基于span的联合抽取模型在实体和关系抽取（RE）任务中共享实体span的语义表示，能有效降低流水线模型带来的级联误差，但现有模型无法充分地将上下文信息融入实体和关系的表示中。针对上述问题，提出一个基于上下文语义增强的实体关系联合抽取（JERCE）模型。首先通过对比学习的方法获取句子级文本和实体间文本的语义特征表示；然后，将该表示加入实体和关系的表示中，对实体关系进行联合预测；最后，动态调整两个任务的损失以使联合模型的整体性能最优化。在公共数据集CoNLL04、ADE和ACE05上进行实验，结果显示JERCE模型与触发器感知记忆流框架（TriMF）相比，实体识别F1值分别提升了1.04、0.13和2.12个百分点，RE的F1值则分别提升了1.19、1.14和0.44个百分点。实验结果表明，JERCE模型可以充分获取上下文中的语义信息。

针对基于传统区块链进行医疗数据共享时可扩展性受限制的问题，提出一种基于分片技术的区块链扩容共享方案。首先，基于跳跃一致性哈希算法进行周期性网络分片，通过随机划分全网节点大幅度降低单分片内女巫攻击的风险；其次，分片内使用可扩展的去中心化信任基础设施区块链（SBFT）共识协议以降低实用拜占庭容错（PBFT）共识协议的高通信复杂度，并且在分片的物理多链与主链的逻辑单链间采用双层架构以减小分片成员的存储压力；最后，在医疗联盟链上提出基于公钥密码体制的多关键词关联检索可搜索加密共享方案（PECKS），从而提高病人对自己敏感数据的掌控度，并实现加密情况下敏感数据的细粒度检索。通过性能分析可以看出，在并行分片结构下，区块链吞吐量随分片增加有明显增长，检索效率也得到显著提升。实验结果表明，所提方案能大幅度提升区块链系统的效率与可扩展性。