该算法提出一个端到端的神经网络模型，可以利用常识知识图谱和方程表达式生成丰富的数学应用题（MWP）。所提出的模型（1）从符号方程表达式和常识知识的 Levi 图中学习表征；（2）在生成MWP 时，通过自我规划模块自动融合方程式和常识知识信息。在教育场景数据集的实验表明，和其它模型相比，该方法在 MWP 生成任务上有明显优势，在自动评价指标和人类评价指标方面都优于 SOTA 模型。在教育数据集中，方程相关性分数达到 2.308，主题相关性分数达到 2.558，语言连贯性分数达到 2.505。

该算法提出一个基于众包标签的监督表示学习 (SRL) 统一框架 NeuCrowd。可以缓解由于数据隐私、预算限制、特定领域标注人员短缺等导致的众包标签的数量有限的问题。该框架 (1) 通过safety-aware 抽样和稳健的锚点生成，创建了大量高质量 n 元组训练样本；(2)学习一个抽样神经网络，自适应地为 SRL 网络选择有效样本。在酒店评论数据集上，accuracy 达到 87.1%；在 Pre-K Children Speech 数据集上accuracy 达到 86.7%。

哮天犬是一个通用的统一告警平台，提供配置化、流程化、标准化的能力，支持多种告警通知渠道，支持告警收敛、过滤、升级、工作流、自动恢复等功能，实现统一输入、不同输出。可以对接Grafana、阿里云Arms、实时计算等监控能力，各业务也可以直接在代码中埋点上报告警，也可以定制化开发，实现监控告警全场景覆盖。

该算法提出了一种新的基于众包标签的表示学习框架，“RLL”。该算法通过联合和一致性来解决有限和不一致标签所带来的挑战，从而学习数据表征。该框架在两个真实教育应用中进行验证，实验结果证明该方法可以从有限的标注数据中学习到更好的表示。在 Oral Math Questions 数据集中该算法 accuracy 达到88.8%, F1 达到 91.5%。在 Online 1v1 Class Qualities数据集中该算法 accuracy 达到87.9%, F1 达到 92%。

该算法提出一种新的机器学习方法，可以解决发音评估中主观性和耗时性的问题。该算法利用 pair 比较和多模态正交融合算法来产生客观评价结果。在真实的教育场景中，该算法对流利度识别的 accuracy 达到 87.2%，F1 达到 86.2%. 对消极情绪识别的 accuracy 达到 84.6%，F1 达到 80.5%。

该算法提出一种新的多模态深度学习方法，可以识别现实生活说话中的细粒度情感。该算法包含了时间对齐的均值-最大值集合机制，以捕捉每个语篇中隐含的细节和细粒度的情绪。此外该算法还包含一个跨模态激活模块，可以实现对跨模态嵌入进行特定的调整，并通过它来对其他模态的潜在特征相对应的值进行校准。在 IEMOCAP 数据集上该算法WA 达到 72.7%，在 RAVDESS 数据集上 WA 达到 72%。