负责公司教育场景下多模态对话系统的NLP核心模块设计与优化，主导意图理解、上下文保持及情感交互等关键能力的迭代，支撑智能学习助手的用户体验升级，同时统筹算法落地全流程，平衡效果、性能与工程成本。

• 主导设计基于LLaMA-7B教育领域微调的多意图识别模型，针对K12学生提问中高频混杂口语化表达、跨学科术语的场景，通过构造领域语料增广集（覆盖数学/语文/英语等8学科超50万条真实提问）结合LoRA轻量级微调，将意图分类准确率从89.2%提升至94.7%，误判率下降12%，支撑学习助手首轮问题解决率提升21%。
• 解决多轮对话上下文一致性难题，提出‘语义槽位追踪+动态注意力增强’方案：基于BERT构建槽位填充模型，引入对话历史编码器动态调整当前轮次意图权重，配合规则引擎校验关键信息（如‘数学函数求导’类问题的变量参数），使多轮对话中核心信息保留率从76%提升至91%，用户追问修正次数减少40%。
• 优化情感交互模块，针对学生挫败感表达（如‘这题太难了我不会’）设计细粒度情感分类体系（包含困惑/焦虑/抵触等6类），采用XLM-RoBERTa-large预训练模型融合语音语调特征（调用公司ASR接口提取语速/音高数据），情感识别F1值达0.89，驱动学习助手调整回应策略（如增加鼓励话术或简化讲解步骤），用户留存率提升15%。
• 推动模型生产化落地，主导完成从实验到推理的全链路优化：使用ONNX Runtime对BERT模型进行量化压缩（FP32转INT8），结合TensorRT加速引擎，单轮对话响应延迟从280ms降至160ms，同时搭建A/B测试平台验证策略有效性，周均迭代3-5个实验版本，模型线上稳定性保持99.95%以上。

聚焦在线教育场景下的智能作业批改与个性化学习推荐，负责文本类作业的语义理解、错误定位及知识点关联等NLP功能开发，支撑教师端批改效率提升与学生端学习路径精准推荐。

• 构建中小学语文作文自动批改系统，突破传统规则匹配的局限性：基于RoBERTa-wwm-ext预训练模型微调情感分析（褒贬/客观）与表达规范（语法/修辞）双任务，结合领域词典（收录成语/病句类型等2万+条目）增强特定维度判断，使作文评分与人工一致性从0.72提升至0.89，语法错误检出率达92%，教师人均批改耗时从15分钟/篇缩短至5分钟/篇。
• 优化数学应用题意图解析模块，解决‘条件隐含’‘表述歧义’问题：设计‘问题目标拆解+条件实体链接’双阶段模型，第一阶段用BiLSTM-CRF识别题干中数值/单位/运算符等实体，第二阶段通过注意力机制关联实体与问题目标（如‘求面积’需定位长/宽数据），意图解析准确率从85%提升至93%，支撑系统自动生成解题步骤的正确率提高28%。
• 搭建知识点关联知识图谱，整合教材、题库、学生行为数据：通过远程监督（利用维基百科实体关系）与规则抽取（如‘勾股定理’关联‘直角三角形’）构建初始图谱（含12万+节点、80万+边），再基于TransE模型优化实体嵌入，为学生生成‘薄弱知识点-关联练习-拓展阅读’推荐路径，试点班级学生单元测试平均分提升11%。
• 主导NLP中间件开发，封装通用接口供前端业务调用：基于FastAPI构建文本清洗（去噪/分词）、特征提取（TF-IDF/词向量）、模型预测服务，支持日均100万+次调用，接口响应时间P99控制在200ms内，降低业务方二次开发成本约60%。

负责公司社区论坛的用户评论分析与客服对话分类，支撑内容审核与客户服务效率提升，同时参与基础NLP模型的调优与落地。

• 搭建用户评论情感分析系统，处理海量UGC内容：使用FastText与CNN混合模型对评论进行情感分类（正向/中性/负向），针对短文本特征稀疏问题引入字符级嵌入，结合人工标注的20万条评论数据训练，分类准确率达88%，支撑运营团队每日自动筛选高风险负向评论（如投诉/辱骂），人工复核量减少55%。
• 优化客服对话意图分类，提升问题路由效率：基于LSTM模型对客服对话文本分类（涵盖课程咨询/技术故障/投诉建议等15类），通过SMOTE过采样解决类别不平衡问题（少数类占比<5%），同时加入对话长度、关键词频率等手工特征，分类F1值从0.79提升至0.87，客户问题首次分配准确率提高22%，平均响应时长缩短18%。
• 参与问答系统知识抽取，构建实体库：使用Stanford NER工具结合领域规则，从课程文档中抽取‘知识点名称’‘适用年级’‘难易度’等实体，人工校验后入库（累计5万+实体），为后续智能问答提供结构化知识支撑，问答系统直接命中率提升15%。
• 完成模型部署与监控，保障线上稳定性：将训练好的分类模型打包为Docker容器，部署至公司K8s集群，设置QPS阈值与错误率告警，日均处理请求30万+次，模型线上异常停机时间全年<2小时，支撑业务连续性。

短视频用户兴趣演化预测与推荐系统升级项目

• 星途互动作为聚焦Z世代兴趣的短视频平台，面临用户30日留存率连续3季度下滑（从42%降至35%）的核心问题。经诊断，现有推荐系统过度依赖短期点击行为，无法捕捉用户从“泛娱乐探索”到“垂类深耕”的兴趣演化路径。我的核心职责是主导兴趣演化模块与推荐系统的融合升级，目标是将用户长期粘性指标提升20%以上。
• 项目遇到两大技术瓶颈：一是传统时序模型（如LSTM）难以融合多模态信号（内容标签语义、用户互动时序、社交关系隐性影响），导致兴趣演化预测准确率低（仅62%）；二是实时推荐场景下模型增量更新延迟高（原15分钟/次），无法匹配用户行为变化速度。
• 针对多模态融合，设计「Transformer+跨模态注意力」架构——用BERT编码内容标签语义，CNN提取视频封面视觉特征，GraphSAGE建模用户社交关系图，通过注意力层动态加权融合三模态特征；针对实时更新，引入Flink流处理框架搭建增量学习 pipeline，结合EWC（弹性权重整合）防止灾难性遗忘，将模型更新频率压缩至1分钟/次。
• 项目上线后，用户7日留存率从35%提升至41%（+17%），单用户日均观看时长增加25分钟（从65分钟到90分钟）；兴趣演化预测准确率升至81%，模型推理延迟降至40ms。我主导完成全流程设计，输出《短视频用户兴趣演化建模技术手册》，成为团队后续推荐系统迭代的基准框架，个人贡献度占项目总价值的60%。

电商直播观众转化链路预测与精准干预项目

• 云帆数字是服饰品类直播电商平台，面临直播转化效率低（场均转化率2.1%）、干预资源浪费（盲目发券导致ROI仅1:1.2）的问题。我的职责是构建观众转化预测模型，设计因果导向的干预策略，目标是提升转化ROI30%以上。
• 项目挑战集中在三点：一是观众行为稀疏（40%观众仅停留1-3分钟，序列长度<10条），传统序列模型无法学习有效特征；二是转化标签样本不平衡（转化用户占比4.8%），模型易偏向多数类；三是缺乏因果评估，无法区分“干预转化”与“自然转化”，导致干预无效。
• 针对数据稀疏，用协同过滤补全用户隐含兴趣标签，结合Transformer注意力层聚焦核心行为（点击购物车、询问主播）；针对样本不平衡，采用SMOTE过采样+加权交叉熵损失，将转化用户召回率从55%提至78%；针对因果评估，引入Uplift Model计算每个观众的「转化增益」（干预后转化概率-自然转化概率），设计分层干预策略——高增益用户推专属券，中增益推直播预告，低增益不干预。
• 项目落地后，转化预测准确率从72%升至94%，高增益用户识别率从30%提至65%；干预ROI从1:1.2升至1:1.74（+45%），单场直播GMV增长28%（从80万到102万）。我将「稀疏行为建模+因果干预」方案纳入公司直播运营SOP，还主导了3场技术培训，个人贡献了项目70%的策略设计价值。

支教时发现乡村小学因缺乏实验器材，科学课多停留在课本讲解。返校后联合实验室开发出百元级科学实验背包，内含20个基础实验器材。为确保可持续运营，设计配套视频课程与城乡结对系统，并培训132名大学生担任远程助教。项目覆盖9省47所学校后，学生科学兴趣评分提升35%。这段经历教会我用产品思维解决社会问题，当看到孩子们用自制望远镜发现土星光环时，我理解了教育的真谛是点燃可能性。