职位描述
1. 参与知识图谱平台中信息抽取、事件识别、关系降噪和知识补全相关算法模块的研发与实验。
2. 参与基于强化学习的句子选择器设计，从未标注文本中筛选高价值句子，辅助人工标注，提高模型训练效率。
3. 参与主动学习、局部学习相关标注辅助策略实验，优化样本选择和标注推荐效果。
4. 参与基于强化学习的关系降噪模型实验，过滤弱标注或远程监督语料中的噪声句子，提升关系抽取准确率。
5. 参与知识图谱补全中的路径搜索和策略学习实验，支持实体关系预测和缺失关系发现。
6. 跟踪并复现相关论文或开源项目，完成实验记录、效果评估和技术文档。任职要求
1. 计算机、人工智能、软件工程、数据科学等相关专业，本科高年级或硕士在读优先。
2. 熟悉 Python，熟悉 PyTorch 或 TensorFlow，有模型训练和实验调试经验。
3. 了解 NLP 基础任务，如文本分类、实体识别、关系抽取、事件抽取等。
4. 了解知识图谱基本概念，如实体、关系、三元组、schema、实体对齐、知识补全等。
5. 了解强化学习基础概念，如状态、动作、奖励、策略、episode、policy gradient 等。
6. 具备论文阅读和开源项目复现能力，能够记录实验过程、参数、指标和结论。
加分项：
1. 有知识图谱、信息抽取、事件抽取、关系抽取、实体消歧或知识补全项目经验。
2. 了解主动学习、弱监督、远程监督、半监督学习等方法。
3. 复现过 DQN、REINFORCE、Actor-Critic、PPO 等强化学习算法。
4. 了解 TransE、RotatE、ComplEx、R-GCN、DeepPath、MINERVA 等知识图谱补全方法。
5. 熟悉 Embedding、向量检索、RAG、LLM 辅助标注或图数据库者优先。
6. 有基于vibe Coding的项目开发经验。
