项目介绍: 对于评论文本内容进行 1~10 的评分，来评估改文本对于用户体验的满意程度。项目采用了基于 G RU 的深度神经网络模型，进行文本多分类的任务。 工作描述: 1、训练词向量：使用 word2vec 的 cbow 模型训练词向量，并将得到的结果保存成文本。 2、训练模型及优化：构建 GRU 模型，使用训练好的词向量训练模型，使用 softmax 作为全连接 层的激活函数进行多分类任务。对于训练数据进行优化，把特殊的标点符号进行删除等。 3、结果：模型对于文本评价内容预测结果达到 92.7%

项目介绍： 在如今信息大爆炸时期，文本信息过载问题日益严重，通过文本摘要的方式获取到海量信息中 的关键信息，以便于人们更好的理解信息，充分利用有价值的数据。 项目内容： 1、基于 Seq2seq 架构创建 Baseline-1 模型并使用提前训练词向量的方式来优化模型； 2、通过优化框架得到 PGN+attention 结构的 Baseline-2 模型，解决了 Baseline-1 无法处理 OO V 单词的问题； 3、通过优化训练算法得到 PGN+attention+coverage 结构的 Baseline-3 模型，解决之前模型中 无效重复的问题； 4、通过优化解码算法得到 PGN+attention+beam search 结构的 Baseline-4 模型，解决了无效 重复问题的同时提升了长文本摘要的表达。

项目介绍： 基于医疗知识图数据库，构建一个在线诊疗系统，用来给患者提供对应病情分析。用户通过在线系 统请求到在线诊疗服务，系统根据用户输入病情实时地为用户提供对应疾病类型。 项目内容： 1、命名实体识别（NER）任务：通过搭建BiLSTM_CRF模型，将提取出的命名实体传入下一步进行 命名实体审核（NE）任务。使用准确率，召回率和 F1-score 来评估模型，最终能够模型在训练集 和验证集的召回率分别在：0.85和0.78左右； 2、命名实体审核(NE)任务：使用BERT中文预训练模型对句子编码，构建RNN模型训练函数，通过 绘制训练和验证的损失和准确率对照曲线最终模型准确率维持在0.98左右； 3、在线部分： werobot 服务模块、主要逻辑服务模块、句子相关模型服务模块、会话管理模块， 图数据库模块以及对话（查询neo4j图数据库并返回查询结果）/Unit 模块。