【目的】面向国家人口健康科学数据中心数据集中存储、数据安全风险、计算资源有限、用户分析利用需求迫切等特点，研究适合国家人口健康科学数据中心数据飞地的建设思路，为用户提供更高效、安全和灵活的数据处理与分析环境。【方法】归纳数据飞地的类型、特点、实现机制和不同场景的适用性，结合国家人口健康科学数据中心数据应用特点，基于融合安全增强、微隔离和人工智能等技术的虚拟数据飞地方式，构建国家人口健康科学数据中心大数据分析平台。【结果】构建的大数据分析平台支持国家人口健康科学数据中心数据审核、数据加工、数据分析挖掘、用户发表论文关联数据同行评议等服务，累计完成2 800余个项目3.2万个数据集的审核任务、10 000余项数据分析任务和5 000余项数据加工任务，数据泄露事件发生率为0，资源利用率达80%。【局限】无法实现跨机构分散存储的数据共享，还需结合数据中心发展探索基于多方安全计算和联邦学习等隐私保护技术的数据飞地研究。【结论】有效解决人口健康数据集中方式的安全共享与协作分析需求，对国家人口健康科学数据的安全保障和共享利用具有重要意义。

【目的】针对跨社交网络中同一自然人身份难以识别的问题，提出基于对偶映射学习的跨网络身份关联算法eDual-ViewUIL。【方法】eDual-ViewUIL是一种结合图嵌入和深度学习的身份关联算法，先通过网络扩展扩充潜在用户关系，然后使用DeepWalk算法学习用户节点的低维表示，并引入对偶映射学习的思想，同时利用排序敏感似然损失函数训练映射函数，进而进行跨网络用户身份关联。【结果】在三个数据集上进行实验验证，所提算法对比其他三个基线算法精确率均提升6个百分点以上。【局限】由于社交网络用户量巨大，整体计算量相对较大，算法运算效率还有待提升。【结论】eDual-ViewUIL算法在标签数据不足和正负样本不平衡的情况下表现出较强的泛化能力，对于解决跨网络身份关联问题具有重要的现实意义和应用价值。

【目的】为解决实体抽取过程中存在实体边界属性模糊、语料数据稀疏等问题，本文提出融合边界特征和注意力序列结构的实体识别模型ER-BFAS，实现技艺实体标签的识别预测。【方法】将实体边界属性特征融入文本标签联合嵌入层，通过注意力机制生成特征向量。同时，利用双向长短期记忆网络捕捉技艺类实体标签关联信息，增强模型对不同标签的识别能力。最后，通过条件随机场预测技艺实体标签，选择条件概率最大的标签作为预测结果。【结果】与其他序列标注模型相比，ER-BFAS模型在传统技艺数据集上的F1分数达到0.85，不同标签精确率超过0.90。在DGRE数据集上精确率达到0.75，进一步验证了模型的泛化能力。【局限】实验数据类型有限，未处理复杂实体关系。【结论】在处理传统技艺和通用数据集时，ER-BFAS模型能有效识别出实体边界信息，显著提高传统技艺领域的实体识别能力。

【目的】针对人工智能技术应用广泛复杂的现状，对相关专利中的应用领域信息进行识别。【方法】在度量学习的框架下，使用基于BERT的双编码器分别对专利文本与应用领域标注文本进行编码并联合优化，获取能表征人工智能专利应用领域的编码结果以完成识别任务。【结果】在人工智能专利应用领域多分类测试中准确度达到0.947，在人工智能专利应用识别中获得轮廓系数为0.36的多层级聚类体系。【局限】高质量的标注数据不易获得，同时使用的度量学习框架与编码器较为简易，存在较大优化空间。【结论】度量学习能够用于有针对性地识别人工智能专利的应用领域，并可启发无监督主题识别的优化。

【目的】面向科技论文中创新内容的自动获取需求，聚焦创新句在论文文本中的识别任务，本文提出一种基于富集区发现的创新句识别方法。【方法】通过两个阶段识别科技论文中的创新句：首先构建创新句富集区特征词表，采用滑动窗口打分的方式定位创新句富集区，以缩小创新句的识别范围；而后设计融合上下文语境信息的Context-BERT模型，实现富集区中创新句的自动识别。【结果】本文方法在测试集上的F1值为87.27%，能够有效且较为准确地识别出科技论文中的创新句。【局限】数据集来源较为单一且局限于自然语言处理领域。【结论】本文充分利用创新句的分布特点与上下文特征，提出了一套有效的创新句识别方法，构建创新句自动识别引擎，初步实现了所提方法的实际应用。

【目的】针对无法有效识别中文文本中存在的不包含明显恶意词汇的仇恨言论问题，提出一种融合多维情感特征的中文仇恨言论检测方法（RMSF）。【方法】首先，使用RoBERTa提取输入文本的字符及句子级特征，并使用情感词典等工具提取文本的多维度情感特征；其次，将字符特征及情感特征进行拼接后输入BiLSTM网络，学习更深层次的上下文语义信息；最后，将BiLSTM的输出和RoBERTa提取的句子特征拼接，输入MLP层进行处理，并应用Softmax函数进行类别预测。为了解决数据类别不平衡问题，采用焦点损失函数优化模型，从而提升判别输入文本是否为仇恨言论的准确率。【结果】在TOXICN数据集上，RMSF方法的精确率、召回率和F1值分别为82.63%、82.41%和82.45%；在COLDataset数据集上，RMSF方法的精确率、召回率和F1值分别为82.94%、82.96%和82.85%。与现有方法相比，F1值分别提高至少1.85和1.09个百分点。【局限】融合多维情感特征的仇恨言论检测方法依赖情感词典等工具，情感特征的提取受到词典内容的制约。【结论】在中文仇恨言论检测模型中融合多维度情感特征能够有效提高检测的效果。

【目的】现有的文献作者消歧研究缺乏对中英文联合作者消歧的关注，其中一个重要原因是缺乏专业可靠的数据集。本文聚焦该问题的研究，提出一种利用互联网开放资源自动构建作者消歧数据集的方法。【方法】利用该方法为中英文联合作者消歧研究构建了一个大型有标签数据集CHEN-AND；基于该数据集，本文构建并评测了多个基础的中英文联合作者消歧方法。【结果】评测结果显示，表现较好的消歧方法的P-F1和B3-F1分别为79.86%和84.25%，明显低于主流的英文作者消歧方法的准确率。【局限】CHEN-AND的一个局限性是较为关注理工科领域的研究人员，这与作者的真实学科分布存在一定差异，原因是构建数据集使用的中文数据库CSCD是一个面向理工科领域的引文数据库。【结论】本文公开了CHEN-AND数据集和消歧方法评估结果，以便后续研究探索更加高效的跨语言作者消歧方法和构建高质量的学术信息交流平台。

【目的】构建具有可解释性的高质量疾病预测模型，通过识别影响疾病形成的关键诱因，并进一步分析诱因对于疾病的作用方式，从而为辅助诊断和精准医疗提供有力支持。【方法】首先，利用随机森林模型在疾病数据的多维特征中筛选出最具代表性的特征子集；其次，通过构建增强型麻雀搜索算法实现支持向量机核参数与惩罚系数的自适应获取；然后，同步应用优化后的支持向量机模型对数据样本进行预测分析，并将该模型与8种基线模型展开对比；最后，借助SHAP解释框架对疾病诱因与疾病形成的作用关系进行量化分析。【结果】以肥胖症为研究对象开展实证研究，所提模型的预测准确率、特异度与马修斯相关系数值分别达到85.5%、83.6%和61.0%，三种指标值均高于其他8组基线模型，证明了该模型的有效性。此外，家族史、蔬菜摄入频率、每日正餐数量、身高、性别、交通工具使用情况与高热量食物摄入情况是影响肥胖症形成的关键因素。【局限】针对肥胖症展开的实证研究无法有效验证模型的泛化性；未对特征变量之间的交互作用进行分析。【结论】本文模型不仅具有较高的预测准确率，还能够分析不同诱因对疾病形成的影响程度和作用方向，所得结论可为医疗机构提供决策支持。

【目的】在运用图文信息进行摘要生成的过程中，针对图文信息不完全与参考摘要相关、直接融合导致噪声引入的问题，提出一种大模型主旨增强的图文多模态句子摘要生成方法。【方法】对大语言模型进行微调，生成高质量的主旨和关键词信息，同时运用注意力机制有效融合主旨和图片信息，减少多模态特征内存在的噪声；将原文本和关键词进行融合，获得增强主旨信息的多模态语义补充特征，最后融合两种特征生成多模态摘要。【结果】在公开数据集MMSS上与对比模型中效果最优的Vision-GPLM相比，本文方法在ROUGE-1、ROUGE-2、ROUGE-L指标上分别提升了2.79、2.20和2.28个百分点。【局限】大语言模型微调的提示模板在设计上较为单一；未对大参数量版本的大语言模型进行微调尝试；在方法设计上，大语言模型的微调效果会对模型性能产生一定程度的影响。【结论】本文通过微调大语言模型的方法减少多模态特征内存在的噪声，使不同模态在融合的同时增强模型对于主旨内容的把握，提升摘要的质量。

【目的】为提高政务信息资源的利用效率及推动政府服务智能化转型，本文针对通用大语言模型在处理政策文本时存在的知识局限，探索融合大语言模型的政策文本检索增强生成技术的有效性，旨在构建更精准、可靠的智能政策问答模型。【方法】基于政策大模型ChpoGPT，提出一种政策文本检索增强生成框架Policy-RAG，将政策文档知识库与用户提问进行语义相似度匹配检索，并将检索结果与ChpoGPT相结合以增强模型下游任务能力。【结果】该框架在事实一致性、答案相关性和语义相似性等指标上均优于现有模型，其中ChpoGPT模型在事实一致性得分达到近90%；答案相关性得分达到80.2%，较Gemini-1.0-pro模型提高2.1个百分点；答案语义相似性得分达到56.4%，相较于ERNIE 4.0模型和Gemini-1.0-pro模型分别提升4.1和2.8个百分点。【局限】通过分析相应实验结果，发现语言模型在回答输出上仍存在一定不可控性。【结论】融合大语言模型的政策文本检索增强生成在政府服务智能化转型中具有一定的应用参考价值，但仍需要进一步改进和优化。

【目的】研究现有大语言模型抽取中文医学文本实体关系的性能差异，分析示例数量和关系类型数量对模型抽取效果的影响。【方法】基于提示工程方法，通过API调用9种主流大语言模型，从示例数量和关系类型数量两个角度修改提示模板，使用CMeIE-V2数据集进行实验并比较抽取效果。【结果】（1）GLM-4-0520的综合抽取能力居于首位，在抽取“临床表现”“药物治疗”“病因”三种关系类型时F1值分别达到0.442 2、0.386 9、0.387 4；（2）改变提示中的示例数量m，起初F1值随m的增加而上升，当m=8时达到最大值0.474 2，m>8后F1值开始下降；（3）增加需要抽取的关系类型数量n后，F1值下降明显，n=2时F1值较n=1时下降0.118 2，至n=10时F1值仅有0.294 9。【局限】现有公开数据集较少，实验结果仅基于单个数据集得到；由于目前医学垂直领域的大语言模型难以通过API调用，本文使用的模型均来自通用领域。【结论】不同大模型的抽取效果差别较大；合适数量的示例能够提高模型抽取效果，但示例并非越多越好；大模型不擅长同时抽取多种关系类型。

【目的】针对已有文献对谣言语言风格特征和部分真实的双面健康信息关注不足的问题，提出一种融合语言风格特征的多模态在线健康谣言检测模型（MWDLS）。【方法】MWDLS利用亚里士多德修辞理论来提取诉诸情感、诉诸逻辑和诉诸人格的说服性语言风格特征，并结合双向跨模态交互融合策略和门控机制来实现浅层语言风格特征和深层语义特征的联合表征学习与分类预测。【结果】实验结果表明，MWDLS在目标任务上的平均F1值较基线模型最高提升了11.98个百分点，特别是在健康谣言类别和双面健康信息类别上，F1值分别最高提升了16.63个百分点和11.71个百分点。【局限】当前模型尚未考虑视频、语音等多模态特征，也未引入大语言模型、知识感知等技术以提升对健康谣言的早期检测能力。【结论】MWDLS融合语言风格特征与多模态深层语义特征，有效提升了在线健康谣言的检测性能。

【目的】为解决通过微调大语言模型来构建垂直领域问答系统时，可能引发的灾难性遗忘、生成内容可解释性差、对数据与算力资源需求过大等问题，提出融合大语言模型与知识图谱的问答系统范式。【方法】围绕《伤寒论》构建中医古籍细粒度知识图谱，并运用检索增强生成模型，将该知识图谱以提示学习的方式融入大语言模型来构建问答系统。【结果】与基线模型和经过专业数据微调的模型相比，在主观评估中该问答系统满意率的总体均值分别高出14.67和1.33个百分点，在客观评估中该问答系统的总体正确率分别高出20.00个百分点和略低2.00个百分点。【局限】仅实现了在《伤寒论》相关中医领域的应用；在系统效果的验证上还缺少评估系统专业能力的标准。【结论】本方法不仅能增强垂直领域问答系统生成内容的可解释性，还节省了大量数据与算力资源。

【目的】 通过构建有效的学生理解度图像数据集，设计基于深度学习的学生理解度得分预测模型，克服当前公开人脸数据集与实际课堂状态不匹配及使用专注度测评局限于仅捕捉学生课堂直观表现的问题。【方法】 基于真实的在线教学课堂环境采集学生表情图像数据，建立适应理解度预测需求的学生表情数据集，结合加权知识点得分和自我理解度评价得分提出理解度标签的主客观联合计算公式，并设计融合三种模块的理解度预测模型。【结果】 理解度得分预测模型评测结果表明，所提模型在测试集上多次迭代后，其平均绝对误差达到0.14，在4种对比模型架构中表现最好；理解度水平评价结果表明，与先前对专注度水平的研究结果对比，理解度能够更加全面深入地反映和衡量学生课堂对所讲授知识点的理解程度。【局限】 在研究学生理解度时高度依赖于学生的姿态特征与情绪特征，未深入探究其他影响理解度水平的特征。【结论】 所提模型能够有效预测在线教学环境中学生的理解度水平，且与专注度水平的对比体现了教学效果多维度联合评估的理念。

【目的】 为完善电信诈骗领域知识图谱，提升领域知识图谱补全任务的效果，改进当前模型的局限性，提出一种基于四元数的神经网络补全方法ConvQR模型。【方法】 ConvQR模型由四元数嵌入模块、神经网络模块和优化预测模块组成。将三元组数据由四元数嵌入模块得到特征向量，将特征向量作为神经网络模块的输入，经过卷积和全连接层处理，最后通过点积操作进行评分并依据评分判定三元组的正确性，以此进行电信诈骗领域知识图谱补全。【结果】 在两个公开数据集FB15k-237、WN18RR以及在电信诈骗领域数据集TFG上的实验结果表明，所提模型的评价指标领先现有基线模型。其中，MRR指标得分分别为0.368、0.511和0.311，相较于已有最优基线TransERR模型，提高了2.5%、2.0%和2.6%。【局限】 随着电信诈骗领域知识图谱的不断更新和演化，该模型可能无法及时适应新发案件，因此需要引入外部知识和更新机制，以保持其补全能力的有效性和准确性。【结论】 ConvQR模型具有更好的预测精度，能够有效补全电信诈骗领域知识图谱中的缺失信息，更好地为知识图谱在公安系统的应用提供支持和参考。

【目的】 为感知突发事件中不同态势阶段下各利益相关主体间的关系状态，提高企业面对突发事件的态势感知能力和应急决策能力。【方法】 本文从察觉与理解两个层面出发，构建面向企业应急决策的企业突发事件态势感知模型。利用知识图谱和深度学习技术完成突发事件知识抽取，并基于共生理论和Logistic种群生长模型构建企业突发事件共生系统。【结果】 在突发事件知识抽取当中，事件分类的F₁值达到88.9%，事件元素抽取的宏平均F₁值为91.4%。针对“土坑酸菜”事件进行态势要素识别，基于共生关系的分析表明，康师傅与插旗菜业呈现非平等互惠共生模式，康师傅与白象呈现寄生共生模式，插旗菜业与白象呈现偏害共生模式。【局限】 实验数据质量需进一步提高，图谱本体结构需进一步扩展。【结论】 本文所提模型可精准识别态势发展阶段与关键要素，并解析多主体共生关系以辅助应急决策布局。

【目的】 研究适用于科技文献的机构名称对齐方法。【方法】 利用大语言模型并结合提示工程，从科技文献著录信息中识别机构及其关联实体，构建机构知识图谱，通过文本嵌入和图卷积网络，基于所构建的知识图谱实现同一机构不同表述形式的名称对齐。【结果】 与直接采用文本对齐的方法相比，论文提出的方法在无需要额外训练的情况下，机构名称对齐性能指标Hit@1、Hit@10和MRR分别提升约24%、7%和11%。【局限】 处理复杂信息结构文本中的跨语种、多模态的实体对齐效果有待提升。【结论】 融合提示工程与图卷积网络的机构名称对齐方法，可有效提升科研机构名称规范库建设的质量与效率。

【目的】 为提高多模态命名实体识别的效果，通过计算实体锚文本与图像区域的语义相关性过滤不相关视觉区域，达到消除视觉噪声的目的。【方法】 使用提示词代替类别词作为实体锚文本对视觉区域进行语义相关性评估，通过降低无关视觉区域的权重消除无关视觉区域对实体识别的影响，采用多层交互式Transformer进行文本-视觉的模态融合，并通过CRF层实现实体识别。【结果】 在公开数据基准上的实验结果表明，所提方法在Twitter15和Twitter17数据集上的F1值分别达到76.97%和88.88%，相较于主流方法分别提升了0.48和1.17个百分点。【局限】 所提方法基于有监督学习范式，效果受标注数据的质量和数量的影响，研究仅基于公开基准数据的实体识别任务，下一步将对方法的可迁移性开展研究。【结论】 通过消除视觉噪声，可以有效提高多模态命名实体识别的效果；可以通过计算实体锚文本与图像区域的语义相关性实现对不相关视觉区域的过滤。

【目的】 将大模型技术应用于中文电子病历命名实体识别任务，以提高识别效果，促进中文医疗领域的智能化应用。【方法】 首先利用huatuo226K中文医学问答语料集，增强模型在医学领域的知识理解能力。随后采用Easy Data Augmentation （EDA）方法对CCKS2019电子病历数据集进行数据增强，并通过LoRa方法对Llama3-8b模型进行微调，最终形成专门用于中文电子病历命名实体识别的模型。【结果】 微调后的Llama3模型在CCKS2019中文电子病历数据集上表现显著提升，总体精确率达到0.888 9，召回率为0.866 0，F1值为0.877 3，较原始模型的F1值提高了0.161 1。【局限】 对实体重叠现象的研究不够深入，且不同实体类别的识别精确度存在一定差距。【结论】 提出基于大模型的中文电子病历命名实体识别模型，验证了大模型技术在中文医疗领域的应用潜力，为中文电子病历命名实体识别通用性模型的建立提供了基础。

【目的】 针对现有社会化序列推荐研究容易引入与用户兴趣不相似的好友信息，且未能考虑不同用户受社交影响的程度，致使推荐性能受限的问题。为提升社会化序列推荐性能，提出一种基于图注意力网络的自适应社会化序列推荐模型。【方法】 首先，利用自注意力机制对用户行为序列建模，获取用户动态兴趣表示。其次，设计一种正则化限制的图注意力网络聚合好友特征，以准确建模用户社交兴趣表示。最后，提出一种基于注意力的自适应融合方法，准确融合动态兴趣与社交兴趣，生成推荐结果。【结果】 与主流基线模型相比，所提模型在HR@10上最高提升10.80%，在NDCG@10上最高提升5.29%。【局限】 所提模型对于社交网络结构的依赖性较高，当社交关系数据稀疏时，性能提升不明显。【结论】 所提模型可以更充分地利用社交信息，有效预测用户行为，提高推荐性能。

【目的】 鉴于司法裁判文书摘要需要与原文在基于案件事实、法律适用等要素方面保持一致，提出嵌入司法要素事实一致性评测的中文司法裁判文书摘要生成方法。【方法】 定义司法裁判文书摘要事实一致性判定的原则和方法；确定数据增加、事实一致性纠错和测评等预处理流程；分别构建分段抽取模型和引入司法要素知识图的生成式摘要模型，并在CAIL2020数据集上进行实验。【结果】 本文提出的FC-JDSM模型生成的摘要在指标ROUGE-N（N=1、2、L）、SRO、EM-FCJS上分别为67.98%、55.40%、64.14%、78.54%、90.01%，均优于比较模型。消融实验证实了分块抽取和事实信息引入的有效性。【局限】 事实一致性评测模型中的数据增强方案得到的数据与真实数据存在偏差。【结论】 将司法要素融入一致性评测和摘要生成过程中，能提高中文司法裁判文书摘要一致性，有利于司法工作的公正性。

【目的】 针对深度综合关联挖掘图像聚类模型仅基于样本语义特征，无法充分利用类簇结构特征中蕴含的具有高判别性的类间结构关系的局限，进一步提升DCCM模型聚类性能。【方法】 提出融合类簇结构特征的改进模型IDCCM。首先，以DCCM作为基础聚类模型，引入基于高斯分布的文本数据增强策略，继承DCCM模型的样本语义特征挖掘能力。在此基础上，通过样本变量与类簇变量之间的互信息损失和DCCM模型原始损失的加权和，联合学习样本语义特征和类簇结构特征。【结果】 在公开标准数据集和科技论文摘要数据集上的实验验证了IDCCM模型的优越性。在公开数据集20NewsGroups和Reuters-60k数据集上改进模型的聚类准确率相较基准模型分别提升了9.80和6.60个百分点。【局限】 在实际应用中往往很难确定原始数据的最优类簇数量，需根据具体情况适当调整。【结论】 IDCCM模型能够挖掘利用类簇结构特征，提升了DCCM模型的聚类效果。

【目的】 为解决前沿研究热点的自动探测问题，提出一种利用图神经网络和大语言模型实现关键信息筛选与总结归纳的方法。【方法】 利用节点和边同时聚合的NE-GraphSAGE模型筛选出更可能揭示领域前沿热点的关键论文，以此为输入，综合采用结构化提示、思维链提示、少样本提示三种提示技术引导大语言模型探测领域前沿研究热点，并采用相似度度量评估其探测效果。【结果】 相比于基于节点聚合的N-GraphSAGE模型和基于边聚合的E-GraphSAGE模型，NE-GraphSAGE模型表现最优，测试准确率达到0.839 8。三种提示技术提升了大语言模型的探测效果，ChatGPT-4o探测结果中“术语”和“解释”部分的F1值分别达到0.73和0.77，同时可以看到长文本、多数量的学习样例不利于大模型探测推理。【局限】 仅以论文数据为单一探测源，数据分析维度不足。【结论】 本文提出的自动探测框架在一定程度上减轻了人为的主观影响，细化了探测颗粒度，为实现“人智协同”提供了参考视角。

【目的】 为解决方面级情感分析中多方面语句中的语义偏移问题和隐性情感分析问题，提出一种基于大语言模型情感增强和图卷积神经网络的方面级情感分析模型。【方法】 利用提示学习引导大语言模型生成方面语义的情感知识增强表示，然后构建方面语义的情感知识增强图。此外，提出情感-目标位置赋权算法，过滤句法依赖图中无关信息，同时引入方面掩码与门控过滤机制以充分融合语义间信息，精确识别每个方面的情感倾向。【结果】 在所有实验数据集上，所提模型仅在Restaurant数据集上的准确率表现略低于其他两个基线模型，但其F1值仍高达81.60%。具体来说，所提模型在Laptop、Twitter和MAMS数据集上F1值均表现出显著提升，分别比最优基线模型提升了1.79、1.17和3.02个百分点。【局限】 未考虑视觉信息对方面级情感分析的作用，且仅针对英文数据集进行实验。【结论】 利用提示学习引导大语言模型生成情感表示词与图神经网络结合，提供一种有效且高效的方面级情感分析解决方案，显著提高文本方面级情感分析的准确性。

【目的】对2019~2023年间融合知识的视觉问答的主流模型与数据集进行综述。【文献范围】 以“融合知识的视觉问答”、“知识型视觉问答”、“基于外部知识的视觉问答”、“Knowledge-Based VQA”、“Knowledge-Based Visual Question Answering”、“Visual Question Answering Reasoning with External Knowledge”等关键词构建检索式，在中国知网、Web of Science等数据库中进行检索，最终确定102篇文献进行综述。【方法】根据融合知识的内容、方法对视觉问答模型进行分类，并比较优缺点；归纳相关数据集，比较分析主流模型的性能。【结果】当前研究聚焦于将多模态数据映射到文本模态进行推理，主要关注融合显式或隐式知识的视觉问答方法，但在衡量知识有效性、细粒度场景理解能力、数据集规模等方面存在不足。【局限】仅对已有研究的主流模型及训练结果进行结构化分析，缺少对算法原理的深入探讨。【结论】未来研究应继续探索集成显式知识与隐式知识的视觉问答方法，提高跨模态知识融合的语义挖掘能力与对齐能力，开发新的评估指标量化知识对模型性能的具体影响。

【目的】 构建基于检索增强的中医药标准知识问答系统，提供高效的标准知识服务，推动中医药标准化研究与应用。【方法】 对比BaiChuan、Gemma、通义千问等大语言模型的性能，选择GPT-3.5模型作为基础模型，结合数据优化和检索增强生成等技术，开发出具有语义分析、上下文关联和生成能力的中医药标准知识问答系统。【结果】 系统在中医文献问题生成数据集上的答案相关性精确率、召回率和F1值分别为0.879、0.839和0.857，上下文相关性分别为0.838、0.869和0.853，在中医药标准问答数据集上答案相关性分别为0.871、0.836和0.853，各项指标均优于对比模型。【局限】 当前系统在意图识别的准确性仍需进一步优化，中医药标准知识库规模和粒度有待进一步扩充和完善。【结论】 针对中医药知识服务的现实需求，构建了基于检索增强的中医药标准知识问答系统，该系统能够回答用户关于中医药诊疗指南、中药标准、信息标准等各类问题，包括治疗原则、病证分类、治疗方法、中医药标准内容技术要求等，展示出较高的实用性和可行性。

【目的】 针对文档级金融事件抽取中存在的论元分散和多事件问题，构建提示模板引导的文档级事件抽取模型DEEM-PT。【方法】 DEEM-PT设计了基于金融事件类型的提示模板，使用图神经网络和伪事件代理节点增强论元、句子和事件之间的关联，强化多事件之间的信息交互，并使用多头注意力机制对提示模板、论元和事件等特征进行融合。【结果】 在ChFinAnn数据集上的实验结果表明，DEEM-PT模型在各类金融事件上都有优异表现，准确率、召回率和F1值总体上分别达到85.2%、81.5%和83.3%。【局限】 DEEM-PT模型的训练基于金融领域事件数据集，因此提示模板设计依赖于领域知识和专家。【结论】 引入事件提示模板和在图神经网络中增加信息交互可以有效提升模型在事件类型和论元上的分类性能。

【目的】 解决中药专利文本中实体重叠和关系复杂的问题，提升中药成分、药理疗效、优点等实体关系的抽取精度。【方法】 提出一种中药专利文本实体关系联合抽取模型TPSCRE：结合词性标注网络和CDIL-CNN增强模型对中药专利文本的语义理解，利用双重Cross-Attention机制生成多样化词表示以增强实体和关系的信息交互和互补，通过对抗学习策略提高模型对潜在错误标注数据的鲁棒性和泛化能力；构建主客体对应矩阵过滤出正确的中药专利实体关系三元组。【结果】 在自建中药专利数据集上进行对比实验和消融实验，结果表明本文提出的TPSCRE模型表现最优，在中药实体识别和关系抽取上F1值分别为94.71%和87.56%。【局限】 模型复杂度和计算成本较高，评估标准受限于现有数据集的规模。【结论】 TPSCRE模型能更好地捕捉中药文本中实体间的复杂关系，在中药专利文本实体关系的联合抽取任务中有显著性能优势。