UP简历小U

+86 138-XXXX-XXXX|xiaou.upresume@example.com|北京

个人总结

资深知识图谱工程师，专注于医疗与金融领域知识图谱的构建与应用，具备深厚的语义理解、图数据库技术及智能问答系统开发经验。精通自然语言处理、图谱构建全流程及算法优化，致力于通过知识图谱技术赋能业务，提升决策效率与自动化水平。具备从0到1搭建复杂知识图谱系统的能力，曾成功将问答系统准确率提升至90%以上。

工作经历

知识图谱工程师

某头部金融科技公司

2021-07 - 2024-07

主导金融风险知识图谱的构建与优化，针对贷款审批、反欺诈等场景，从海量非结构化数据中抽取实体、关系、属性，图谱规模达亿级三元组。
设计并实现基于知识图谱的智能问答系统，支持多轮对话与复杂查询，将问答准确率从75%提升至92%，显著提升了客户服务效率。
负责知识图谱推理引擎的开发与维护，利用规则推理和图嵌入技术，发现潜在关联，为风控决策提供了有力支持，协助识别高风险用户XX%。
优化知识图谱存储与查询性能，引入Neo4j等图数据库，查询响应时间降低40%，支持高并发访问。
与业务团队紧密合作，将知识图谱应用于金融产品推荐、智能投顾等场景，提升了推荐精准度15%，带来业务增长XX万元。

项目经历

医疗知识图谱构建与智能辅助诊断系统

个人项目

2023-01 - 2023-12

项目背景：针对传统医疗信息碎片化、辅助诊断效率低下的问题，构建一个覆盖多疾病领域的医疗知识图谱及智能辅助诊断系统。
个人角色：项目负责人，负责整体架构设计、核心算法实现及前端交互开发。
技术栈：Python, SpaCy, Transformers, Neo4j, Flask, React。
主要工作：
- 利用NLP技术（如命名实体识别、关系抽取）从医疗文献、疾病百科中自动化抽取疾病、症状、药物、检查等实体及相互关系，构建包含10万+实体、50万+关系的医疗知识图谱。
- 设计并实现基于知识图谱的多模态智能问答系统，支持用户通过自然语言查询疾病信息、症状关联及用药建议，平均响应时间低于2秒。
- 开发辅助诊断模块，通过图谱推理，根据用户输入的症状信息，给出可能的疾病诊断建议及相关检查方案，诊断准确率达到85%。
- 优化图谱存储与查询效率，采用分布式图数据库，确保系统在高并发场景下的稳定运行。
项目成果：成功构建了覆盖呼吸系统、消化系统等5大类疾病的医疗知识图谱，并开发了具备较高准确率的智能辅助诊断原型系统，为未来商业化应用奠定基础。

基于知识图谱的智能客服系统（金融领域）

公司内部项目

2022-03 - 2022-10

项目背景：优化金融客服效率，减少人工介入，提升用户满意度。
个人角色：核心开发人员，负责知识图谱的问答模块设计与实现。
技术栈：Python, TensorFlow, BERT, Jena, Virtuoso。
主要工作：
- 参与构建覆盖银行产品、业务流程、常见问题的金融领域知识图谱，整合5000+常见问答对和2000+业务规则。
- 开发基于BERT的意图识别与槽位填充模型，精准理解用户意图，识别关键信息，准确率达90%。
- 利用SPARQL查询和图谱推理，从知识图谱中检索答案，并设计多轮对话管理策略，实现复杂问题的解答。
- 系统上线后，成功分流30%的客服咨询量，用户满意度提升10%。
项目成果：大幅提升了客服效率，降低了运营成本，用户反馈积极。