网络表示学习是网络分析任务的基础，对于挖掘和分析真实网络数据具有重大意义。最近，图注意力网络（Graph Attention Networks, GAT）及其后续变体，在网络表示学习中表现出了卓越的性能。但是基于注意力的方法存在以下局限性：（1）只考虑节点的一阶邻居信息，忽略了高阶邻居节点。（2）模型缺乏可解释性。（3）没有考虑到图中噪声边问题。为解决这些问题，本文提出了一种基于结构学习和自监督图注意力的网络嵌入模型（Structural Learning-based Self-supervised Graph Attention Network,SL-SGAT），融合节点特征与结构信息，降低噪声边干扰，提升模型可解释性。SL-SGAT主要包含三部分：图结构学习、自监督注意力机制和特征聚合。图结构学习构建全局图结构网络。自监督注意力机制设置一个自监督关系预测任务，加入噪声边损失。特征聚合利用注意力系数进行加权聚合，得到最终的节点嵌入表示。本文所提模型在Cora、Citeseer和Pubmed三个数据集上进行节点分类实验，准确率分别为84.4%、74.4%、81.5%，与表现优异的GAT及后续变体模型相比，分别提高1.4%、2.9%、3.2%；在节点聚类实验中，聚类精度分别提高3.3%、3.4%、1.2%。可见，我们提出的算法可以得到更好的嵌入结果。

针对模糊邻域粗糙集的特征选择方法通常仅考虑下近似中的分类信息，而忽略上近似和边界域中的分类信息这一问题，本文提出了一种基于自信息和模糊邻域条件熵的特征选择算法。首先，结合下近似、上近似和边界域提出了三种自信息不确定性测度，并将三种自信息相结合提出了相似自信息。其次，在信息论视角下，给出了模糊邻域条件熵的不确定性度量，并将其与相似自信息相结合，提出了更为全面的特征评价函数，用于衡量特征子集分类信息的不确定性，并基于此利用最大相关最小冗余技术设计特征选择算法。最后，通过在数据集上进行对比实验，实验结果表明所提算法能有效处理上近似和边界域中的分类信息；且所提算法在两个分类器下其平均分类精度，在低维数据集中分别提高了2.55%和4.15%，在高维数据集中分别提高了0.83%和2.54%。

为提高预测精度，解决超短期风电场功率预测中风能持续性和稳定性差、风机出力中多种因素对风电厂超短期功率预测影响程度不同以及原始Transformer神经网络架构注意力机制受限、缺乏全局信息等问题，提出了一种基于Informer网络架构与马尔可夫链修正相结合的风电功率预测模型。该模型使用随机森林、拉格朗日插补法等算法对数据进行预处理；使用Informer神经网络架构对风电场功率做出预测，并用马尔可夫链对超短期风功率预测结果进行误差修正，以提高模型预测准确率。现场实验结果表明，该模型提高了风电场功率的预测时间步长及预测精度，月平均准确率最高可达97%，年平均准确率可达95%。

针对水中重金属离子的污染问题，本文利用冰模板诱导的快速冷冻干燥和造孔技术，制备了具有丰富孔道结构的2,2,6,6-四甲基哌啶氧化物（2,2,6,6-tetramethylpiperidine oxide,TEMPO）氧化纳米纤维素（nano-crystalline cellulose,TOCNF）/聚丙烯酸（Poly acrylic acid,PAA）复合气凝胶（composite aerogel,TP复合气凝胶）。探究了TOCNF和PAA的配比对复合气凝胶形貌和结构的影响，当TOCNF∶PAA=6∶4（TP-6）时，TP-6复合气凝胶展现出完整互联的孔结构和最大的比表面积（246.7 m²/g）。TP-6复合气凝胶中丰富的孔结构和其中大量的羧基和羟基赋予了其优秀的重金属离子吸附特性，在pH为1.0～6.5的范围内，TP-6复合气凝胶对重金属离子的吸附能力随pH增加逐步增强。在pH为6.5时，TP-6复合气凝胶对Cu²⁺、Pb²⁺和Cd²⁺的最大吸附量分别为115.2 mg/g、136.1 mg/g、137.2 mg/g。本文提出的冰模板诱导的快速冷冻干燥和造孔技术为废水中重金属离子的绿色、高效去除提供了参考思路。

复杂网络中的节点往往形成一些频繁出现且具有特定局部连接模式的高阶子结构，利用这些高阶子结构可以更好地刻画网络的拓扑特征及相关功能模块。通过度量节点间的结构相似性，有助于研究拓扑结构中节点之间的交互模式，理解复杂网络的局部结构和功能。为更充分利用节点邻域的高阶结构信息，提出了一种利用节点邻域内的k元节点组标签信息的结构相似性判定方法GANNLI(Group-based Aggregated Neighborhood Label Information)。该方法首先将k元节点组形成的非同构子图作为其组标签，再利用WL方法对k元节点组的邻域组标签信息进行聚合和更新，统计节点所构成的不同k元组的标签信息以得到节点表示，并利用余弦相似度计算节点间的结构相似性。与仅考虑节点度、接近中心性等低阶信息的方法相比，本方法利用高阶k元组结构信息更有效地度量了节点间的结构相似性。在真实网络数据集上的实验结果表明，所提出的GANNLI算法能更有效地计算节点间的结构相似性，在节点分类任务中的性能相比Struc2vec提高了2%至6%，相比Node2vec提高了8%至14%。

大语言模型的出现对自然语言处理产生了广泛的影响，已有研究表明大语言模型在各类下游任务中具有出色的Zero-shot及Few-shot能力，而对于大语言模型的语义分析能力的评估仍然比较缺乏。因此，本文基于汉语框架语义分析中的三个子任务：框架识别、论元范围识别和论元角色识别，分别在Zero-shot及Few-shot设定下评估了ChatGPT、Gemini和ChatGLM三个大语言模型在CFN2.0数据集上的语义分析能力，并与目前基于BERT(Bidirectional Encoder Representations from Transformers)的SOTA模型进行了比较。在框架识别任务中，大语言模型的准确率仅比SOTA模型低0.04；但在论元范围识别与论元角色识别任务上，大语言模型表现不佳，与SOTA(State of the Art)模型相比，F1分数分别相差0.13和0.39。以上结果表明，大语言模型虽具备一定的框架语义分析能力，但进一步提升大语言模型的语义分析能力仍然是一个具有挑战性的工作。

本文通过荧光光谱、酶解和分子对接等技术研究了单宁酸（TA）与人血清白蛋白（HSA）之间的仿生作用力和分子动力学模拟。结果表明，TA与HSA的相互作用是一个典型的两阶段反应：快反应阶段（RRS）和慢反应阶段（SRS）。在25℃时，结合常数分别为3.16×10～5 L·mol^-1和3.55×10～8 L·mol^-1。荧光光谱表明TA对HSA的猝灭机理是静态猝灭效应，且疏水力在TA与HSA相互作用过程中起着重要作用。基于F?rster非辐射能量转移理论，确定TA的结合位点位于亚结构域A的疏水区域，TA与人血清白蛋白Trp212之间的距离分别为2.21 nm（RRS）和1.97 nm （SRS）。疏水探针和酶解实验证实TA与HSA之间的相互作用分为两个独立的过程，包括快速反应中的瞬时识别并耦合及慢速反应中的再匹配。本研究验证了TA与HSA的相互作用力，并阐明其反应过程，为植物多酚与蛋白质互作模式的研究提供了参考依据。

金融文本中蕴含着丰富的情感信息，对于捕捉金融市场情绪波动、辅助投资者决策以及实施金融风险管理等都具有重要意义。然而，金融文本的情感标注需要大量领域专家知识，人工标注成本高昂。文章设计了一种基于表情符号远监督指导的自动标注策略，将金融文本中表情符号所表达的情感含义作为指导信息，自动标注文本的情感倾向，构建基础标注数据集；在此基础上，采用持续学习算法训练金融文本情感分类器，预测未标注数据，生成伪标签样本，进一步扩展标注数据集。最终，自动构建了一个包含923万余条股市评论的大规模中文金融情感分析数据集StockSentCN。在人工评估体系下，该数据集的Kappa一致性系数达到0.85，加权平均F1值达到90.34%，证明了所构建数据集的高质量与可靠性。数据集公开下载地址为：https：//github.com/lidayuls/StockSentCN/。

谷胱甘肽（GSH）、同型半胱氨酸（Hcy）、半胱氨酸（Cys）和硫化氢（H2S）是生物体内一类重要的活性硫化物（RSS），参与细胞的氧化还原平衡，其异常变化被证实与多种生理病理过程密切相关。本文以N,N-二苯基胺基为电子供体（D），噻吩为π桥，吡啶为电子受体（A）,2,4-二硝基苯基为识别位点，设计合成了一个用于检测RSS的比率型荧光探针1-(4-（2,4-二硝基苯氧基）苄基)-4-(2-(5-（二苯基胺基）噻吩-2-基)乙烯基)溴化吡啶鎓盐（DTP）。通过紫外-可见吸收光谱和荧光光谱实验研究了探针DTP与RSS的相互作用。结果表明，探针DTP本身在642 nm处有荧光发射，当加入RSS后，荧光发射峰从642 nm蓝移至536 nm，溶液的荧光颜色也由桃红色变为黄绿色。通过荧光强度比值(F_{536 nm}/F_{642 nm})可实现对RSS（GSH/Hcy/Cys/H2S）的同时定量检测。高分辨质谱（HR-MS）数据证实探针DTP与RSS的作用机制主要是基于RSS对2,4-二硝基苯基醚的裂解作用。

以蛋壳膜为碳载体，NiSO₄·6H₂O为镍源前驱体，尿素作为矿化剂，通过简单的一步水热法制备了一种尿素氧化反应（urea oxidation reaction, UOR）电催化剂。采用X射线衍射（X-ray diffraction, XRD）、扫描电镜（Scanning electron microscope, SEM）、透射电镜（Transmission electron microscope,TEM）和X射线光电子能谱（X-ray Photoelectron Spectroscopy,XPS）等手段对催化剂的组分与物相，微观形貌和化合价进行了测试表征，采用循环伏安法（Cyclic voltammetry, CV）、电化学阻抗谱（Electrochemical impedance spectroscopy, EIS）和计时电流法（i-time, i-t）等电化学方法对电催化剂的催化活性、稳定性等性能进行了测试评价。结果表明Ni/NiO-C@400对尿素氧化反应具有良好的电催化活性(电压0.60 V vs.饱和甘汞电极（Saturated calomel electrode, SCE），电流密度为182 mA·cm^-2)和稳定性（12 h i-t测试后，电流密度保持率为95%），其原因可能是N和S原子的存在，Ni更容易形成尿素氧化的活性物种Ni³⁺，此外Ni和NiO的协同作用更有助于催化剂保持优良的催化活性和稳定性。