孙茂松作为首席科学家主持国家973项目1项;作为首席专家主持国家社科基金重大项目1项;主持国家自然科学基金国际合作项目1项。另作为项目负责人或课题负责人,主持或参加国家863重大专项项目、国家自然科学基金重点项目和面上项目以及国际合作项目等20余项。主持并成功研制语言信息处理相关ISO国际标准2项,如2010年底正式发布了适用于世界上任何语言的国际标准ISO 24614-1《语言资源管理——书面文本的词切分:基本概念与通用原则》。这是继1982年《汉语拼音方案》成为ISO-7098国际标准后,中国大陆学者牵头制订的语言内容处理领域第二个ISO国际标准。
孙茂松与其团队师生合作在一流国际刊物、顶级国际会议、中国国内核心刊物上共发表论文数百篇,Google Scholar总引用数逾40000次。其中2010年在计算语言学领域最权威国际期刊Computational Linguistics上发表论文,这是该刊创刊35年以来中国大陆研究机构发表的第一篇论文。1998年在计算语言学领域最权威国际会议第36届ACL上发表论文,这是该年会自1963年创办以来中国大陆研究机构第一次发表的两篇论文之一。相关成果还获得了数十项国家发明专利。
孙茂松的早期研究重点之一是中文信息处理最为基础性的课题:汉语自动分词。他提出了若干重要概念,如“最大交集型歧义切分字段”“真切分歧义与伪切分歧义”“全局统计量与局部统计量”,并在大规模汉语语料库上对“最大交集型歧义切分字段”进行了考察,给出了有效的处理策略,并以此为基础,研制出一个集自动分词、词性标注、专名识别和新词识别于一体的汉语分析软件CSegTag,应用于清华与欧盟近10个国家合作的FP6项目“超对等语义搜索引擎”中。他还就与汉语分词相关联的若干应用问题进行了研究,如探讨了中文文本自动分类的基本单元是基于字的N-gram还是基于词这个问题,得到一个重要结论:在分类粒度较粗的条件下,基于字的Bigram的分类性能和基于词的分类性能几乎相当。再如,他的团队2011年推出的新浪微博“围脖关键词”应用,可通过高质量自动抽取关键词语并构造用户个性化“词云”,实时分析在线社会媒体用户的属性与兴趣,注册用户超过250万人,在当时微博工具类1068个全部应用中排名第三;2013 年更与新华社等合作撰写深度专题报道十余篇,成为多家报纸封面文章,使得“词云”这种当时国内还较陌生的内容展现形式走进了我国的新闻媒体中。
2011年,孙茂松提出了“基于极大规模自然标注语料库的自然语言处理”的学术思想,其基本想法是系统地利用用户在Web环境下实现相关应用任务过程中不经意输入或建立的各类信息,以有效提高自然语言处理系统在开放环境下的处理能力(包括对Web的适应能力)。自然标注包括两类,一类是显式的,如各种标点、Anchor文本、查询日志、博客标签、维基百科等;一类是隐式的,如各种语言模板。
2013年,孙茂松在清华大学的战略部署下率领团队设计并实现了中国第一个中文大规模开放在线课程平台“学堂在线”,目前已经发展成为全球用户规模第二大的慕课平台,并成为联合国教科文组织(UNESCO)国际工程教育中心(ICEE)的在线教育平台,全球学习者人数累计超过一亿人;2015年,孙茂松领衔研制了人工智能中国古典诗词写作系统“九歌”,目前已为全球用户写作了数千万首诗词,取得了较广泛的社会效益。这也是中国较早的AIGC(人工智能生成内容)深入研究。
2012年以来,孙茂松在全球范围内蓬勃兴起的深度学习(Deep Learning)范式下系统性地开展了一系列前沿研究,内容涵盖大规模结构化知识图表示学习基础方法、预训练语言模型乃至大模型等,形成了有一定国际影响力的成果。据Gitstar Ranking统计数据(https://gitstar-ranking.com/organizations),基于孙茂松研究团队核心成果的开源项目THUNLP(https://github.com/thunlp)在GitHub上获得了近8万个星标(Star),机构排名居全球高校前列,得到了学术界与工业界较为广泛的关注。如其中一个针对知识图谱嵌入及其与预训练语言模型结合的典型工具包OpenSKL(包括OpenKE、ERNIE、OpenNE、OpenNRE四个工具)在GitHub上星标逾1万个,同时在我国新一代人工智能开源开放平台OpenI启智平台上开源,支持我国开源建设(https://openi.pcl.ac.cn/TsinghuaNLP/)。
孙茂松热衷致力并积极推动人工智能的大跨度学科交叉研究。如:他作为共同主编创办的《数字人文》学术刊物2023年入选为中文社会科学引文索引(CSSCI);由于在音乐人工智能方面的突出工作成绩,他2021年、2023年两次获得代表中央音乐学院最高荣誉的“金校徽”奖。