在校期间，系统学习了计算机组成原理、数据结构与算法、操作系统等专业课程，掌握了扎实的理论基础。积极参与各类编程竞赛和项目实践，如ACM程序设计竞赛，锻炼了编程能力和逻辑思维能力。同时，注重英语学习，通过了CET - 6考试，具备良好的英语读写能力。

• 参与公司内部的文本分类项目，负责数据预处理工作。通过Python编写脚本，对原始文本数据进行清洗，去除噪声数据（如乱码、特殊符号等），共处理了10万+条文本数据，使数据质量提高了30%。
• 协助团队进行模型训练，使用PyTorch框架搭建简单的文本分类模型（如基于LSTM的模型），参与调参优化过程。在模型评估阶段，通过对比不同参数设置下的模型性能（准确率、召回率等指标），为最终模型的确定提供数据支持。
• 参与团队技术讨论会议，学习前沿的自然语言处理技术和方法，如Transformer架构等。定期总结学习心得并分享给团队成员，促进团队技术交流。

• 负责公司智能客服系统的意图识别模块优化。对历史对话数据进行分析，提取高频意图和长尾意图。通过统计分析发现，高频意图占比60%，但长尾意图处理准确率较低（仅40%）。针对这一问题，提出基于规则与机器学习相结合的意图识别方法。
• 实现规则部分，梳理常见的意图触发词和句式结构，构建规则库，覆盖了30%的长尾意图。在机器学习部分，使用FastText模型进行训练，通过调整超参数（如学习率、向量维度等），使长尾意图识别准确率提高到60%，整体意图识别准确率提升了15%。
• 与产品团队密切沟通，了解业务需求变化，及时调整意图识别策略。参与系统上线后的效果评估，收集用户反馈，为后续优化提供方向。

• 项目背景：随着社交媒体的发展，用户生成的文本数据中包含大量的情感信息。为了帮助企业更好地了解用户对产品或服务的态度，开发一个基于深度学习的情感分析系统。
• 技术实现：使用Python作为开发语言，基于PyTorch框架搭建模型。数据预处理阶段，对文本进行分词、去除停用词等操作。采用预训练的词向量（如Word2Vec）初始化模型的嵌入层。模型结构方面，尝试了多种网络结构，如TextCNN（卷积神经网络用于文本分类）和BiLSTM（双向长短期记忆网络）。通过实验对比发现，BiLSTM在情感分析任务上表现更优。
• 项目成果：在公开数据集（如IMDB影评数据集）上进行测试，BiLSTM模型的情感分类准确率达到88%，相比传统机器学习方法（如SVM准确率75%）有显著提升。将该模型部署到一个小型的社交媒体监测系统中，实时分析用户评论的情感倾向，为企业提供决策支持。

• 项目背景：为了提高智能问答系统的回答准确性和效率，开发一个基于知识图谱的问答系统。
• 技术实现：使用Python进行开发，利用知识图谱构建工具（如Neo4j）构建领域知识图谱。数据收集阶段，从多个权威数据源（如维基百科、专业数据库等）获取知识信息。知识表示方面，采用RDF（资源描述框架）对知识进行建模。问答处理流程：首先对用户输入的问题进行语义解析，识别实体和关系；然后在知识图谱中进行查询匹配，找到相关的知识节点；最后生成自然语言回答。
• 项目成果：在医疗领域知识图谱问答系统测试中，对于常见疾病的症状、治疗方法等问题，回答准确率达到80%。相比基于文本检索的问答系统（准确率60%），有较大提升。该系统可以作为医疗咨询的辅助工具，为用户提供初步的医疗知识解答。