负责电商直播场景下实时视频分析与理解系统核心模块研发，覆盖商品识别、主播动作合规检测、低光照画质增强三大方向，支撑平台直播内容智能审核、商品精准推荐及时效性运营。

• 主导设计电商直播多商品实时识别系统，针对直播间商品堆叠、背景杂乱问题，创新融合YOLOv8目标检测与DETR密集预测头，构建多尺度特征金字塔增强小目标响应，同步引入TensorRT对模型进行INT8量化与层融合优化，将单帧推理延迟从80ms压缩至25ms（满足50fps实时性要求），商品识别准确率提升至98.7%，直接推动直播间商品点击转化率增长12%。
• 核心参与主播动作合规检测模块开发，基于OpenPose提取25个关节点构建时空特征序列，结合双向LSTM与时空注意力机制建模动作轨迹，定义包含‘过度营销手势’‘不当肢体接触’等15类违规动作库，通过主动学习策略筛选难例样本迭代模型，将误报率从18%压降至5%，当前日均拦截违规直播300+场次，平台内容合规评分提升20%。
• 攻克晚高峰低光照场景技术瓶颈，针对直播间补光不足导致的商品模糊问题，提出RetinexNet光照校正与CycleGAN风格迁移的混合增强方案，通过对抗训练优化暗光特征提取，将暗光环境下商品关键属性（如颜色、logo）识别准确率从82%提升至91%，覆盖平台40%的晚8点后高流量直播时段。
• 搭建直播数据闭环系统，集成LabelMe半自动化标注工具与自研‘难例挖掘-模型反馈’机制，每月标注效率提升35%，同时基于混淆矩阵分析定位模型薄弱类别，定向补充10万+张遮挡、小目标样本，推动商品识别模型迭代周期从2周缩短至10天，版本更新频率提升1倍。

聚焦短视频内容理解算法研发，负责视频分类、关键帧提取、多模态标签生成三大核心任务，支撑平台内容推荐、广告精准投放及版权保护业务。

• 重点优化长视频内容分类模型，针对1-10分钟短视频语义稀疏问题，设计3D ResNet-50+Transformer的混合架构，在3D卷积提取时空特征基础上，通过Transformer层建模跨帧长程依赖，引入可学习的时空注意力掩码抑制冗余信息，将长视频分类准确率从89%提升至94%，支撑平台80%的长尾视频自动打标。
• 设计高效关键帧提取算法，融合光流法计算帧间运动差异与CNN提取视觉显著性特征，提出动态阈值分割策略平衡精度与速度，关键帧召回率从75%提升至90%，单视频处理耗时从1.2s降至0.4s，年节省视频存储成本超200万元。
• 构建短视频多模态标签体系，基于BERT预训练模型对视频标题、字幕文本进行语义编码，同步提取I3D网络输出的视频帧特征，通过门控融合机制整合双模态信息，标签覆盖率从68%提升至85%，助力推荐系统CTR（点击率）提升9%，广告曝光精准度提高15%。
• 推动模型轻量化落地，采用通道剪枝（保留85%关键通道）与教师-学生知识蒸馏策略，将分类模型参数量从1.2G压缩至480M，推理耗时从120ms降至45ms，成功适配移动端APP低算力环境，端侧实时推荐功能上线后用户停留时长增加8%。

参与智慧园区安防系统核心算法研发，负责行人检测、车辆识别、异常行为预警模块开发，支撑园区人员与车辆安全管理。

• 主导改进YOLOv3行人检测模型，针对园区监控中行人遮挡、尺度变化问题，在Backbone引入FPN（特征金字塔网络）增强多尺度特征融合，同时在Head层添加CBAM注意力模块抑制背景干扰，将100x100像素以下小目标行人检测准确率从72%提升至85%，园区漏检事件减少30%。
• 设计多目标跟踪系统，基于DeepSORT框架优化卡尔曼滤波预测步长与匈牙利匹配代价函数，同步升级ReID特征提取网络为ResNet-50+ArcFace损失函数，MOTA（多目标跟踪准确率）指标从78%提升至89%，支持园区50路摄像头实时跟踪，轨迹连续性达95%以上。
• 开发异常行为检测模块，通过OpenPose提取人体骨架关键点，构建LSTM网络学习运动轨迹时序特征，定义‘快速奔跑’‘三人以上聚集’‘长时间逗留’等5类异常模式，结合置信度阈值与时间窗口过滤误报，预警准确率从65%提升至80%，协助安保团队处置潜在风险事件50+起。
• 搭建安防数据标注平台，集成LabelImg标注工具与自研质量校验规则（如关键点可见性标注一致性、框选边界模糊度检测），标注错误率从12%降至3%，数据生产效率提升40%，保障模型训练数据的高可靠性与标注一致性。

• 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。

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%。