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。

长视频用户留存与个性化推荐算法闭环优化项目

• 项目背景：公司核心长视频App连续两季度30日留存率下滑至28%，用户日均观看时长同比下降15%，核心问题在于传统协同过滤推荐模型对冷启动用户覆盖不足、多源数据（用户行为/内容元数据/社交关系）融合效率低，且缺乏模型效果的快速验证与迭代机制。我的总体职责是主导“用户分层-特征迭代-模型优化-效果回流”的全链路算法闭环体系建设，目标是提升留存与观看时长。
• 关键难题与技术：一是冷启动用户兴趣捕捉难——传统模型依赖历史行为，新用户特征稀疏；二是多模态数据融合效率低——用户行为序列、内容文本/图像、社交关系数据分散在不同系统，难以形成统一用户画像；三是效果评估滞后——离线指标与在线业务结果脱节，模型迭代风险高。技术上，我选择用GraphSAGE构建用户-内容-社交的异构图谱，将用户基础属性、首次互动行为与社交链嵌入同一向量空间；用Apache Iceberg搭建湖仓一体数据平台，解决数据孤岛问题；引入因果推断的倾向得分匹配（PSM）方法，分离推荐模型的真实增量效果。
• 核心行动与创新：针对冷启动，设计“基础属性+社交链+首次行为”的混合嵌入层，让新用户无需历史行为即可生成初始兴趣向量；为整合多源数据，主导开发了实时特征工程 pipeline，用Spark Structured Streaming处理用户行为流，将内容元数据与社交关系同步映射到用户画像；建立“离线AUC/LogLoss+在线AB测试+长期留存归因”的三层评估体系，通过PSM计算推荐带来的增量观看时长，将模型迭代的风险成本降低40%。
• 成果与价值：项目上线后，App30日留存率提升至32%（+14.2%），用户日均观看时长增加21分钟（+18.5%）；推荐系统迭代周期从7天缩短至3天，冷启动用户点击转化率提升27%；闭环体系被纳入公司算法标准流程，我个人主导的GraphSAGE图谱方案成为后续用户分层的基础框架。

短视频内容标签体系与精准分发算法升级项目

• 项目背景：公司短视频业务用户量突破5000万，但内容标签依赖人工标注，覆盖率仅60%，标签一致性问题突出（不同标注员对同一内容的分类差异达35%），导致分发精准度低——中小创作者内容曝光量仅占整体的18%，整体完播率低于行业均值5个百分点。我的职责是构建自动化多维度内容标签体系，优化分发算法以平衡用户体验与创作者生态。
• 关键难题与技术：一是人工标注成本高、一致性差——每月需投入20人/月标注，且标签准确率波动大；二是短视频内容模态复杂——仅靠文本标题无法覆盖视觉（封面/画面）、音频（台词/背景音乐）的特征；三是分发公平性不足——头部内容占据70%流量，中小创作者缺乏成长空间。技术上，我采用多模态深度学习模型：用BERT提取内容标题与描述的语义特征，ResNet识别封面图与关键帧的视觉特征，YAMNet分析音频的情绪与话题标签，融合三模态特征生成内容标签；用主动学习策略减少人工标注量，将模型预测不确定的样本推给人工校准。
• 核心行动与创新：设计“多模态融合+主动学习”标签流程——模型先自动生成标签，将置信度低于0.8的样本推给人工标注，将人工标注量从每月20人/月降至5人/月，标签覆盖率提升至95%；分发算法中引入公平性约束，用拉格朗日乘数法平衡“用户观看时长”与“中小创作者曝光占比”两个目标，确保中小创作者内容获得至少25%的流量倾斜。
• 成果与价值：内容标签准确率从72%提升至89%，中小创作者曝光量增加40%，短视频整体完播率提升13%至行业均值以上；创作者满意度调研得分从3.8分（满分5）升至4.3分，新创作者留存率提升19%；标签体系支持了后续的“内容垂类推荐”“创作者成长计划”等业务，成为公司短视频生态的基础能力。

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。