P3131﹥《大语言模型自动化提示工程技术研究综述》

概述：基于提示学习的提示工程对于提升大语言模型的技术可及性、加速其推广扩散与应用开发至关重要。传统的提示工程过度依赖于提示词设计者的领域知识和使用经验，且不易满足提示空间较大的任务；相比之下，自动化提示工程能够自动化或半自动化地生成或优化提示词，以探索大规模的提示词组合，并通过自动优化技术提升提示词生成的稳定性。然而目前仍缺乏对自动化提示研究的系统性综述，因此，及时跟进该领域的最新研究成果，详细梳理并评述自动化提示工程的实现形式，提出自动化提示工程的未来研究方向。依据自动化提示工程实现形式在逻辑推理和效能导向两个维度的取舍上，将其分为基于思维链的自动化提示工程、基于类机器学习模型的自动化提示工程、基于进化算法的自动化提示工程以及使用预训练包的即插即用系统。全面评估自动化提示工程技术，构建其工作原理的理论解释框架，评估各类实现形式的适用性与局限性。最后，展望多模态大模型、强推理模型以及智能体中自动化提示工程的发展趋势。

作者简介：巴泽智，硕士，中国科学技术大学网络空间安全学院，主要研究方向为机器学习、人工智能安全、大模型安全与风险。

张辉，博士，中国科学技术大学公共事务学院副教授，主要研究方向为人工智能治理、网络空间治理等；E-mail: zhanghui.pas@ustc.edu.cn。

引用：巴泽智, 张辉, 谢铮涵, 等. 大语言模型自动化提示工程技术研究综述[J]. 计算机科学与探索,2025,12: 3131-3152.

全文：点击下载

P3224﹥《面向推荐系统的多模态生成研究综述》

概述： 随着大语言模型与多模态生成模型的快速发展，推荐系统正从“匹配现有内容”向“生成个性化内容”的范式转型，催生了个性化多模态生成这一新兴研究方向。个性化多模态生成强调根据用户历史行为与生成目标指令，输出可直接用于推荐流程的符合用户偏好的文本、图像、音频或视频内容，从而提升用户体验与推荐系统的效果。尽管近年来相关技术快速演进，已有研究在图像、文本等模态生成中初步展现出良好效果，但在方法定义、关键技术、任务共性与研究范式等方面仍缺乏系统总结与统一视角。为此，聚焦推荐场景中的个性化多模态生成问题展开系统性综述，率先界定了“偏好捕捉、目标内容与个性化生成”的三元建模关系，将个性化多模态生成严格限定为：在推荐系统中，基于用户历史行为和画像所捕捉的个性偏好，生成直接作为推荐候选或展示内容的多模态输出（如封面图、新闻标题、音视频片段等），而非一般意义上的开放式文生图或对话生成任务。随后构建统一的技术框架，围绕“偏好与目标建模”“偏好注入与生成器结构”“优化策略与个性化输出”三大核心模块展开，并结合图像、文本、音频与跨模态任务总结典型技术路径和应用场景。此外，对现有评估指标及其在衡量个性化与推荐有效性方面的局限进行了批判性分析，并讨论大型多模态模型在推荐系统中的适配性、推理效率与安全性挑战。最后展望未来的发展方向，希望为个性化多模态生成研究提供系统化参考。

作者简介：张瑞，博士，华中科技大学计算机科学与技术学院教授，博士生导师，主要研究方向为大数据、人工智能、大模型、多模态生成、推荐与搜索系统等；E-mail: rayteam@yeah.net，https://www.ruizhang.info。

卞志鹏，华中科技大学计算机科学与技术学院博士研究生，主要研究方向为大语言模型、个性化生成等。

引用：张瑞, 卞志鹏. 面向推荐系统的多模态生成研究综述 [J]. 计算机科学与探索,2025,12: 3224-3242.

全文：点击下载

P3328﹥《基于大模型验证增强的产业链知识图谱构建研究》

概述：随着产业链分析的深入和信息化需求的增长，如何从海量文本中高效抽取企业及产业间的供需关系并构建产业链知识图谱，成为当前研究的主要问题。基于此，提出了一种基于大语言模型验证增强的产业链知识图谱构建方法。在概念层，设计了以“产业-企业”双视角的图谱构建层级体系，实现企业与产业的映射关系。在数据层，对结构化数据利用大语言模型进行知识抽取，构建产业链标注语料库（CERIC）。对于非结构化数据，设计了一个验证增强的大模型数据抽取框架VRTE-LLM。该框架使用CERIC语料库对大语言模型微调训练，以提升其在特定领域的知识理解与信息抽取能力，并根据任务需求和文本上下文，修正关系三元组中的完整性错误与偏差错误，通过使用预定义的规则库对三元组进行验证。实验结果显示，该框架在实体识别与关系抽取任务中分别达到80.9%与83.9%的准确率。所构建的产业链知识图谱包含39 627个三元组，涵盖四大产业领域、70余家企业的知识图谱，覆盖产业链上下游各关键环节，为产业链进行量化分析、趋势预测提供技术支持。

作者简介：郑傲泽，郑州大学计算机与人工智能学院硕士研究生，主要研究方向为自然语言处理、大语言模型、信息抽取等。

张坤丽，博士，郑州大学计算机与人工智能学院副教授，主要研究方向为自然语言处理、人工智能等；E-mail：ieklzhang@zzu.edu.cn。

引用：郑傲泽, 张坤丽, 李云龙, 等. 基于大模型验证增强的产业链知识图谱构建研究[J]. 计算机科学与探索,2025,12: 3328-3339.

全文：点击下载

P3340﹥《基于模态对齐与音视频极性向量辅助的多模态情感分析》

概述：针对三种模态特征融合不充分与音视频情感极性表达较弱的问题，提出一种基于模态对齐与音视频极性向量辅助的多模态情感分析方法（MA-PVA）。设计了模态对齐层，利用跨模态注意力机制，对音视频特征中与文本无关的情感信息进行过滤，减少不同模态间特征表达差异，将筛选结果用于增强文本模态，使文本与音视频模态特征充分融合。设计了音视频极性向量辅助任务，用于增强音视频情感极性。上述结构与预训练语言模型进行交互，能够得到更丰富的文本模态特征，以提升最终情感预测效果。所提方法在公开基准数据集CMU-MOSI与CMU-MOSEI上进行了大量实验，结果显示与最优基线方法相比，在CMU-MOSI数据集上二分类准确率分别为88.1%、89.9%，提升了0.6、0.3个百分点，七分类准确率为52.2%，提升了4.8个百分点；在CMU-MOSEI数据集上，二分类准确率分别为85.9%、87.5%，提升了1.2、0.4个百分点，七分类准确率为54.7%，提升了0.2个百分点。实验结果表明所提方法超越当前诸多性能先进的方法，有效地提高了情感分类的准确度。

作者简介：李泽龙，中国人民公安大学信息网络安全学院硕士研究生，主要研究方向为多模态情感分析。

卢树华，博士，副教授，中国人民公安大学信息网络安全学院 / 安全防范技术与风险评估公安部重点实验室，主要研究方向为安全防范技术；E-mail：lushuhua@ppsuc.edu.cn。

引用：王,姚, 刘,等. 基于模态对齐与音视频极性向量辅助的多模态情感分析[J]. 计算机科学与探索,2025,12: 3340-3352.

全文：点击下载

P3412﹥《采用改进白鹭群优化算法的机械臂时间最优轨迹规划》

概述：针对机械臂轨迹规划任务中角速度和角加速度的选择过于保守，且采用传统白鹭群优化算法优化机械臂运行轨迹时易陷入局部最优，进而导致整个动作的完成时间过长等问题，提出一种改进白鹭群优化算法（IESOA），并将其应用于机械臂时间最优轨迹规划任务中。引入Sinusoidal混沌映射作为种群初始化方法以增强种群多样性；利用莱维飞行的长尾分布跳跃机制避免算法陷入局部最优，提升算法的全局搜索能力；采用自适应t分布动态调整自由度参数v，在提高优化精度与收敛效率的同时平衡算法的全局搜索与局部开发能力。为验证改进算法的优越性，将改进后的算法与包含传统ESOA在内的5种同类算法进行收敛性分析、Wilcoxon秩和检验以及机械臂轨迹规划对比分析。实验结果表明，相较于对比算法，IESOA在单峰、多峰函数以及固定维数多峰函数上均有较好的寻优精度和稳定性。同时，在机械臂轨迹规划实验验证中，经IESOA优化后的机械臂轨迹曲线平滑且无突变，运行时间及其标准差均优于对比算法，验证了IESOA在解决机械臂时间最优轨迹规划问题中的优越性和鲁棒性。

作者简介：孙建华，新疆大学机械工程学院硕士研究生，主要研究方向为模式识别与智能控制技术、机械臂轨迹规划等。

何丽，博士，新疆大学机械工程学院教授，博士生导师，CCF 会员，主要研究方向为模式识别与智能控制技术、化工园区安全风险管控辅助决策技术等；E-mail：xju_heli@163.com。

引用：孙建华, 何丽, 王宏伟, 等. 采用改进白鹭群优化算法的机械臂时间最优轨迹规划[J]. 计算机科学与探索,2025,12: 3412-3428.

全文：点击下载