本研究通过系统综述和参数方法，对 COVID-19 本体进行了全面深入的分析，揭示了本体开发的形式、设计方法、领域重点等方面的差异，并提供了科学界和 COVID-19 本体开发者有价值的见解和综合本体度量，增进了对 CovOs 的理解，为比较分析和未来发展提供了依据，同时指出了研究空白和领域重点，进而指导未来本体学进展的方向。

Sep, 2023

使用知识图谱、机器学习和深度学习等工具，分析 COVID-19 相关的 PubMed 数据集和 CORD-19 数据集，发现专家、生物实体，预测相关疾病、药物候选者、基因突变和相关化合物，从而帮助生物医学研究人员应对 COVID-19 大流行。

Jul, 2020

介绍了一个在加拿大开发的名为 “COVI” 的基于移动应用、利用点对点技术实现的新冠肺炎病毒接触者跟踪与风险意识软件，该软件采用机器学习技术辅助个性化提供病毒感染风险意识，且符合隐私保护标准。

May, 2020

COVID-19 流行疫情给社会稳定带来了巨大的破坏，威胁人类生命和经济。为了减少 COVID-19 的不良影响，决策者和社会各个方面必须根据疫情的严重性采取可衡量的行动。然而，为不同城市或地区制定一个良好的感染风险预测模型并不容易，因为有很多难以手动识别的影响因素。为了解决当前的局限性，我们提出了一种称为 PANDORA 的深度图学习模型，通过考虑所有必要因素并将它们整合到地理网络中来预测 COVID-19 的感染风险。该框架利用地理位置关系和交通频率作为由高阶网络结构（即网络动机）构成的高阶结构属性。此外，还考虑了四个显著的节点属性（即特定区域的多个特征，包括气候、医疗状况、经济和人员流动性）。我们提出了三种不同的聚合器来更好地聚合节点属性和结构特征，分别是 Hadamard、Summation 和 Connection。真实数据上的实验结果显示，无论选择哪种聚合器，PANDORA 都能以更高的准确性和更快的收敛速度优于基线方法。我们相信，使用深度图学习的 PANDORA 模型可以提供一种有前景的方法，用于预测感染风险水平，并帮助人类应对 COVID-19 危机。

Jun, 2024

本文提出了 COVID-19 知识图谱（CKG），它结合了语义信息和拓扑信息来提取和可视化 COVID-19 科学文章之间的复杂关系，最终形成一个关系图谱。CKG 可以为类似文档检索提供低维度的图像嵌入，有助于揭示 COVID-19 科学文章中深层次的信息。

Jul, 2020

本文旨在通过基于自回归综合移动平均模型和小波预测模型的混合方法，对加拿大、法国、印度、韩国和英国进行短期（10 天）预测，另外运用最优回归树算法对 50 个受疫情影响巨大的国家进行病死率风险评估，旨在有效分配医疗资源和提供政策决策的预警。

Apr, 2020

本篇文章尝试使用人工智能和深度学习来预测新冠病毒传播，并测试了该方法对识别病毒对胸部 X 光片的感染的效果。通过此研究，我们得出了结论：人工智能有助于识别疾病爆发的关键特征，这对保护人类免受这种致命疾病的影响具有重要意义。

Apr, 2023

本文提供了一种结合大型数据建模、信息制图和趋势分析的新型自动化主题可视化方法，用于快速发现 COVID-19 疫情下的主题和研究资源，结果显示了有关社交隔离、医疗话题、病毒在不同地区的演变轨迹等信息，同时也表明了迫切需要快速自动化地进行大规模数据的搜索和浏览。

May, 2020

本文介绍了一个建立在可靠的 COVID-19 网站数据集基础上的、面向世界各地用户的信息汇聚系统，该系统可帮助用户查找各地的 COVID-19 相关新闻，并通过神经机器翻译和基于 BERT 的主题分类器帮助用户高效地获取自己感兴趣的信息。

Jul, 2020

COVID-19 病毒引发的新冠疫情已成为世界性的灾害，研究表明 AI 和机器学习算法可以通过分析蛋白质相互作用和基于图的聚类算法来提供有关病毒的重要信息。

Aug, 2023