【目的】针对现有研究在应对美国出口管制时存在的靶向性、关联精度与研判维度不足等问题，探索一种面向美国出口管制的中美关键核心技术竞争态势研判方法。【方法】整合战略技术清单、出口管制清单及专利等多源数据，运用大模型完成“战略技术-管制物项-专利”的自动化关联，并设计基于“竞争位势差距-自主可控基础-技术追赶潜力”（T-GCP）三维研判模型的指标体系研判关键核心技术的中美竞争态势。【结果】以中美两国量子技术领域为例开展实证，实现了该领域量子计算、通信、传感三大方向下13项ECCN物项与专利数据的精准关联，并依托技术竞争风险矩阵完成态势研判与风险分区。【局限】研判指标体系尚待进一步拓展与丰富，对潜在管制领域的预见性分析仍显不足。【结论】本文方法能够系统研判关键核心技术领域的中美竞争态势与技术风险层级，为应对技术管制与制定突破策略提供了可借鉴的决策参考工具。
【目的】针对AI for Science范式下科技文献数据存在的数据孤岛、知识关联薄弱以及高质量推理数据供给不足等问题，提出一套面向AI4S的科技文献数据集构建框架。【方法】系统分析AI4S对科技文献数据的核心需求，提出4个层级的数据分级规范：L1原始文献数据、L2多模态解构数据、L3合成推理数据与L4任务应用数据；设计一套覆盖数据合规汇集、智能标注、合成推理与评估应用的全链条数据集构建流程；引入大语言模型与“人在回路”机制，提升数据集构建效率与数据质量；以有机太阳能电池领域为例，开展实证研究。【结果】构建了一套面向AI4S的有机太阳能电池（Organic Solar Cells， OSC）领域科技文献数据集，包含原始文献2 711篇、多模态解构数据31 428条、合成推理数据5 343条，共计39 482个数据对象。该数据集在结构完整性、语义丰富性与AI4S任务适配性方面优于传统文献数据集，并可拓展至其他领域的应用场景。【局限】复杂公式与多维图表的跨模态语义关联能力尚存不足；合成数据质量和构建效率仍有提升空间；细粒度数据溯源的可行性与有效性有待验证。【结论】所提框架可有效提升科技文献数据治理的结构化、智能化水平，增强科技文献数据对AI4S的支撑能力。
【目的】刻画前沿技术领域的创新活动在国际竞争背景下展现出的异常波动差异，为识别技术体系中的脆弱环节提供参考。【方法】基于专利申请量长时序数据，采用多模型时序建模与异常检测量化技术领域的异常表现，并利用EScore评估其前沿性，通过交叉分析构建前沿技术领域的异常画像。【结果】整体上，中国技术体系呈现“整体稳态、局部剧烈波动”的格局，多数异常为负向且突变，通常滞后2~3年。前沿性与异常程度总体呈负相关，前沿技术领域更易出现负向波动，但物联网技术、计算化学等技术领域展现出较高的“韧性”。【局限】创新活动仅以申请量衡量，且前沿性评价依赖单指标，未来可引入更多指标。【结论】基于前沿性与异常程度双维度构建前沿技术领域的异常画像，能够有效揭示国际竞争背景下技术创新的脆弱环节与潜在突破方向。
【目的】针对认知战场景下认知主体类型多样、交互行为复杂且难以精准复现的问题，引入大语言模型技术，构建基于真实数据的多认知主体智能体交互仿真模型。【方法】基于阿赫利医院爆炸事件数据构建了交互仿真模型，首先采用深度学习方法提取9类典型认知主体的属性分布与行为概率特征，其次借助大语言模型生成10 000个具有个体异质性的智能体实例，最后将其集成至NetLogo平台开展交互行为仿真，并从属性分布一致性、行为模式差异性维度校验模型的有效性。【结果】该模型准确刻画了各阶层认知主体影响力差异，仿真中涌现出符合正态分布的差异化交互，有效克服传统仿真规则僵化、样本代表性不足的缺陷。【局限】模型当前侧重行为概率的拟合复现，尚未实现仿真中基于实时语义交互的动态认知演化，对深层次语义对抗效果的评估能力不足。【结论】本研究构建的交互仿真模型可有效复现信息接收后的行为反应，验证了大语言模型生成智能体与NetLogo仿真相结合的技术路线的可行性，为认知战提供可量化、可复现的仿真推演支撑。
【目的】为了提升大语言模型在科技专利中抽取知识对象的效果，针对少样本学习方法泛化能力不足、示例与目标任务适配性有限等问题，提出一种基于动态示例提示的科技专利知识对象抽取方法。【方法】将示例选择问题形式化为示例引导增益预测任务，基于待抽取语句和候选示例的深度语义交互，构建任务感知的交叉编码器排序模型，通过检索-重排两阶段框架对引导增益较高的示例进行动态筛选。【结果】在基因组学中文专利数据集上的实验结果表明，动态示例选择方法在知识对象抽取上的F1值为64.60%，优于基线模型，验证了示例引导增益模型在提升动态示例质量上的有效性。【局限】实验验证主要基于基因组学中文专利文本，尚未覆盖其他技术领域及不同文本类型，本文方法在其他领域及文本类型上的适用性需进一步研究。【结论】本文方法能够增强示例适配性，提升大语言模型在科技专利知识对象抽取任务中的性能。
【目的】基于在线评论探索怀旧视频中用户怀旧情绪的特征及其影响因素。【方法】选取哔哩哔哩视频网站中40条怀旧视频的20 000余则用户评论进行计算扎根分析，结合千问大语言模型和提示词工程进行模式识别、模式完善和模式确认。【结果】从视频的用户评论中析取出“人物”“事件”“时间”“地域”“物件”5种核心怀旧元素，进而提炼出感官处理、推荐机制、社交互动三类引发怀旧的影响因素以及两类社会文化属性。【局限】由于无监督分类的偏差，基于计算扎根方法获得的发现可能忽略用户评论中的情景信息。【结论】本研究探索了社交媒体怀旧内容创作的核心元素并为怀旧视频的用户体验设计提供参考。
【目的】本文旨在突破传统单层网络视角难以揭示复杂创新机理的局限，构建覆盖企业合作网络、知识组合网络与研发团队网络的多层网络分析框架，从系统性视角识别企业技术创新绩效的关键驱动因素与跨层作用机制。【方法】以生物医药制造行业为例，通过整合中国经济金融研究数据库、万得、大为专利等多源数据库，构建企业合作网络、知识组合网络与研发团队网络三层网络嵌入结构，并提取相关网络特征与企业基准特征。采用随机森林回归模型系统分析技术创新绩效的影响因素及其相对重要性，并结合SHAP方法刻画各特征的边际贡献及非线性交互作用，形成具有可解释性的多层网络影响机制分析框架。【结果】融合多层网络嵌入特征的全变量模型在解释企业技术创新绩效方面优于仅包含基准特征的对照模型，验证了多源关系数据融合策略在复杂社会系统预测建模中的有效性。基于SHAP值的特征重要性分析表明，基准特征中研发投入的边际贡献最高；在多层网络特征中，企业合作网络的关系深度、知识组合网络的接近中心性，以及研发团队网络的凝聚性分别被识别为各层次中最具解释力的预测变量。【局限】研究结论在行业普适性方面存在局限，未充分考虑网络特征的动态演化过程，对多层网络间的互动机制探讨与挖掘尚有深入空间。【结论】本文不仅从理论上突破了传统创新研究的局限，拓展了多层网络理论的应用范畴，更在实践中为企业在复杂网络环境下构建数据驱动的创新管理体系提供了可操作的分析框架。
【目的】揭示颠覆性技术传播过程中公众认知与情绪的反应机制，阐释其被社会接受的内在逻辑。【方法】构建“技术感知-情绪表达-态度立场”三阶段反应模型，以“萝卜快跑”议题为研究案例，选取哔哩哔哩、抖音和小红书三个平台共6万余条用户评论为样本，运用语义分析、情绪识别与立场判别方法，比较分析公众感知、情绪与态度在不同平台的差异特征。【结果】公众的技术感知呈现多元结构，情绪表达具有显著的平台异质性，技术支持与制度忧虑的态度立场存在明显分化。平台通过影响情绪生成与表达方式，在公众态度形成中发挥关键调节作用。【局限】案例分析主要基于中文社交媒体语境，研究结论在其他语言与文化环境中的适用性有待验证。【结论】本文论证了颠覆性技术扩散中感知、情绪和态度的联动机制，为公众技术接受模型建构提供新思路，同时为AI驱动的舆情分析与场景决策提供方法参考。
【目的】针对现有刑期预测模型在多被告人案件中法律知识整合不足、判决合规性差的问题，提出一种融合法律约束与知识驱动的刑期预测方法（KASP）。【方法】利用大语言模型拆解案件事实；解析罪名与法条，提取基础刑期区间作为结构化法律先验；通过一致性融合机制将先验知识融入轻量级预测模型训练过程，实现知识驱动的协同优化。【结果】在CMDL-small数据集上，KASP相较于最优基线DeepSeek-R1-14B在刑期预测任务的准确率和F1值上分别提升5.44个百分点和4.18个百分点，且在多被告复杂场景下表现更稳定。【局限】主要聚焦于从法理约束和裁量因子中提取基础刑期区间的知识建模，未涉及多罪并罚、跨法条竞合等更复杂的量刑规则处理。【结论】引入结构化法律先验知识，能够提升刑期预测模型在复杂案件中的性能与法律合规性。
【目的】探究企业在多重关联网络中的结构性位置如何影响其数字化转型决策，为理解企业转型行为提供基于网络关系视角的微观解释。【方法】选取2011-2022年中国A股上市物业企业为研究样本，运用复杂网络理论，分别构建股权关联、行业关联与人际关联网络，量化其网络结构位置与影响力，探讨企业关联关系对数字化转型绩效的影响条件。【结果】企业的多重关联特征会在不同程度上影响其数字化转型进程，其中客户关联、股权关联、行业关联和人际关联均会显著促进企业进行数字化转型的决策。交易关联策略和人际关联策略均能加强数字化转型的正向影响，但过度注重交易关联策略和人际关联策略则可能会抑制数字化转型的成效。【局限】研究样本主要集中于物业服务型企业，关联网络的构建也主要基于特定维度的数据。【结论】从复杂网络视角丰富了数字化转型的驱动理论，证实了网络位置的重要性，为企业利用网络资源加速自身转型提供了决策参考。
【目的】针对现有诗歌图像生成技术在诗歌语义提取和生成图像艺术表现方面的不足，提出兼顾语义对齐与美学表现的诗歌到图像生成方案。【方法】该方法包含深度语义理解、多模态意象空间构建和多阶段协同生成三个模块，通过预训练语言模型与多任务学习抽取情感、意境、修辞并与视觉对齐，最终分三阶段完成图像生成。【结果】在自建的Poetic Visions数据集上，相较于最佳基线GPT-4o+DALL·E 2，本文方法的IS由25.32提高至26.87，FID由15.75降低至14.98，CLIP Score由0.68提高至0.72，人工评估得分由3.3提高至3.7。【局限】多阶段流程对早期构图输出存在依赖，偏差可能向后传导；对长篇或高度抽象诗歌的细粒度控制与稳定性仍有不足。【结论】语义引导与协同生成机制能有效提升诗-图语义对齐与艺术表达，具备在数字人文与创作场景中的应用价值。
【目的】针对当前基于大语言模型的多项选择机器阅读理解方法普遍存在的计算成本高昂以及提示增强精度偏低的问题，本文提出一种大语言模型提示增强的多项选择机器阅读理解模型Prompt-MCRC。【方法】该模型以大语言模型作为教师模型，通过思维链提示引导本地学生模型归纳与融合教师模型的推理模式与辅助信号，并利用双向匹配机制增强细粒度的语义关联。同时，自主构建基于日语能力测试的日语多项选择机器阅读理解数据集JLPT-MC。【结果】本文模型在C3-M、RACE-M、JGLUE、JaQuAD与JLPT-MC数据集上的性能均优于单一本地模型基线，且在JaQuAD与JLPT-MC数据集上较最优大规模语言模型基线，F1值和准确率分别提升0.83个百分点和2.89个百分点。【局限】由于人工成本限制，本文自建数据集规模偏小，导致模型的跨语言泛化能力存在一定局限。【结论】本文模型利用思维链提示增强与双向匹配机制，提升本地模型在多项选择机器阅读理解任务中的推理性能，并为该领域的多语言研究提供了新的研究视角。
【目的】针对大语言模型价值观对齐评测体系碎片化、中国特色价值观覆盖不足、深度评测数据稀缺及评测方法滞后等问题，构建面向大语言模型的价值观对齐评测方法与技术。【方法】提出价值规则、评测数据、智能技术三位一体的融合方法体系。在此框架下，设计“能力-任务-指标”三维评测体系，进行数据采集、增广与标注，构建深度评测数据集。最终结合预训练模型、指令微调与专家反馈，训练出价值观评测模型。【结果】构建的评测模型准确率为98.57%，实现了对大语言模型价值观对齐水平的自动化评测。实证结果表明，国产模型总体对齐度高于国外模型，但仍普遍存在红色文化语料不足、事实性与幻觉性虚假信息、意识形态淡化、过度审查及动态适应性弱等问题。【局限】研究主要面向文本型大语言模型，对多模态模型的适用性不足；同时，评测结果以高、中、低呈现，可解释性有待提升。【结论】本研究有助于健全具有中国特色的价值观对齐治理体系，保障大语言模型在安全、可信和可控的框架内健康发展，同时也为推动我国主流价值观在经济发展和社会治理中的有效落实提供技术支撑。
【目的】针对现有社交机器人检测方法对文本内容中的语义差异区分不足、多源异构特征融合能力有限的问题，提出一种融合大语言模型与混合专家模型的社交机器人检测模型。【方法】首先，模型通过LLM2Vec嵌入用户帖子以捕捉语义层面的细微差别；其次，整合了6类特征体系（用户、好友、时间、内容、情感、AI）并利用混合专家模型的路由网络分配特征至对应专家网络层；最终，由特征融合模块整合多源特征用于社交机器人检测。【结果】在TwiBot-20和TwiBot-22两个公开数据集上的实验结果表明，所提模型的精确度分别达到0.821 0和0.775 6，整体性能优于对比模型，验证了该模型的有效性。【局限】未考察对抗攻击对模型鲁棒性的影响，也未深入讨论社交机器人误判可能引发的伦理风险。【结论】LLM2Vec有助于提取用户帖子中的语义信息，混合专家模型能够实现多源异构特征的差异化建模与有效融合，从而提升社交机器人检测性能。
【目的】针对现有总检报告生成方法存在的幻觉频发、上下文理解能力有限等问题，提出一种基于门控大语言模型和自适应检索增强的总检报告生成方法。【方法】该方法包含总检报告生成LLM、门控模块和自适应检索增强生成模块。总检报告生成LLM采用BERT进行实体抽取和人工语义分块处理的数据集进行训练。门控模块包含遗忘门和记忆门，遗忘门在模型输入阶段，通过大语言模型基于先验知识判断并删除对全局查询无影响的子查询；记忆门在模型输出阶段，结合总检报告生成的问答对和自动检索增强的输出，通过链式推理验证整合诊断结论。自适应检索增强生成模块针对不同检查结果选用不同结构的外部知识库，提升检索能力和推理效率。【结果】在自建个人健康总检报告数据集上，本文方法的BLEU-4、ROUGE-1、ROUGE-2和ROUGE-L分别达到0.47、0.65、0.51和0.67，多数指标优于对比模型。【局限】在非结构化医学文本处理、硬剪枝可能引发的信息不可逆损失以及静态知识库条件下的知识更新能力方面仍有一定局限。【结论】本文方法能够有效提升十亿参数级大模型在总检报告生成任务上的长上下文理解能力和医学专业性，从而提高报告生成质量。
【目的】聚焦虚假信息群体免疫的实现路径问题，探究虚假信息传播治理的有效方法。【方法】构建了基于免疫接种与自然感染两种演化机制模型。通过引入多维干预变量（接种频次、接种时机、接种强度等），系统模拟与分析不同路径下的免疫效果。【结果】从免疫速度来看，免疫接种在第t=150轮左右达成群体免疫，而自然感染约为200轮；从路径稳健性来看，免疫接种的抗干扰能力显著高于自然感染。【局限】模型在个体行为、平台机制与网络结构等方面仍存在简化假设，且策略效果未通过真实数据进行实证检验。【结论】免疫接种路径在多个维度上均优于自然感染路径，展现出更高效的干预能力和更快速的免疫形成过程。
【目的】针对现有恶性模因检测方法未充分建模有害程度的递进关系，且对不同错分类型采用对称惩罚的问题，提出序数感知层次化融合网络（OAFHN）。【方法】设计序数感知与误报惩罚损失函数（OPP-Loss），将分类任务重构为序数回归并对误报施加非对称惩罚；构建层次化多路径融合网络，以视觉语言模型生成的语义释义作为知识输入，通过粗粒度融合、语义调制注意力和低秩双线性池化实现多粒度特征建模。【结果】OAFHN在Harm-C和Harm-P数据集上的F1分数分别达到83.46%和88.39%，较最优基线MOMENTA分别提升0.66和0.13个百分点。将OPP-Loss替换为交叉熵损失后，Harm-C上的F1分数下降8.27个百分点；移除或替换其他组件也会造成不同程度的性能下降。【局限】误报惩罚因子需人工调优，序数映射为静态设定，未充分刻画“部分有害”类别的内部异质性。【结论】在本文实验设置下，序数感知优化与层次化多路径融合能够改善恶性模因检测性能，但误报惩罚因子和序数映射方式仍需进一步优化。
【目的】为解决大语言模型检测实时网络负面事件时存在的语义理解不准确、事理关系感知缺失等问题，提出基于事理图谱检索增强的网络负面事件检测模型（EEG-RAG）。【方法】该模型以自建的网络负面事件事理图谱为知识基底，通过事件分类学习机制校正语义偏移，并融合事理逻辑实现检索增强，使大模型具备精准检测网络负面事件和决策可解释的能力。【结果】与基线模型和经过专业数据微调的模型相比，本文模型语义理解的准确率提升近一倍。检索器的精确率达91%以上，召回率提高36.8个百分点。网络负面事件检测的准确率提升6.8个百分点，召回率提升8.5个百分点。【局限】仅研究文本模态，未覆盖多模态网络负面事件信息。【结论】本文模型能有效提高同类事件语义理解能力，提升关联事件召回率，有效降低误判率，为网络负面事件实时监控提供可靠技术支撑。
【目的】针对现有大语言模型在中文社交媒体面向话题的讽刺识别任务中易将强硬立场或负面情绪误判为讽刺的过度敏感问题，设计双路径推理框架加以解决。【方法】双路径推理框架设计：归纳路径通过检索附带理论解释的相似案例支持类比推理，演绎路径引入基于不礼貌理论的两阶段判断框架，设计从情感筛选到意图分析的两阶段判断提示。最终通过双路径证据融合模块综合双路径证据生成判断。【结果】在公开基准数据集ToSarcasm上的对比实验显示：以DeepSeek-V3.1为基础模型，本文方法的F1值和宏平均F1值分别为83.25%、76.45%，较最优传统微调基线模型提升10.44和14.63个百分点。【局限】研究在中文语境下进行，跨语言通用性有待验证。演绎推理框架虽能提升可解释性，但其决策仍依赖于模型的内部机制。【结论】基于不礼貌理论的双路径推理框架，能有效提升大语言模型识别话题讽刺的鲁棒性，并改善精确率与召回率之间的均衡性，为解决复杂语用推理任务提供了新方法。
【目的】为提升情报服务工作中的技术监测效率，提出一套基于大语言模型（LLM）的专利技术自动监测框架，实现特定领域的专利自动监测。【方法】框架包括新专利实时入库、基于语义向量的粗筛选、基于LLM分类的精筛选、多维指标综合排序及快报自动生成环节。以AI for Science（AI4S）领域为例，采用Qwen3-Embedding-8B模型对专利数据进行向量化处理，并利用GPT-OSS-120B模型开展专利分类与快报生成实验。结合人工标注与多模型交叉验证，从分类精确率、分类稳定性和快报幻觉角度对框架性能进行全面评估。【结果】该框架在AI4S专利识别任务中分类的宏平均精确率达97.81%，在按综合评分排序的前200条专利中，精确率达96%；基于LLM的分类结果在多次重复预测中表现出较高的稳定性；生成的快报内容在多LLMs评估与专家评估验证中整体幻觉水平较低。【局限】实证分析仅聚焦于AI4S领域，需在更多前沿领域开展验证；同时，LLM的幻觉问题仍然存在，实际情报工作需人机协同以确保监测成果可靠性。【结论】本文框架能够显著提升技术监测与快报生成的效率，为科技情报智能化平台开发、技术分析工具建设等工作提供方法支撑。
【目的】针对历史人物难以实现规模化、客观化画像解析的问题，提出一种融合事件情感分析的历史人物画像生成框架，旨在全面客观地还原历史人物形象。【方法】以《史记》为实验数据，提出融合语义与结构信息的识别模型（ISSI-RM）完成人物行为单元抽取并构建事件集；构建融合注意力机制的生成式多标签事件分类模型（ABG-MLC）实现历史事件标签自动标注；结合提示学习开展历史事件情感识别；并从事件分类、事件-评价情感匹配、事件情感时序演化三个维度完成人物画像解析。【结果】ISSI-RM单句平均可识别约3组人物行为单元，可有效缓解实体指代不明、指代错误问题；ABG-MLC模型多标签分类F1值为0.80，较基线模型提升0.14个百分点；先完成事件抽取与分类再开展提示学习情感识别的完整流程F1值可达0.86，识别性能最优。实证发现多标签事件中“政治能力+军事能力”复合标签占比最高，该类标签多见于本纪中的定鼎帝王与列传中的谋士群体；本纪与列传人物的事件-评价情感匹配度存在显著差异，二者高度重叠样本均以积极情感为主；人物事件情感时序轨迹可聚类得到4种典型演化模式。【局限】实验语料局限于《史记》文本，语料来源范围有限。【结论】本文借助数字技术将事件情感分析融入历史人物画像生成，解决了传统历史人物研究在规模化与客观性方面的难题，为历史人物研究提供了全新视角，也为史籍文献的深度挖掘与文化资源转化提供了实践参考。
【目的】针对现有AIGC图像溯源方法依赖单一视觉伪影且抗干扰鲁棒性不足的问题，提出一种语义引导的多模态溯源模型（MIRAGE）。【方法】为解决多模态特征语义鸿沟问题，设计从量化指纹到自然语言的语义映射机制。在此基础上，MIRAGE模型调整了交叉注意力层的交互逻辑，以语义文本为主动查询，引导模型在深层特征空间中动态聚焦于关键伪影证据。【结果】在WILD和DRAGON数据集上，MIRAGE模型的F1分数分别达98.4%和69.6%。定量分析表明，相较于单模态视觉基线，MIRAGE模型的F1分数分别提升5.9个百分点和11.3个百分点；相较于简单特征拼接基线，在复杂场景下的F1分数分别提升3.1个百分点和6.4个百分点。【局限】规则化语义生成限制了自适应推理能力；对技术架构高度相似的同源模型区分度仍有待提升。【结论】语义引导的主动式多模态融合模型能有效整合正交证据，是提升复杂场景下AIGC溯源鲁棒性的有效路径。
【目的】针对基于Transformer的模型计算复杂度高、多尺度特征提取能力有限，难以兼顾局部细节与全局上下文的问题，提出一种多尺度轻量级注意力抑郁症识别网络（MLA-Net）。【方法】MLA-Net采用轻量级Transformer架构，结合全局双池化注意力机制提取视频特征以保留全局信息，然后通过注意力机制建模时空长距离依赖，结合多尺度特征提取捕捉不同尺度信息，最后用交叉融合策略强化特征表达。【结果】在真实世界抑郁症数据集上的实验结果显示，MLA-Net的平均绝对误差为4.90，均方根误差为6.88，优于对比方法，证明了其有效性与合理性。【局限】仅针对面部表情这一单一模态进行分析，没有结合语音、文本以及生理信号等模态。【结论】MLA-Net通过全局双池化注意力、多尺度特征提取和交叉特征融合的协同作用，显著提升了抑郁症识别性能。
【目的】为解决自然语言转SQL模型在落地场景中因真实数据库信息缺失导致生成SQL语句逻辑形式准确率和执行准确率低的问题，探索将检索增强技术深度融入SQL语句生成过程，旨在构建能精准理解用户意图、自动对齐库表结构并生成可执行SQL语句的模型。【方法】本文提出SQLGPT模型，用以将用户的自然语言查询高效转化为SQL语句。模型首先通过计算语义相似度从数据库中检索出与用户查询相关的表结构信息，其次结合检索到的表结构信息与上下文学习示例，动态生成提示词，引导大语言模型生成SQL语句。【结果】在WikiSQL数据集上的实验结果显示，SQLGPT模型的逻辑形式准确率和执行准确率分别达到86.1%和91.9%，较BRIDGE模型分别提高0.4个百分点和0.8个百分点，同时支持多轮对话，优势显著。【局限】SQLGPT模型虽在WikiSQL数据集表现优异，但依赖单一通用数据集，在表结构命名不规范、复杂多轮对话及行业专属查询场景下鲁棒性与泛化能力未充分验证。【结论】将语义相似度检索与动态提示词相结合，为自然语言转SQL任务提供了一种高效且准确的解决方案，有助于降低非技术背景用户使用数据库的门槛。
【目的】围绕文旅体产业政策协同知识抽取，设计一种基于大语言模型（LLMs）的智能化政策协同特征提取、政策协同评估及政策协同演化机制识别的知识抽取流程。【方法】采用社会网络分析、政策工具智能识别算法和基于LLMs优化的BERTopic，系统提取中央政策文本演化特征，并提出基于LLMs的政策协同智能评估框架PMC_LLMs，实现地方政策的协同度自动化评估。【结果】从418项中央政策文本中识别出15类政策工具与6大核心主题，揭示了政策体系内部的协同演化路径，进一步基于PMC_LLMs框架对119项地方专项政策进行协同度评估，揭示46项细分指标的分布特征与演化规律。【局限】研究聚焦于政策体系内部协同机制，尚未延伸至外部路径对产业演进的实际影响与作用机理。【结论】验证了大语言模型在政策协同智能评估中的有效性与适用性，为政策智能研究和文旅体产业政策优化提供了理论支持与实践参照。
【目的】针对专利命名实体识别研究领域存在的数据稀疏、实体识别效果较差等问题，探索大语言模型在命名实体识别中的应用。【方法】提出一种基于 ChatGLM4.5 数据增强与多任务联合优化的专利命名实体识别方法。首先构建面向专利实体类别的提示模板，引导ChatGLM4.5生成与原始样本语义一致的增强样本；随后将原始样本与增强样本输入BERT编码器获得上下文表示，并基于实体类型构建正、负样本对进行对比学习；最后将BERT表示输入CRF层进行序列解码，并联合优化对比学习损失、CRF损失和交叉熵损失，从而提升专利实体识别效果。【结果】在数据集TFH-2020和CPIE中，本文方法相较整体表现最优基线模型的F1值分别提升2.81和1.74个百分点。【局限】实验仅使用有限数量的公开专利数据集，尚未覆盖更多技术领域及多语言专利文本场景。【结论】使用大语言模型增强及联合优化策略能显著提升模型识别专利实体的能力。本文方法对于有效识别专利实体和推动大语言模型应用具有重要意义。
