1）细粒度文本语义表征。在细粒度⽂本语义表征⽅⾯，针对⽂本语义的静态复杂性 问题，提出了集成⽅⾯感知注意⼒模块的语义挖掘模型，通过抽取⽅⾯级别的细粒度语义来协助 ⽂本的情感分类，解决了复杂语义的表征问题。

在此基础上，针对⽂本语义的动态易变性问题， 提出⾯向动态⽂本语义表征的预训练模型，通过模拟⼈类在新场景下的语义理解全过程，实现了 动态⽂本语义的精准建模。相关成果发表于重要国际期刊 IEEE TKDE (CCF 推荐 

A 类期刊, WOS 引⽤ 100 余次，⼊选 ESI ⾼被引论⽂、热点论⽂)和国际会议 ACL’2022 (CCF 推荐 A 类会议)。

2）跨领域文本语义迁移。在跨领域⽂本语义迁移⽅⾯，针对⽂本理解场景中⼴泛存 低资源、少标注问题，提出基于交互式注意⼒机制的迁移学习框架，解决了在缺少⾼质量和多标 注样本情况下的⽂本语义挖掘、表征与分类问

题。在此基础上，针对语义迁移过程中存在的数据 质量低、数据量少问题，提出图驱动的⾃适应语义表征⽅法，在⼤幅增强了源⽂本数据质量的同 时提⾼了数据的可利⽤率。相关研究成果发表于重要国际会议 AAAI’2019 (CCF

 推荐 A 类会议， Google Scholar 引⽤ 88 次)，SIGIR’2022 (CCF 推荐 A 类会议)，软件学报’2020 (CCF 推荐 A 类期 刊，会议版本获中国机器学习会议 “最佳学生论文” 奖)。

3）融合文本语义的物品推荐。针对在真实的推荐场景下⽤户兴趣漂移问题，提出基 于户评论⽂本的隐式语义建模⽅法，解决了在⽣成⾼质量和多样化的物品推荐任务下⽂本隐式 兴趣建模难的问题。在此基础上，针对⽤户描述

⽂本特征异构难融合问题，提出基于多交互隐式 特征的注意⼒表征⽅法，实现了隐含在⽂本中的⽤户偏好之间潜在关系捕捉。研究⽅案在美团⼤众点评平台、蚂蚁⾦服-⽀付宝 APP 上落地应⽤，并取得了优异效果。相关研究成

果发表于重 要国际会议 KDD’2021(CCF 推荐 A 类会议)、WSDM’2021、CIKM’2021(CCF 推荐 B 类会议)。