参与从网页中抽取正文的Article Extractor项目(1)负责:几百个站点数据的自动化抓取，基于 crawler4j 框架二次开发 (2)负责:分别制作网页版和 PC 端的展示 demo(3)参与:算法封装 SDK，发布到微软 cognitive-services (4)负责:“HeroTeller”微信公众号开发

今日头条搜索组 参与搜索的召回和排序&&给文章高亮关键词(1)代码维护:用训练分类器(特征 16 维)，结合词典,给头条文章抽取出高亮词 (2)参与:头条搜索的部分索引迁移:由 Xapian 迁移到 ElasticSearch (3)参与:写 mapReduce 脚本做一些日志统计工作

主要是用一些信息检索的方法和有监督的方法(knn)对商品sku进行分类(1)使用 KNN 根据商品的文本信息对商品进行分类。距离函数是对 Lucene 返回分 数(已有类别标签的训练样本用 Lucene 建索引，未知数据做 query 查索引)进行 二次排序。二次排序用到了计算商品 name 的字符串编辑距离，特征向量的余弦相 似度等(2)Performace: precission = 0.96;recall = 0.99

一、乘客评论的情感分析项目(1)褒义 VS 贬义，二分类问题:五星评价做正例，一星评价和投诉做负例，均衡 采样得训练样本(2)特征组合:BOW(unigram 和 bigram)+ embedding 特征 (3)模型:用了 LR，LibSVM，RandomForest(4)结果 performance:precission > 0.94(五折交叉验证)二、司机的用户画像项目 (1)PM 标注定义，结合无监督学习得出约 56 个司机维度。根据文字评价对司机进 行 56 个维度的用户画像(2)本质是，用信息检索的方法。把一句评价看成一个 query，56 个司机维度看 成 56 篇 document，通过计算 query 和 doc 相似度的方法召回每个评价的 TopK 个类别。(3)用三个不同的计算类别质心点的方法进行组合作为最后模型 (4)结果 NDCG 评价指标:只用算法，约 0.88;算法+规则，约 0.92

软件测试工程师 实习生