1、语意理解系统:公司电话营销场景中,通过ASR技术将语音转化为文本,然后基于Bert
实现语意理解系统,主要对客户说的每句话进行意图分类,支撑短信营销模块的模型。系
统主要包括:正则模块、分类模块、相似度模块,上线后准确率95%以上。用Tensorflow训
练,并用TF-Serving进行部署在docker。
2、短信营销:经过3轮迭代搭建了营销模型,通过对用户通话的文本内容进行语义理解得
到每一句话的意图,加上自有产品库的其他借贷特征,构建特征给XGB模型,挑选潜在客户
进行短信营销,上线后带来提现金额增加10%左右。
4、关系健康度模型:通过匹配用户本身、一度查询的特征,构建LGB模型,预估用户是否
是欺诈用户。模型最终在5个场景用户下KS均大于0.3,其中最好的达到0.45。符合金融场
景中比较好的模型的标准。
5、借贷意愿数据产品:根据统计特征,运用类似逻辑回归方法预估借贷意愿,在测试集
上10多个变量IV值大于0.2,符合预期。
6、借贷行为预估:根据用户过去半年的借贷数据,利用XGB、LSTM等模型预估未来7天是
否会发生借贷行为。准确率80%左右、召回率75%左右。
7、分位数数据产品:根据用户近1年的借贷申请记录,计算用户在不同时间窗口、不同类
别机构的借贷排名产出600多个特征,入模后KS提升个2点以上。
8、灰名单数据产品:类似于频繁项集的思路,识别欺诈的团伙,作为入模特征,供分析
师使用。
9、借贷意愿数据产品:类似于逻辑回归的思路,开发了用户借贷意愿预估的画像产品,
作为入模特征,供分析师使用。
10、工资信息提取:通过构造正则表达式,从目标文本中提取工资信息,准召98%左右。

对京东零售数据探查,致力于提高优惠券领取、使用、转化、提高GMV等工作,主要有:
1、优惠券推荐排序:根据对优惠券、订单、店铺等数据进行分析,搭建基于集成(XGB、LGB、GBDT)的优惠券价值评估模型,在几个大类目下带来优惠券使用率提升1%左右。
2、促销提升:根据商品销售价格、活动等信息,搭建促销选品模型(采用XGB),日均带来
GMV 80万左右。
3、价格预测:根据商品的描述文本,搭建基于NLP的商品价格预估。在手机类商品中,
80%的情况下误差范围在19%以内(训练集很多商品描述信息量少)。
4、配合其他模块、业务线的数据探查、提数任务、优惠券限商品类的领取率提升、优惠
券创建指引等工作。

借助机器学习、深度学习、大数据,围绕安全的领域开展工作。
1、流量检测:根据流量日志,搭建基于随机森林的恶意流量检测系统,准确率90%左右、
召回率93%左右。
2、Android恶意APP检测:根据沙箱的分析结果,搭建基于集成(随机森林、XGB、LGB)的
Android恶意APP检测,准确率99%左右、召回率95%左右。
3、恶意软件同家族:根据提取程序的控制流程图,搭建基于CNN的恶意样本家族同源分
析,准确率95%左右、召回率92%左右。
4、恶意程序检测:根据沙箱解析出的程序的API调用序列,搭建基于LSTM的恶意样本检
测,准确率99%以上、召回率98%左右。
5、数据融合:搭建基于Spark2的数据融合处理系统。
6、专利:完成基于GAN的同源恶意样本生成专利。
7、文档编写:参与流量和样本检测系统的设计、搭建,并部署到甲方。

完成“金万汇幼儿园管理系统”的多个管理模块设计、开发等工作。