负责在线教育场景下NLP核心任务的端到端算法设计与落地，覆盖智能答疑、作文批改、个性化学习推荐等关键业务，从需求拆解、数据标注、模型迭代到生产部署全流程主导，支撑千万级学生用户的学习交互需求。

• 主导智能答疑系统的意图识别与槽位填充模型迭代，针对教育领域长文本歧义（如“三角函数导数”与“定义域”易混淆）问题，采用BERT+BiLSTM+CRF融合架构，引入课程知识图谱实体链接策略（将“函数”“几何”等知识点作为约束条件），解决了意图混淆率高的痛点——意图准确率从91%提升至96.5%，槽位填充F1值从87%升至92%，支撑日均10万+学生答疑请求的处理效率，响应延迟稳定在200ms内。
• 核心参与作文自动批改模块的语义理解与评分模型开发，基于中高考作文语料构建细粒度分析框架：用TextRank提取内容关键词匹配题目要求，BERT做情感倾向判断（积极/消极表达），Transformer-based模型评估逻辑连贯性（句子间指代、因果关系），设计了“内容相关性×40%+逻辑严谨性×30%+语言表达×30%”的多维度评分体系，将人工复评率从35%降至12%，批改响应时间从5秒缩短至1.2秒，覆盖小学到高中全学段语文作文题型。
• 重点优化个性化学习推荐的文本特征工程，针对学生提问、笔记、作业文本的稀疏性问题，采用Word2Vec+FastText词向量融合技术（捕捉一词多义），结合GraphSAGE构建学生知识图谱邻接矩阵（将“已掌握知识点”与“待提升知识点”关联），将文本特征转化为128维低维稠密向量输入协同过滤模型，使推荐准确率提升28%，学生日均使用时长增加40分钟，30日留存率提升15%。
• 负责NLP模型的生产化部署与监控，用TensorFlow Serving搭建集群（支持横向扩展至10节点），结合Prometheus+Grafana实现模型延迟、QPS、准确率的实时监控；针对高并发场景下的性能瓶颈，采用模型量化（FP32转INT8）与知识蒸馏技术（用小模型拟合大模型输出），将单条请求处理时间从200ms压缩至50ms，服务可用性保持在99.99%以上，全年未出现因模型服务故障导致的业务中断。

辅助智能客服与内容审核场景的NLP算法落地，从数据标注、基础模型训练到效果调优全流程参与，支撑业务从0到1的NLP功能搭建。

• 参与智能客服知识库构建与意图分类模型训练，负责教育领域FAQ数据标注（累计10万+条，涵盖“报名流程”“退费政策”等200+意图），采用TF-IDF与BERT embeddings结合的特征提取方法，训练逻辑回归与LSTM分类模型，将客服问题分类准确率从82%提升至89%，减少人工派单错误率约25%，支撑客服团队日均处理量提升30%。
• 辅助内容审核系统的语义违规检测模块开发，针对教育类文本中的敏感内容（如暴力描述、不良价值观），构建包含5万+条敏感词的关键词词典，结合BERT分类模型（ fine-tune 在教育类违规语料上），设计“规则匹配→模型打分”的双层过滤机制，将违规内容漏检率从10%降至3%，审核效率提升40%，支撑每日5万+条用户生成内容（UGC）的实时审核。
• 探索文本生成技术在错题解析中的应用，基于Seq2Seq模型加注意力机制，用10万+条错题数据训练“错题原因+解题步骤”生成模型，通过beam search优化生成结果的流畅度，使错题解析满意度从75%提升至88%，覆盖数学、英语学科的高频错题类型（如“一元二次方程求解”“定语从句辨析”）。

参与早期教育产品NLP功能的基础研发，负责数据预处理、基础模型调优及小场景验证，为公司NLP能力建设打基础。

• 搭建公司首款智能学习APP的文本数据处理pipeline，采集并清洗100万+条学生学习笔记与提问文本，用正则表达式与spaCy库进行实体识别（如“函数”“单词”）与文本归一化（统一“cos”为“余弦”），构建教育领域初始语料库，为后续模型训练提供高质量数据支撑。
• 参与智能问答系统初始版本开发，用WordNet同义词词林扩展关键词匹配范围，结合TF-IDF计算问题相似度，将问题匹配准确率从60%提升至72%，实现APP内“课程安排”“教材版本”等基础问题的自动回复，提升新用户首次使用留存率约8%。
• 优化文本分类模型训练流程，用交叉验证与网格搜索调整SVM、随机森林的超参数，将用户反馈情感分类模型（判断“好评”“中评”“差评”）的准确率从75%提升至81%，帮助产品团队快速定位“作业提交卡顿”“课程加载慢”等用户痛点，推动迭代修复率提升30%。

基于多模态行为的用户生命周期价值（LTV）精准预测与运营系统搭建

• 项目背景：用户增长部门传统LTV模型仅依赖结构化行为数据（如消费金额、登录频次），忽略非结构化点击流序列与用户交互文本的特征表达，导致预测准确率低（仅65%），无法支撑精细化拉新与留存策略，拉新成本年增长18%。我的核心目标是主导搭建多模态LTV预测系统，实现从“粗放运营”到“基于用户价值分层运营”的转型。
• 关键难题与技术：1）多模态数据融合难题——点击流序列（如页面跳转路径）具有长距离依赖，传统RNN模型无法有效捕捉；用户评论文本（如“这个剧情节奏太慢”）的情感倾向与LTV关联弱，需针对性语义挖掘。2）实时性要求——运营团队需要小时级更新的LTV预测结果以调整触达策略，传统离线模型延迟达6小时以上。技术上，我选择Transformer编码器处理点击流序列（捕捉长距离行为依赖），BERT-base微调处理用户评论文本（提取情感与需求特征），并通过门控融合层（Gated Fusion Layer）动态加权多模态特征；实时性方面，采用Flink构建流数据处理 pipeline，将特征计算延迟压缩至1分钟内。
• 核心行动与创新：1）通过SHAP值分析定位关键特征——发现点击流中的“跨页面停留时长方差”与LTV相关性达0.41，远超传统消费金额的0.28，因此调整特征工程权重。2）设计“时序优先”融合策略——给Transformer输出的序列特征分配70%权重，BERT文本特征分配30%，通过A/B测试验证该策略使预测准确率提升8个百分点。3）推动模型轻量化——将Transformer层数从6层压缩至4层，同时保留90%以上性能，使线上推理延迟从200ms降至50ms，支撑百万级用户实时预测。
• 项目成果与价值：1）模型准确率从65%提升至82%，运营团队基于高LTV用户（预测值Top20%）开展精准权益投放，拉新成本降低21%（从120元/人降至94元/人）；2）低LTV用户（预测值Bottom20%）减少无效优惠券发放，资源转向高价值用户留存，高LTV用户30日留存率提升15%；3）系统上线后年营收直接增长约3500万元，成为用户增长部门的核心决策工具。我在项目中主导从模型设计、特征工程到系统落地的全流程，解决了多模态融合与实时性的关键瓶颈，推动LTV预测从“事后统计”转向“事前预判”。

短视频内容推荐算法优化：从协同过滤到深度兴趣演化模型

• 项目背景：公司短视频APP推荐系统依赖协同过滤与浅层DNN模型，无法捕捉用户兴趣随时间的演化（如用户从“美食探店”转向“健身教程”），导致推荐点击率连续3个月下滑（从10.2%降至8.9%），用户日均停留时长停滞在78分钟。我的目标是优化推荐算法，解决“兴趣漂移”与“冷启动”问题，提升用户体验与内容消费时长。
• 关键难题与技术：1）兴趣演化捕捉——传统模型仅用静态用户画像，无法建模“行为序列→兴趣变化”的动态关系；2）冷启动瓶颈——新用户（注册7天内）推荐准确率仅5.1%，新内容（发布24小时内）曝光转化率不足3%。技术上，我采用GRU网络建模用户行为时序，引入时间衰减因子（Time Decay Factor）赋予近期行为更高权重；针对冷启动，结合元学习（Meta-Learning）预训练用户 embedding 初始化模块，用少量新用户交互数据快速适配。
• 核心行动与创新：1）行为序列增强——将用户“点赞、评论、分享”等互动行为转化为多维度序列特征（如“评论情感倾向+分享渠道”），输入GRU模型捕捉兴趣转移的细粒度信号。2）冷启动策略优化——预训练阶段用100万条历史用户数据学习通用兴趣 embedding，新用户注册时用设备信息、注册渠道初始化 embedding，再用前5条交互数据微调，使新用户7日留存率提升11%。3）AB测试迭代——通过多组对照实验，确定GRU层数为2层、时间衰减系数为0.92的最优参数，平衡兴趣捕捉与过拟合风险。
• 项目成果与价值：1）推荐点击率从8.9%提升至12.3%，用户日均停留时长增加至95分钟，内容曝光效率（点击/曝光）提升30%；2）新用户7日留存率从35%升至46%，新内容24小时曝光转化率从3%提升至6.8%；3）算法迭代推动APP Store评分从4.2升至4.5，成为公司核心增长引擎之一。我在项目中负责算法选型、特征工程与效果验证，从“传统协同过滤”升级到“深度兴趣演化模型”，实现了推荐系统从“静态匹配”到“动态适配”的跨越。

• 大二观察到毕业生离校时大量教材被废弃，而新生购书支出占生活费12%，便发起校园书籍教材循环计划。为解决传统二手书交易效率低的问题，我们开发微信小程序实现扫码估价、预约取件功能，并说服快递中心以成本价承接物流。
• 通过建立翻新消毒标准打消卫生顾虑，项目年流通教材1.2万册，累计为同学节省书费38万元。这段经历让我从商业小白成长为能设计闭环模式的实践者，项目不仅获省级创业金奖，更被纳入学校官方服务体系延续至今。