负责公司内容电商平台的多模态内容理解与智能生产全链路算法设计，边界涵盖文本生成、语义检索、内容审核三大核心模块的模型迭代及业务赋能，目标是提升内容生产效率与用户体验。

• 主导构建电商垂类多意图文本生成模型，基于LLaMA-2-7B进行领域适配微调，融合商品知识库（含10万+SKU属性、50万+场景描述）的TransE图谱嵌入，解决生成内容偏离商品核心卖点的痛点——引入InfoNCE对比学习框架，将商品属性一致性作为约束信号，同时加入实体掩码策略（随机mask商品属性词后要求模型补全），最终生成内容与商品属性的匹配准确率从65%提升至90%；该模型支撑平台“商品详情页自动生成”功能落地，对应商品转化率较人工撰写版本提升18%，日均节省运营撰写时间40小时。
• 核心参与内容社区语义检索系统升级，针对长尾查询召回低的问题，基于BERT-base做领域适配，引入多任务学习融合语义相似度与用户兴趣embedding（通过协同过滤生成用户兴趣向量），并将商品类目、价格区间等结构化特征编码为辅助信号；优化后长尾查询召回率从62%提升至81%，用户日均使用检索功能时长增加25分钟，社区内容互动率提升12%。
• 重点优化内容审核模型的小样本学习能力，针对违规类型分布偏移（如新增“诱导私下交易”类别），采用Prompt Tuning适配新类别，结合主动学习框架（基于不确定性采样选择难例标注），将模型迭代周期从7天缩短至3天；同时通过知识蒸馏将大模型推理速度提升4倍，误判率下降22%，支撑平台日均1000万+条内容的实时审核。
• 推动大模型在内容生产辅助中的落地，设计基于LLM的文案润色工具，集成情感分析（基于RoBERTa-wwm-finance微调）与风格迁移模块（通过ControlNet约束输出语气），支持运营人员快速修改商品推广语；工具 adoption 率达75%，运营撰写一条优质推广语的时间从15分钟缩至5分钟，效率提升40%。

负责信息流平台的内容标签体系与个性化推荐中的文本语义理解模块开发，边界包括标签自动标注、用户兴趣建模、跨模态语义对齐，目标是提升内容分发的精准度与用户粘性。

• 主导设计基于BiLSTM-CRF的财经新闻实体识别模型，针对“营收”“净利润”等术语的歧义问题（如“苹果营收”vs“水果苹果营收”），在输入层加入领域词典的注意力增强机制——通过预训练财经词典词向量加权，强化模型对专业术语的感知；最终实体识别F1-score从89%提升至94%，支撑平台新闻内容的自动分类（覆盖12个财经子类），分类准确率提升11%，用户点击转化率增加15%。
• 核心参与用户兴趣画像的文本维度优化，将用户浏览文本的Word2Vec词向量与协同过滤生成的用户兴趣embedding融合，构建“文本-兴趣”联合表征；优化后用户兴趣匹配的点击转化率提升15%，日均阅读时长增加18分钟，信息流的次日留存率提升8%。
• 重点解决跨模态内容（图文）的语义对齐问题，基于轻量级CLIP模型适配，将图文相似度计算的准确率从71%提升至85%；该优化支撑内容分发系统更精准地匹配图文内容与用户兴趣，人均PV提升22%，广告点击率增加9%。
• 推动标签系统的自动化迭代，开发基于主动学习的标签纠错流程——通过模型预测置信度筛选难例，标注成本降低40%；标签覆盖率从82%提升至91%，内容推荐的召回率提升19%，用户对“感兴趣内容”的满意度调研得分从4.2分升至4.6分（满分5分）。

协助完成内容平台的文本分类与关键词提取功能开发，边界包括垂直领域语料预处理、基础模型训练、效果评估，目标是夯实平台内容理解的基础能力。

• 协助搭建财经新闻文本分类模型，针对jieba分词对“市盈率（P/E）”“市净率（PB）”等专业术语的分词错误问题，手动构建5000+条财经领域分词词典并集成到jieba中；结合TF-IDF特征与SVM分类器，分类准确率从78%提升至85%，支撑平台财经频道的内容自动归类，覆盖率达90%，减少人工标注工作量30%。
• 开发关键词提取工具，基于TextRank算法优化——引入领域停用词表（含“据悉”“笔者认为”等无意义词）和词性过滤（保留名词、动名词），关键词召回率从70%提升至82%；帮助运营人员快速定位内容核心信息，运营整理一篇财经资讯的时间从30分钟缩至15分钟。
• 参与用户评论的情感分析项目，用朴素贝叶斯模型处理极性分类（正面/负面），针对短文本歧义问题（如“还行吧”），加入表情符号特征（正向表情加权、负向表情降权）；情感判断准确率从78%提升至85%，支撑用户反馈的分析，平台根据负面评论优化产品功能的响应速度提升20%。
• 负责语料库的清洗与标注，制定财经领域文本的标注规范（如“行业动态”“公司公告”等类别定义），标注准确率达95%；构建的5万条标注语料成为后续模型训练的基础，节省后续标注成本约50%。

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。

• 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。