负责电商平台商品视觉内容的端到端AI算法研发与工程化落地，覆盖商品多模态识别、违规图像检测、虚拟试穿等核心场景，联动产品、工程团队实现算法从实验室到生产环境的闭环，支撑业务增长与用户体验优化。

• 主导服饰类商品细粒度属性识别模型迭代，针对领口形状、袖长等属性因类间差异小导致的准确率瓶颈，提出基于Vision Transformer的多尺度特征融合方案——将Swin-Tiny骨干网络与BiFPN特征金字塔结合，同时引入Label Smoothing缓解类别过拟合、Focal Loss平衡正负样本权重，最终将服饰Top5属性识别准确率从89.2%提升至94.7%，直接支撑搜索场景商品匹配效率提升30%，助力服饰类GMV月均增长8%。
• 核心攻坚违规图像低频高危害类别（色情、暴力）漏检问题，构建半监督学习框架：先用监督学习训练基础模型，再通过对比学习（SimCLR）挖掘无标签数据的判别性特征，将漏检率从1.8%压降至0.3%；同步优化推理性能，用TensorRT对模型进行层融合与量化（FP16转INT8），单张图像检测耗时从120ms压缩至45ms，满足大促期间10万QPS的实时性要求。
• 牵头虚拟试穿功能算法研发，针对丝绸、牛仔等材质变形真实感不足的痛点，整合3D人体姿态估计（HRNet）与纹理迁移技术：先用HRNet预测用户人体关键点，生成适配的服装3D模板，再用CycleGAN优化布料褶皱细节，将试穿效果的用户好评率从72%提升至88%，推动该功能在APP端渗透率达到15%，成为年轻用户的核心留存场景之一。
• 搭建基于Kubernetes的模型部署Pipeline，实现模型版本管理、自动扩缩容与实时监控：用GitLab CI/CD触发模型打包，通过TorchServe加载服务，结合Prometheus+Grafana监控延迟与准确率，将新模型上线周期从7天缩短至2天，支撑营销活动期间快速迭代“节日主题商品识别”等临时需求。

聚焦短视频内容视觉理解与合规审核，负责物体检测、场景分类、不良信息识别的算法研发，支撑平台内容安全与用户体验双目标，推动算法从功能验证到规模化落地。

• 重点优化复杂背景下小目标检测性能，针对短视频中光影变化、遮挡导致的小目标（面积<32x32像素）漏检问题，改进特征金字塔结构——采用FPN+PANet双路径融合，同时替换CIoU Loss为EIoU Loss优化边界框回归，将小目标检测准确率从75%提升至89%，助力内容审核团队人工复审量减少40%，审核时效从6小时缩短至2小时。
• 主导不良信息（涉黄logo、违规标语）识别模型开发，面对字体变形、颜色伪装的对抗问题，构建“OCR文本定位+视觉特征融合”混合模型：先用MMOCR定位图像中的文本区域，再用ResNet-101提取视觉特征，最后通过注意力机制关联文本与视觉信息，将违规标语识别准确率从82%提升至95%，有效拦截12%的潜在违规内容，平台内容合规评分从8.1分提升至9.3分。
• 参与内容推荐视觉特征模块设计，提取视频帧的视觉语义向量（用ResNet-50 backbone结合Self-Attention机制），与文本标题的BERT向量进行多模态融合（拼接后接全连接层），将推荐点击率从4.1%提升至5.6%，用户日均使用时长增加25分钟，支撑平台DAU从500万增长至700万。
• 搭建实时模型在线学习 pipeline，用Flink处理用户行为数据（点赞、举报），将数据实时同步至模型训练系统，实现周级模型更新：解决了离线模型无法及时捕捉用户偏好变化的问题，比如针对“国潮风视频”的爆发，模型在一周内调整了视觉特征权重，使相关内容的推荐占比从5%提升至18%。

协助完成图像检索与物体跟踪算法研发，参与电商图片库相似图像检索系统搭建，支撑用户产品查找需求，积累算法落地与数据处理经验。

• 参与相似图像检索系统特征提取模块开发，采用VGG-16提取图像全局特征，结合SIFT局部特征进行加权融合（全局特征占70%、局部占30%），将相似图像检索召回率从60%提升至78%，用户通过图片搜索找到目标商品的概率提升25%，支撑了平台“拍图找货”功能的早期用户积累。
• 负责物体跟踪算法优化，针对电商直播中高速运动商品（如旋转的衣服、移动的美妆产品）的跟踪漂移问题，引入SiamRPN++跟踪器，结合卡尔曼滤波预测物体运动轨迹，将跟踪成功率从70%提升至85%，实现了直播场景商品标签的实时标注，提升了主播与用户的互动效率。
• 协助搭建图像数据标注与清洗 Pipeline，用LabelMe工具标注10万+张电商商品图像（涵盖服饰、美妆、家居三类），设计基于DBSCAN聚类的异常数据检测算法——通过图像特征的聚类分析，过滤掉5%的低质量标注数据（如标注错误、模糊图像），为后续模型训练提供了高纯度数据集，使初始模型训练时间缩短15%。

短视频内容生态智能调控算法体系搭建与落地

• 星途互动作为聚焦Z世代的短视频平台，面临内容生态失衡核心问题——低质擦边内容漏检率超15%、30%中小创作者因曝光不足月更时长下降，同时需平衡“内容质量管控”“用户停留时长”“广告主ROI”三方诉求。我的核心职责是主导需求拆解、全链路算法方案设计，以及跨产品/工程/运营团队的协同落地。
• 项目遇到三大关键挑战：1）多目标冲突：内容质量（违规风险）、用户体验（相关性）、商业价值（广告加载率）难以量化权衡；2）隐性低质特征缺失：软广/擦边内容无明确标签，传统规则引擎漏检率高；3）实时调控延迟：内容分发需秒级响应，离线模型无法处理实时用户行为反馈。针对这些问题，我选择MMoE多任务学习框架分离目标特征，用GNN挖掘用户-内容-创作者的隐性传播链路，基于Flink搭建实时特征平台注入动态指标。
• 我牵头与业务方对齐“低质漏检率≤10%、优质内容曝光≥25%、用户停留+10分钟”的核心指标，设计“静态标签+动态行为+图结构”的多模态特征体系；为解决实时性能问题，将GNN计算复杂度从O(n²)优化至O(n)，适配秒级推理要求；同时推动建立“模型输出-策略执行-效果反馈”的闭环迭代机制。
• 项目成果显著：低质内容漏检率降至8.7%，优质内容曝光率提升至28%，用户日均使用时长增加15分钟，广告主ROI提升19%；构建的可复用内容生态调控框架支撑平台后续3个季度的治理迭代。我个人主导了算法设计与跨团队落地，核心指标达成率超120%，成为平台内容安全与生态健康的核心技术底座。

电商用户复购预测与个性化触达算法迭代项目

• 云帆电商作为TOP10综合电商平台，用户复购率连续3季度停滞在28%，传统协同过滤模型对45%长尾用户（1-2次购买）的复购预测准确率仅58%，且季节性商品（如冬季保暖品）的时序模式捕捉不足，导致个性化触达转化率低（约12%）。我的职责是优化复购预测模型，设计触达策略，提升转化效率。
• 项目难点集中在三点：1）长尾用户特征稀疏，传统模型无法学习有效偏好；2）季节性商品受天气/节日影响大，时序模型难以融合多源数据；3）多渠道触达（推送/短信/邮件）缺乏协同，资源浪费严重。为此，我用VAE补全长尾用户隐空间特征，结合Transformer处理“用户行为+商品周期+天气”多源时序数据，再用DRL优化触达策略。
• 我重构用户特征体系，将长尾用户特征从50维扩展至200维（加入社交关系/加购未买等隐性特征）；设计“用户-商品-环境”多模态输入的Transformer模型，捕捉季节性商品的长期依赖；搭建A/B测试平台，以“转化率最大化”为目标迭代DRL的奖励函数，解决触达资源分配问题。
• 项目带来明确业务价值：复购预测准确率提升至93%（长尾用户达81%），个性化触达转化率升至15%，年度GMV贡献增加1.2亿；模型支撑“双11”“冬季保暖季”大促，活动期间复购率提升至31%。我个人主导了模型迭代与策略落地，解决了长尾用户和季节性商品的核心痛点，推动触达效率提升25%，成为电商个性化运营的关键工具。

• 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。