01 基于自然语言处理模型的商品评论有用性分析

基于电商平台所拥有的大量评论，对于“有用/点赞”投票存在主观性与时间性偏差的问题，构建基于BERT的商品评论有用性分类模型。负责数据采集、文本清洗、时间权重设计、标签构建、模型训练及效果评估，完成从原始数据到模型验证的完整自然语言处理流程。

成果：完成Amazon日本站评论数据集构建与分类实验，形成阶段性研究课题，并采用 Accuracy、Precision、Recall、F1-score 等指标评估模型效果。

02 面向社交媒体图文内容的多模态情感分析

对于社交媒体中的文本与配图等内容，研究语言语义和图像视觉信息联合建模的多模态情感分析方法，实现正向、中性和负向情感分类。项目分别构建单文本模型、传统特征融合模型与预训练图文模型，用于分析不同融合策略对情感识别效果的影响。

成果：通过对比 BERT-only、BERT + ResNet 与 CLIP-based 模型，评估了不同架构在情感一致性和图文反差表达识别中的表现。

03 视觉理解与多模态信息融合

本研究方向关注图像、文本及结构化信息的联合表示与推理，研究计算机视觉模型在目标识别、场景理解、文字识别和跨模态语义建模等任务中的应用。重点考察不同模态在信息完整性、语义粒度和噪声分布方面的差异，以及多模态特征的对齐、融合和决策机制。

04 面向大语言模型生成内容的事实性评估与幻觉检测研究

大型语言模型能够生成具有较高语言流畅性和上下文连贯性的回答，但其生成结果并不必然具有事实可靠性。在知识缺失、问题歧义、上下文冲突或外部信息发生变化的情况下，模型可能生成无法被证据支持、与事实不一致或包含虚构引用的内容。本研究关注大语言模型生成内容的事实性评估、幻觉类型分析及缓解方法。

05 基于多模态环境感知的视障用户移动辅助系统研究

视觉障碍者在出行过程中需要同时获取方向、距离、障碍物、道路结构、交通信号和环境文字等多类信息。传统无障碍模式与地图导航主要提供路径和转向提示，难以完整描述用户近距离范围内的动态环境。本研究拟结合移动端定位、地图API、计算机视觉、文字识别和语音交互技术，探索面向视障用户的多模态出行辅助方法。