近日，自然语言处理领域国际顶级学术会议 EMNLP 2026（The 2026 Conference on Empirical Methods in Natural Language Processing）正式公布论文录取结果。新葡萄官网李宗伟教授团队的研究论文《Asymmetric Multimodal Learning with Residual Decomposition for Multimodal Intent Recognition》（基于残差分解的非对称多模态学习用于多模态意图识别）被大会录用为 Findings 论文。本届大会将于今年在匈牙利布达佩斯举行。

本论文第一作者为新葡萄官网大数据管理与应用专业本科生翟宇轩，通讯作者为李宗伟教授。这也是新葡萄官网在深化本科生创新学术培养、推动产学研高水平科研攻关方面取得的又一重要突破。

【会议背景】

EMNLP 是自然语言处理（NLP）领域最具影响力的国际顶级学术会议之一，与 ACL、NAACL 并称为 NLP 领域三大旗舰会议，在国际学术界与工业界享有极高声誉。本届 EMNLP 2026 共收到来自全球 17,669 篇投稿，创历届之最。其中，主会（Main Conference）录用 2,719 篇，录取率为 15.4%；Findings 论文录用 2,533 篇，录取率为 14.3%。论文的成功录用，体现了新葡萄官网师生在人工智能与多模态数据分析领域的学术研究实力。

【研究成果简介】

随着数智化营销与智能人机交互的快速发展，多模态意图识别（Multimodal Intent Recognition）已成为智能客服、人机协同服务以及复杂决策分析中的核心技术。然而，在实际应用场景中，现有方法普遍将文本、语音、视频等模态视为对等角色进行对称融合，忽视了文本已承载大部分意图判别信息这一事实，语音和视频中的非语言线索在对称融合中反而可能引入冗余噪声，影响对用户真实意图的精准捕捉。

针对上述问题，李宗伟教授团队提出了基于残差分解的非对称多模态学习框架（Asymmetric Multimodal Learning, AML）。该框架打破传统对称融合范式，建立以文本为主、语音与视频为辅的非对称架构，并通过残差分解技术自动过滤非语言信号中与文本重复的冗余信息，仅保留真正互补的有效线索，从而提升了模型的抗噪能力与识别精度。

图：传统对称融合方法（左）与本文提出方法（右）的概念对比

实验结果表明，该框架在多个国际公开基准数据集上均取得了超越现有方法的最优性能，为数智化人机协同服务与智能决策系统提供了新的理论依据与技术支撑。

图/文：管理学部（经管学院）