2024年3月7日，哈尔滨工业大学计算学部语言技术研究中心博士生周勇伟、王瑛瑶和徐旺顺利通过博士学位论文答辩，为自己的博士生涯划上圆满的句号。三名同学的导师均为赵铁军教授，其中周勇伟和王瑛瑶同学主要研究自动问答技术，徐旺同学主要研究关系抽取技术。            

      周勇伟同学的博士论文题目是《面向复杂问答的数值推理技术研究》，该论文主要研究了数值推理型问答这一复杂问答任务，提出了一种基于动态证据图的数值推理技术，识别上下文中答案推理证据并建模其潜在关联，该方法提升了答案推理的可解释性。在基于算子语义增强的数值推理技术方面，论文建模问题中隐含的推理算子并模拟其执行和组合过程，提升了模型的数值推理能力。为了提高数值推理的稳定性和可解释性，论文提出了一种基于程序生成的数值推理技术，在有监督与弱监督条件下均优于同类模型，都取得了良好的实验效果。此外，论文提出了一种基于大语言模型与多任务指令微调的数值推理技术，提升了模型的推理能力和领域泛化性。上述研究发表在EMNLP，TASLP，NAACL等顶级国际期刊与会议上。

      王瑛瑶的论文题目为《基于知识解析与推理的问答技术研究》。论文分别研究了基于不同类型知识源的问答系统，解决在不同知识结构下的事实解析和推理挑战。在基于单一知识源场景下，论文针对文本中以自然语言形式存储的事实知识难以解析的问题，提出了一种基于易混淆事实解析的文本问答方法，提高了文本问答系统的事实解析能力和问答性能。在使用表格和知识图谱等知识源时，论文提出了一种基于Transformer架构的结构感知编码器，提高了问答系统的知识理解能力和问答效果。对于更加复杂的使用混合知识源的场景，提出了一种多粒度证据检索与推理的问答策略，提升了混合知识问答效果。 为了进一步提升问答系统基于混合知识源的事实推理性能，论文提出了一种基于自迭代式多跳程序生成的问答框架, 提高了混合知识问答系统的跨知识源推理能力和可解释性。上述研究成果发表在EMNLP，COLING等国际会议与期刊上。

     徐旺的论文题目为《文档级关系抽取技术研究》。论文针对文档级关系抽取存在着长文本下的特征提取、标注数据资源稀少、模型可解释性不强的关键问题进行了研究。从模型优化方面，提出了基于图结构中路径特征融合的文档级关系抽取模型，提升了模型处理长文本的能力。提出基于图结构中路径重构的文档级关系抽取模型，缓解了大量没有关系的实体对对分散模型注意力的问题。从数据增强方面，提出了基于句子重要性估计的数据增强方法，缓解了直接将数据增强应用到文档级关系抽取中容易引入噪声的问题。从模型可解释性方面，提出了区分式推理模型，提高了模型的可解释性和文档级关系抽取的能力。相关研究发表在AAAI、NAACL、TALLIP等国际会议和期刊上面。

      以上三位同学的研究系统且深入，为相应的研究领域带来了有价值的分析和结果，推进了该研究方向的发展。祝愿三位同学在未来的工作中继续发挥各自的优势，在科研道路上持续进步，拥有更美好的未来！