Page 317 - 《软件学报》2026年第4期

1758 软件学报 2026 年第 37 卷第 4 期

Meeting of the Association for Computational Linguistics. Philadelphia: ACL, 2002. 311–318. [doi: 10.3115/1073083.1073135]
[30] Zhang TY, Kishore V, Wu F, Weinberger KQ, Artzi Y. BERTScore: Evaluating text generation with BERT. In: Proc. of the 8th Int’l
Conf. on Learning Representations. Addis Ababa: OpenReview.net, 2020.
[31] Devlin J, Chang MW, Lee K, Toutanova K. BERT: Pre-training of deep bidirectional Transformers for language understanding. In: Proc.
of the 2019 Conf. of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies.
Minneapolis: ACL, 2019. 4171–4186. [doi: 10.18653/v1/N19-1423]
[32] Luo K, Liu Z, Xiao ST, Zhou T, Chen YB, Zhao J, Liu K. Landmark embedding: A chunking-free embedding method for retrieval
augmented long-context large language models. In: Proc. of the 62nd Annual Meeting of the Association for Computational Linguistics.
Bangkok: ACL, 2024. 3268–3281. [doi: 10.18653/v1/2024.acl-long.180]
[33] Sun Q, Cetin E, Tang YJ. Transformer-squared: Self-adaptive LLMs. In: Proc. of the 13th Int’l Conf. on Learning Representations.
Singapore: OpenReview.net, 2025.
[34] Sarthi P, Abdullah S, Tuli A, Khanna S, Goldie A, Manning CD. RAPTOR: Recursive abstractive processing for tree-organized retrieval.
In: Proc. of the 12th Int’l Conf. on Learning Representations. Vienna: OpenReview.net, 2024.
[35] Yu JS, Shi JL, Yang LE, Xiao D, Yang EH. Automatic Transformation of enhanced dependencies in Chinese. Journal of Chinese
Information Processing, 2023, 37(10): 26–33 (in Chinese with English abstract).
[36] Mao KL, Dou ZC, Mo FR, Hou JW, Chen HN, Qian HJ. Large language models know your contextual search intent: A prompting
framework for conversational search. In: Findings of the Association for Computational Linguistics: EMNLP 2023. Singapore: ACL,
2023. 1211–1225. [doi: 10.18653/v1/2023.findings-emnlp.86]

附中文参考文献
[4] 王友奎, 张楠, 赵雪娇. 政务服务中的智能问答机器人: 现状、机理和关键支撑. 电子政务, 2020(2): 34–45. [doi: 10.16582/j.cnki.
dzzw.2020.02.004]
[5] 程序, 谭太龙, 王苗苗. PKS 体系下基于知识图谱的政务问答机器人研究. 电子技术应用, 2023, 49(4): 128–132. [doi: 10.16157/j.issn.
0258-7998.223038]
[6] 范怡帆, 邹博伟, 徐庆婷, 李志峰, 洪宇. 常识问答研究综述. 软件学报, 2024, 35(1): 236–265. http://www.jos.org.cn/1000-9825/6913.
htm [doi: 10.13328/j.cnki.jos.006913]
[7] 王芳, 魏中瀚, 连芷萱. 政务智能问答系统评价指标体系构建与测评问题编制. 图书情报知识, 2023, 40(6): 98–111. [doi: 10.13366/j.
dik.2023.06.098]
[9] 耿云飞. 面向政务领域的任务型对话系统的研究与实现 [硕士学位论文]. 长沙: 中南民族大学, 2022.
[20] 马家宽, 王亚沙, 李刚, 梅宏. 电子政务需方参与活动对项目绩效的影响分析. 软件学报, 2012, 23(10): 2679–2694. http://www.jos.org.
cn/1000-9825/4244.htm [doi: 10.3724/SP.J.1001.2012.04244]
[23] 田 先 红 . 算 法 嵌 入 、 信 息 赋 能 与 基 层 政 府 治 理 能 力 建 设 . 政 治 学 研 究 , 2025(1): 119–134, 190. [doi: 10.3969/j.issn.1000-
3355.2025.1.zzxyj202501010]
[35] 余婧思, 师佳璐, 杨麟儿, 肖丹, 杨尔弘. 汉语增强依存句法自动转换研究. 中文信息学报, 2023, 37(10): 26–33.

作者简介
王骞玥, 硕士生, 主要研究领域为机器学习, 大模型测试时增强.
胡晋武, 博士生, 主要研究领域为大语言模型, 强化学习, 计算机视觉.
王宇丰, 博士生, 主要研究领域为大模型, 强化学习, 具身智能.
胡宇, 博士, 主要研究领域为机器学习, 多组学分析, 数据挖掘.
高浩然, 工程师, 主要研究领域为智能全栈开发技术.
邱舟强, 教授级高级工程师, 主要研究领域为机器学习.
谭明奎, 博士, 教授, 博士生导师, CCF 专业会员, 主要研究领域为机器学习, 视觉生成, 大数据分析, 大规模凸优化.