momo
自然语言处理工程师
zte · 2年经验
日薪：
￥1000/8h
地点：
南京 全区
时间：
下班后周六周日
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
nlp、文本匹配、文本分类、文本生成、bert、tensorflow、python
检索式 FAQ 问答系统 , Python/TensorFlow/Java 编程
系统流程 : 问句预处理 ⇒ 召回 ⇒ 匹配 ⇒ 重排序 ⇒ 返回答案，负责其中的核心匹配模块;
初期采用基于字面的文本相似度算法，如LD、Jaccard和BM25，以解决系统的冷启动问题; 一定数据积累后，采用基于神经网络的深度语义匹配模型，综合考虑模型准确率以及系统响应时间;
神经网络模型通过tensorflow-serving部署上线。
检索式 FAQ 问答系统 , Python/TensorFlow/Java 编程
系统流程 : 问句预处理 ⇒ 召回 ⇒ 匹配 ⇒ 重排序 ⇒ 返回答案，负责其中的核心匹配模块;
初期采用基于字面的文本相似度算法，如LD、Jaccard和BM25，以解决系统的冷启动问题; 一定数据积累后，采用基于神经网络的深度语义匹配模型，综合考虑模型准确率以及系统响应时间;
神经网络模型通过tensorflow-serving部署上线。
项目经验
检索式 FAQ 问答系统 , Python/TensorFlow/Java 编程
系统流程 : 问句预处理 ⇒ 召回 ⇒ 匹配 ⇒ 重排序 ⇒ 返回答案，负责其中的核心匹配模块;
初期采用基于字面的文本相似度算法，如LD、Jaccard和BM25，以解决系统的冷启动问题; 一定数据积累后，采用基于神经网络的深度语义匹配模型，综合考虑模型准确率以及系统响应时间;
神经网络模型通过tensorflow-serving部署上线。
系统流程 : 问句预处理 ⇒ 召回 ⇒ 匹配 ⇒ 重排序 ⇒ 返回答案，负责其中的核心匹配模块;
初期采用基于字面的文本相似度算法，如LD、Jaccard和BM25，以解决系统的冷启动问题; 一定数据积累后，采用基于神经网络的深度语义匹配模型，综合考虑模型准确率以及系统响应时间;
神经网络模型通过tensorflow-serving部署上线。
momo
自然语言处理工程师 · 2年经验 · zte
0
累计接单
0
用户评价
0
被收藏
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
nlp、文本匹配、文本分类、文本生成、bert、tensorflow、python
检索式 FAQ 问答系统 , Python/TensorFlow/Java 编程
系统流程 : 问句预处理 ⇒ 召回 ⇒ 匹配 ⇒ 重排序 ⇒ 返回答案，负责其中的核心匹配模块;
初期采用基于字面的文本相似度算法，如LD、Jaccard和BM25，以解决系统的冷启动问题; 一定数据积累后，采用基于神经网络的深度语义匹配模型，综合考虑模型准确率以及系统响应时间;
神经网络模型通过tensorflow-serving部署上线。
检索式 FAQ 问答系统 , Python/TensorFlow/Java 编程
系统流程 : 问句预处理 ⇒ 召回 ⇒ 匹配 ⇒ 重排序 ⇒ 返回答案，负责其中的核心匹配模块;
初期采用基于字面的文本相似度算法，如LD、Jaccard和BM25，以解决系统的冷启动问题; 一定数据积累后，采用基于神经网络的深度语义匹配模型，综合考虑模型准确率以及系统响应时间;
神经网络模型通过tensorflow-serving部署上线。
项目经验
检索式 FAQ 问答系统 , Python/TensorFlow/Java 编程
系统流程 : 问句预处理 ⇒ 召回 ⇒ 匹配 ⇒ 重排序 ⇒ 返回答案，负责其中的核心匹配模块;
初期采用基于字面的文本相似度算法，如LD、Jaccard和BM25，以解决系统的冷启动问题; 一定数据积累后，采用基于神经网络的深度语义匹配模型，综合考虑模型准确率以及系统响应时间;
神经网络模型通过tensorflow-serving部署上线。
系统流程 : 问句预处理 ⇒ 召回 ⇒ 匹配 ⇒ 重排序 ⇒ 返回答案，负责其中的核心匹配模块;
初期采用基于字面的文本相似度算法，如LD、Jaccard和BM25，以解决系统的冷启动问题; 一定数据积累后，采用基于神经网络的深度语义匹配模型，综合考虑模型准确率以及系统响应时间;
神经网络模型通过tensorflow-serving部署上线。
立即沟通
