文献在学术交流的过程中发挥着重要的作用,研究者需要通过阅读文献了解研究成果、学习研究方法、发现存在问题。在过去,文献被引频次是最重要的学术影响力评价标准之一,研究者一直利用该评价标准作为参考来筛选文献。然而一篇文献的被引用数受很多因素的影响,例如是否有大量的研究者关注同一个研究课题,所以不能简单的利用文献被引频次来筛选文献。为了找到更加准确的文献计量方法来评估学术成果,越来越多的研究者开始关注引文意图分类任务。引文意图分类任务是将一篇文献总的被引频次划分成不同意图类别的引用次数,了解他人引用该篇文献的目的,有助于研究者进一步筛选文献。此外,分析作者引用文献的动机对于开发新的评价学术影响力的方法有着重要的研究意义。已经有许多引文意图分类的研究,这些研究都是考虑如何获得更好的数据表示特征从而提高模型的性能。本文在研究过程中发现现有的研究并未考虑以下两个问题,其一是引文意图类别不平衡问题,其二是少量的标注数据限制模型分类性能的问题。引文意图类别不平衡问题是指引文数据中超过一半的样本都属于同一个类别,剩余的样本属于其他的类别。引文意图类别不平衡问题会导致训练好的模型在样本数少的类别上的性能下降。关于第二个问题,深度学习通常需要利用大量的标注数据训练模型从而获得较好的性能,然而标注引文意图分类数据的代价很高,难以获得大量的数据,会严重影响模型的分类性能。本文围绕上述的两个问题展开研究,针对两个问题提出了相应的解决办法,具体如下:（1）本文创新性地将多任务学习与双边分支网络相结合,提出了基于多任务的双边分支网络MBBN（Multi-task based Bilateral-Branching Network）缓解引文意图类别不平衡问题。针对不平衡,计算视觉领域中提出了一个包含共享编码层和非共享编码层的双分支网络用于解决不平衡问题。受此启发,本文构建了能够解决引文意图类别不平衡问题的双分支网络,考虑到预训练模型能够利用先验知识生成更好的表示特征,已经被广泛应用于下游任务提升模型的性能,所以本文将预训练模型作为共享编码层。由于注意力机制能够让网络关注文本中的重要信息,所以将单词注意力层作为非共享编码层。为了让模型学到额外的信息,本文采用多任务学习方法,引入了一个判断引文所在章节名的辅助任务。在实现多任务学习方法的过程中,需要解决的一个问题是如何将多任务学习与双边分支网络结合。因为双分支网络的一个分支是用于表示学习,而另一个分支是用于分类学习,所以本文将多任务学习与双边分支网络的表示学习分支相结合。在具体的实现结合方式中,本文采用最常用的硬参数共享方式。（2）本文创新性地将CNN网络和有监督对比学习与双分支网络模型相结合,提出了结合CNN网络和有监督对比学习的双边分支网络BBNSCL（BilateralBranching Network with Supervised Contrastive Learning）缓解少量的标注数据对模型性能的限制。在有监督对比学习中需要为每个样本生成负样本和正样本。本文采用其他类别的样本作为负样本,这样能够使得网络在不同类别的样本间有更好的决策边界。此外,本文将样本输入到网络中两次,利用Dropout机制来生成正样本。由于Dropout机制的实现方式简单,并且对句子语义信息的扰动是微小的,更有助于模型学习到同一个类别样本的共性特征。为了能够捕捉到更加丰富的语义信息,本文在网络的非共享编码层添加了一个CNN网络。CNN网络采用三个不同尺寸大小的卷积核捕捉不同程度的语义信息,并且这些语义信息之间还可以相互补充。（3）为了验证本文提出模型的性能,本文在两个引文意图数据集上进行实验。本文提出的第一个模型MBBN模型在ACT数据集上的F1得分为0.25972,在ACL-ARC数据集上的F1得分为70.9,实验结果表明MBBN模型在引文意图类别不平衡的情况下性能优于其他模型。第二个模型BBNSCL在ACT数据集上的F1得分为0.27452,在ACL-ARC数据集上F1得分为72.4,实验结果表明BBCSCL能在少量的标注数据情况下进一步提升模型性能,并且性能优于其他模型。