12月31日下午，ITNLP实验室2025年度年终学术研讨会在新技术楼618会议室以线上线下结合的方式举行。研讨会由王悦同学主持，30余位师生现场参会，齐聚一堂共同回顾2025年度主要研究成果，探讨未来研究兴趣与方向。

学术报告一：提示学习赋能文本情感分析
会议伊始，卜坤同学作了题为《基于提示学习的文本情感分析方法研究》的报告。他指出，提示学习已成为大模型时代自然语言处理领域的主流方法之一，其核心目标是通过优化提示策略提升文本情感分析的精度。他从数据、泛化性、提示指令三个层面展开研究：在数据层面，通过动态提示增强策略解决标注数据稀缺问题；在泛化性层面，构建跨领域提示迁移框架提升模型在垂直领域的适应性；在提示指令层面，提出离散-连续混合提示优化方法，实现语义理解与句法关系的精准建模。该报告的主要研究成果以题为《Prompt-based data labeling method for aspect based sentiment analysis》的论文发表于International Journal of Machine Learning and Cybernetics 16, 127–142 (2025)。

学术报告二：规则强化学习增强多模态大语言模型推理能力
随后，钱顺同学分享了题为《基于规则的强化学习增强MLLM的组合推理能力》的研究。他指出，组合推理是多模态模型理解复杂场景的关键能力，但现有研究多集中于视觉-语言模型，对多模态大语言模型的关注较少。为此，他提出CR³框架，通过规则奖励和动态任务混合策略，引导MLLM在组合推理任务中学习更优策略。该报告的主要研究成果以题为《CR³：boosting compositional reasoning in MLLMs through rule-based reinforcement learning》的论文发表于AAAI 2026。

学术报告三：层级对齐策略破解商品冷启动难题
王文博同学以《基于层级结构对齐策略的偏好感知商品冷启动推荐方法》为题作了报告。针对现有冷启动推荐方法在全新商品推荐中的局限性，他提出了一种具有层级商品对齐机制的偏好感知推荐模型。该模型通过用户历史行为中的偏好信息，在商品内容特征层面实现群组级对齐，对不同相似度的全新商品采用差异化建模策略：对高相似度冷商品采用商品级对齐，对低相似度全新商品引入群组级对齐机制。同时，设计层级对比学习目标函数平衡原有商品与全新商品的推荐性能。该报告的主要研究成果以题为《Preference Aware Item Cold-Start Recommendation with Hierarchical Item Alignment》的论文发表于 IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING。

学术报告四：从示例检索到因果解释，拓展ABSA研究边界
王悦同学作了题为《从“示例检索”到“因果解释”：面向ABSA的大模型ICL示例检索与因果推理框架》的报告。她围绕“低资源场景下情感预测质量提升”与“从判断情感到解释情感”两个核心问题，首先提出动态多视角ICL框架，通过整体语义、句法结构、方面-情感语义三视角联合检索示例，并引入动态融合模块自适应调整权重，显著提升少样本 ABSA表现。其次提出神经符号因果链框架，将文本转化为显式因果影响图，通过符号搜索寻找最小可信反事实干预，实现透明的原因级解释。该报告的主要研究成果以题为《Dynamic Multi-Views In-Context Learning with Large Language Models for Aspect-Based Sentiment Analysis》论文发表于NLPCC2025。

总结与展望：砥砺前行，共赴新程

报告之后，现场的师生们就报告内容和作者们进行了深入的交流和讨论，并研讨了未来的研究兴趣、趋势和方向。同学们表示未来将继续在强化学习与训练、大模型训练、微调与应用、多模态交互与推理、智能体技术与应用、大模型高效与轻量化、大模型安全以及情感分析等方向或领域深入研究和探索。

此次研讨会不仅是一场年度主要学术成果的集中展示，更是一次珍贵的思想交流。师生们在分享中总结，在对话中启迪新知，在共同的展望中明确了前进方向。同学们彼此学习、相互砥砺，这种开放协作、共同进步的氛围，将持续为实验室的发展注入蓬勃动力与创新活力。