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。

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。

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。