负责电商平台商品内容理解与用户意图匹配的全链路算法优化，覆盖从文本特征工程到模型落地的全流程，支撑搜索推荐、智能客服、商家运营三大核心场景的精准化需求。

• 主导商品标题与详情页语义解析系统升级，以BERT-base-chinese为基础模型，融合电商领域词典（含12万+商品类目词、属性词）做领域适配微调；针对长文本关键信息丢失问题，设计分层注意力机制（将文本划分为“核心卖点”“规格参数”“服务保障”三个层级），将商品分类F1值从89%提升至94%，直接减少人工审核工作量30%，支撑大促期间百万级商品的快速上架。
• 核心参与用户搜索意图识别模块迭代，针对“送妈妈的生日礼物”“便宜耐用的家用投影仪”等模糊查询，构建“意图分类+实体链接”级联模型——意图分类用BiLSTM-CRF捕捉上下文依赖，实体链接结合用户历史行为序列（如浏览过的母婴类目、收藏的投影仪品牌）做个性化增强；上线后将模糊查询的意图召回率从75%提升至88%，对应场景搜索转化率增长2.1个百分点。
• 重点优化客服智能回复生成质量，基于GPT-2-medium微调，引入电商领域知识库（涵盖10万+商品常见问题、3万+售后解决方案），用FAISS构建索引实现实时知识检索；针对回复“答非所问”问题，加入意图一致性损失函数（约束生成内容与用户意图的余弦相似度≥0.8），将回复BLEU分数从0.68提升至0.85，客服响应时长缩短40%，用户对智能回复的满意度从62%升至77%。
• 推动模型轻量化落地，采用知识蒸馏技术将BERT-base压缩为DistilBERT（参数量减少40%），结合TensorRT优化推理引擎，部署至移动端APP的“拍题搜商品”功能；最终推理速度提升3倍，支持千万级日活用户的实时请求，服务可用性稳定在99.95%以上。

聚焦本地生活服务场景的文本挖掘与智能交互，负责用户评论分析、商家需求提取、智能客服三大模块的算法开发，连接用户反馈与商家运营的精准对接。

• 主导用户评论情感分析系统搭建，选用RoBERTa-wwm-ext预训练模型（适配中文长文本语义），针对“服务态度好但菜品凉了”这类混合情感评论，引入领域适配器（Domain Adapter）解决跨领域迁移问题；将情感分类准确率从82%提升至91%，帮助商家快速定位“菜品保温”“服务响应”等TOP5痛点，对应商家问题整改率提升25%。
• 核心参与商家需求提取算法设计，针对商家咨询中的模糊需求（如“想提升周末客流量”“需要引流活动方案”），构建“意图-槽位”联合抽取模型——用Transformer编码器捕捉语义，结合CRF层标注“需求类型”（引流/转化/复购）与“槽位值”（周末/活动方案）；槽位填充F1值从78%提升至89%，自动完成80%商家需求的标签化，运营团队处理效率提升40%。
• 优化智能客服多轮对话管理，基于Dialogflow框架定制本地生活场景的对话状态跟踪（DST）模块，加入用户上下文记忆机制（存储近3轮对话的“需求类型”“提及商家”“地理位置”等信息）；多轮对话成功率从60%提升至75%，转人工率下降18%，降低客服人力成本约12%。
• 搭建用户反馈主题模型，用LDA结合电商领域停用词表，从百万条评论中挖掘“外卖配送慢”“酒店卫生差”“景区门票贵”等10大核心主题；每周输出主题趋势报告，支撑公司制定“提升配送时效”“加强酒店质检”等运营策略，对应主题的客诉率平均下降15%。

协助完成文本数据处理与基础NLP模型应用，参与新闻分类、短文本匹配等项目，负责数据清洗、特征工程及模型调优的基础工作。

• 参与公司内容分发系统的新闻分类项目，负责数据清洗（去除HTML标签、过滤重复内容）与特征工程；针对类别不平衡问题（娱乐类占60%、科技类仅占5%），用SMOTE过采样少数类，结合TF-IDF特征与LSTM模型，将分类准确率从75%提升至83%，支撑系统对垂直领域内容的精准推送。
• 辅助开发智能问答系统的问题匹配模块，对比BM25、Word2Vec、Sentence-BERT三种算法，选择Sentence-BERT作为基础模型（捕捉句子语义相似度更优），微调后用于“用户问题-知识库答案”的匹配；匹配准确率从68%提升至79%，减少用户重复提问率15%，提升问答系统效率。
• 搭建文本数据标注平台，用Label Studio定制NLP标注任务（含文本分类、实体识别、情感分析），设计“电商类目词”“用户需求槽位”等标注规范；通过模板化标注流程，将标注效率提升50%，为后续模型训练提供20万条高质量标注数据集。
• 参与短文本生成实验，用Seq2Seq模型结合Attention机制，实现“商品属性→卖点文案”的自动生成；针对生成内容重复问题，加入重复惩罚因子（重复词的概率权重降低0.3），生成文案的相关性从65%提升至78%，为商家自动生成商品描述提供初步方案。

星途直播用户兴趣演化推荐系统重构与性能优化

• 项目背景：原有基于协同过滤+静态特征的推荐系统无法应对直播场景用户兴趣的分钟级变化——新用户冷启动成功率仅35%、老用户30日留存率下滑至42%，且无法捕捉“主播临时换游戏”“观众因弹幕互动转移兴趣”等动态行为。核心目标是重构支持实时兴趣追踪、多模态融合的推荐引擎，直接提升用户粘性与商业转化效率；我的职责是主导算法方案设计、工程落地及跨数据/工程/产品团队的协同。
• 关键难题：1）实时兴趣捕捉的低延迟（要求<100ms）与高准确性平衡——传统离线特征更新无法满足秒级变化；2）直播内容（视频帧、弹幕、礼物）与用户行为（点击、停留、互动）的多模态异构数据语义对齐；3）千万级用户规模的实时特征存储与更新效率，避免特征管道成为性能瓶颈。
• 核心行动：1）算法侧：采用动态图神经网络（DGNN）建模用户兴趣演化路径，将用户行为序列转化为“节点-边”动态图（如“点击英雄联盟直播→停留10分钟→发弹幕‘666’”形成连续兴趣链），相比传统RNN模型更精准捕捉非线性兴趣变化；2）工程侧：用Apache Flink搭建流处理管道，将特征更新延迟从60秒压缩至<30ms，同时将DGNN推理层从TensorFlow迁移到TorchScript并量化模型，单用户推理延迟从150ms降至60ms；3）特征工程：设计“兴趣衰减加权模块”，对用户近7天的行为按时间窗口赋予权重（如1小时内的行为权重0.8，7天前的权重0.1），过滤过期噪声。
• 项目成果：推荐系统CTR从4.2%提升至5.4%（+28%），新用户冷启动成功率升至58%，30日留存率回升至54%；工程层面支持千万级用户实时推荐，特征更新延迟稳定在<50ms。作为项目负责人，我主导了从算法选型到生产落地的全流程，推动系统成为直播业务的核心增长引擎，获公司Q3季度“技术创新一等奖”。

直播内容标签体系自动化构建与商业化落地

• 项目背景：原有内容标签依赖人工标注——单场直播需2小时标注，新内容标签上线需1天，导致推荐匹配准确率仅38%、广告投放ROI低下（eCPM仅12元）。核心目标是构建自动化、实时化的内容标签体系，覆盖“内容属性-用户兴趣-商业价值”三维标签，支撑推荐与广告的精准匹配；我的职责是负责算法开发、标签效果评估及商业化场景落地。
• 关键难题：1）多源数据噪声过滤——主播口语化表达（如“家人们点点关注”）、无关弹幕（如“主播真帅”）会干扰标签准确性；2）标签层级关系建模——“游戏直播”→“MOBA直播”→“英雄联盟直播”的层级语义需精准关联；3）商业标签与内容属性的关联——如何定义“高客单价商品适配”的标签并量化其商业价值。
• 核心行动：1）算法选型：用BERT-base预训练模型做文本分类（处理主播描述、弹幕），结合CRF层解决标签序列依赖（如“游戏直播”后必须跟“品类标签”），用GraphSAGE挖掘标签间层级关联（如“英雄联盟”属于“MOBA”）；2）噪声过滤：设计“规则+机器学习”混合模块——用正则表达式过滤重复话术，用逻辑回归模型识别低价值弹幕（如长度<3字、无语义关联）；3）商业标签建模：以广告点击率、礼物收入为因变量，训练XGBoost模型预测标签的商业价值，输出“高/中/低”三档评分。
• 项目成果：标签生产效率提升70%（单场直播生成时间从2小时降至40分钟），标签准确率从65%提升至89%；广告点击率从3.1%升至3.8%（+22%），内容与用户兴趣匹配准确率提升至68%。支撑了公司广告业务精准投放，年广告收入增加约1200万元。我负责核心算法模块开发与效果迭代，推动标签体系从人工标注转向自动化，成为公司内容生态的基础数据底座。

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。