1. 项目背景：
2023.04-至今
在医学临床实践中，对于医务人员来说，作为一个理智、情感共存的个体，在医学实践
中难免会犯错，这导致了医患双方关系的紧张、甚至生命健康的负面影响。为了降低出错的
概率以及提高工作效率，临床决策支持系统应运而生，它可以对医务人员进行诊疗方面的指
导。
2. 技术框架：
LLM,LoRA,Langchain,RAG,Redis,MongoDB
3. 项目需求：
Langchain 知识库大模型聊天机器人+NER触发的知识图谱查询
本机器人可以和用户聊天，具备闲聊和项目所在垂直领域的专业聊天功能。
在我们聊天的同时，NER将会识别本医学当中的关键词，推荐用户一些从知识图谱里查
到的知识。目的是提供一些对用户有用的信息。
比如：“感冒”=>感冒怎么治疗？感冒的症状有哪些？感冒的预防，“奥司他韦”=>
美团上60元每盒6粒、京东上55元每盒6粒。
4. 项目部署：
以甲方提供数据为来源，构建以疾病为中心的医疗知识图谱，实体规模4.4万，实体关
系规模30万。并以此为基础，搭建了一个可以回答18类问题的自动问答小系统。
主要以neo4j作为存储，并基于传统规则的方式完成了知识问答，并最终以cypher查
询语句作为问答搜索sql，支持了问答服务。
5. 个人职责：
LLM选型。LLM的微调（LoRA）。LangchainRAG开发。LLM部署。
可选：
用非结构化知识库，向量化，为RAG做准备。
用结构化知识库，建立KG，一方面用于直接搜索、另一方面转文本并向量化，为RAG
做准备。
NER模型选型、训练、评估。
KG模糊查找开发。
清洗数据，主要是格式抓换，编码转换
NLP算法工程师
文本分类，其中包括k临近，决策树，逻辑回归，多层感知器，朴树
贝叶斯和支持向量机，以及两种深度学习算法，前馈神经网络和
LSTM
关键词抽取，主要靠词库
使用word2vec进行相似度排序
实体序列标注模型的训练
知识图谱相关的工作，比如NLU模型的训练等
阅读论文，最近在看一些关于句向量的论文，想把这方面结合到NLU
中
构建知识图谱，首先对数据进行句子分割，然后命名实体，关系抽
取。
使用各种评估指标，比如准确率，召回率，F1分数，对做好的项目进
行调试与优化，争取能够使项目达到最好的效果。
学校：太原理工大学现代科技学院
专业：计算机科学与技术
学历：本科
