自然语言处理

项目描述：采用机器+人工的识别方法挖掘海量网络舆情中特定关注领域负面舆情，实现舆情自动化工单智能去重、分级、分类，解决了舆情爆发时海量舆情工单应急处置问题和舆情实时监控、实时告警问题。 职责/关键技术：负责项目管控和智能算法研发，包括产品设计、智能算法研发、实时、技术文档、项目验收。智能识别算法识别准确率达到92%，减少85%无效人工。熟悉舆情监控市场产品技术，熟悉舆情业务。 成效：实现总部和三十余家二级单位舆情实时监控，已运行3年，每天下派百余条有效工单

项目简介： 此平台致力于为垂直领域行业各场景下的智能对话业务提供通用性技术解决方案。具体场景包括智能培训机器 人、营销线索机器人、智能客服等。平台其构建过程主要包括：建立模型训练语料库、构建故事线与意图数据知识图谱、模型核心能力研发（NLU与 DM 核心算法）、后台运维管理系统与CUI 能力（ASR与 TTS ）构建。 技术关键词： Rasa、知识图谱、实体识别、NLP、NLU、意图识别、词槽技术、seq2seq、LSTM、CRF、CUI能力。 项目业绩： 1. 产品方案材料编写、技术可行性探索与预研； 2. 项目技术选型与框架搭建； 3. 模型语料库数据清洗与知识图谱构建，语言模型训练、运维管理系统研发以及CUI能力接入。 产品能力： 1. 高度定制化的对话体验：通过构建故事线与意图数据知识图谱，平台能够提供高度个性化的对话管理，确保与用户的交互更加自然和流畅; 2. 精准的意图识别和实体抽取：利用先进的NLP和NLU技术，如实体识别、意图识别和词槽技术，平台能够准确理解用户的查询意图和上下文信息，从而提供更准确的服务; 3. 强大的自然语言处理能力：集成了seq2seq、LSTM和

大模型有较强的语义理解能力、常识推理能力，任务规划能力，但在面向特定领域时，存在以下挑战： 领域知识匮乏 • 领域应用的本质是复杂决策。通用大模型具备宽 广的知识底座，具有宽度有余但深度不足，无法 直接胜任复杂任务。 大模型的“幻觉”问题 • 没有依据的答案，通过简单类比得出错 误答案，在企业内，需要确保领域问题 的准确性。 数据和知识过时，难更新 • LLM的知识很容易过时，很难更新；难以保证数 据的完整性，容易形成错误回答，或者无法回答。 对于给定信息的“忠实度” • 在领域任务中，我们需要大模型遵循特定领域的规范、制 度、流程和知识进行回答。然而，如果没有进行适当的调 优，大模型往往会抛开给定的文档或信息，而倾向于利用 已习得的通用知识进行自由发挥。飘逸的创造发挥与忠实 的事实陈述是一对难以调和的矛盾。 不可解释 • 生成的答案是否有依据？为什么是A而不是B？

【1】用百川、千问等国内优秀大语言模型测试特定领域知识问答效果，并引入检索增强提升问答准确率 【2】针对特定领域结合传统小模型完成文件拆解、分类等需求，分类准确率高达92%+。

1.【60%】项目分为哪些功能模块，对使用者来说能实现哪些功能 2.【40%】我负责哪些任务，使用了什么技术栈，最终达到了什么成果 3.【选填】有哪些难点，怎么解决的

模块：特征工程库，高速数据访问，特征筛选，用户画像，生命周期算法，目标识别(根据不同任务类型，产品类型，客户类型，从而推荐产品)，流程评价

人民陪审员管理系统，实现人民陪审员管理标准化，使得人民陪审员数据实现精准化，从而提高陪审员排期的工作效率。建立人民陪审员信息库，以随机参审等方式推进人民陪审员均衡参审，改善人民陪审员的广泛性和代表性不足的问题，推进司法民主、促进司法公正、提高司法公信力。 系统统一维护陪审员数据信息，摒弃了传统Excel手动维护陪审员信息的方式，系统通过批量到入维护更新的方式，极大提高了人员信息的维护成本。系统抽取陪审员通过系统随机抽取和人工指定两种方式来权衡抽取，有效根据案件的情况抽取陪审人员，陪审员通过小程序确认是否正常参与陪审，确认参审后，系统会在开庭前24小时通过短信提醒陪审人员按时参与陪审，提供了短信提醒功能。 系统通过记录陪审次数、拒绝次数，分析陪审员的可参审次数，自动预警提醒规避。

该项目聚焦于大数据挖掘与社交媒体情绪分析领域，借助Python的数据挖掘技术和自然语言处理（NLP）工具，对海量推特数据进行了深度挖掘与精细解析。首先，项目运用爬虫技术获取大量推文数据，并对其进行清洗、预处理和结构化存储；随后，通过情感分析模型，从文本中抽取出用户的情绪倾向，如积极、消极或中立态度，并揭示其随时间、话题变化的趋势。 在此过程中，项目不仅绘制了反映推文情感分布的时间序列图，还采用了词云、热力图等多种可视化方式，直观展现了热点话题的情感色彩及关键词频次，从而为理解公众对特定事件或议题的社会情绪动态提供有力依据，同时也验证了数据挖掘与情感分析技术在社交媒体舆情监控中的强大功能与应用价值。

研发过舆情系统、智能客服系统、智能制单、文本处理、语义分析、大模型、llm，熟悉自然语言处理常见算法，比如lstm、bert、cnn、rnn、transformer，熟悉chatgpt、chatglm、baichuan、yi-34b等大预言模型

通过私有化部署AI模型通义千问，将AI与JIRA打通，使用AI来预处理jira ticket，释放出更多的生产力，为用户带来更好的云上体验 通过AI预处理工单后，人工投入大大降低了35%，并且给用户带来了高效的服务响应体验，特别是新上云的用户，体验最佳，并不断探索通过agent来完成自动化运维工作

1.通过超宽带雷达技术扫描人体胸腔起伏做呼吸,心率检测 2.通过对患者睡眠质量数据分析做统计 3.通过对意外发生危险时间段做数据分析统计 4.针对对监测患者异常情况进行唤醒并做报警机制 5.针对慢性病对产品市场前景居家医疗的落地做分析计算商业价值

主要解决执行法官登记材料管理困难的问题，可以通过系统统筹管理，执行案款到期预警提醒等功能。通过线上线下结合的模式，解决执行局材料收转问题。同时每份文件都可以进行电子扫描登记，并存入中间库管理。 负责整体的流程设计、功能搭建、原型设计

主要利用大语言模型、pyhton、jiava等实现企业知识库管理、证书管理、报表训练、智能问答等功能。 主要负责产品设计、原型设计、设计文档编写、平台应用设计和调试等工作。

【1】论文研究深度学习中弱监督问题，发表在CCF-A会议Neurips2020，被引用次数50+，https://arxiv.org/abs/1906.00642 【2】我主要负责其中算法设计，代码实现，实验对比测试、论文撰写等方面。

对比了注意力模型，Transformer模型，SeqtoSeq，Glove, BLue,LSTM 等算法在语义识别中的不同； 使用GLOVE矢量库对Transformer模型进行了改进，取得了较好的效果。

项目介绍： 该系统是集成了语音识别，大语言模型的智能面试系统，根据候选人的语音录入转成文字，再把文字输入给大模型进行分析评分。 项目组成： 1、前后端分离框架，后端使用django，前端使用vue框架和element-ui组件布局； 2、项目包含发起面试，报告管理，试卷管理，科目管理，题库管理等模块组成； 3、业务需求收集整理，页面设计，前后端代码编写都是独立一个人完成的； 技术难点： 1、语音识别使用了科大讯飞的语音识别接口，大语音模型分别调用了文心一言，清华GLM，科大星火认证接口进行对候选人的回答进行评分和分析； 2、在试卷管理模块中，需要从不同的题库中选择不同的题目组成试卷，当勾选不同科目下的题目时，需要保存勾选的值，最后完成选择后把问题列表组成试卷，当更新的时候，需要回显不同科目下的问题列表勾选框；

年双十一成交量4982亿元，全国快递企业共处理快件39亿件，这背后则是物流行业工作量的骤增。除了满负荷的长深高速公路，还有繁忙的快递小哥。无论是企业业务汇总，还是寄件信息填写，都少不了关键信息智能提取这一环节，这其中均采用了命名实体识别技术。

1.基于大语言模型（LLM）的AI应用开发，帮助图书馆接入AI大模型，完成图书馆书籍信息的智能检索管理； 2.使用开源大模型配合dspy完成agent设计，RAG加向量数据库建立图书馆的私有知识库； 3.助手具备知识库信息检索，上网搜索及工具调用的自定义工作流能力；

负责核心技术平台架构和技术预研，带领团队改造并完成内容数据平台和信息流分发平台，Feed流的智能化推荐、会员增值服务，车型库等基础技术平台建设和部署，支撑亿级用户高并发访问。

通过对接ChatGPT服务，使国内用户可以用上OpenAId的ChatGPT4.0和DALL-E服务 用户需要在平台注册用户，并通过充值的方式来预存一定的费用，用于openai生成对话和图片等