主要研究知识图谱相关的技术，致力于提升基于知识图谱的智能问答系统性能。包括但不限于提升模型在不同领域的泛化能力，候选生成的准确性及模型语义解析的正确率。除了知识图谱相关研究，我们也探索如何有效结合预训练模型及无标注数据，增强模型的推理能力。

开展相关领域的前沿研究，算法设计，实验分析与论文撰写：

知识图谱构建，包括但不限于长文本/多文档场景下具有领域迁移能力的信息抽取技术（g. 命名实体识别、关系抽取、共指消解）、知识表示学习、知识推理。

基于知识图谱的智能问答，包括但不限于提出新的系统架构与推理算法、改善现有系统的性能、提升系统的泛化能力（g. 组合泛化、跨领域泛化、跨知识库泛化）、探索与预训练模型的结合方式等。

有较强的编程能力与快速学习能力，善于主动思考，勤奋努力；

有扎实的机器学习/深度学习基础，熟练掌握常见算法及框架。

获得导师许可，保证至少6个月实习，每周不少于4天。