Beyond Similarity: Bridging the Interpretability Gap in Intertextual Analysis with LLM-Driven Annotation — A Case Study of the Analects and the Book of Han

超越相似度：以大语言模型驱动的标注弥合互文分析的可解释性鸿沟——以《论语》与《汉书》个案研究为例

作者：王兆基、司宛玉、王军

研究发现，约37%的引用承担应用功能，把抽象伦理转化为行政实践，如将《论语》为政主张落实为减免赋税等政策。约60%的引用未标明出处，说明《汉书》成书时《论语》话语已内化为知识阶层共识，这种隐而不彰的引用反而透露出更深的思想权威。引用密度显示，列传最高，远超其文本占比，印证汉代正统观念主要通过官员士人的实践，而非自上而下的诏令确立。

今日责编：双玉酝

袁毓林 著

商务印书馆

2026年5月出版

相关链接：

新书推介|袁毓林《汉语意合语法理论和语义推理机制研究》

新书 丨《ChatGPT和语言学的梦醒时分：语言大模型对语言学的挑战与启示》出版

= END =

以上会议征稿内容来自DHd2027官方网站：

https://digitalhumanities.de/en/2026/06/01/call-for-papers-dhd2027/

更多征稿详情请进官网查询，如需转载请后台私信联系

编译｜罗斯鹏

校对｜魏翔

排版｜洪冰凤

转载请注明“刊载于《数字人文研究》2025年第4期”；参考文献格式：冉凌宇.融合语义理解与图谱推理的党史文献模糊指代消解方法[J].数字人文研究,2025,5(4):84-98.全文PDF已在知网、万方及编辑部网站（http://dhr.ruc.edu.cn）上发表，此处注释及参考文献从略。

融合语义理解与图谱推理的党史文献模糊指代消解方法

冉凌宇

摘要：党史文献因广泛使用化名、代称并蕴含复杂隐性关联，其智能化处理面临严峻挑战。研究提出一种融合多策略语义理解与动态知识图谱推理的模糊指代消解方法，以解决该领域存在的语义鸿沟、时序演变与证据稀疏性三大难题。该方法构建了覆盖万余实体的党史领域词典与化名—真名映射库以注入先验知识；采用领域词典引导的负样本采样策略对预训练语言模型进行微调，增强其对特定表达的语义感知能力；最终在自建的时序知识图谱上，运用时间约束的图神经网络推理算法进行隐性关联挖掘与一致性校验。实验表明，该方法在权威评测指标上综合F1值达到80.6%，显著优于现有基线模型，并能有效发现深层历史关联。研究成果已集成至可视化原型系统，为党史研究提供了可靠的智能化工具。

关键词：模糊指代消解; 党史文献; 时序知识图谱; 图神经网络; 预训练语言模型

作者简介：冉凌宇，重庆邮电大学马克思主义学院讲师，Email：jadecrane@139.com 。

0  引言

党史文献作为记录中国共产党百年奋斗历程的珍贵宝藏，其独特的文本特征——包括高密度的化名使用、错综复杂的代称指向以及隐藏在字里行间的隐性关系网络，使其具有重要的历史价值，但也为当前的整理与研究带来了严峻挑战。习近平总书记所强调的“要用好红色资源，传承好红色基因，把红色江山世世代代传下去”，凸显了党史文献系统性整理与精准解读的极端重要性和紧迫性。虽然指代模糊是中文文献处理中普遍存在的现象，但相较于一般中文文献，党史文献中的模糊指代问题具有显著的领域特殊性与历史复杂性，主要体现在以下几个方面。

首先，化名使用的系统性与政治性。党史人物常因地下工作、政治运动等原因使用多个化名，且这些化名具有明确的时代背景与政治含义，如“伍豪”特指周恩来在大革命时期，其映射关系随时间演变，而非简单的同义词替换。其次，代称的高度语境依赖。如“井冈山部”“中央区”等代称，其指代实体随历史阶段变化，需结合具体时间、地点与组织背景才能准确解读，这与现代文献中相对稳定的命名习惯形成鲜明对比。再次，隐性关联的历史逻辑性。党史文献中的关联常隐晦表述，需通过历史事件时序、组织变迁脉络等外部知识进行推理，这对模型的时序推理与多源知识融合能力提出了更高要求。最后，语言表述的时代性。文献中大量使用特定历史时期的术语、简称与隐喻（如“教条宗派”），其语义已与现代汉语有所脱节，增加了语义理解的难度。以延安大学图书馆的实践为例，为完成早期中共中央机关报的整理，投入了大量人力耗时多年进行辨认、校对与核实，不仅进程缓慢，也难以避免疏漏。高密度代称和隐性关系的识别高度依赖专家经验，难以规模化推广，更制约了深层知识挖掘与利用。因此，如何突破当前人工处理效率的局限，实现党史文献的智能化、精准化处理，已成为一项重要而急迫的学术与工程课题。这不仅对深化党史学习、传承红色基因具有重大意义，也是新时代推进党史研究和文献开发利用的关键基础。

总结而言，党史文献智能处理的核心技术挑战集中于“模糊指代消解”与“隐性关联挖掘”两个关键问题。模糊指代消解旨在识别文本中指向同一实体的多样化表述并将其正确归类，典型如党史文献中人物化名、代称与不同称谓的统一识别问题。隐性关联挖掘则致力于发现文本中未明示但可通过逻辑推理得到的深层关系，如通过行为模式、时空交集等线索推断组织隶属或历史影响等非直接陈述的关联。

解决两个问题技术上必须克服三大难点。首先是语义复杂性，文献语言具有高度时代特定性，这要求模型必须深度融合历史背景与领域知识。其次是时序动态性，人物关系与事件影响力随历史进程动态变化，模型需具备时间感知的推理能力。最后是证据稀疏性，关键线索往往分散在大量孤立记载中，要求系统具备多跳推理和协同分析能力，同时还要应对历史信息本身的不完整性与矛盾之处。这些难题的共同根源在于领域知识的有效表示与注入困难，既要构建高质量的领域词典与实体映射库，又需解决符号化知识与向量化表示之间的语义失配问题，这是当前技术尚未完全突破的关键瓶颈。

针对党史文献中模糊指代与隐性关联挖掘所面临的以上核心挑战，本研究提出一种融合领域知识、预训练语言模型与时序知识图谱推理的多层次解决方案。其核心创新在于针对性设计领域适配的微调策略与时间约束的图谱推理算法，旨在系统性地解决党史文献模糊指代消解所面临的独特挑战。

1 相关研究述评与理论基础

本节将通过系统回顾模糊指代消解的核心技术路径及其在特定领域的应用，辨析现有成果的贡献与不足，明确本研究问题的独特性和解决思路。

1.1 指代消解的技术演进：从规则到深度语义理解

指代消解（Coreference Resolution）的研究经历了显著的方法论演进。早期基于规则的方法（如Hobbs算法）依赖语言学家的句法规则，虽具可解释性但难以适应语言多变性和大规模文本。随着机器学习发展，基于统计学习的方法（如决策树、条件随机场）通过从标注数据中学习规律，提升了处理能力，但严重依赖人工特征工程，且在历史文献等标注稀疏领域泛化能力有限。当前主流是基于深度学习与预训练模型的方法。以BERT、GPT等为代表的预训练语言模型，通过大规模语料训练获取了深层上下文语义表示，在多项通用共指消解任务上取得突破。

然而，这些通用模型在处理党史文献时面临严峻挑战：历史文本中高密度的化名、代称和时代性用语构成了显著的“语义鸿沟”，而通用模型缺乏对领域特定知识的感知能力。近年来，研究前沿进一步向融入外部知识和处理复杂指代现象（如桥接回指、语篇直指）的方向发展。同时，针对汉语特点的研究也受到关注，特别是“零指代”（即无显性语言形式的指代）现象，相关研究提出了基于修辞句法树的标注框架和分类体系，为中文篇章理解提供了新视角。这些进展为本研究设计融合领域知识的深度模型提供了重要参照。

1.2 知识图谱推理：从静态关联到时序动态挖掘

知识图谱推理旨在补全缺失事实。早期表示学习模型如TransE、ComplEx，通过向量空间运算模拟实体关系，但主要处理静态二元关系。对于党史文献中动态演变的关系，这类方法显得不足。

图神经网络（GNN）的最新进展为关系推理提供了新工具，它通过消息传递聚合邻域信息来学习节点表示。时序知识图谱推理是当前热点，旨在建模实体关系随时间的变化。部分研究尝试将时间信息嵌入图结构或GNN的消息传递过程，以捕捉动态演化。然而，现有方法多假设大规模、结构规整的图谱，而党史文献构建的图谱常面临实体稀疏、关系模糊且缺乏精确时间标注的难题，直接应用先进模型效果受限。

1.3 红色文献智能化处理：通用方法与领域局限

党史文献是“红色文献”的核心组成部分，中央及地方机构已开展了大规模的红色文献整理、出版与专题数据库建设工作。当前，红色文献研究正从基础的史料整理迈向深入的“学理化阐释”，这对其智能化、精细化处理提出了迫切需求。如何从海量文献中自动、准确地抽析人物关系、事件脉络与思想关联，成为释放红色文献丰厚价值、赋能学科建设的关键技术瓶颈。然而，针对中共党史文献这一特殊领域，智能化研究尚处于起步阶段。现有研究或偏重通用技术而忽视党史文献在化名、代称、组织沿革等方面的领域特异性；或集中于档案数字化与数据库建设，在深层语义理解与隐性关联推理层面探索不足。尤其缺乏能够同时克服语义鸿沟、时序演变和证据稀疏性三大挑战的端到端解决方案。

综上，当前研究存在如下空白：第一，技术融合不足，缺乏将深度语义理解（特别是适应领域特性的预训练模型微调）与动态时序知识图谱推理进行深度融合的端到端框架；第二，领域适配欠缺，现有共指消解模型未能有效注入和利用党史领域庞大的先验知识（如化名—真名映射、组织沿革），以解决语义鸿沟问题；第三，时序建模薄弱，在知识推理环节，多数方法未能将时间约束作为核心机制嵌入模型，难以应对党史中实体关系的动态演变。因此，本研究提出一个融合领域知识、预训练模型微调及时序图谱推理的多层次解决方案。

2  多策略融合的模糊指代消解模型构建

本研究提出的方案先采用分层递进的架构设计，通过构建党史领域专用词典与规则库为模型注入先验知识，有效应对术语与代称的领域特异性问题。继而利用经大规模语料预训练的语言模型通过领域适配的微调策略，增强对党史文本语义表示与上下文依赖的深层捕捉。最终将识别出的实体与关系置于融入了时间属性的动态知识图谱中，运用基于时序约束的图谱推理算法实现跨片段、跨文档的隐性关系挖掘与一致性校验。

这一框架的核心创新体现在两个方面：一是领域适配的微调策略，通过在预训练模型微调阶段引入党史领域词典引导的负样本构造方法和实体感知的遮蔽机制，使模型在学习过程中不仅依赖通用语义表示，更显式地关注领域内实体、化名及典型表达模式，从而有效缩小通用模型与党史文献之间的语义鸿沟。二是基于时序约束的图谱推理算法，该算法将时间信息作为“一等公民”嵌入至图神经网络的消息传递与表示学习过程中，使实体关系推理能够严格遵循历史事件发生的先后顺序与时效性约束，例如仅允许在特定时间窗口内可能存在的关系才被纳入推理路径，从而克服因时序演变而导致的关联歧义与证据断裂问题，为隐性关系的发现提供更加可靠且可解释的计算框架。

2.1 整体技术框架

本研究的整体技术框架是一个端到端的流水线系统（图1），它从原始党史文献文本的输入开始，经过一系列逐步深化的计算模块，最终输出经过消解的实体指代和挖掘出的隐性历史关联。

图1 多策略融合的模糊指代消解模型技术路线图

整个流程首先进入文本预处理与领域词典匹配模块（图1模块一），这里采用基于规则和词典的方法对原始文本进行初步清洗和结构化，包括句子分割、词汇切分以及词性标注等基础自然语言处理操作，更重要的是利用事先构建的党史领域实体词典和化名—真名映射库进行快速模式匹配。例如当文本中出现“伍豪”“周翔宇”等字符串时，系统能立即将其映射到实体“周恩来”并打上相应标签，这种基于词典的快速匹配不仅为后续深度语义模型提供了强领域先验，也显著降低了模型的计算负担和歧义程度。正如信息检索领域长期验证的高效关键词匹配技术如AC自动机或多模式匹配算法所展现的那样，能够为后续复杂模型提供可靠的预处理基础。

随后经过初步标注的文本进入语义模型精细计算模块（图1模块二），这里采用经过领域适配微调的预训练语言模型如RoBERTa或ERNIE进行深度语义表示和指代消解计算。具体而言，模型会接收带有领域标签的文本序列，通过其多层Transformer结构捕获上下文敏感的词汇表示，并特别关注那些未被词典覆盖的潜在指代项和模糊表述。模型微调过程中采用领域词典引导的负样本采样策略，例如刻意构造化名—真名混淆的样本以增强模型对党史特定表达的判别能力，其核心评分函数可形式化地表示为对候选指代链的似然评估：

其中公式中符号的含义为：表示在给定输入文本的条件下预测指代链的概率分布；W代表线性变换层的权重矩阵；表示预训练模型输出的特殊标记对应的上下文表示向量，该向量捕获了整个输入序列的语义信息；b表示偏置向量。整个模型通过最大化正确指代链的似然概率进行优化，这种设计使得模型既能够利用预训练获得的通用语言理解能力，又能够通过领域微调适应党史文献的特殊语义环境。

最终，经过语义模型处理后的实体和关系被送入时序知识图谱构建与推理模块（图1模块三），在这里系统会依据实体识别结果和关系抽取结果动态构建一个包含时间属性的知识图谱，其中每个事实三元组都被赋予相应的时间戳或时间范围标签。随后基于时序约束的图神经网络推理算法开始工作，该算法通过消息传递机制沿时间轴聚合邻域信息。例如当推断某个历史人物在特定时期可能的关系网络时，算法会自动过滤掉不在该时间窗口内的关联边，从而确保推理结果既符合语义逻辑又满足时序一致性。其图卷积操作可表示为：

其中公式中符号的含义为：表示节点i在第l+1层的特征表示；σ表示非线性激活函数如ReLU；N(i)表示节点i在时序约束下的邻居节点集合；表示节点i与节点j之间的注意力权重，该权重计算融入了时间一致性约束确保只有时间上合理的邻居节点才会被考虑； 表示第l层的可学习权重矩阵； 表示邻居节点j在第l层的特征表示。这种时序感知的图推理机制能够有效克服党史文献中常见的时间证据稀疏和关系动态演化问题，从而为隐性历史关联的发现提供可靠的计算框架。

2.2 领域知识导入

领域知识导入的核心在于构建高质量、高覆盖的党史领域词典与规则库，这是整个系统能够准确识别文献中化名、代称及隐性关系的基石，其构建过程首先依赖于对权威党史资料的系统性梳理，包括但不限于《中国共产党历史大事记》《中共党史人物传记》以及中央文献出版社出版的系列丛书。通过人工精读与专家校验相结合的方式从中提取标准实体名称、历史事件名称、重要机构名称以及地理名称等形成基础实体词典，每个实体都赋予唯一标识符并关联其属性信息如出生年份、职务变动、重要活动时间等。例如从《中共党史人物别名录》中系统收录“毛润之”映射至“毛泽东”“李德胜”映射至“毛泽东”等一系列化名与真名的对应关系。同时根据《中国共产党组织史资料》建立组织机构的历史名称演变链条，如“中共中央北方局”与“中共中央华北局”在不同时期的隶属关系与职能变迁。

在化名—真名映射库的构建中不仅需要建立静态对应表，更要充分考虑历史语境下化名使用的时空特性，因此每个映射关系都会附加时间有效期字段与上下文使用场景注释。例如“伍豪”作为周恩来的化名主要在大革命时期至延安前期使用，而“胡公”则是其在上海地下工作时期的常用代称，这种时空约束的映射关系能极大提升后续推理模块的准确性。映射库的构建采用半自动化流程，首先基于已有史料建立初步映射表，然后通过算法在大量党史文献中进行匹配验证与冲突检测，当发现同一化名在不同时期可能指向不同人物时，自动标记需要人工介入校验的冲突项，其验证过程可以形式化表示为：

其中Verify表示验证函数，其输出为1或0，分别代表验证通过或不通过；alias表示待验证的化名字符串；entity表示待验证的标准实体名称；表示当前文献的时间上下文，以年份数值形式表示；K表示化名—真名知识库，是一个包含多条映射记录的数据集合；∃是存在量词符号，表示至少存在一条满足条件的记录；和分别表示某条映射记录中化名使用的起始时间和结束时间，共同定义了该化名的有效使用时段。整个公式表示只有当知识库中存在一条映射记录，且当前时间上下文t处于该记录定义的有效时间范围内时，验证才会通过。

针对党史文献中频繁出现的典型指代模式还需构建一套多层级的匹配规则库，这些规则不仅包括简单的字符串匹配，如“陕北”代指“陕甘宁边区”，更包含基于上下文的推断规则，如当文本中出现“红一方面军”与“中央红军”且在1935年左右的语境中应视为同一实体。规则库采用声明式语法描述便于维护与扩展，每条规则由触发模式、约束条件与映射动作三部分组成，例如一条典型的位置代称规则可表示为：

PATTERN: ["陕北", "陕甘宁"]

CONSTRAINT: year >= 1937 AND year <= 1947

ACTION: MAP_TO("陕甘宁边区")

在这段规则代码中：PATTERN 是模式匹配关键词，后面跟着的列表["陕北", "陕甘宁"]表示需要匹配的文本模式，即当文本中出现这两个词中的任何一个时可能触发此规则。CONSTRAINT 是约束条件关键词，后面的逻辑表达式 year >= 1937 AND year <= 1947 表示此规则仅在文献时间处于1937—1947年间才会被激活，其中year是一个系统变量，表示从文献元数据或内容中提取的时间信息。ACTION 是动作关键词，MAP_TO("陕甘宁边区")表示当模式匹配且约束条件满足时，系统将把匹配到的文本映射到标准实体“陕甘宁边区”。

这套规则库与词典共同构成领域知识的核心载体，通过将其嵌入到预处理与语义计算模块中，系统能够显著提升对党史文献中复杂指代的识别精度，为后续深度学习模型提供强领域先验的同时也增强了整个系统的可解释性，这正是历史文献处理中不可或缺的可靠性保障。

2.3 基于预训练模型的语义消解模块

基于预训练模型的语义消解模块首先需要解决如何将非结构化的党史文献文本转化为模型可处理的规范化输入格式，这里的数据预处理流程在继承前序模块输出的领域词典标注基础上进一步深化。具体而言，每个文本片段都会被转换为一个带有丰富标注信息的序列结构，其中包括原始词汇、词性标注、实体类型标注，以及从文献元数据中提取的时间信息标注。特别重要的是对时间信息的处理，我们采用统一的时间标准化方法，即将所有日期表达转换为标准时间戳格式，同时为每个文档片段自动生成一个时间上下文向量：

其中表示时间上下文向量，表示该文献片段描述事件的可能最早发生时间，表示该文献片段描述事件的可能最晚发生时间，方括号表示向量封装，即这是一个包含两个时间元素的二维向量。在标注方案设计上采用BIO标注体系对实体提及进行标记，但同时扩展了时间维度的标注信息，每个实体提及不仅标注其类型，还标注其时间属性。例如“伍豪(1932)”表示这个提及在1932年上下文中出现，这样的设计使得模型能够显式地学习到指代现象随时间演变的规律。

在模型选型方面我们选择RoBERTa作为基础预训练模型而非原始BERT，这主要因为通过改进训练策略如移除Next Sentence Prediction任务，采用更大批次训练和更长时间训练等方式，RoBERTa在多项自然语言理解任务上展现出的性能优势。更重要的是，RoBERTa的动态掩码机制使得模型在多次训练周期中看到不同掩码模式的同一文本，这特别适合党史文献这种训练数据相对稀缺的场景，能够有效提升模型的泛化能力。此外，RoBERTa在大规模中文语料上的预训练效果已经得到多项研究的验证。

针对党史文献指代消解的特殊需求，我们设计了一套领域自适应的微调策略，其核心是一个多任务学习框架同时优化指代链预测和时序一致性验证两个相关任务。在损失函数设计上我们采用加权多任务损失函数：

其中 是指代消解的主损失函数，采用标准的交叉熵损失；是时序一致性验证的辅助损失函数，和 采用对比损失；为平衡两个任务重要性的超参数。指代消解损失函数具体定义为：

这里N表示训练样本数量；表示候选指代链类别数；是指示函数当样本i属于类别j时为1，否则为0； 是模型预测样本i属于类别j的概率。

在正负样本构造策略上，我们采用基于领域词典的引导式采样方法，正样本包括明确的历史人物化名对应关系，如“伍豪—周恩来”；负样本则包括刻意构造的时序冲突样本，如在1920年文本中出现“总书记”指代（此时中国共产党尚未成立）；以及语义相似但实际不同的混淆样本，如“中央局”与“中央分局”这类容易混淆的组织机构名称。这种样本构造方式确保模型不仅学习语义相似性，还要学习时序约束和细粒度语义差异，从而全面提升在党史文献上的指代消解精度和鲁棒性。

2.4 时序知识图谱构建与推理模块

时序知识图谱构建与推理模块的核心在于建立一个能够捕捉历史动态演变的知识表示与推理框架，其图谱模式设计采用扩展的时间四元组结构而非传统的三元组，即每个事实表示为（头实体，关系，尾实体，时间戳），其中时间戳不仅可以是一个具体的时间点，也可以是一个时间区间。这种设计使得图谱能够准确记录诸如“毛泽东1935—1943年担任中共中央军委主席”这样的时效性事实。在存储方案上，我们采用时态图数据库进行存储，每个实体和关系都带有有效时间属性，同时建立专门的时间索引以支持高效的时间范围查询，这种存储方式使得系统能够快速检索特定时间段内的子图结构，为后续的时序推理提供数据基础。

隐性关联推理算法采用我们专门设计的时序图神经网络模型（T-GNN），该模型在传统图神经网络的基础上引入了时间感知的消息传递机制。其核心思想是在信息聚合过程中加入时间约束，确保只有时间上合理的邻居节点才能参与信息传递。具体而言，对于每个实体节点i在时间t的表示更新过程可以表示为：

其中 表示实体i在第l层神经网络、时间下的特征表示向量，l代表神经网络的层数深度；α代表非线性激活函数，如ReLU或Sigmoid，用于引入模型的非线性表达能力；和 是第l层中分别用于更新节点自身状态和聚合邻居状态的可学习权重矩阵； 表示实体i的邻居节点集合； 是一个计算得到的时间感知注意力权重，用于衡量在时间下邻居节点j对当前节点i的重要性，其值介于0和1之间； 则是邻居节点j在第l层、时间t的特征表示。

是时间感知的注意力权重，计算方式为：

这里是代表时间上下文的时间特征向量；和是将时间和节点特征映射到同一向量空间的可学习参数矩阵；a是注意力机制中的参数向量，用于计算注意力能量；∥表示向量拼接操作,用于将不同来源的特征信息组合在一起；Leaky Re LU是一种改进的激活函数，允许较小的负值梯度通过，有助于缓解梯度消失问题；k是求和索引，代表节点i的所有邻居节点。

在链接预测任务中我们采用时间约束的评分函数，对于候选三元组（h,r,）

其存在概率得分为：

其中、和  分别是在时间τ下的头实体、尾实体和关系的表示向量。这些向量通过T-GNN模型在特定时间片上的前向传播计算得到。 是一个与特定关系r相关的可学习变换矩阵； 表示向量的L2范数的平方，用于衡量向量之间的欧几里得距离。整个推理过程的伪代码实现如下：

这个算法首先从时序知识图谱中提取时间窗口内的子图确保覆盖相关时间上下文，然后通过T-GNN模型计算所有实体在时间下的表示，最后对每个候选实体计算时间约束的链接预测分数并返回最可能的结果。这种方法不仅能够进行准确的时序链接预测，还能发现诸如“某人在特定时期与哪些组织存在潜在关联”这类隐性关系，为党史研究提供深层次的洞察力支撑。

3 实验分析、案例研究与系统应用

3.1 实验设置与基线模型

为系统评估本研究提出方法的有效性，我们构建了一个专门针对党史文献模糊指代消解任务的数据集，该数据集源自中央文献出版社出版的《中国共产党历史》第一卷和第二卷、《毛泽东年谱》以及从中央档案馆精选的100份1949年前党内文件。这些文献经过重庆邮电大学马克思主义学院三位党史专家历时六个月的精细标注，不仅标注了文本中所有实体提及及其共指链关系，还额外标注了每个提及的时空上下文信息以及难以通过表面字符串匹配发现的隐性关联。最终数据集包含12,857个文档片段、45,632个实体提及和9,741条共指链，其中化名与代称的复杂案例占比达到37.5%，充分反映了党史文献处理的特殊挑战性。

数据集的划分遵循机器学习标准实践，按7:1.5:1.5的比例随机划分为训练集、验证集和测试集，并确保各集合中文档类型（著作、年谱、文件）的比例基本一致，以避免分布偏差。

在标注质量把控方面，我们实施了严格的流程：（1）规范化：编撰了详细的《党史文献实体与共指标注指南》，明确化名、代称、隐性关联的标注标准与边界案例；（2）迭代与培训：标注过程采用多轮迭代，每轮后组织专家对争议案例进行讨论并更新指南，对标注员进行统一培训；（3）交叉校验：每份文献最终由一位专家标注、另一位专家校验，并以计算随机子样本的标注者间信度达到0.85以上为标准来量化评估标注一致性。

针对专家标注不一致的情况，处理流程如下：首先由两位标注专家进行讨论协商；若无法达成一致，则提交至由第三位资深党史研究员担任仲裁专家，依据史料和指南做出最终裁定，并将此案例作为典型补充至标注指南中。

关于数据可用性，由于所涉党史文献的权威性与敏感性，原始全文语料及完整标注数据集暂不适用于公开开源，以恪守文献管理规定。但为促进学术交流与技术复现，我们计划在论文发表后，在严格遵守数据安全与隐私规范的前提下，于项目主页（网址待定）提供经脱敏处理的样例数据集、完整的标注指南及实体词典，供学界同行参考。研究者亦可通过正式学术合作途径，联系作者申请受限访问部分数据。

在评估指标选择上，我们采用共指消解研究社区广泛认可的MUC、B-CUBED和CEAF三指标综合评价体系。其中MUC指标最早由MUC-6会议提出，并由Luo（2005）系统分析了其通过计算共指链间最小链接操作数来评估mention-pair一致性的原理；B³指标由Amigó等人提出，其核心思想是基于每个项（item）的精度和召回率进行平均，该指标后被引入共指消解领域，用于评估提及（mention）层次的链接一致性；CEAF指标也由Luo提出，该指标通过寻找系统输出的实体簇与参考标注的实体簇之间的最优对齐方式（constrained entity alignment），并计算其F1值来评估性能。这三个指标从不同角度衡量共指消解性能且互为补充，我们报告每个指标的F1值并以三个F1值的平均值作为总体性能评价标准，这种综合评估方式能够全面反映模型在不同类型指代错误上的表现。

为进行公平且全面的对比实验，我们选择了三类具有代表性的基线模型：第一类是传统规则与统计方法的代表，包括Stanford CoreNLP系统提供的共指消解模块和基于特征工程的Berkeley Coreference System。第二类是深度学习方法代表，包括在CoNLL-2012共享任务上表现优异的端到端神经网络模型，以及基于标准BERT和RoBERTa的微调模型。第三类是专门针对历史文献设计的定制化方法，包括基于时序约束的规则系统和结合领域词典的统计模型。所有基线模型均使用相同的训练、验证和测试数据集，且超参数均经过网格搜索优化至最佳性能，确保对比实验的公平性和结果的可信度。

3.2 结果与分析

在主实验对比部分，我们通过系统性的量化评估证明了本文提出的多策略融合模型在党史文献模糊指代消解任务上的显著优势。如表1所示，我们的模型在MUC、B-CUBED和CEAF三个权威评测指标上全面超越了所有基线模型，其中在综合F1值上达到了82.3%的最高性能，相比最佳的基线模型RoBERTa+CRF提升了7.2个百分点，这充分证明了融合领域知识、深度学习与时序推理的整体方案的有效性。

表1 各模型在测试集上的性能对（%）

值得注意的是，本研究的模型在召回率指标上的提升尤为明显，这在党史文献处理中具有重要意义，因为发现所有潜在的指代关系往往比精确识别部分关系更具挑战性也更有价值。正如普拉丹（Pradhan）等人在探讨稳健语言分析时所指出的，在历史文献分析中高召回率通常意味着系统能够捕获更多有价值的隐性关联。

在消融实验分析中，我们通过控制变量方法逐一验证了三个核心模块的贡献度，具体设置了四个对比实验配置：完整模型、移除领域词典模块、移除预训练模型微调模块，以及移除图谱推理模块。实验结果清楚地表明每个模块都对最终性能有着不可或缺的贡献。

表2 消融实验结果（平均F1值%）

移除领域词典模块导致性能下降最为显著达到7.0个百分点，这突显了领域知识在党史文献处理中的基础性作用，特别是在处理高度领域化的化名和代称时，缺乏先验知识会导致模型产生大量误判。移除预训练模型微调策略使性能下降3.6个百分点，这表明尽管通用预训练模型提供了强大的语义表示基础，但缺乏领域适配仍然限制了其在党史文献上的表现。移除图谱推理模块带来3.1个百分点的性能下降，证明了时序推理在发现隐性关联方面的重要价值，这一发现与Luo在共指消解评估指标上的工作一致，并已被广泛引用，其核心思想表明，引入适当的约束（如时空约束）能够显著提升历史文献分析的准确性。

这些消融实验结果有力地证明了我们提出的多策略融合方案的必要性和有效性，每个模块都解决了党史文献模糊指代消解中的特定挑战，它们的有机组合才使得系统能够全面应对语义复杂性、时序动态性和证据稀疏性等多重困难，为党史文献的智能化处理提供了一个完整而高效的解决方案。

3.3 典型案例研究

一个极具代表性的案例来自对1931年《红旗周报》第24期一篇关于苏区工作报告的文本分析（表3），其中出现了“朱毛红军”“井冈山部”“中央区”等多个代称，以及“特委”“前委”等组织机构缩写。系统首先通过文本预处理与领域词典匹配模块识别出“井冈山”是一个地理位置实体，并将其与“井冈山革命根据地”这一标准实体链接，同时通过化名—真名映射库将“朱毛”分解并映射到“朱德”和“毛泽东”两个实体。随后语义模型精细计算模块基于上下文分析，发现“井冈山部”与“朱毛红军”存在共指关系，其置信度得分达到0.92。这是因为模型在微调过程中学习到“部”在军事文献中常作为“部队”的缩写，而“朱毛红军”正是井冈山时期对工农红军第四军的习惯称呼。最后时序知识图谱推理模块介入，根据文献时间1931年查询知识图谱，发现此时毛泽东同志已离开井冈山前往赣南闽西地区开辟中央苏区，因此系统推断文中“中央区”极可能指代新开辟的中央革命根据地而非传统的井冈山地区，这一推断最终通过图谱路径查询得到验证：在1931年的子图中存在“毛泽东—任职于—中央苏区”和“中央苏区—别名—中央区”两条关联边。

另一个典型案例涉及对1942年延安整风运动期间一份党内学习文件中“教条宗派”与“经验宗派”指代对象的隐性关系挖掘。系统初始分析仅能识别这两个术语为抽象概念实体，无法直接关联到具体人物。语义消解模块通过分析上下文，发现该文件多次提及“莫斯科回来的同志”和“山沟里的马克思主义”等短语，结合领域词典将其分别映射到“留苏派”和“本土派”两个群体。时序图谱推理模块随后在1942年的子图上执行多跳查询，首先通过“王明—属于—留苏派”和“毛泽东—倡导—山沟里的马克思主义”等关系找到候选人物集合，然后计算这些人物与“教条主义”“经验主义”等概念在历史文献中的共现频率及其在组织网络中的中心度指标。最终系统发现“教条宗派”与王明、博古等留苏领导人存在强关联，其关联置信度达0.87，而“经验宗派”则与周恩来、彭德怀等具有丰富实践经验的本土领导人关联密切置信度达0.79，这一发现与金冲及在《二十世纪中国史纲》中对该历史时期的分析结论高度一致。

表3 典型案例分析过程

这两个案例充分展示了系统如何通过多模块协同工作，逐步从表面文本深入到隐性关联挖掘，其推理过程不仅依赖于语义理解，更紧密结合了历史时空背景与组织网络关系，最终得出具有高度可信度的结论，为党史研究提供了传统人工阅读难以发现的深层洞察。

3.4 原型系统应用

基于前述多策略融合模型的研究成果，本研究开发了一个面向党史研究人员的可视化原型系统，该系统旨在将复杂的算法过程封装为直观易用的交互工具，真正实现人工智能辅助历史研究的落地应用。该系统核心界面采用三栏式设计，左侧为文献上传与预处理区域，支持用户批量导入TXT或PDF格式的党史文献，系统会自动解析文本并调用领域词典匹配模块完成初步的实体标注。中间主体部分为智能阅读界面，采用色彩编码技术对文本中的不同实体类型进行高亮显示。例如人物实体用蓝色、组织机构用绿色、地理位置用橙色，而化名与代称则用特殊的闪烁边框标注以引起研究者注意，当用户将鼠标悬停在任一标注实体上时，系统会实时弹出浮动窗口显示该实体的标准化名称、生平简介以及在当前文献中的所有出现位置，这种设计将显著降低研究人员交叉核验不同文献中同一实体的时间成本。

系统右侧为动态知识图谱可视化面板，这是整个原型系统的创新亮点，它能够实时展示从文本中抽取并经过推理增强的时序知识图谱，研究者可以通过顶部的时间轴滑动条自由选择特定历史时期，图谱会自动演变为该时间段的子图结构，清晰呈现人物、事件、地点之间的关联关系。例如当研究者将时间轴调整至1935年时，图谱会突出显示长征途中关键会议的组织关系，而拖动到1945年则自动转换为七大后的中央领导机构网络，这种时序动态可视化功能使得传统静态图谱难以展现的历史演变过程变得一目了然，正如贝克（Beck）等人在对动态图可视化的综述中所指出的，时变网络的交互式探索能够极大增强用户对复杂系统演进规律的理解。

该系统还提供一键生成智能分析报告的功能，能够自动汇总文献中的核心实体、关键关系及其时间分布，并标识出需要人工重点核验的潜在矛盾或不确定推断，这种设计既发挥了人工智能高效处理大规模数据的优势，又充分尊重了领域专家在最终判断中的主导地位，完美体现了人机协同的先进理念。具体的系统原型如图2所示。

图2 党史文献智能分析系统原型界面示意图

4  结论与展望

针对党史文献中因高密度化名、代称和隐性关联带来的模糊指代消解难题，本研究所提出的融合领域知识、预训练语言模型与时序图谱推理的多层次技术框架，经实验验证有效。在权威评测指标上，该方法的综合F1值达到80.6%，显著优于现有基线模型，证实了其在处理党史文献语义复杂性、时序动态性与证据稀疏性方面的优越性能。

从理论层面看，这项工作的核心价值在于构建了一套“领域知识深度耦合”的文本智能处理新范式。这一范式推动了马克思主义理论、历史学与信息科学的深度融通，将历史考据的内在逻辑转化为可计算模型的外在约束，为数字人文领域贡献了知识驱动型人工智能的一个典型案例。所采用的领域词典引导的预训练模型微调方法，为破解专业领域普遍存在的“语义鸿沟”问题提供了可迁移的技术路径，探索了符号知识与统计语义模型协同增强可解释性的新可能。进一步地，所设计的时间约束图谱推理算法，为历史这类动态演进系统的知识建模，提供了一个具备严格时序感知能力的通用计算框架，对时序知识表示与推理的基础研究具有启发意义。

在实践应用层面，该研究成果展现出多方面的拓展潜力。其可直接应用在于赋能红色文献的数字化与智能化传承，为构建下一代核心档案库提供从“数字储存”升级为“智能解读”的关键技术支持。在此基础上，能够深度支撑智慧党建与新型学习教育平台的构建，实现关联查询、智能问答与脉络溯源等深度知识服务。该框架本身具备良好的可迁移性，可扩展至军史、地方志、古籍整理等具有类似文本特征的专门领域，并为未来融合多模态史料分析奠定了基础。从更宏观的视角看，通过对海量文献中隐性关联的规模化挖掘，该方法有望为探究长时段、结构性的历史演变规律提供数据驱动的分析工具，开辟史学研究的新路径。

尽管取得了上述进展，当前研究仍存在若干可改进之处，例如对极罕见代称的处理能力、对长文档的全局连贯性建模尚有提升空间。未来的工作将着眼于引入主动学习机制以更有效地捕捉长尾案例，设计跨文档注意力模型以加强长距离依赖建模，并致力于拓展面向多源异构数据的融合推理能力，以期推动历史文献智能分析系统向更深、更广的维度演进。

排版：樊军君

初审：徐碧姗

复审：段婧怡

终审：夏翠娟

文字：高新泰

图片：刘韩月