率达到94.37%。【局限】未尝试本地部署微调大模型的形式构建失真信息识别框架。【结论】TLXM框架能确保识别结果与生成解释的一致性和理解性，可有效迁移至不同类型的突发事件失真信息识别任务。
【目的】整合多源异构信息，解决单一数据源的局限性，提升我国新能源股指预测精度。【方法】构建融合大语言模型与深度注意力机制的DC-LSTM-Attention-LLM预测框架。利用ChatGPT与结构化零样本提示量化非结构化文本中的投资者情绪；设计并行LSTM对不同来源的时序信息进行差异化特征学习；引入多头注意力机制捕捉异构信息间的交互依赖；通过共享融合层与ReLU激活函数实现新能源股指预测。【结果】融入我国相关市场、美国新能源市场及相关市场、中美社交媒体文本信息的实证分析表明，DC-LSTM-Attention-LLM在三项评价指标上均优于9个基线模型。其中，相较于标准LSTM模型，DC-LSTM-Attention-LLM在中证新能源指数和上证新能源指数上的RMSE分别降低14.301和27.349。【局限】零样本提示在复杂金融语义中的情绪识别精度有限。【结论】在统一框架下深度融合多源异构信息，可有效捕捉新能源股票市场的复杂波动特征，显著提升我国新能源股指的单步、多步及极端市场条件下的预测精度，为新能源金融市场的多源融合预测提供了可扩展的深度学习方案。
【目的】针对学习路径中非相邻概念先决关系预测问题，提出一种新的先决关系发现方法LongCPR，能够同时准确预测学习路径中短距离与长距离概念对之间的先决关系。【方法】LongCPR将维基百科词条标题视为概念，以概念为节点构建领域的概念引用图和概念导航图，分别通过图的邻接矩阵和正点互信息矩阵提取概念的短距离和长距离特征，最终实现概念先决关系（特别是长距离先决关系）的准确预测。【结果】LongCPR在多个公开数据集上表现均优于基线模型，其中，在MOOC数据集中的ROC曲线下面积达到0.921 8，与现有方法相比提高0.020 4。【局限】LongCPR主要依赖维基百科知识库的内容，对于维基百科中不存在的概念，其先决关系的预测会受到影响。【结论】LongCPR 方法突破了现有技术在长距离概念先决关系预测上的瓶颈，为领域知识结构梳理与学习路径优化提供技术支撑，对推动个性化智能教育系统的发展具有重要意义。
【目的】针对现有论文推荐方法在用户兴趣刻画不足、论文语义理解不充分以及用户-论文交互关系建模能力有限等问题，提出大语言模型增强用户意图的学术论文推荐方法。【方法】首先，基于ChatGLM4推理用户潜在研究兴趣；其次，对用户和论文进行语义表征并挖掘深层语义信息；再次，设计基于图神经网络的信息聚合方法，以深层语义表示作为节点初始化特征，通过两层图传播聚合用户与论文的邻域信息，实现用户与论文的联合建模；最后，改进神经协同过滤模型确定最优特征组合方案。【结果】构建并公开了一个涵盖6个学科领域、包含26 036篇论文的学术论文数据集。在该数据集上的实验结果表明，本文方法在精确率、召回率、F1值、命中率@5及归一化折损累计增益@5等指标上均优于次优模型，分别提升5.48、4.26、4.86、1.74和5.19个百分点，验证了所提方法在学术论文推荐任务中的有效性。【局限】仍受提示模板设计敏感性、数据来源覆盖有限以及对论文全文语义与引文网络等外部结构信息挖掘不足的制约。【结论】本文引入大语言模型增强用户兴趣建模，并改进神经协同过滤框架，从而提升推荐效果。未来研究可进一步优化提示策略，融合全文语义及作者关系、时间演化与引文网络等多维学术信息，增强模型的语义与结构建模能力。
