在自然语言处理（NLP）中，句法信息是完整句子中词汇与词汇之间的句法结构关系或者依存关系，是一种重要且有效的参考信息。语义解析任务是将自然语言语句直接转化成语义完整的、计算机可执行的语言。在以往的语义解析研究中，少有采用输入源的句法信息来提高端到端语义解析效率的工作。为了进一步提高端到端语义解析模型的准确率和效率，提出一种利用输入端句法依存关系信息来提高模型效率的语义解析方法。该方法的基本思路是先对一个端到端的依存关系解析器进行预训练；然后将该解析器的中间表示作为句法感知表示，与原有的字词嵌入表示拼接到一起以产生新的输入嵌入表示，并将得到的输入嵌入表示用于端到端语义解析模型；最后采用转导融合学习方式进行模型融合。实验对比了所提模型和基准模型Transformer以及过去十年的相关工作。实验结果表明，在ATIS、GEO、JOBS数据集上，融入依存句法信息感知表示以及转导融合学习的语义解析模型分别实现了89.1%、90.7%、91.4%的最佳准确率，全面超过了Transformer，验证了引入句法依存关系信息的有效性。

知识表示学习目的是将知识图谱中符号化表示的关系与实体嵌入到低维连续向量空间。知识表示模型在训练过程中需要大量负样本，但多数知识图谱只以三元组的形式存储正样本。传统知识表示学习方法中通常使用负采样方法，这种方法生成的负样本很容易被模型判别，随着训练的进行对性能提升的贡献也会越来越小。为了解决这个问题，提出了对抗式负样本生成器（ANG）模型。生成器采用编码-解码架构，编码器读入头或尾实体被替换的正样本作为上下文信息，然后解码器利用编码器提供的编码信息为三元组填充被替换的实体，从而构建负样本。训练过程采用已有的知识表示学习模型与生成器进行对抗训练以优化知识表示向量。在链接预测和三元组分类任务上评估了该方法，实验结果表明该方法对已有知识表示学习模型在FB15K237、WN18和WN18RR数据集上的链接预测平均排名与三元组分类准确度都有提升。