为了挖掘满足用户特殊需求，如含指定项目数量的高效用项集（HUI），提出一种基于长度约束的蝙蝠高效用项集挖掘算法（HUIM-LC-BA）。该算法融合蝙蝠算法（BA）和长度约束构建高效用项集挖掘（HUIM）模型，首先将数据库转换为位图矩阵，实现高效的效用计算和数据库扫描；其次，采用重新定义的事务加权效用（RTWU）策略缩减搜索空间；最后，对项集进行长度修剪，使用深度优先搜索和轮盘赌注选择法确定修剪项目。在4个数据集的仿真实验中，当最大长度为6时，与HUIM-BA相比，HUIM-LC-BA挖掘的模式数量分别减少了91%、98%、99%与97%，同时运行时间也少于HUIM-BA；且在不同长度约束条件下，与FHM+ （Faster High-utility itemset Ming plus）算法相比运行时间更稳定。实验结果表明，HUIM-LC-BA能有效挖掘具有长度约束的HUI，并减少挖掘模式的数量。

针对文档级关系抽取中文本处理复杂性过高，难以提取高效实体关系的问题，提出了一种基于路径标签的文档级关系抽取方法，抽取选择关键的证据句子。首先，引入路径（Path）标签代替实体句子作为处理过的文本数据集进行数据预处理；同时，结合语义分割的U-Net模型，利用输入端的编码模块捕获文档实体的上下文信息，并通过图像风格的U-Net语义分割模块捕获实体三元组之间的全局依赖性；最后，引入Softmax函数减少文本抽取时的噪声。理论分析和仿真结果表明，与基于图神经网络的RoBERTa（RoBERTa?ATLOP）关系抽取算法相比，Path+U-Net在基于文档级别的实体关系抽取数据集（DocRED）上的开发和测试的F1值分别提高了1.31、0.54个百分点，在化学疾病反应（CDR）数据集上的开发和测试的F1值分别提高了1.32、1.19个百分点；并且Path+U-Net在保证实体间的相关性与原始数据集的相关性一致的同时，对数据集的抽取成本更低、对文本的抽取精度更高。实验结果表明，所提出的基于路径标签的抽取方法能够有效提高长文本抽取效率。