2021年还有1个月就要过去，NLP算法求职几家欢喜几家愁。有人offer拿到手软，有人从灰飞烟灭到人间地狱。

我们用了2个月的时间，调研了200多位NLP工程师和100个在2021年热招的岗位，对过去一年NLP领域人才求职和热招岗位情况深度分析了一下。发现了一些情况，以飨大家。

01

NLP算法求职更难了吗？

先直接上个有点粗糙但又反应现状的模型，来说明一下今年秋招NLP算法岗的现状。

上图发给小伙伴看，小伙伴说，好内卷啊，太卷了，卷之又卷。

但是我们仔细看，真的卷吗？

其实未必。

首先我们看到，其实很多人的能力，是处于中等偏下。这导致了中等偏下能力的NLP算法岗的内卷；而在入门之后，技术能力每进一步，其求职难度就会下降一截。这也就反映出：

现在大部分入门级NLP算法工程师的能力

是不太能够适用现在工业界的用人需求的

也就是说，要在NLP算法岗位吃的更开，广大入门或初级的NLPer需要更加修炼自己的技术能力，才能在人才红海中杀出一条血路。

02

NLP岗位要求更高了吗？

自18年之后网上对算法岗劝退的声音就逐渐多起来了，这一方面是由于工业界的萝卜坑不再大幅增长；另一方面，当下工业界看重的能力矩阵也出现了一些不同。现在工业界则愈发注重实际工程落地能力、处理“脏”问题和“乱”问题的能力。这种能力在前些年是可以忽略的，因为在当时一个候选人有基本的代码能力、合格的NLP知识储备就已经很了不起了。而现在的同学要去竞争NLP算法岗，要么需要用足够分量的paper来为自己的学术水准背书，要么需要

拿出很有说服力的工程项目经历

为自己技术能力正名。

而这些都不是在普通技术课程或Demo里所能做到的。

 

在这次调研分析中，为了更细致洞察NLP岗所需的能力要求，我们按照不同的业务，从Boss上面找到了100个NLP岗位的JD

分析了不同岗位方向的能力要求比例：

• 知识图谱、信息抽取方向 70%

• 对话系统、问答系统方向 40%

• 文本分类、情感分析方向 20%

• 文本推荐方向 15%

(*其中采样部分对话系统、推荐系统的搭建依赖于知识图谱、信息抽取技术。）

同样我们也统计了这100个NLP岗位对其他方面的要求，其中

软技能：

• 学习能力、解决问题能力 60%

• 团队协作能力 40%

• 表达沟通能力 20%

加分项：

• 高质量的论文 40%

• 深度参与的实战算法项目 80%

• 高质量的比赛和比赛名次 30%

对2022年NLP岗位趋势有兴趣的

可以加我微信一起聊聊

通过以上总结：

扎实的NLP基础知识

NLP相关的项目实战经历

问题解决能力

求职的能力

这4项，是工业界最看重或求职最关键的因素。

*求职的能力：很多人对自己缺少全面认知，忽视且没有专门训练业务理解、行业认知、面试和简历的能力，这大大降低了求职成功率和高薪率。

 

在深刻洞察工业界对NLP人才需求的基础上，经过6个月的研发打磨，我们推出

《NLP算法工程师-AI职业自由计划》

本培养计划，依托Greedy AI 高品质技术资源、NLP界智囊资源和高科技企业招聘资源，为NLP从业者提供“最大化职业生涯ROI”的职业跃迁服务；在合作中，高品质、强履约、最大化让参与者开启辉煌璀璨的AI职业生涯。

通过本计划，学员一定可以拿到不止一个高质量NLP岗位的offer，实现涨薪飞跃。我们相信本计划将根本解决广大NLPer的求职难题，并持续深刻影响职业生涯发展。

Part1 技术能力	Part2 项目研发	Part3 求职规划
精品NLP基础课程	业内创新的NLP项目实战	专业定制化求职规划
This course is all you need； 涵盖NLP全体系的正价技术课程，全面掌握从入门学习到在职进修、跳槽涨薪的技术能力； 本课程已经更新将近10次，培养了数以万计的NLP算法工程师；	告别Demo项目，参与真实企业项目； 需求来源于企业 AI工程师带你拆解任务并完成项目； 互联网、AI、智能汽车、金融科技、医疗科技、智能制造、智慧营销、新零售等；   硬核提升实战能力和简历背景	规划未来3-5年最优发展路径； 全球300+Top科技大厂HRD和技术Leader岗位直推； AICCE全面人才测评诊断个人素质； 甄选目标名企前辈，定制化个人面试辅导/模拟/咨询导师，面试无忧； 合约保证求职/涨薪必成；

面向对象

本计划采取双向选择的模式，申请者提交简历申请，符合条件的，确认合作事宜。

符合以下条件之一，均可申请：

• 海外在校留学生（含本科、硕士生和博士生）或在职人士；

• 一本以上应届生或在职人士；

• 硕士应届生或在职人士；

• 有1年以上coding经验的在职人士；

第一章：自然语言处理概述

• 什么是自然语言处理

• 自然语言处理的现状与前景

• 自然语言处理应用

• 自然语言处理经典任务

• 职业发展

 

第二章：数据结构与算法基础

• 时间复杂度、空间复杂度

• 动态规划

• 贪心算法

• 各种排序算法

 

第三章：分类与逻辑回归

• 逻辑回归介绍

• 最大似然估计

• 优化与梯度下降法

• 随机梯度下降法

 

第四章：模型泛化与调参

• 理解过拟合

• 防止过拟合

• L1与L2正则

• 交叉验证

• 正则与MAP估计

 

 

第五章：文本预处理与表示

• 各类分词算法

• 词的标准化

• 拼写纠错、停用词

• 独热编码表示

• tf-idf与相似度

• 分布式表示与词向量

• 词向量可视化与评估

第六章：词向量技术

• 独热编码的优缺点

• 分布式表示的优点

• 静态词向量与动态词向量

• SkipGram与CBOW

• SkipGram详解

• Negative  Sampling

 

第七章：语言模型

• 语言模型的作用

• 马尔科夫假设

• UniGram, BiGram, NGram模型

• 语言模型的评估

• 语言模型的平滑技术

 

第八章：隐马尔科夫模型

• HMM的应用

• HMM的Inference

• 维特比算法

• 前向、后向算法

• HMM的参数估计详解

第九章：线性条件随机场

• 有向图与无向图

• 生成模型与判别模型

• 从HMM与MEMM

• MEMM中的标签偏置

• Log-Linear模型介绍

• 从Log-Linear到LinearCRF

• LinearCRF的参数估计

 

第十章：深度学习基础

• 理解神经网络

• 各种常见的激活函数

• 反向传播算法

• 浅层模型与深度模型对比

• 深度学习中的层次表示

• 深度学习中的过拟合

 

第十一章：RNN与LSTM

• 从HMM到RNN模型

• RNN中的梯度问题

• 梯度消失与LSTM

• LSTM到GRU

• 双向LSTM

• 双向深度LSTM

 

第十二章：Seq2Seq模型与注意力机制

• Seq2Seq模型

• Greedy Decoding

• Beam Search

• 长依赖所存在的问题

• 注意力机制的实现

第十三章：动态词向量与ELMo技术

• 基于上下文的词向量技术

• 图像识别中的层次表示

• 文本领域中的层次表示

• ELMo模型

• ELMo的预训练与测试

• ELMo的优缺点

 

第十四章：自注意力机制与Transformer

• LSTM模型的缺点

• Transformer概述

• 理解自注意力机制

• 位置信息的编码

• 理解Encoder和Decoder区别

• 理解Transformer的训练与预测

• Transformer的缺点

 

第十五章：BERT与ALBERT

• 自编码介绍

• Transformer Encoder

• Masked语言模型

• BERT模型

• BERT的不同训练方式

• ALBERT 

第十六章：BERT的其他变种

• RoBERTa模型

• SpanBERT模型

• FinBERT模型

• 引入先验知识

• K-BERT

• KG-BERT

 

第十七章：GPT与XLNet

• Transformer Encoder回顾

• GPT-1, GPT-2,  GPT-3

• ELMo的缺点

• 语言模型下同时考虑上下文

• Permutation LM

• 双流自注意力机制

第十八章：命名识别与实体消歧

• 信息抽取的应用和关键技术

• 命名实体识别

• NER识别常用技术

• 实体统一技术

• 实体消歧技术

• 指代消解

 

第十九章：关系抽取

• 关系抽取的应用

• 基于规则的方法

• 基于监督学习的方法

• Bootstrap方法

• Distant Supervision方法

 

第二十章：句法分析

• 句法分析的应用

• CFG介绍

• 从CFG到PCFG

• 评估语法树

• 寻找最好的语法树

• CKY算法

 

第二十一章：依存文法分析

• 从语法分析到依存文法分析

• 依存文法分析的应用

• 基于图算法的依存文法分析

• 基于Transition-based的依存文法分析

• 依存文法的应用案例

 

第二十二章：知识图谱

• 知识图谱的重要性

• 知识图谱中的实体与关系

• 非结构化数据与构造知识图谱

• 知识图谱设计

• 图算法的应用

 

第二十三章：模型的压缩

• 模型压缩重要性

• 常见的模型压缩总览

• 基于矩阵分解的压缩技术

• 基于蒸馏的压缩技术

• 基于贝叶斯模型的压缩技术

• 模型的量化

 

第二十四章：基于图的学习

• 图的表示

• 图与知识图谱

• 关于图的常见算法

• Deepwalk和Node2vec

• TransE图嵌入算法

• DSNE图嵌入算法

 

第二十五章：图神经网络

• 卷积神经网络回顾

• 在图中设计卷积操作

• 图中的信息传递

• 图卷积神经网络

• 图卷积神经网络的经典应用

 

第二十六章：GraphSage与GAT

• 从GCN到GraphSAge

• 注意力机制回归

• GAT模型详解

• GAT与GCN比较

• 对于异构数据的处理

 

第二十七章：图神经网络的其他应用

• Node Classification

• Graph Classification

• Link Prediction

• 社区挖掘

• 推荐系统

• 图神经网络的未来发展

• 中文分词技术

• 独热编码、tf-idf

• 分布式表示与Word2Vec

• BERT向量、句子向量

• 问答系统搭建流程

• 文本的向量化表示

• FastText

• 倒排表

• 问答系统中的召回、排序

• 命名实体识别

• 特征工程

• 评估标准

• 过拟合

• 常见的对话系统技术

• 闲聊型对话系统框架

• 数据的处理技术

• BERT的使用

• Transformer的使用

• 医疗专业词汇的使用

• 获取问句的意图

• 问句的解释、提取关键实体

• 转化为查询语句

• 文本摘要生成介绍

• 关键词提取技术

• 图神经网络的摘要生成

• 基于生成式的摘要提取技术

• 文本摘要质量的评估

04 部分论文

有在学习NLP算法的

可以加我微信一起探讨

01 项目特色

真实企业的算法研发项目

真实公司环境

高水平导师带教带Coding

团队协作机制

02 培养方案

03 面向企业画像

04 实战项目

实战周期：

实战安排：

1. 每周项目任务review例会：由项目小组 + 项目管理 + 助教工程师参与（周一）

2. 每周一次技术分享：所有的项目组一起参加，轮流做技术分享（周四或者周五）

3. 每个人选择维护技术博客或者github, 两周一次的频次上传平时的工作，打造自己的portfolio。

4. 中期成果展示：由每个小组 + 项目管理 + 助教工程师 + 导师共同参与

5. 项目展示以及答辩：所有的项目组一起参加，每个小组轮流展示项目并做答辩，评选优秀项目组，颁发奖项。

实训中参与的成员：

1. 参与的用户/学员：实操并完成一个可上线的企业产品

2. 助教工程师：学员的mentor，全程陪伴项目实施过程

3. NLP导师：负责解决方案的提出、任务拆解、以及中期、末期验收

4. 项目经理：负责每个小组的项目进度，保证项目如期完成

5. 前/后端工程师：负责除了NLP模块之外的开发

6. 设计/产品经理：提供对产品的前期设计

• 商机在哪里？哪些企业需要人力外包？哪些企业需要企业培训？哪些企业目前正需要融资？

• 如何实时追踪企业需求的变化？哪些企业开始扩张？哪些企业开始做数字化升级？

• 如何提高谈单转化率？如何推理出企业背后的痛点？如果快速给出个性化解决方案？

【时间管理】

【项目配套教研】

第一章：需求讲解与解决方案概览

• 项目需求讲解

• 解决方案概览，作为参考

• 接口开发以及部署

第二章：设计知识图谱

• 知识图谱介绍

• 实体、关系的设计

• 知识图谱的设计原则

第三章：信息抽取技术

• 基于序列模型（RNN/LSTM)的信息抽取

• BERT等预训练模型的使用

• 招聘JD的解析

• 研报、公告解析思路

• 事件抽取思路

第四章：企业画像的搭建

• 从结构化数据到画像的搭建

• 标签体系的设计

第五章：存储知识图谱

• 图数据库的选择

• 图数据库的使用

第六章：知识图谱中的AI应用

• 基于知识图谱的可视化分析

• 基于知识图谱的关联分析

• 基于知识图谱的推荐

第七章：智能商机的挖掘

• 挖掘商机的类别

• 每一种商机挖掘的方法论

第八章：智能解决方案的生成

• 智能解决方案的生成要解决的问题

• 基于知识图谱的解决方案

第九章：系统优化迭代

• 评估系统

• 工业界迭代思路

第十章：测试以及API部署

• AI系统的测试方法

• 服务器中部署服务以及测试

真正让项目落地包含很多的挑战，比如：

• 如何通过简历、过往经历以及结合知识库构建人才画像？ 

• 如何识别简历中的问题点以及矛盾点？ 

• 如何在推荐过程中自动给出可解释性推荐理由？ 

【解决方案】

（滑动下方区域查看更多↓）

【任务列表】

1. 项目需求调研，解决方案设计

任务描述：根据业务需求，调研相关的方案，并按小组提出整体的可落地的整体解决方案。主要设计好系统的模块，以及实现每个模块的大致技术选型。

交付物：解决方案设计

• 设计接口标准

任务描述：按照整体的解决方案，设计每个接口的标准，以便于后续分工的实施。

交付物：接口文档

1. 准备所需要的知识库

任务描述：岗位图谱、技能图谱、公司图谱等必要的知识库，并把数据存入知识库如Neo4j。

交付物：API接口，Json格式

1. 简历文档解析

任务描述：解析不同格式的简历文件如word、pdf、rtf、image等常见的不同格式。

交付物：API接口，Json格式

1. 简历解析

任务描述：按照接口文档，从简历中解析出各个字段如学校、工作经历、技能、特长、联系方式等。

交付物：API接口，Json格式

1. 职位解析

任务描述：按照接口文档，从职位中解析出各字段如工作地点、薪资范围、技能要求、学历要求等。

交付物：API接口，Json格式

1. 人才画像

任务描述：根据已经解析出来的简历字段以及知识库，构建人才画像。此人才画像的构建需要基于部分知识图谱的推理。

交付物：API接口，Json格式

1. 职位画像

任务描述：根据已经解析出来的职位以及知识库，构建职位画像。此职位画像的构建依需要基于部分知识图谱的推理。

交付物：API接口，Json格式

1. 以岗推人

任务描述：根据给定的岗位，推荐合适的候选人。需要设计一套推荐机制（包括召回、精排），能够推荐最适合的人给到岗位，这里的挑战来源于要结合公司业务现状、以及要给出推荐理由。

交付物：API接口

1. 以人推岗

任务描述：根据给定的候选人，推荐合适的岗位。需要设计一套推荐机制（包括召回、精排），能够推荐合适的岗位，挑战跟任务9类似。

交付物：API接口

1. 简历修改建议

任务描述：从求职者的角度，根据给定的简历、以及要投的职位，从专业的角度自动给出简历修改建议。

交付物：API接口，Json格式

1. 职位修改建议

任务描述：从招聘者的角度，根据公司的业务介绍，以及招聘的职位，从专业的角度自动给出JD的修改建议。

交付物：API接口，Json格式

1. 接口测试

任务描述：测试已开发好的接口，以及测试准确率。

交付物：测试报告

1. 接口文档整理，部署API

任务描述：把所有的工作写成文档，并把API接口部署在给定的服务器上。

交付物：线上可运行的API接口和文档。

1. 项目总结和答辩

任务描述：准备用于答辩的PPT和线上可运行的项目演示。

交付物：线上答辩

【任务管理】

【配套课程】

为了让项目能够顺利进行，我们会配套相应直播/录播的形式来帮助解决学员在项目过程中有可能会遇到的问题。

第一周：需求讲解与解决方案概览

• 项目需求讲解

• 解决方案概览，作为参考

• 接口开发以及部署

• Flask, Docker, Jenkins等技术

第二周：知识库介绍以及图谱搭建

• 知识库的介绍，以及必要性

• Neo4j图数据库使用

• 图谱搭建的思路

第三周：常见的问题总汇TBD

第四周：简历的结构化

• 实体和关系抽取介绍

• 基于深度学习的实体抽取技术

• 结合词典的信息抽取

• 结合关系的关键词抽取

第五周：人才画像以及职位画像

• 从简历信息到人才画像搭建

• 从职位信息到职位画像搭建

• 利用知识推理做信息补全和修正

• 抽取人才能力和经历亮点

第六周：常见的问题总汇TBD

第七周：人岗推荐算法思路

• 推荐算法概览

• 以岗推人算法思路

• 以人推岗算法思路

• 推荐理由的自动生成

• 推荐模型的可解释性

第八周：简历修改和岗位修改建议生成

• 简历修改自动建议生成

• 岗位描述修改自动建议生成

第九周：项目的评估以及持续迭代

• 项目的效果评估

• 项目优化思路讲解

第十周：项目最终交付标准

• 完整的项目交付标准

• 服务器项目部署流程

• 文档编写和答辩要求

第十一周：常见的问题总汇TBD

第十二周：项目答辩以及结业

此项目主要来搭建医疗诊断机器人，功能包括：

• 收集病人的症状，并从收集的对话中抽取关键的信息

• 基于跟病人的持续交流，对病人的症状越来越深入，最后给出解决建议

• 需要融合大量的专家知识图谱

解决方案：

此项目主要解决舆情监控上的如下几个问题：

• 竞品分析：竞品的产品目前在市场上的表现如何？用户对他们有哪些正面或者负面的评价？

• 产品分析：关于某个公司的产品，市场中的反馈是怎样的？

• 事件监测：最近关于某个公司，有没有一些事件发生？如何在第一时间发现这些事件？

以上项目2-4的任务拆解和配套教研

可以私信我获取

【项目核心优势】

【私人定制】

【服务内容】

01

技术面试知识讲解：包含90%AI高频基础知识练习及题目讲解

• 提供学员AI行业的高频笔试题库，推荐完成顺序，并进行题目讲解；

• 提供学员机器学习与深度学习高频易考点文档，并讲解高频案例；

调研近200名AI相关工作的求职者，涵盖近30个互联网公司，其中包括阿里、京东、腾讯、华为、字节、小米等头部公司，我们发现不管是在笔试阶段，还是在技术论面试阶段，都会考察大家的AI（机器学习、深度学习）基础知识，以及手推数学公司、写代码等；

02

面试项目分析：对简历所写实习、项目、论文、专利及比赛进行深度挖掘，贴合求职公司或者求职岗位的业务需求，提炼亮点

技术面试时技术主管特别喜欢询问求职者所做项目和论文的细节，比如说动机、实验设计、效果验证、创新点、复盘、横向对比其他paper等；稍有偏差可能就错过一个难得的机会；

03

HR面试攻略：了解目标公司的面试流程、薪资谈判技巧以及如何正确反问面试官

不同公司的面试流程及轮次不同，提前带你熟知目标求职公司的面试流程，做到心中有数，快人一步；另外薪资谈判技巧是必须掌握的，帮你争取期望利益最大化；

面试能力针对性提高：自我介绍的逻辑性、个人条件的软实力、优缺点；

04

模拟面试

面试导师来自于头部互联网大厂，真实模拟、还原互联网大厂面试流程，并在模拟后给出反馈及指导

02 AICCE-算法工程师职业竞争力测评

全面洞察+精准提升，助你扶摇“职”上

• 基于专业人才数据库，对标自己与Top10%工程师的差距：数学基础、编程能力、机器学习、深度学习、自然语言处理

  
  

• 精准测评个人素质，全面洞察胜任力：沟通能力、情商水平、智商水平、逻辑思维、批判性思维、创新能力

  
  

• 智能生成个性化学习地图，职业发展更清晰：AI人才专家进行全面详细的洞察和评价，给出详尽精准提升方案

贪心科技X睿正咨询，为“攻城狮”量身定制

强强联手，打造国内最适配AI算法工程师的专业人才测评产品

• 人工智能资深工程师

• 一线互联网大厂招聘经理

• 高级心理测评专家

• 专业人才咨询顾问

5大维度，全面评估求职竞争力

智能测验，打造舒适作答体验：评估维度 5大维度、20多余个子维度

有在学习NLP算法的

可以加我微信一起探讨

03 AI职业规划体系化课程

1、AI行业及市场应用前景分析

• 人工智能发展应用现状-全球市场

• 人工智能发展应用现状-中国市场

• 人工智能发展应用场景分析-金融科技

• 人工智能发展应用场景分析-智慧营销

• 人工智能发展应用场景分析-新零售

• 人工智能发展应用场景分析-智能汽车

• 人工智能发展应用场景分析-智慧医疗

• 人工智能发展应用场景分析-智能制造

• 人工智能典型厂商分析

2、算法工程师及细分岗位的介绍及工作内容科普

• 人工智能在公司中都在做什么

• 算法工程师-自然语言处理

• 算法工程师-机器学习

3、算法工程师校招/社招趋势以及人才薪资水平

• 算法工程师的校招趋势及求职建议

• 算法工程师的社招趋势及求职建议

4、FAMG和BAT算法工程师的简历都长啥样子

• 算法工程师的中文简历撰写指导

• 算法工程师的英文简历撰写指导

5、算法工程师专业和HR面试指导

• 算法工程师HR面试中的常见问题及作答技巧

• 算法工程师专业笔面试中的高频问题及作答思路

• 算法工程师笔面试

  
  

6、职场素质

• 三大典型职场情景沟通能力修炼

有在学习NLP算法的

可以加我微信一起探讨