本文提出了一种动态双向Elman注意网络（DBEAN），旨在改善传统文本分类方法在处理复杂语言结构和语义依赖方面的不足。DBEAN结合了双向时序建模与自注意力机制，显著提升了上下文表示效果，同时保持计算效率，具有广泛的应用潜力。

本研究提出了一种新的扰动本体图注意网络（POGAT），旨在解决异构图神经网络在捕捉节点语义关联时的手动规范依赖问题。通过结合本体子图与自监督学习，POGAT在链接预测和节点分类任务中显著提升了性能，超越了现有模型。