负责公司智能客服系统与内容生成平台的多模态NLP模型全生命周期管理，覆盖意图识别、情感分析、商品描述生成等核心场景，支撑日均1200万次用户交互及百万级商品内容的自动化生产，聚焦模型效果、生产效率与业务落地的全链路优化。

• 主导智能客服意图识别模型的端到端迭代，针对电商场景中“退换货原因模糊”“促销规则歧义”等长尾意图召回率低（原68%）的问题，采用BERT+BiLSTM+CRF融合架构，嵌入用户行为序列（浏览/加购/下单日志）作为时序辅助特征，结合主动学习策略每月标注1.2万条高价值样本，将意图召回率提升至89%、误判率下降15%，直接支撑客服团队单均处理时长从11分钟缩短至7.7分钟，效率提升30%。
• 核心参与内容生成平台的商品描述自动化模块开发，针对传统模板生成内容同质化严重、转化率低的痛点，基于GPT-2微调并结合商品知识图谱（含10万+SKU属性、5万+场景标签），设计“知识注入+风格迁移”双分支模型——通过实体链接将SKU属性嵌入生成过程，再用风格分类器约束文本调性（如“性价比”“高端感”），最终将商品描述点击转化率从2.1%提升至3.8%，单月减少人工撰写成本8万元，覆盖美妆、家居等5个核心品类。
• 重点突破情感分析模型的小样本适应瓶颈，面对新品类（宠物用品）用户评论数据少（仅500条标注样本）的问题，采用T5模型+Prompt Engineering技术，构建“情感倾向+原因抽取”少样本适配器，仅需100条样本即可达到全量训练85%的准确率，快速支持宠物用品频道的情感监控，将负面评论响应时间从4小时压缩至1小时内，帮助运营团队及时处理客诉。
• 负责NLP模型的生产部署与性能优化，将BERT-base模型通过TensorRT量化压缩（FP32转INT8），推理延迟从120ms降至35ms；同时在GPU资源不变的情况下，通过并发优化支撑QPS从500提升至1200；搭建基于Prometheus+Grafana的模型监控系统，实时预警模型漂移（如意图分布变化超过5%触发重训），保障线上模型稳定性达99.95%以上，全年未出现因模型问题导致的客服故障。

参与在线教育平台的NLP功能落地，聚焦题目解析、学情分析核心场景，负责从数据处理、模型调优到生产上线的全流程工作，支撑百万级学生用户的学习数据挖掘与个性化教学辅助。

• 主导题库系统知识点标签自动生成模块，针对人工标注成本高（每道题需3分钟）的问题，基于BiLSTM+Attention模型结合题目文本、答案解析、关联考点数据，设计多任务学习框架（同时预测知识点与难度等级），将知识点标签准确率从72%提升至88%，累计自动生成120万道题的标签，节省人工标注成本约2400小时，覆盖初中数学、英语等3个主科。
• 核心参与学情分析系统的学生答题文本分析功能，针对初中数学解答题“步骤缺失”“逻辑错误”识别不准确的问题，采用BERT微调并结合规则引擎（匹配“没考虑定义域”“公式记错”等关键词），构建细粒度错误类型分类模型，将错误识别准确率从65%提升至82%，帮助老师快速定位学生薄弱点，试点班级数学平均分提升11分，被纳入公司核心教学辅助工具。
• 负责低年级语文“看拼音写词语”题型模型的优化，针对拼音与汉字映射错误的问题，引入字符级CRF模型结合拼音声母韵母特征，将写词准确率从85%提升至94%，支撑题库的自适应练习推荐，学生练习完成率从62%提升至80%，提升了用户留存率。
• 参与模型部署与A/B测试体系搭建，将模型打包成Docker容器部署在Kubernetes集群，实现自动扩缩容（应对开学季访问量提升3倍的峰值）；同时设计A/B测试方案，对比新旧模型的知识点标签准确率、错误识别召回率等指标，确保每次迭代都有明确业务提升（如准确率至少提升5%），保障功能落地的有效性。

协助教育类NLP项目的基础工作，覆盖数据清洗、模型训练与效果验证，参与题目分类、语义相似度计算等任务，积累从数据到模型的全流程实践经验。

• 协助完成教育题库语义相似度计算功能，针对题目表述不同但考点一致的问题（如“一元二次方程解法”与“解一元二次方程的方法”），采用Word2Vec预训练词向量结合余弦相似度，预处理10万条题目文本（清洗停用词、标准化术语），将相似度计算准确率从60%提升至75%，支撑题库去重与个性化推荐。
• 参与初中数学题目分类的数据标注与预处理，制定“代数/几何/统计”的二级分类规范，标注2万条题目数据，同时清洗重复、格式错误的题目，提升训练数据质量，为后续模型调优奠定基础。
• 负责LR模型的基础调优，对比TF-IDF与词袋模型的特征效果，调整正则化系数（从0.1调至0.01）与学习率（从0.001调至0.0001），将题目分类准确率从70%提升至78%，协助项目组完成初期功能验证。
• 参与语义相似度模型的效果评估，设计人工评测指标（如“考点一致性”“表述差异度”），标注1000条测试样本，验证模型在实际场景中的有效性，输出《语义相似度模型评测报告》，为模型迭代提供方向。

泛娱乐用户内容偏好精准匹配及商业化提效算法项目

• 星途互娱作为长视频+互动内容融合平台，面临用户内容消费转化低（CTR仅8.2%）、商业化ROI不足（广告eCPM约120元）的痛点——原有推荐模型未充分捕捉互动内容（如分支剧情、用户UGC互动、弹幕行为）的时序特性与关系网络，且无法平衡点击、会员转化、广告收益的多目标。我的核心职责是主导从特征工程到模型部署的全流程算法迭代，目标是将用户个性化匹配准确率与商业化效率同步提升。
• 项目攻克两大技术难点：一是互动内容的多模态时序特征融合——传统模型仅处理文本/图像，忽略用户“弹幕发送→分支剧情选择→点赞UGC”的行为序列；二是多目标优化失衡——单目标优化会导致“重点击轻转化”或“重广告轻体验”的矛盾。技术方案上，我引入Transformer变体（TimeSformer）编码互动行为的时序依赖，结合GNN建模“用户-内容-创作者”的三元关系网络；多目标层采用帕累托最优加权策略，融合CTR、CVR（会员转化）、eCPM三个目标的损失函数，并加入业务规则约束（如会员内容优先级高于普通广告）。
• 我的关键行动包括：1）牵头搭建互动内容多模态特征平台，整合用户行为日志、互动内容元数据，用Timm框架微调CLIP模型处理互动中的表情包/截图特征；2）设计动态权重调整机制，通过离线A/B测试（覆盖10万+用户样本）与在线灰度发布，将多目标损失权重从固定值改为基于用户画像的实时调整；3）优化模型部署，用TensorRT加速推理引擎，将单请求 latency 从50ms压缩至18ms，支撑高峰期10万QPS的推荐请求。
• 项目成果显著：CTR较迭代前提升28%至10.5%，会员转化率提升19%至4.1%，广告eCPM增长15%至138元，月均商业化收入增加超800万元；模型已推广至公司短视频、直播等其他产品线，带动整体用户时长提升12%。我个人主导了全链路技术方案设计与落地，解决了互动内容推荐的“特征稀疏”与“目标冲突”核心问题，成为团队算法商业化的标杆案例。

工业物联网设备故障预测算法研发及规模化部署项目

• 云联科技的工业IoT平台服务制造型企业，但客户反馈设备故障预测准确率仅65%、误报率达20%，导致停机损失年均超百万元——原有模型基于简单时序统计，未处理传感器噪声、样本不平衡（故障数据占比＜1%）及跨设备泛化问题。我的角色是高级算法工程师，负责模型研发与规模化落地，目标是将故障预测准确率提升至85%以上，误报率降至5%以下。
• 项目难点集中在三点：一是设备数据噪声大（如温度传感器漂移、振动信号缺失），传统清洗方法易丢失关键故障特征；二是样本极度不平衡，常规分类模型偏向“正常”类别；三是不同设备型号（如机床、机器人）的工况差异大，模型泛化性差。技术突破上，我用LSTM+Attention融合滑动窗口特征，抑制噪声的同时保留故障前的异常波动；采用SMOTE过采样+ focal loss 解决样本不平衡，聚焦故障样本的学习；基于预训练的设备embedding模型（用Word2Vec处理设备元数据），针对不同型号做微调，提升跨设备泛化。
• 我的核心行动：1）采集10家工厂500+台设备的时序数据（涵盖振动、温度、电流等10+维度），设计“滑动窗口+插值填充”的清洗 pipeline，保留95%以上的有效特征；2）构建融合设备元数据（型号、出厂日期）与实时时序特征的模型架构，在3家客户工厂试点，根据反馈调整特征——比如加入“设备运行时长×环境温度”的交互特征，降低误报；3）用Flask开发RESTful API，对接客户MES系统，实现“分钟级”故障预警，并提供可解释性报告（如“振动信号异常→轴承磨损概率80%”）。
• 项目成果：故障预测准确率提升至89%，误报率降至4.2%，帮助客户平均停机时间减少35%、维护成本降低28%；云联科技凭借此项目拿到3个大客户续约（年合同额超500万）及2个新客户（汽车制造、电子装配行业）。我个人解决了工业数据“脏、少、异”的核心问题，推动算法从实验室走向规模化工业场景，成为公司工业AI产品的核心竞争力。

• 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。