0
1
2
3
4
5
0
1
2
3
4
5
1月前来过
算法工程师
北京全职 · 500/日 · 10875/月信用正常
工作时间: 工作日08:00-23:30工作地点:
远程
服务企业:
1家累计提交:
0工时
联系方式:
********
********
********
****************
查看联系方式
个人介绍
l 5年NLP算法工程师工作经验，能够独立完成项目从0-1的开发，熟悉分词、命名实体识别，知识图谱、关系抽取、实体链接、文本分类、机器学习建模等项目运作流程。
l 职业优势：拥有50+个项目实操经验，擅长问题诊断及处理，能够利用自然语言处理、机器学习相关技术，根据公司业务场景，结合模型算法，提出针对性的技术解决方案。
l 综合素质：自驱型，认真细致，较强问题解决能力，系统的逻辑思维，具备抗压及承压能力，善于沟通总结及换位思考，能够快速适应新的工作环境，具备良好的团队协作能力及服务意识。
l 编码能力：熟悉Linux操作系统、Python编程语言。
l 框架使用：熟悉机器学习相关库（sklearn、pandas和numpy），善于进行数据处理、特征工程、特征衍生、及基于sklearn的建模流程、模型融合等，熟悉NLP相关库（jieba、pyltp及gensim），善于对各类文本进行清洗、预处理及词向量训练；熟悉Pytorch框架；熟悉基于Django的Web服务开发
l 机器学习能力：熟悉线性回归、逻辑回归、决策树、支持向量机、随机森林、Adaboost、GBDT、XGBoost、lightgbm、catboost等算法的原理及使用，掌握特征工程中的特征衍生与特征筛选原理及使用，了解模型融合方法原理及使用。
l 自然语言处理能力：熟悉语言模型、HMM、CRF的原理及使用，熟悉RNN、LSTM等深度神经网络的原理及使用，熟悉Emlo、Transformers、Bert及Bert的多种变体的原理及使用，熟悉onnx推理加速、模型蒸馏等模型优化方法。
l 数据结构与算法：熟悉数据结构与算法，如动态规划、回溯、树等。
工作经历
2018-04-15 -至今数控算法工程师
5年NLP算法工程师工作经验，主要负责Python自动化、机器学习建模和自然语言处理方面的工作，能够独立完成项目从0-1的开发，熟悉分词、命名实体识别，知识图谱、关系抽取、实体链接、文本分类、机器学习建模等项目运作流程。 职业优势：拥有50+个项目实操经验，擅长问题诊断及处理，能够利用自然语言处理、机器学习相关技术，根据公司业务场景，结合模型算法，提出针对性的技术解决方案。
教育经历
2013-07-01 - 2017-07-01内蒙古农业大学网络工程本科
技能
作品
项目背景：通过搭建知识图谱系统进行规整管理，提升工作效率的同时，完成数据信息统一化，进而实现资产关系快速检索及全链路关系查询，做到系统发生故障时的根因分析定位。 项目职责：主导命名实体任务开发及优化+关系抽取、实体链接模型设计与研发+KBQA问答服务。 效果提升：提出通过构造不同的标签序列标注方案进行训练，解决中英文混合输入等问题，提升使用 提升工作效率的同时，完成数据信息统一化，进而实现资产关系快速检索及全链路关系查询，做到系统发生故障时的根因分析定位。 项目职责：主导命名实体任务开发及优化+关系抽取、实体链接模型设计与研发+KBQA问答服务。 效果提升：提出通过构造不同的标签序列标注方案进行训练，解决中英文混合输入等问题，提升使用效果，f1 score最高达96%，较之前提升17%。 模型搭建：主导关系抽取模型及实体链接模型搭建，通过elasticsearch做倒排索引召回，解决实体命名不一致问题，通过Bert_Biaffine模型有效进行嵌套实体识别，提升工作效率。 项目成果：顺利完成项目落地，实现KBQA问答服务，满足业务需求。
02023-04-04 21:22
项目背景：自研实体识别系统，保障实体识别质量及系统良好扩展性。 项目职责：独立完成项目从0-1设计，主要架构：模型识别+AC自动机词库匹配+正则后处理 实体类别问题处理：深入分析实体类别、标签分布不均匀原因，提出通过数据增强+EDA加噪+标签截断等方式，缩小实体类别差距，提升训练数据质量。 应用效果及速度提升：通过ONNX实现推理加速，同时实现模型蒸馏，有效提升模型运行时间，提升应用场景效果。 对内沟通协调：高效沟通，指导完成数据整改，增加正则的后处理，实现实体规范化管理。 项目成果：各模型在hdfs、apache等6个训练集的准确率基本保持93%+，完成1700+日志模板结构化，满足业务场景需求，在知识图谱中发挥重要作用。
02023-04-04 21:20
项目职责：独立完成项目从0-1的设计工业级的中英文分词系统 算法筛选：深入分析项目难点，针对英文不能使用常规方法切分及新登陆词识别问题，提出采用制定提取模版、利用HMM模型和CRF模型进行序列标注的方式实现分词规范化，同时融入新词发现模型和NER词典，提升新登录词发现能力。 策划优化：通过CRF、BiLSTM_CRF等解码状态设置，降低计算难度，采用前缀词增加等方式，避免不必要搜索，提升运行速度。 词图构建：合理进行优先级布局，加入复合词典，由正则词典、专业领域词典、实体识别模型、序列标注模型、核心通用词典等，完成词图基础构建，基于此计算最佳路径，从根本解决问题
02023-04-04 21:18
