公司主要業(yè)務為科技成果標準化評價體系的培訓和咨詢等，參與制定行業(yè)標準，并且是行業(yè)國家標準的主要完成人。每年培訓場次100+，涉及全國50余省市。圍繞推動科技成果轉化，推動新質生產(chǎn)力的發(fā)展，通過有效的技術手段來實現(xiàn)“產(chǎn)業(yè)側的技術需求”與“高校側科研成果”的精準匹配，而實現(xiàn)以文本為載體的需求和成果的語義表征，必然遭遇來自“一詞多義”的挑戰(zhàn)。通過評估相關詞匯之間的相似度，可以進行文本分類、模糊搜索、智能匹配、增強人機對話的理解，還能用于知識圖譜構建及知識增強。隨著基于內容的推薦技術的快速發(fā)展和廣泛應用，內容的關鍵詞提取和降噪消歧成為推薦性能優(yōu)劣的關鍵因素，雖然有一些研究通過擴展短文本的詞義或描述文本來增強語義，但大部分模型在做信息的加法，而很少考慮進行不相關或者弱相關信息的過濾，往往難以取得很好的性能。多義性是NLP、機器學習中常見的挑戰(zhàn)，而中文的語義分析更為復雜。為了更加準確的語義描述，信息擴展的方式在很多方法中被采用，但由于大部分模型在做信息的加法，而很少考慮進行不相關或者弱相關信息的過濾，往往難以取得很好的性能。本文提出了一種基于互場景感知與多模態(tài)增強的表征方法，通過擴展詞對中的詞典、描述文本、以及圖片信息，分別在各個模態(tài)下進行相似度比較，將相關性較弱的擴展信息進行基于場景化的過濾降噪，再將三種模態(tài)數(shù)據(jù)進行融合比較，在五個公開的數(shù)據(jù)集中證明了本算法的優(yōu)越性。