课程项目中带队4人，围绕公开研报搭建摘要与关键指标抽取流程。用Python结合预训练模型完成公司、评级、目标价等字段识别，在自建200份样本集上对比规则与模型方案，逐条记录准确率与漏抽情况。负责分工、进度检查与报告撰写，最终提交可复现代码和评测说明，并整理常见错误类型，为后续迭代提供依据。项目让我熟悉了金融文本的结构特点，也体会到标注规范与评测口径对模型效果的影响，后续计划补充更多研报类型以提升泛化能力。

个人项目收集公开财经新闻约1500条，构建正负情绪标注子集，用TF-IDF与轻量分类模型做对比实验。在固定划分的测试集上记录准确率与混淆矩阵，分析误判样本并调整特征与阈值。整理实验日志与可视化结果，形成可复用的数据清洗和评测脚本，并总结文本噪声对分类效果的影响，为金融场景下的舆情判断提供参考。通过该项目我熟悉了从数据清洗到模型评估的完整链路，也认识到样本平衡与领域词典对情绪判断的实际作用。