本文提出了SwapGT新方法，解决了现有节点词块图变换器仅关注一阶邻居的问题。通过节点语义相关性生成更具信息量的令牌序列，并引入中心对齐损失以提升模型性能。实验结果表明，SwapGT在节点分类任务中表现优越。

北京大学MMCAL团队开发了首个视频编辑质量评估指标VE-Bench，专注于编辑结果与原始视频的语义相关性。该指标通过丰富的数据集和创新的测试方法，提供了更符合人类感知的评价标准，并已被AAAI 2025会议录用。

本文介绍了一种基于Connection Subgraph Reasoner的少样本知识图谱补全方法，实验结果表明其优于现有技术。同时，提出了ZeroKBC基准测试，探讨零样本知识库完善的挑战。通过生成式语言模型和多维框架（KMF），解决知识图谱构建中的核心问题，提升语义相关性。ZeroG框架扩展了零样本迁移学习，显著提高跨数据集的迁移能力，而UniGraph框架则增强了对未见图的泛化能力。

本文介绍了一种基于层次交叉模态语义相关性学习模型（HCSCL）的多模态文本摘要方法，旨在处理异构内容的新闻报道。该模型通过图网络学习文本与图像的相关性，实验结果表明其摘要质量显著优于传统方法。

大型语言模型通过将嵌入向量转化为可理解的叙述，解决了嵌入向量的解释和使用问题。研究表明，这些模型在语义相关性和推理能力上优于传统模型，但在常识推理方面仍存在局限性。论文提出了一种基于对比学习的知识嵌入方法，以提高长尾实体的表征效果。

本文介绍了SemRel，一个由14种语言的母语者注释的语义相关性数据集。研究探讨了句子对之间的语义文本相关性，开发了针对非洲和亚洲语言的模型，并在SemEval-2024任务中取得了优异成绩。研究还关注数据增强和跨语言迁移，以提升低资源语言的自然语言处理性能。

本文评估了Web资源的语义相关性，并讨论了基于知识的方法作为结构型方法的替代。通过实现和评估10种不同的方法，使用DBpedia作为参考知识图谱，并应用于相同的DBpedia版本和14个黄金数据集，得出了计算DBpedia语义相关性的最佳策略。