负责企业服务领域智能文档处理（IDP）与知识管理系统的全链路NLP解决方案研发，聚焦长文本结构化提取、语义检索及安全合规，推动大模型在企业级场景的价值落地

• 主导企业智能文档处理系统架构设计，针对合同/报告等长文本结构化需求，采用Longformer+LayoutLMv3多模态架构融合规则引擎，解决法律条款等强结构化内容提取偏差问题；实现实体（合同金额、履约日期）、关系（甲方义务、乙方权利）提取准确率从85%提升至92%，单篇文档处理时长从15分钟缩短至3分钟，支撑金融客户千万级合同审核需求
• 核心参与企业知识管理系统语义检索优化，基于Sentence-BERT构建1000万份文档向量库，引入查询意图识别（区分事实/关联/决策查询）与LambdaRank重排模型，解决传统检索“语义不匹配”痛点；检索召回率从78%提升至89%，Top5结果相关性评分从4.0/5升至4.5/5，员工文档查找时间缩短40%
• 负责大模型企业场景安全合规优化，针对敏感信息泄露风险，设计MLM脱敏算法结合正则与敏感实体知识图谱，实现身份证号、商业机密等12类敏感信息的自动检测替换；脱敏准确率达99.5%，助力系统通过ISO 27001认证
• 推动算法产品化，将IDP与语义检索封装为API对接客户业务系统，累计服务20家付费客户，带来年新增收入500万；建立“需求-研发-迭代”闭环，收集客户反馈优化算法，产品复购率达75%

负责教育垂域大模型应用落地，聚焦智能作文批改与个性化学习路径推荐，推动通用大模型向垂域适配及性能优化

• 主导教育作文智能批改系统设计，针对通用大模型领域偏差问题，采用LoRA微调（仅训练15%参数）结合50万篇中小学作文及专家评分语料，设计文体特征+语义深度双维度损失函数；评分一致性（与人工）从0.72提升至0.91，批改效率提升4倍，支撑10万学生日常作业批改
• 核心参与个性化学习路径推荐优化，基于BERT提取学生作文语义特征（词汇丰富度、语法复杂度），结合语文知识图谱构建能力画像，使用PPO强化学习动态调整策略；学生学习进步率从35%升至52%，留存率提高20%
• 负责大模型推理性能优化，针对教育低延迟需求，采用FP16转INT8量化+知识蒸馏（13B模型压缩至7B），推理速度提升3倍且准确率下降≤2%，降低30%云服务成本
• 推动跨团队协作，输出《教育垂域NLP需求规范》《大模型推理优化指南》，覆盖12个核心场景，需求落地周期缩短25%

负责智能客服系统NLP模块全生命周期开发，从需求分析到模型落地，支撑日均千万级对话交互及用户体验提升

• 主导意图识别模型迭代，针对多轮对话意图漂移问题，采用BERT+BiLSTM+CRF融合架构引入对话历史隐状态编码；意图准确率从89%升至94%，减少30%人工坐席转接率
• 核心参与对话生成优化，基于GPT-2微调结合10万条标注客服对话，设计融入用户画像（性别、历史购买）与上下文的prompt模板；回复相关性评分从4.1/5升至4.6/5，用户满意度提高15%
• 搭建文本分类pipeline，用Spark MLlib预处理日均500万条用户反馈，结合XGBoost+LightGBM做7类多标签分类（投诉/咨询/建议）；处理latency从120ms降至40ms，支撑实时风控分钟级响应
• 推动模型监控体系落地，基于Prometheus+Grafana搭建NLP性能看板，跟踪12项指标（意图准确率、回复困惑度）；设置阈值告警提前发现模型漂移11次，避免客服体验下降

星途直播用户兴趣演化推荐系统重构与性能优化

• 项目背景：原有基于协同过滤+静态特征的推荐系统无法应对直播场景用户兴趣的分钟级变化——新用户冷启动成功率仅35%、老用户30日留存率下滑至42%，且无法捕捉“主播临时换游戏”“观众因弹幕互动转移兴趣”等动态行为。核心目标是重构支持实时兴趣追踪、多模态融合的推荐引擎，直接提升用户粘性与商业转化效率；我的职责是主导算法方案设计、工程落地及跨数据/工程/产品团队的协同。
• 关键难题：1）实时兴趣捕捉的低延迟（要求<100ms）与高准确性平衡——传统离线特征更新无法满足秒级变化；2）直播内容（视频帧、弹幕、礼物）与用户行为（点击、停留、互动）的多模态异构数据语义对齐；3）千万级用户规模的实时特征存储与更新效率，避免特征管道成为性能瓶颈。
• 核心行动：1）算法侧：采用动态图神经网络（DGNN）建模用户兴趣演化路径，将用户行为序列转化为“节点-边”动态图（如“点击英雄联盟直播→停留10分钟→发弹幕‘666’”形成连续兴趣链），相比传统RNN模型更精准捕捉非线性兴趣变化；2）工程侧：用Apache Flink搭建流处理管道，将特征更新延迟从60秒压缩至<30ms，同时将DGNN推理层从TensorFlow迁移到TorchScript并量化模型，单用户推理延迟从150ms降至60ms；3）特征工程：设计“兴趣衰减加权模块”，对用户近7天的行为按时间窗口赋予权重（如1小时内的行为权重0.8，7天前的权重0.1），过滤过期噪声。
• 项目成果：推荐系统CTR从4.2%提升至5.4%（+28%），新用户冷启动成功率升至58%，30日留存率回升至54%；工程层面支持千万级用户实时推荐，特征更新延迟稳定在<50ms。作为项目负责人，我主导了从算法选型到生产落地的全流程，推动系统成为直播业务的核心增长引擎，获公司Q3季度“技术创新一等奖”。

直播内容标签体系自动化构建与商业化落地

• 项目背景：原有内容标签依赖人工标注——单场直播需2小时标注，新内容标签上线需1天，导致推荐匹配准确率仅38%、广告投放ROI低下（eCPM仅12元）。核心目标是构建自动化、实时化的内容标签体系，覆盖“内容属性-用户兴趣-商业价值”三维标签，支撑推荐与广告的精准匹配；我的职责是负责算法开发、标签效果评估及商业化场景落地。
• 关键难题：1）多源数据噪声过滤——主播口语化表达（如“家人们点点关注”）、无关弹幕（如“主播真帅”）会干扰标签准确性；2）标签层级关系建模——“游戏直播”→“MOBA直播”→“英雄联盟直播”的层级语义需精准关联；3）商业标签与内容属性的关联——如何定义“高客单价商品适配”的标签并量化其商业价值。
• 核心行动：1）算法选型：用BERT-base预训练模型做文本分类（处理主播描述、弹幕），结合CRF层解决标签序列依赖（如“游戏直播”后必须跟“品类标签”），用GraphSAGE挖掘标签间层级关联（如“英雄联盟”属于“MOBA”）；2）噪声过滤：设计“规则+机器学习”混合模块——用正则表达式过滤重复话术，用逻辑回归模型识别低价值弹幕（如长度<3字、无语义关联）；3）商业标签建模：以广告点击率、礼物收入为因变量，训练XGBoost模型预测标签的商业价值，输出“高/中/低”三档评分。
• 项目成果：标签生产效率提升70%（单场直播生成时间从2小时降至40分钟），标签准确率从65%提升至89%；广告点击率从3.1%升至3.8%（+22%），内容与用户兴趣匹配准确率提升至68%。支撑了公司广告业务精准投放，年广告收入增加约1200万元。我负责核心算法模块开发与效果迭代，推动标签体系从人工标注转向自动化，成为公司内容生态的基础数据底座。

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。