负责公司核心产品智能客服系统及内容审核平台的NLP算法研发，覆盖意图识别、多轮对话理解、敏感信息检测等场景，推动模型效果提升与业务落地。

• 主导智能客服意图识别模型迭代，针对低频意图样本不足问题，提出基于Prompt的少样本学习方案，结合领域词典增强Prompt设计，使用Hugging Face Transformers库微调RoBERTa-base模型，将意图识别准确率从89.2%提升至94.7%，覆盖新增12类低频业务意图，支撑客服机器人问题解决率提升18%。
• 作为核心成员开发多轮对话理解模块，设计基于BiLSTM+CRF的槽位填充模型与GAT图注意力网络的上下文关联模型，融合对话历史中的用户画像与订单信息（通过Redis实时查询），解决跨轮次实体遗忘问题，对话状态跟踪F1值从0.76提升至0.89，支撑电商售后场景自动处理率从65%提升至82%。
• 推动NLP模型轻量化部署，针对移动端客服SDK算力限制，采用知识蒸馏技术将BERT-large压缩为DistilBERT变体，结合量化感知训练将模型体积缩小63%，推理延迟从210ms降至78ms，满足端侧实时响应要求，已在iOS/Android端全量上线，日调用量超2000万次。
• 搭建对话系统A/B测试框架，设计多维度评估指标（包括意图准确率、响应时长、用户满意度评分），主导完成5轮模型迭代测试，通过统计检验筛选最优方案，将用户主动转人工率从12.3%降至7.8%，年节省人力成本约450万元。

负责内容安全审核平台的文本检测算法优化，覆盖涉政、色情、暴力等敏感类别，同时参与智能推荐系统的文本特征工程，提升推荐精准度。

• 独立负责文本敏感信息检测模型优化，针对绕过规则的对抗样本（如拼音替代、符号混淆），构建包含200万条对抗样本的增强数据集，引入字符级CNN与Transformer的混合架构，在FPR控制在0.1%的前提下，召回率从92.5%提升至97.8%，通过国家网络安全等级保护三级认证。
• 参与推荐系统文本特征工程，设计基于BERT的文本嵌入层，结合TF-IDF、词向量加权融合方案，将用户评论、商品描述的文本特征维度从300维扩展至768维，通过XGBoost模型验证，推荐点击率（CTR）提升11.2%，GMV日均增长约85万元。
• 优化文本预处理流程，开发自动化脏数据清洗工具，集成正则表达式匹配、命名实体识别（NER）纠错模块，将人工标注耗时从单批次4小时缩短至30分钟，数据标注效率提升87.5%，支撑模型迭代周期从2周缩短至5天。

参与公司内部文档管理系统（DMS）的智能分类功能开发，协助完成文本聚类、关键词提取等基础NLP任务，积累工业级模型落地经验。

• 协助构建文档分类模型，使用TF-IDF进行特征提取，对比逻辑回归、SVM、LightGBM分类器，选择LightGBM作为基线模型，将合同、报告、邮件三类文档的分类准确率从81%提升至88%，支撑文档自动归档功能上线。
• 开发关键词提取工具，基于TextRank算法改进，引入领域停用词表（含公司内部术语1200条）与词性过滤规则，将核心关键词召回率从75%提升至89%，已集成至DMS系统，用户手动标注量减少60%。
• 参与数据标注规范制定，梳理技术文档、客户反馈等6类文本的标注指南，设计交叉验证机制，将标注一致性（Kappa系数）从0.62提升至0.85，保障训练数据质量，模型过拟合风险降低40%。

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。