本文提出了一种新模型用于文档级关系抽取，结合知识-注意力与自注意力机制，提升了实体表示和上下文关系的编码能力。该模型在多个数据集上实现了最先进的性能，尤其在分类任务中展现了高准确率，有效解决了文本中的语义模糊问题。

DragAnything是一种利用实体表示来实现对可控视频生成中的任何对象的运动控制的方法。与现有方法相比，DragAnything具有易于用户交互、不需要其他指导信号的工作字眼以及能够同时对多个对象进行不同的运动控制等优势。实验证明，DragAnything在性能方面表现出色，尤其在对象运动控制方面。

本文提出了一种新颖的深度进化知识网络，用于学习非线性演变的实体表示，并通过多元点过程和基于学习实体嵌入的评分来建模事实的发生。该方法在大规模数据集上比其他关系学习方法表现更好，并能有效预测事实的发生时间。

通过多任务预训练的多任务语义分解框架，加强预训练语言模型中的实体表示。实验证明该方法在两个少样本命名实体识别基准测试中优于强基线模型，并验证了其有效性和泛化能力。