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%。

泛娱乐用户内容偏好精准匹配及商业化提效算法项目

• 星途互娱作为长视频+互动内容融合平台，面临用户内容消费转化低（CTR仅8.2%）、商业化ROI不足（广告eCPM约120元）的痛点——原有推荐模型未充分捕捉互动内容（如分支剧情、用户UGC互动、弹幕行为）的时序特性与关系网络，且无法平衡点击、会员转化、广告收益的多目标。我的核心职责是主导从特征工程到模型部署的全流程算法迭代，目标是将用户个性化匹配准确率与商业化效率同步提升。
• 项目攻克两大技术难点：一是互动内容的多模态时序特征融合——传统模型仅处理文本/图像，忽略用户“弹幕发送→分支剧情选择→点赞UGC”的行为序列；二是多目标优化失衡——单目标优化会导致“重点击轻转化”或“重广告轻体验”的矛盾。技术方案上，我引入Transformer变体（TimeSformer）编码互动行为的时序依赖，结合GNN建模“用户-内容-创作者”的三元关系网络；多目标层采用帕累托最优加权策略，融合CTR、CVR（会员转化）、eCPM三个目标的损失函数，并加入业务规则约束（如会员内容优先级高于普通广告）。
• 我的关键行动包括：1）牵头搭建互动内容多模态特征平台，整合用户行为日志、互动内容元数据，用Timm框架微调CLIP模型处理互动中的表情包/截图特征；2）设计动态权重调整机制，通过离线A/B测试（覆盖10万+用户样本）与在线灰度发布，将多目标损失权重从固定值改为基于用户画像的实时调整；3）优化模型部署，用TensorRT加速推理引擎，将单请求 latency 从50ms压缩至18ms，支撑高峰期10万QPS的推荐请求。
• 项目成果显著：CTR较迭代前提升28%至10.5%，会员转化率提升19%至4.1%，广告eCPM增长15%至138元，月均商业化收入增加超800万元；模型已推广至公司短视频、直播等其他产品线，带动整体用户时长提升12%。我个人主导了全链路技术方案设计与落地，解决了互动内容推荐的“特征稀疏”与“目标冲突”核心问题，成为团队算法商业化的标杆案例。

工业物联网设备故障预测算法研发及规模化部署项目

• 云联科技的工业IoT平台服务制造型企业，但客户反馈设备故障预测准确率仅65%、误报率达20%，导致停机损失年均超百万元——原有模型基于简单时序统计，未处理传感器噪声、样本不平衡（故障数据占比＜1%）及跨设备泛化问题。我的角色是高级算法工程师，负责模型研发与规模化落地，目标是将故障预测准确率提升至85%以上，误报率降至5%以下。
• 项目难点集中在三点：一是设备数据噪声大（如温度传感器漂移、振动信号缺失），传统清洗方法易丢失关键故障特征；二是样本极度不平衡，常规分类模型偏向“正常”类别；三是不同设备型号（如机床、机器人）的工况差异大，模型泛化性差。技术突破上，我用LSTM+Attention融合滑动窗口特征，抑制噪声的同时保留故障前的异常波动；采用SMOTE过采样+ focal loss 解决样本不平衡，聚焦故障样本的学习；基于预训练的设备embedding模型（用Word2Vec处理设备元数据），针对不同型号做微调，提升跨设备泛化。
• 我的核心行动：1）采集10家工厂500+台设备的时序数据（涵盖振动、温度、电流等10+维度），设计“滑动窗口+插值填充”的清洗 pipeline，保留95%以上的有效特征；2）构建融合设备元数据（型号、出厂日期）与实时时序特征的模型架构，在3家客户工厂试点，根据反馈调整特征——比如加入“设备运行时长×环境温度”的交互特征，降低误报；3）用Flask开发RESTful API，对接客户MES系统，实现“分钟级”故障预警，并提供可解释性报告（如“振动信号异常→轴承磨损概率80%”）。
• 项目成果：故障预测准确率提升至89%，误报率降至4.2%，帮助客户平均停机时间减少35%、维护成本降低28%；云联科技凭借此项目拿到3个大客户续约（年合同额超500万）及2个新客户（汽车制造、电子装配行业）。我个人解决了工业数据“脏、少、异”的核心问题，推动算法从实验室走向规模化工业场景，成为公司工业AI产品的核心竞争力。

• 因痛心于年轻人对历史的疏离，我在B站创立「古人脱口秀」栏目，用职场梗解构历史事件（如《雍正皇帝的KPI保卫战》）。通过设计「颠覆认知-史料佐证-现代共鸣」三幕剧本模板，单期视频最高收获1.7万条弹幕互动。
• 两年间栏目播放量突破180万，作品被多地中学选为教学素材。这段经历磨砺出将学术内容转化为大众语言的能力，也让我理解到真实用户反馈才是创作者的指南针。