P277﹥《物理引导的深度学习研究综述：进展、挑战和展望》

概述：尽管深度学习在处理非线性高维问题时表现出强大的能力，但在复杂科学与工程问题中仍面临诸多挑战，如高昂的计算成本、大量的数据需求、难以解释的黑盒特性，缺乏对物理规律的建模能力等。为此，近年来涌现了一种新的框架——物理引导深度学习，通过将领域内的物理知识融入深度学习模型的构建和训练过程中，旨在增强模型的性能、可解释性及其物理一致性。对国内外关于物理引导深度学习的相关工作进行了全面梳理与分析。介绍了物理引导深度学习框架的主要动机与理论基础。对物理信息组合与物理信息融合两种模式进行了详细讨论，总结了各方法的特点、局限性与应用场景。分析了物理引导深度学习在多个领域应用中的表现，并从计算复杂性与优化收敛问题、控制方程偏离问题、观测数据依赖问题与知识融合困难问题四个方面探讨了该框架目前面临的挑战，并基于此展望该领域未来的发展方向，以期为研究者提供借鉴思路及多维度视角。

作者简介：陈冲，博士，中国石油大学（北京）人工智能学院副教授，CCF会员，主要研究方向为机器学习、信息融合、机器学习可解释等；E-mail: chenchong@cup.edu.cn。

朱啸宇，硕士，中国石油大学（北京）人工智能学院，主要研究方向为物理引导深度学习。

引用：陈冲, 朱啸宇,等. 物理引导的深度学习研究综述：进展、挑战和展望[J]. 计算机科学与探索,2025,2: 277-294.

全文：点击下载

P295﹥《时序知识图谱构建研究综述》

概述：知识图谱作为连接数据、知识和智能的桥梁，已被广泛应用于辅助搜索、智能推荐、问答系统、自然语言处理等多个领域。然而，随着应用场景的不断拓展，传统静态知识图谱逐渐暴露出在处理动态知识方面的局限性。时序知识图谱的出现弥补了这一缺陷，它将时间信息融入图谱结构，能够更准确地表示知识的动态变化。对时序知识图谱的构建进行了全面的研究，介绍了时序知识图谱的概念，明确了其在处理动态知识时的价值。解析了时序知识图谱构建流程，将其核心过程划分为知识抽取、知识融合和知识计算三大环节。对每个阶段进行了梳理，明确了任务定义，总结了研究现状，并探讨了大语言模型在这些任务中的应用。在知识抽取阶段，重点关注命名实体识别、关系抽取和时间信息抽取；在知识融合阶段，探讨了实体对齐和实体链接；在知识计算阶段，聚焦于知识推理。深入分析了每个阶段面临的挑战，并针对特有挑战展望了未来的研究方向。

作者简介：陆佳民，博士，河海大学计算机与软件学院副教授，CCF会员，主要研究方向为分布式时空数据存储与处理技术、领域知识图谱管理等。

冯钧，博士，河海大学计算机与软件学院教授，CCF杰出会员，主要研究方向为时空间数据管理、智能数据处理、数据挖掘、水利信息化等；E-mail: fengjun@hhu.edu.cn。

引用：陆佳民, 张晶,等. 时序知识图谱构建研究综述[J]. 计算机科学与探索,2025,2: 295-315.

全文：点击下载

P344﹥《基于深度学习与大语言模型的序列推荐研究进展》

概述：推荐系统旨在解决传统信息检索系统中信息过载的问题，并且致力于向用户推荐个性化感兴趣的内容。人与系统交互的行为具有一定的顺序性，在提供推荐时需要将其纳入考虑，这就是序列推荐系统。序列推荐系统通过分析用户行为序列，捕捉用户偏好的动态变化，为电子商务、社交媒体和在线视频等多个领域提供精准的个性化推荐服务。全面阐述了序列推荐系统的当前研究进展，并探讨了其在个性化推荐领域的重要性与应用潜力。定义了序列推荐的研究问题，明确了推荐序列的核心目标和挑战。详细分类并总结了序列推荐的主要技术，包括：基于马尔可夫链的传统方法，该方法在建模用户行为序列时依赖于状态转移概率；深度学习驱动的方法，利用神经网络模型来捕捉长期依赖关系与复杂模式；混合模型方法，结合多种算法来增强推荐系统的准确性和鲁棒性；以及新兴的基于大语言模型的方法，这些方法通过引入预训练的大语言模型来提升对用户行为和推荐内容的理解能力。展望了未来的研究方向，强调了上下文感知、多模态融合、因果推断、垂直领域特定大语言模型以及缓解幻觉问题等研究点的重要性。

作者简介：徐凤如，南京航空航天大学计算机科学与技术学院/人工智能学院硕士研究生，CCF学生会员，主要研究方向为推荐系统、大语言模型等。

李博涵，博士，南京航空航天大学计算机科学与技术学院/人工智能学院副教授，CCF高级会员，主要研究方向为时空数据库、知识图谱、自然语言处理、推荐系统等；E-mail: bhli@nuaa.edu.cn。

引用：徐凤如, 李博涵, 胥帅. 基于深度学习与大语言模型的序列推荐研究进展 [J]. 计算机科学与探索,2025,2: 344-366.

全文：点击下载

P429﹥《改进YOLOv8模型实现多类型肺结节检测》

概述：目前，肺结节检测通常是对实性肺结节的单一型检测，不同类型肺结节对应多种肺癌类型，多类型检测有助于提高肺癌的整体检出率，提升治愈率。为实现对实性、混合型、磨玻璃型多类型肺结节检测，对YOLOv8模型进行针对性改进。提出RepViTCAA模块对主干部分的C2f模块进行改进，提升微小肺结节检测精度并对模型进行轻量化设计。提出ECLA-HSFPN模块，重建模型特征融合部分，提升尺度不固定肺结节检测精度。将KAN网络融入模型当中，基于KAN网络非线性特征学习能力强的特性，进一步提升微小肺结节检测精度，增强模型泛化能力。基于Inner-IoU辅助框思想，对CIoU损失函数进行改进，进一步解决肺结节尺度不固定问题，提升模型检测精度。在LUNA16数据集中进行测试，改进模型相比原模型及YOLOv9、RT-DETR等主流模型各项评价指标均有提升。在4种类型（实性、磨玻璃型、混合型、微小型）肺结节的专项数据集中测试，改进模型检测效果优于原模型。在LUNA16与本地医院的混合数据集中进行泛化性测试，改进模型具有较强的泛化能力。针对多类型肺结节检测任务，模型的改进较为有效，可以准确检测不同类型的肺结节。

作者简介：包强强，内蒙古科技大学数智产业学院硕士研究生，CCF学生会员，主要研究方向为医学图像处理、深度学习。

唐思源，硕士，内蒙古科技大学包头医学院计算机科学与技术学院教授，CCF会员，主要研究方向为医学图像处理、深度学习；E-mail: 617682453@qq.com。

引用：包强强, 唐思源,等. 改进YOLOv8模型实现多类型肺结节检测 [J]. 计算机科学与探索,2025,2: 429-442.

全文：点击下载

P443﹥《基于改进YOLOv8算法的鱼眼图像下行人检测》

概述：针对现有目标检测算法在鱼眼图像下行人检测中存在定位不准确、检测精度不足等问题，提出了一种面向鱼眼图像检测的YOLOv8改进算法。该方法通过加入角度参数，设计了ProbIoU-r算法，利用缩放因子调整角度差异对损失的影响，增强模型在梯度计算中对边界框角度偏移的关注，解决了原始IoU在旋转目标检测定位不精确、边界框拟合效果差等问题，使YOLOv8网络模型具有更好感知旋转目标的能力。为提高模型对鱼眼图像失真目标的特征提取能力同时提升检测精度，提出以多尺度卷积和注意力机制为分支的Parnet-gcs模块，通过不同卷积核的DWConv提取不同尺度的特征信息，并结合CA和SA模块以增强模型特征表达能力。实验采用公开的鱼眼图像数据集WEPDTOF，改进后算法相比原始YOLOv8s检测精度mAP0.50:0.95增加了2.3个百分点；相比YOLOv8m算法参数量减少了38.8%，同时精度mAP0.50:0.95也高出0.5个百分点，说明基于YOLOv8s改进后的算法能够更好适用于鱼眼图像下行人检测任务。

作者简介：朱玉敏，安徽建筑大学 电子与信息工程学院硕士研究生，主要研究方向为图像处理、目标检测。

孙光灵，硕士，安徽建筑大学电子与信息工程学院副教授，硕士生导师，CCF会员，主要研究方向为机器学习、图像处理；E-mail: sunguangling@163.com。

引用：朱玉敏, 孙光灵, 缪飞. 基于改进YOLOv8算法的鱼眼图像下行人检测 [J]. 计算机科学与探索,2025,2: 443-453.

全文：点击下载