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。

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。

• 大二观察到毕业生离校时大量教材被废弃，而新生购书支出占生活费12%，便发起校园书籍教材循环计划。为解决传统二手书交易效率低的问题，我们开发微信小程序实现扫码估价、预约取件功能，并说服快递中心以成本价承接物流。
• 通过建立翻新消毒标准打消卫生顾虑，项目年流通教材1.2万册，累计为同学节省书费38万元。这段经历让我从商业小白成长为能设计闭环模式的实践者，项目不仅获省级创业金奖，更被纳入学校官方服务体系延续至今。