本項目可廣泛應(yīng)用于多行業(yè)及場景：

· 金融保險領(lǐng)域：應(yīng)用于車險、工程險等保單的智能化處理與反欺詐管理；電網(wǎng)數(shù)據(jù)風(fēng)險識別與預(yù)測，助力金融機構(gòu)降低運營成本、提升風(fēng)控效率；實現(xiàn)智能推薦、智能客服等個性化、便捷化的服務(wù)。

· 賦能智慧教育實現(xiàn)智能化評估，促進教育產(chǎn)業(yè)智能升級：提供語法錯誤診斷、多模智能問答等智能教育服務(wù)，AI賦能教、練、考、評各環(huán)節(jié)，精簡教學(xué)模式、提升教學(xué)質(zhì)量；虛實融合多場景教學(xué)、協(xié)同育人，提升學(xué)生學(xué)習(xí)效率；人機協(xié)作/對話提供個性化AI教育，避免千篇一律的填鴨式教學(xué)模式，針對性攻關(guān)學(xué)生的難點疑點，為貫徹“雙減”政策、建設(shè)高質(zhì)量教育體系賦能；

· 智能匯聚不同平臺信息，助力智慧政務(wù)：秉承“數(shù)據(jù)多跑腿，群眾少跑腿”的理念，通過智能整合信息資源，有效提升了政務(wù)系統(tǒng)互聯(lián)網(wǎng)辦件效率，將群眾從繁瑣的窗口奔波中解脫出來，大幅降低群眾辦理服務(wù)的時間成本；為政府公共服務(wù)范式從全能型向智慧型轉(zhuǎn)變提供技術(shù)支撐和原型示范；

· 智能化牲畜身份識別，促進鄉(xiāng)村產(chǎn)業(yè)發(fā)展：自主研發(fā)的牛臉識別等智能化識別工具有效應(yīng)用于畜禽養(yǎng)殖承保、核保及定損等環(huán)節(jié)，相關(guān)技術(shù)指標在2022年驗收時較原有指標提升1倍，促使養(yǎng)殖險賠付率從75.8%降低到65.7%，有效提升“三農(nóng)”服務(wù)水平及畜禽養(yǎng)殖行業(yè)整體規(guī)范性，成功助力鄉(xiāng)村產(chǎn)業(yè)發(fā)展，助力中國特色現(xiàn)代化農(nóng)業(yè)及農(nóng)業(yè)供給側(cè)改革。

· 人智協(xié)同共治網(wǎng)絡(luò)謠言，構(gòu)建良好社會倫理環(huán)境：基于智能語義理解與知識挖掘技術(shù)，高效精準地從海量網(wǎng)絡(luò)信息中識別不實新聞/評論等，實現(xiàn)早期干預(yù)，助力良好社會倫理環(huán)境構(gòu)建，推動構(gòu)建智慧、開放、系統(tǒng)的治理體系，共建清朗網(wǎng)絡(luò)生態(tài)。

· 科研應(yīng)用：真實開放環(huán)境下數(shù)據(jù)與知識協(xié)同的智能服務(wù)關(guān)鍵技術(shù)及應(yīng)用在深度學(xué)習(xí)模型部署、數(shù)據(jù)的高效處理、知識管理和分析方面能夠為科研人員提供強大的支持。其中自然語言處理工具包平臺（HUST-NLP）和智能人機對話系統(tǒng)(小希)在數(shù)據(jù)處理、模型部署、模型訓(xùn)練等方面發(fā)揮較大的作用；多模態(tài)大模型為文本、圖像和語音分析和跨模態(tài)數(shù)據(jù)融合提供助力，幫助科研人員快速篩選相關(guān)信息、發(fā)現(xiàn)潛在模式、進行知識推理等。本項目為解決復(fù)雜多模態(tài)處理問題提供了更為全面的視角與更便捷的工具, 助力科研人員加速前沿研究的探索,在“深入實施創(chuàng)新驅(qū)動發(fā)展戰(zhàn)略，加快建設(shè)科技強國”的目標下，推動科學(xué)前沿研究的不斷創(chuàng)新。

試驗階段。

①針對高噪環(huán)境下數(shù)據(jù)分布不均的問題，傳統(tǒng)模型依賴海量高質(zhì)量標注數(shù)據(jù)，抗噪性和異構(gòu)數(shù)據(jù)適應(yīng)能力弱，特征表示易受分布不均干擾（如視頻分割局部失真導(dǎo)致對象缺失、圖像檢索噪聲影響哈希編碼質(zhì)量），本成果具備以下優(yōu)勢：

· 構(gòu)建的無監(jiān)督自動去噪模型僅用2000條帶噪數(shù)據(jù)條件下仍比利用2800萬條弱標記數(shù)據(jù)的細粒度實體分類最優(yōu)模型（MLMET）在性能上提升了0.4%；

· 深度無監(jiān)督哈希方法MLS3RDUH方法重構(gòu)哈希碼表示，MAP指標提升7.7%；

· STG-NET利用時空圖網(wǎng)絡(luò)優(yōu)化視頻分割，DAVIS2016指標平均提升5.3%；

率先實現(xiàn)了高噪異構(gòu)多模數(shù)據(jù)信息抽取與表示技術(shù)一體化計算框架，構(gòu)建多模態(tài)數(shù)據(jù)間關(guān)聯(lián)語義的結(jié)構(gòu)關(guān)系及高層語義關(guān)系結(jié)構(gòu)一致性表示，提升不均衡高噪條件下多模數(shù)據(jù)表示的魯棒性和可區(qū)分性，實現(xiàn)了低標注成本（<0.1%數(shù)據(jù)量需求）、高抗噪魯棒性，適配高噪聲場景。

②針對低資源場景下多模數(shù)據(jù)特征稀疏問題，傳統(tǒng)模型依賴強監(jiān)督信號，跨模態(tài)知識關(guān)聯(lián)建模能力弱。本項目具備以下優(yōu)勢：

· 提出自監(jiān)督知識圖譜推薦方法，AUC提升2-5%；

· 用于低資源命名實體識別的域自適應(yīng)方法（RDANER）顯著提升了命名實體識別在資源受限條件下的魯棒性，在多數(shù)據(jù)集上相較最優(yōu)微調(diào)模型表現(xiàn)穩(wěn)定提升1%；

· 深度跨模態(tài)哈希方法DCHUC統(tǒng)一跨模哈希編碼，搜索精度提升5-15%；

· 位置感知的自注意力機制解決非連續(xù)關(guān)系建模難題，在ONTONOTES 5.0數(shù)據(jù)集上F1指標穩(wěn)定提升0.5%；

· 跨度標注貪婪推理方案（STAGE），首次將情感三元組抽取任務(wù)重定義為跨度多分類任務(wù)，在多數(shù)據(jù)集上相較最優(yōu)模型在F1指標上平均提升3.3%以上；

在多種跨模任務(wù)中突破了低資源場景依賴，獲NLPCC/KDD CUP等頂級賽事認可，技術(shù)成熟度高。

③針對多模態(tài)數(shù)據(jù)存在的先驗語義偏差等問題，現(xiàn)有技術(shù)難以解決模態(tài)間語義偏差導(dǎo)致的模型對齊能力不足的缺陷，復(fù)雜任務(wù)（如視覺問答、視頻定位）零樣本性能差。本項目具備以下優(yōu)勢：

· 首次提出了重定義下游任務(wù)以確保上下游任務(wù)的一致性的基于聲明的提示微調(diào)新范式DPT，相比最優(yōu)方法平均準確率提高1-5%，在零樣本和小樣本條件下平均提升31-37%；

· 融合相鄰幀中局部上下文信息及視頻中全局上下文信息以進行精準視頻定位的上下文感知的雙仿射定位框架CBLN，CHARADES-STA性能提升9%；

· 融合深度信息實現(xiàn)三維空間關(guān)系建模的深度感知和語義引導(dǎo)的關(guān)系注意力網(wǎng)絡(luò)DSGANET，顯著提升視覺問答任務(wù)中空間關(guān)系推理準確性；

顯著超越了已有最優(yōu)模型的性能，在全國性比賽“挑戰(zhàn)杯”中獲一等獎。

④針對已有基于深度學(xué)習(xí)模型的智能服務(wù)技術(shù)普遍受限于高維稀疏數(shù)據(jù)的問題，已有技術(shù)缺乏邏輯推理能力，可解釋性差。本項目具備以下優(yōu)勢：

· 提出了基于全局上下文增強的圖神經(jīng)網(wǎng)絡(luò)會話推薦方法，AUC指標提升1-3%，成為會話推薦領(lǐng)域基準模型；

· 基于樹狀結(jié)構(gòu)推理范式的TREA框架提升了可解釋性，會話推薦邏輯性增強；

· EACM方法實現(xiàn)多對多情感關(guān)系建模，生成回復(fù)質(zhì)量提升8.3%-11.7%；

解決了復(fù)雜應(yīng)用場景中智能服務(wù)質(zhì)量低、可解釋性弱、可控性差等難題，提升智能服務(wù)的質(zhì)量和可靠性，推薦服務(wù)準確率平均提升18.8%以上，捆綁推薦、地理位置推薦等細分場景優(yōu)勢顯著。