负责在线教育场景下NLP核心任务的端到端算法设计与落地，覆盖智能答疑、作文批改、个性化学习推荐等关键业务，从需求拆解、数据标注、模型迭代到生产部署全流程主导，支撑千万级学生用户的学习交互需求。

• 主导智能答疑系统的意图识别与槽位填充模型迭代，针对教育领域长文本歧义（如“三角函数导数”与“定义域”易混淆）问题，采用BERT+BiLSTM+CRF融合架构，引入课程知识图谱实体链接策略（将“函数”“几何”等知识点作为约束条件），解决了意图混淆率高的痛点——意图准确率从91%提升至96.5%，槽位填充F1值从87%升至92%，支撑日均10万+学生答疑请求的处理效率，响应延迟稳定在200ms内。
• 核心参与作文自动批改模块的语义理解与评分模型开发，基于中高考作文语料构建细粒度分析框架：用TextRank提取内容关键词匹配题目要求，BERT做情感倾向判断（积极/消极表达），Transformer-based模型评估逻辑连贯性（句子间指代、因果关系），设计了“内容相关性×40%+逻辑严谨性×30%+语言表达×30%”的多维度评分体系，将人工复评率从35%降至12%，批改响应时间从5秒缩短至1.2秒，覆盖小学到高中全学段语文作文题型。
• 重点优化个性化学习推荐的文本特征工程，针对学生提问、笔记、作业文本的稀疏性问题，采用Word2Vec+FastText词向量融合技术（捕捉一词多义），结合GraphSAGE构建学生知识图谱邻接矩阵（将“已掌握知识点”与“待提升知识点”关联），将文本特征转化为128维低维稠密向量输入协同过滤模型，使推荐准确率提升28%，学生日均使用时长增加40分钟，30日留存率提升15%。
• 负责NLP模型的生产化部署与监控，用TensorFlow Serving搭建集群（支持横向扩展至10节点），结合Prometheus+Grafana实现模型延迟、QPS、准确率的实时监控；针对高并发场景下的性能瓶颈，采用模型量化（FP32转INT8）与知识蒸馏技术（用小模型拟合大模型输出），将单条请求处理时间从200ms压缩至50ms，服务可用性保持在99.99%以上，全年未出现因模型服务故障导致的业务中断。

辅助智能客服与内容审核场景的NLP算法落地，从数据标注、基础模型训练到效果调优全流程参与，支撑业务从0到1的NLP功能搭建。

• 参与智能客服知识库构建与意图分类模型训练，负责教育领域FAQ数据标注（累计10万+条，涵盖“报名流程”“退费政策”等200+意图），采用TF-IDF与BERT embeddings结合的特征提取方法，训练逻辑回归与LSTM分类模型，将客服问题分类准确率从82%提升至89%，减少人工派单错误率约25%，支撑客服团队日均处理量提升30%。
• 辅助内容审核系统的语义违规检测模块开发，针对教育类文本中的敏感内容（如暴力描述、不良价值观），构建包含5万+条敏感词的关键词词典，结合BERT分类模型（ fine-tune 在教育类违规语料上），设计“规则匹配→模型打分”的双层过滤机制，将违规内容漏检率从10%降至3%，审核效率提升40%，支撑每日5万+条用户生成内容（UGC）的实时审核。
• 探索文本生成技术在错题解析中的应用，基于Seq2Seq模型加注意力机制，用10万+条错题数据训练“错题原因+解题步骤”生成模型，通过beam search优化生成结果的流畅度，使错题解析满意度从75%提升至88%，覆盖数学、英语学科的高频错题类型（如“一元二次方程求解”“定语从句辨析”）。

参与早期教育产品NLP功能的基础研发，负责数据预处理、基础模型调优及小场景验证，为公司NLP能力建设打基础。

• 搭建公司首款智能学习APP的文本数据处理pipeline，采集并清洗100万+条学生学习笔记与提问文本，用正则表达式与spaCy库进行实体识别（如“函数”“单词”）与文本归一化（统一“cos”为“余弦”），构建教育领域初始语料库，为后续模型训练提供高质量数据支撑。
• 参与智能问答系统初始版本开发，用WordNet同义词词林扩展关键词匹配范围，结合TF-IDF计算问题相似度，将问题匹配准确率从60%提升至72%，实现APP内“课程安排”“教材版本”等基础问题的自动回复，提升新用户首次使用留存率约8%。
• 优化文本分类模型训练流程，用交叉验证与网格搜索调整SVM、随机森林的超参数，将用户反馈情感分类模型（判断“好评”“中评”“差评”）的准确率从75%提升至81%，帮助产品团队快速定位“作业提交卡顿”“课程加载慢”等用户痛点，推动迭代修复率提升30%。

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。