主导短视频内容生产全链路的计算机视觉算法设计与迭代，覆盖智能剪辑、内容理解、质量评估三大核心模块，支撑平台日均千万级内容的生产效率提升与用户体验优化，同时推动算法工程化落地与高并发场景适配

• 主导设计基于Transformer的多模态智能剪辑算法，融合视频帧语义分割（U-Net变体，适配短视频快节奏特征）、动作识别（SlowFast 16x8模型，捕捉人物/物体动态）与音频情感分析（Wav2Vec 2.0微调，识别背景音乐情绪），解决传统剪辑依赖人工标注、节奏与内容匹配度低的问题；通过迁移学习复用预训练视觉-语言模型（CLIP）初始化参数，将新场景（如知识类、剧情类短视频）适配时间从7天缩短至1天，上线后用户人均观看时长提升12%，智能剪辑内容占比从30%增长至65%
• 针对低光照、运动模糊场景下的违规内容（如涉黄、暴力）检测准确率低痛点，优化内容理解pipeline：引入MoCo v3自监督预训练提升小样本场景的特征泛化能力，结合RandAugment增强模糊/低光数据的多样性，同时将YOLOv8模型替换为YOLOv9-C2f结构以加快推理速度；最终目标检测mAP从82%提升至89%，违规内容召回率提升15%，漏检率下降至0.8%以下
• 设计基于改进ESRGAN的视频质量评估模型，融合主观评分（MOS）与客观指标（SSIM、PSNR、LPIPS），构建多任务学习框架同时预测清晰度、色彩一致性、运动流畅度三个维度；通过引入注意力机制强化画面关键区域（如人物面部、文字）的权重，模型预测结果与人工评分的相关性从0.78提升至0.91；上线后替代80%的人工抽检工作，内容质检效率提升40%，低质内容（模糊、花屏）流出率下降22%
• 推动算法工程化落地，基于TensorRT对智能剪辑与质量评估模型进行FP16转INT8量化压缩，结合TensorFlow Serving的批处理优化，将智能剪辑接口响应时间从200ms降低至50ms，支撑高峰时段10万QPS的并发请求；同时搭建模型监控系统（Prometheus+Grafana），实时预警模型性能漂移，自动触发A/B测试与迭代，确保服务稳定性保持在99.95%以上

负责图文内容的计算机视觉算法研发，聚焦OCR精度提升、图像风格转换与内容标签体系搭建，支撑平台图文内容的结构化处理与个性化推荐，推动算法从实验室到业务场景的落地

• 针对复杂排版（多栏、表格、公式）图文内容的OCR识别错误率高问题，优化文本检测（DBNet 1.1，适配密集文字场景）与识别（CRNN+Attention，加入语言模型纠错）流程；进一步引入BERT微调的语义纠错机制，将OCR准确率从91%提升至96%，解决了用户上传论文、报表、票据类内容的识别痛点，支撑了平台“图文转结构化数据”功能的落地，使用该功能的用户占比达40%
• 主导开发“图像风格转换”UGC功能，基于CycleGAN与AdaIN风格迁移网络，支持用户将普通图片转换为油画、水彩、素描等5种艺术风格；通过模型蒸馏将原CycleGAN的推理时间从300ms缩短至80ms，同时保留95%以上的风格迁移效果；上线后该功能的使用率达25%，带动UGC内容互动率（点赞、评论）提升18%，成为平台特色功能之一
• 搭建图文内容标签体系，融合视觉特征（ResNet-50提取的物体、场景特征）与文本特征（TF-IDF+BERT的标题/正文特征），采用图神经网络（GCN）建模标签间的关联关系；标签准确率从85%提升至92%，支撑个性化推荐点击率提升10%，同时为内容审核提供了更精准的标签维度
• 推动算法服务化，基于Flask搭建RESTful API，集成模型版本管理（MLflow）与自动retraining机制；当标签准确率下降超过5%时，系统自动触发数据标注与模型迭代，减少人工维护成本30%，服务可用性保持在99.9%以上

参与电商商品图片的计算机视觉算法优化，聚焦商品识别、背景替换与视觉搜索功能研发，支撑电商平台的商品展示与用户购物体验提升，积累算法落地与工程化经验

• 辅助优化商品识别模型，针对小众商品（手工饰品、复古家电）识别准确率低问题，收集10万+小众商品图片进行数据标注，基于Faster R-CNN与商品SKU属性特征进行fine-tuning；最终小众商品识别准确率从78%提升至86%，支撑了平台搜索推荐的精准度提升8%，小众商品的曝光量增长20%
• 参与开发“一键背景替换”功能，基于GrabCut算法与MiDaS深度估计模型，实现商品与背景的精准分割；优化实时预览性能，将渲染时间从500ms缩短至150ms，同时支持纯色、场景图两种背景类型；上线后商品详情页的转化率提升5%，用户对该功能的满意度达82%
• 搭建视觉搜索原型系统，提取商品图像的SIFT特征与VGG-16 CNN特征，采用近似最近邻（ANN）算法（FAISS库）实现跨类目商品搜索；测试阶段搜索召回率达到88%，平均搜索时间小于200ms，为后续正式功能上线奠定了技术与数据基础
• 协助搭建算法测试框架，基于Python unittest编写测试用例，覆盖模型准确率、推理速度、内存占用等指标；建立了商品图像数据库（100万+张），标注了商品类别、场景、属性等信息，为团队后续算法研发提供了数据支撑

星途内容生态推荐系统全链路优化项目

• 星途互动作为聚焦年轻用户的UGC内容社区，面临两大核心痛点：一是长尾内容（播放量TOP20%以外）曝光占比仅28%，创作者生态活力不足；二是用户实时兴趣捕捉滞后，导致次日留存率较行业均值低5%。我的核心目标是主导构建“长尾内容冷启动+实时兴趣动态捕捉”的联合优化推荐系统，推动内容生态多元化与用户粘性提升。
• 项目中遇到三大技术挑战：1）长尾内容因用户交互稀疏，传统协同过滤无法有效提取特征；2）实时行为信号（如1分钟内的点击、滑动）需低延迟处理，但批量模型迭代无法满足时效性；3）多目标优化中，冷启动内容曝光与热门内容点击率存在天然冲突。针对这些问题，我选择用GraphSAGE挖掘长尾内容的图特征（整合内容标签、作者关系、用户弱交互行为），用Flink搭建实时流处理管道，结合在线学习模型（SGD-FM）解决低延迟更新问题，并设计定制化多任务损失函数平衡多目标。
• 我主导完成了三项关键行动：1）构建长尾内容知识图谱，涵盖12类实体（内容、作者、标签、用户行为）与8种关系（创作、关联、交互），用GraphSAGE生成内容嵌入向量，将长尾内容的特征表达能力提升40%；2）搭建Flink实时流管道，将用户实时行为转化为128维时序特征，每5分钟输入在线SGD-FM模型更新参数，实现实时兴趣的毫秒级响应；3）提出“长尾曝光占比×CTR×7日留存”的加权损失函数，通过帕累托优化确定最优权值，解决了冷启动与热门内容的平衡问题。
• 项目上线后，长尾内容播放占比从28%提升至41%，用户次日留存率提升7%，实时推荐响应时间从2.1秒降至0.3秒，模型迭代效率提升50%（在线学习替代传统批量更新）。业务层面，推动平台从“热门内容驱动”转向“多元内容生态驱动”，长尾创作者月均收入增长25%。我个人主导的GraphSAGE+在线学习方案成为公司推荐系统的核心技术模块，支撑了后续3个垂类内容频道的冷启动。

用户精准触达算法体系搭建项目

• 公司用户运营团队此前依赖规则分群（如“30天未登录”“近7天浏览量下降”）进行消息触达，转化率仅3%，且无效触达导致用户投诉率上升12%。我的核心目标是设计基于算法的精准触达体系，提升转化效率并降低运营成本，助力运营团队从“规则驱动”转向“算法驱动”。
• 项目面临三大难点：1）用户行为具有强时序性，传统静态分群无法捕捉动态兴趣变化；2）触达通道（push、短信、APP内通知）的转化率差异大，异质性难以统一建模；3）小样本群体（如新注册用户、低活跃用户）因数据不足，模型泛化能力差。技术上，我选择用LSTM+Attention建模用户时序行为，捕捉短期兴趣波动，用多任务学习同时预测各通道转化率，用迁移学习解决小样本泛化问题。
• 我主导了体系的核心架构设计与落地：1）搭建“时序行为建模层”，整合用户180天的行为序列（登录、浏览、互动、分享），用LSTM提取时序特征，通过Attention机制加权突出关键行为（如近期浏览某类内容、收藏未读消息），将用户兴趣变化的捕捉准确率提升35%；2）设计“通道异质性处理层”，为push、短信、APP内通知分别训练子模型，共享底层时序特征，输出各通道的转化概率，解决不同通道的效果差异问题；3）引入“小样本迁移层”，用Fine-tuning方法将活跃用户群体的知识迁移到新注册/低活跃用户，解决了小样本泛化问题。
• 项目上线后，精准触达的转化率从3%提升至8.5%，运营成本下降40%（减少30%的无效触达），用户对营销消息的投诉率下降18%。该体系成为公司用户运营的核心工具，后续扩展到了会员召回、活动推广等3个业务线。我个人主导的时序+多任务+迁移学习方案，奠定了公司在用户精准运营领域的技术壁垒，支撑了次年用户LTV（生命周期价值）提升15%。

• 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。