vivo AI Lab提出了一种数据质量提升（DQE）方法，旨在通过减少数据量来提高文本分类任务的训练效率和准确性。研究表明，DQE方法在大多数测试集上优于全量数据微调，有效解决了数据冲突和冗余问题，尤其在情感分析和用户意图识别中具有重要意义。

本文研究了用户意图识别在信息检索中的应用，提出了基于内容、结构和情感特征的多种预测模型。研究发现，结构特征对预测的贡献最大，并通过深度学习和上下文感知方法提升了预测性能，强调了用户行为与上下文信息的关系，展示了个性化推荐与隐私保护的潜力。

本研究提出了一种基于神经语言建模的深度学习方法，以提高查询自动完成的准确性和个性化建议。通过整合用户信息和时间信息，增强了建议的多样性和相关性，特别是在电子商务搜索中表现突出。此外，研究还探讨了用户意图识别和机器理解模型在查询处理中的应用，展示了新模型的潜力和性能优势。