人工智能：研究数据感知、检索和推送等方面的自主学习和自适应技术，包括深度强化学习、迁移学习等内容。在深度强化学习方面，针对个性化推荐中推荐算法不能持续适应用户需求的问题，提出结合深度策略网络与双深度强化学习的自适应深度强化学习（ADRL）算法。在迁移学习方面，为了处理推荐任务中不同用户群体间的偏好差异问题，设计计算标签概率矩阵并提出适应不同用户群体的多层感知机推荐模型迁移机制。

知识发现：主要研究如何将互联网环境下大规模低层原始异质数据进行有效数据处理、特征抽取、模式匹配以及信息组织等，以发现数据中存在的隐式关联以及依赖关系，从而识别出有效、新颖、存在重要潜在价值，并最终可被人为理解的高层次语义知识。其研究涵盖数据挖掘、机器学习、信息检索、自然语言处理以及人工智能等众多领域，并在商业、医学生物、金融保险、通讯/媒体、国防军事等方面具有广泛应用。提出了一种基于半监督机器学习的参数化马尔科夫图数据排序模型，并在真实商业搜索引擎上做了有效验证，其实验规模达到billion级，是已知国内外公开发表学术论文中实验数据规模最大的；提出了一种能够有效利用源目录父子、兄弟等层次结构信息进行文档目录整合算法；提出了一种通过地理信息位置的相似性来有效整合用户在临近区域兴趣分布的位置推荐算法，相关研究成果已发表在AAAI，SIGKDD，CIKM，Transactions on Cybernetics（原IEEE Transactions on Systems, Man, and Cybernetics-Part B）等顶级国际会议和期刊上。