高质量数据集典型案例 | 咪咕公司聚焦技术+场景打造文体文旅高质量数据集

咪咕公司聚焦“技术+场景”打造文体文旅

高质量数据集

推荐单位：中国移动通信集团有限公司

申报单位：咪咕文化科技有限公司、中国移动通信集团湖北有限公司、中旅数智科技（深圳）有限公司、北京航空航天大学

一、背景

在大模型技术浪潮下，行业大模型已成为连接AI技术与产业应用的核心枢纽。本案例聚焦“技术+场景”深度融合，构建了覆盖文体、文旅全场景的高质量数据集。通过攻克数据采集、标注与治理等关键难题，打造出领先的文体文旅大模型，已赋能“智能解说”、“和美乡途”、“云游江西”等十余项创新应用，实现技术突破、场景创新与生态价值的多维协同，领跑AI+新赛道。

数据集构建流程

二、方案和成效

一是通过多模态数据实时处理，铸就极致沉浸体验。针对赛事直播中画面、解说、字幕等数据的同步难题，研发小模型矩阵协同进行数据预处理，将多源异构数据高效对齐、转换为训练文本。结合先进的分布式流计算框架，实现每秒超10万次请求的赛事数据流处理，延迟低于100毫秒，为顶级赛事提供智能观赛体验。

二是引入“专家智慧+AI”，攻克领域深度标注壁垒。引入行业专家智慧，构建精深的体育知识规则库。依托自研的“CV+NLP”多模态事件提取模型，利用CV技术精准识别球员动作，结合NLP技术深度解析解说文本，实现对40种关键事件的自动化、高精度提取与标注。

三是构建动态知识图谱，打造赛事信息“智慧大脑”。通过自研的知识抽取与融合技术，本案例成功构建了全面、准确且实时更新的体育动态知识图谱。它不仅为大模型提供了结构化的赛事信息框架，更为深层次的数据洞察与智能化应用创新奠定了坚实基础。

四是“横向拓面+纵向挖深”，铸造全景式文旅知识库。横向拓展，数据采集覆盖全国约1.5万个A级以上景区与近3600个地级市以上博物馆；纵向深化，针对目的地介绍、旅行规划等细分场景进行精细化标注，深度挖掘当地历史、建筑艺术等信息。

三、创新点

一是自研多模态工具链，构筑数据质量“护城河”。本案例针对文本、语音、视频等多模态内容，自主研发了包含OCR、语音转写、智能标签等功能的核心小模型工具链。高效完成了从原始数据到高质量训练数据的全流程预处理，确保了数据的适用性与高标准。

二是首创“行业外脑”机制，为AI注入“领域灵魂”。本案例深度邀请体育解说专家、资深导游、文化学者等加盟数据集的构建与审核。通过人机协同的方式，确保大模型生成内容的精准性与专业性。

三是打造行业首创应用，树立应用落地新标杆。本案例成功孵化出行业首个“AI智能解说”应用，在咪咕视频全面上线，赋能世界级赛事直播。该应用在“数字中国”活动上获得权威媒体报道，形成了行业影响力。