负责公司内容电商平台的多模态内容理解与智能生产全链路算法设计，边界涵盖文本生成、语义检索、内容审核三大核心模块的模型迭代及业务赋能，目标是提升内容生产效率与用户体验。

• 主导构建电商垂类多意图文本生成模型，基于LLaMA-2-7B进行领域适配微调，融合商品知识库（含10万+SKU属性、50万+场景描述）的TransE图谱嵌入，解决生成内容偏离商品核心卖点的痛点——引入InfoNCE对比学习框架，将商品属性一致性作为约束信号，同时加入实体掩码策略（随机mask商品属性词后要求模型补全），最终生成内容与商品属性的匹配准确率从65%提升至90%；该模型支撑平台“商品详情页自动生成”功能落地，对应商品转化率较人工撰写版本提升18%，日均节省运营撰写时间40小时。
• 核心参与内容社区语义检索系统升级，针对长尾查询召回低的问题，基于BERT-base做领域适配，引入多任务学习融合语义相似度与用户兴趣embedding（通过协同过滤生成用户兴趣向量），并将商品类目、价格区间等结构化特征编码为辅助信号；优化后长尾查询召回率从62%提升至81%，用户日均使用检索功能时长增加25分钟，社区内容互动率提升12%。
• 重点优化内容审核模型的小样本学习能力，针对违规类型分布偏移（如新增“诱导私下交易”类别），采用Prompt Tuning适配新类别，结合主动学习框架（基于不确定性采样选择难例标注），将模型迭代周期从7天缩短至3天；同时通过知识蒸馏将大模型推理速度提升4倍，误判率下降22%，支撑平台日均1000万+条内容的实时审核。
• 推动大模型在内容生产辅助中的落地，设计基于LLM的文案润色工具，集成情感分析（基于RoBERTa-wwm-finance微调）与风格迁移模块（通过ControlNet约束输出语气），支持运营人员快速修改商品推广语；工具 adoption 率达75%，运营撰写一条优质推广语的时间从15分钟缩至5分钟，效率提升40%。

负责信息流平台的内容标签体系与个性化推荐中的文本语义理解模块开发，边界包括标签自动标注、用户兴趣建模、跨模态语义对齐，目标是提升内容分发的精准度与用户粘性。

• 主导设计基于BiLSTM-CRF的财经新闻实体识别模型，针对“营收”“净利润”等术语的歧义问题（如“苹果营收”vs“水果苹果营收”），在输入层加入领域词典的注意力增强机制——通过预训练财经词典词向量加权，强化模型对专业术语的感知；最终实体识别F1-score从89%提升至94%，支撑平台新闻内容的自动分类（覆盖12个财经子类），分类准确率提升11%，用户点击转化率增加15%。
• 核心参与用户兴趣画像的文本维度优化，将用户浏览文本的Word2Vec词向量与协同过滤生成的用户兴趣embedding融合，构建“文本-兴趣”联合表征；优化后用户兴趣匹配的点击转化率提升15%，日均阅读时长增加18分钟，信息流的次日留存率提升8%。
• 重点解决跨模态内容（图文）的语义对齐问题，基于轻量级CLIP模型适配，将图文相似度计算的准确率从71%提升至85%；该优化支撑内容分发系统更精准地匹配图文内容与用户兴趣，人均PV提升22%，广告点击率增加9%。
• 推动标签系统的自动化迭代，开发基于主动学习的标签纠错流程——通过模型预测置信度筛选难例，标注成本降低40%；标签覆盖率从82%提升至91%，内容推荐的召回率提升19%，用户对“感兴趣内容”的满意度调研得分从4.2分升至4.6分（满分5分）。

协助完成内容平台的文本分类与关键词提取功能开发，边界包括垂直领域语料预处理、基础模型训练、效果评估，目标是夯实平台内容理解的基础能力。

• 协助搭建财经新闻文本分类模型，针对jieba分词对“市盈率（P/E）”“市净率（PB）”等专业术语的分词错误问题，手动构建5000+条财经领域分词词典并集成到jieba中；结合TF-IDF特征与SVM分类器，分类准确率从78%提升至85%，支撑平台财经频道的内容自动归类，覆盖率达90%，减少人工标注工作量30%。
• 开发关键词提取工具，基于TextRank算法优化——引入领域停用词表（含“据悉”“笔者认为”等无意义词）和词性过滤（保留名词、动名词），关键词召回率从70%提升至82%；帮助运营人员快速定位内容核心信息，运营整理一篇财经资讯的时间从30分钟缩至15分钟。
• 参与用户评论的情感分析项目，用朴素贝叶斯模型处理极性分类（正面/负面），针对短文本歧义问题（如“还行吧”），加入表情符号特征（正向表情加权、负向表情降权）；情感判断准确率从78%提升至85%，支撑用户反馈的分析，平台根据负面评论优化产品功能的响应速度提升20%。
• 负责语料库的清洗与标注，制定财经领域文本的标注规范（如“行业动态”“公司公告”等类别定义），标注准确率达95%；构建的5万条标注语料成为后续模型训练的基础，节省后续标注成本约50%。

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。

• 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。