李世峰

行业场景中文分词旨在解决的最根本的产品问题是：消除中文文本的歧义，让机器能够准确理解用户的意图，从而提供精准的产品服务。与英文等拉丁语系不同，中文句子中词与词之间没有天然的空格作为分隔符。这就导致机器在处理中文时，面临“字”与“词”的错位。不同行业对分词的诉求差异巨大，以下是目前最典型、价值最高的行

行业场景语义分析模型要解决的产品问题是：让系统从“只认字面”变成“看懂含义”，从而在搜索、推荐、客服、内容理解、数据分析和 Agent 等场景里，更准确、更自动化地理解用户和业务。随着互联网的全面普及与信息化的广泛覆盖，产生了大量文本数据。这些文本数据涉及了很多行业场景，这些场景主要包括金融行业、电

行业场景中文纠错旨在解决 “人机交互中因文本错误而产生的效率下降、信息失真、专业度受损和用户挫败感” 这一系列产品体验问题。中文纠错技术已渗透到几乎所有涉及文本处理的行业，不同行业有其特定的错误类型和需求重点。政务与公文场景：政府办公厅公文流转系统、政务新媒体发布前置审核传媒与出版场景：新闻采编系统

行业场景在语言快速演化、业务持续拓展、专业垂直领域的场景下，因为词表/模型覆盖不到新词（OOV），导致分词不准（理解偏差）、搜索/推荐/分析效果退化、新领域（新热点）响应慢，需要通过“自动发现新词→补词表/修模型”来闭环解决。随着互联网的全面普及与信息化的广泛覆盖，产生了大量文本数据。这些文本数据涉

行业场景在有“顺序”的数据上，用模型学习“从已发生序列”到“未来行为/状态”的映射，从而解决行为（或兴趣）演化、顺序敏感、实时个性化等产品问题。随着互联网的全面普及与信息化的广泛覆盖，产生了各种各样的序列数据，其中涵盖了时间序列、行为序列、事件序列、文本/语音序列、状态/轨迹序列等。这些序列数据涉及

行业场景在地理信息爆炸、场景强相关的现实世界里，帮用户把“模糊的搜索需求”高效转化为“精准的空间推荐方案”，解决搜不准、搜不全、推不好、不纠错、体验差这五大痛点。地图搜索引擎的搜索框，是物理世界需求的搜索引擎。其行业场景可分为C端、B端和G端（政府）三大类：C端（消费者）场景：出行导航、本地生活/周