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。

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。

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。