负责电商垂类智能对话系统的意图识别与多轮对话管理模块研发，联动业务方优化用户体验及转化效率，边界覆盖从算法选型、模型迭代到线上部署与效果追踪的全流程

• 主导电商对话系统意图识别模块迭代，针对低资源场景下意图泛化不足问题，构建“BERT+领域实体增强”混合架构——先以800万条电商客服对话预训练BERT，再融合商品类目、属性词等结构化实体特征微调，同时引入Few-shot Learning适配新意图，最终意图分类准确率从88.5%提升至93.2%，新意图上线周期从2周缩短至5天
• 优化多轮对话管理的对话状态跟踪（DST），针对传统规则引擎无法捕捉长上下文依赖问题，基于Transformer设计“上下文编码-槽位填充-置信度校准”三阶段pipeline，融合用户历史行为与当前语义特征，将DST准确率从79%提升至89%，多轮对话完成率从62%提至75%
• 解决模糊查询意图漏判问题，采用半监督自训练方法——用标注数据训练初始模型，筛选高置信度未标注样本迭代补充，3轮后模糊意图召回率从65%升至81%，用户NPS评分从4.2分提至4.7分
• 主导模型线上部署优化，用TensorRT对BERT模型量化压缩（FP32转INT8）并启用动态批处理，将单条对话推理时间从120ms缩至35ms，支撑日均1000万次请求，线上服务可用性保持99.95%以上

负责内容平台的文本分类与语义相似度算法研发，支撑内容审核与去重场景，边界包括算法方案设计、模型优化及与工程团队协同落地

• 解决新闻资讯多标签分类标签混淆问题，设计Hierarchical Attention Network（HAN）架构——底层用BiLSTM捕捉局部特征，上层通过注意力区分标签权重并融入标签层级信息，将分类准确率从89.1%提至94.3%，人工复核工作量减少35%
• 优化内容去重语义相似度算法，针对TF-IDF无法理解语义等价问题，用Sentence-BERT微调平台2000万条内容标题，融合文本长度、关键词重叠率特征，将召回率从75.6%提至88.2%，误判率从18%降至5%，日均减少重复分发120万条
• 构建领域语料库，采用“主动学习+爬虫”策略——用模型筛选高不确定性样本人工标注，爬取艾瑞咨询等行业文本清洗，累计积累1000万条高质量科技文本，支撑后续模型训练
• 协同工程团队上线模型，将PyTorch转TorchScript并用ONNX Runtime优化，单条文本分类时间从80ms缩至20ms，设计模型监控系统实时追踪指标，异常时自动重训保障稳定性

协助完成社交平台用户评论情感分析与关键词提取任务，参与算法实验与数据预处理，边界覆盖基础模型调优、效果验证及流程辅助

• 解决短文本情感分析词稀疏问题，用LSTM+Attention机制——以GloVe词向量初始化，注意力聚焦情感关键词，将情感极性准确率从82.3%提至87.1%，支撑评论情感标签自动化
• 优化关键词提取，结合TextRank与领域停用词表，加入词性权重（名词、形容词优先），将准确率从70.5%提至80.2%，生成的关键词用于内容标签系统提升推荐精准度
• 改进数据预处理流程，用spaCy实现自动化分词、实体识别与停用词过滤，替代人工方式，数据处理时间从每小时500条缩至2000条，减少20%人工标注量且错误率从5%降至1%
• 辅助模型评估，设计多维度指标体系（准确率、F1-score、用户满意度），形成全面评估报告，帮助团队定位模型缺陷并优化

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。