算法端基于问答系统及知识图谱进行信息推荐， 前端采用vue3框架， 后端使用django+redis+mysql. 采用docker部署公司服务器，疫情期间使用人次达10000+

负责实体识别之后的术语标准化模型构建工作，数据量在8万左右。 尝试了bert等主流模型，发现在当前数据集中，编辑距离+bert+FNText。通过django 负责智能问诊系统的模型构建工作。 任务目的是从几百个候选问题中选出最有意义的一个询问用户。采用的是改良信息熵方案。通过django + docker提供服务接口。

通过AVEC2017获取抑郁症患者视频数据，每一患者平均帧数为1.5万帧。训练集107人，校验集35人，测试集47人；数据总帧数超过200万帧。 通过Spectral Representation将患者长度不同的视频数据转化为长度相同，维度固定的数据。 通过面部特征点分布及表情运动单元的共现概率进行连接，形成图结构。 通过pytorch进行模型训练与保存，通过学习率衰减及脚本进行模型调参，最终RMSE为5.2,优于现有论文报道水平。