本研究提出两种新技术，以提高细粒度归因方法在响应与文档相似度度量中的准确性和效率。实验结果表明，这些方法优于以往研究，具有重要的应用潜力。

本研究探讨了多模态表示学习中的对称 InfoNCE 损失，提出了一种新的相似度度量方法，并通过预训练验证其有效性。结合对比学习与自监督学习，提出多种新方法，显著提升了模型在视觉-语言任务中的性能，尤其在零样本分类和图像文本检索方面表现优异。

本文提出了一种两阶段解码机制，用于自动预测国际疾病分类（ICD）码，利用标签相关性和深度学习模型显著提升编码性能。研究还探讨了基于树编辑距离的相似度度量和掩码训练策略，优化了模型在数据有限情况下的表现。实验结果表明，该方法在识别特定疾病患者方面具有更高的分类性能。

本文介绍了多种无需人工干预的数据实体匹配和解析方法，如AutoBlock、ShallowBlocker和DeepER。这些方法利用深度学习和相似度度量技术，在处理不清洁或非结构化数据时表现出色，提高了解析的准确性和效率，适用于多种数据集。

本研究提出了一种基于聚类的框架来检测社交数据流中的谣言，并评估了不同相似度度量的效果。预聚类和异质特征的组合表现最佳，证明了基于相似性的组合方式的有效性。该方法是全自动、无监督的，并可实现流数据的实时检测。