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%。

泛娱乐内容生态下用户兴趣动态建模与推荐系统升级项目

• 星途作为聚焦年轻用户的泛娱乐内容社区，面临用户日均使用时长连续3个季度下滑（从55分钟降至42分钟）、新用户7日留存不足22%的核心问题——原有推荐系统依赖静态兴趣标签与协同过滤，无法捕捉用户短期兴趣漂移，且新用户冷启动依赖人工标注的粗粒度标签。我的核心职责是主导推荐系统「用户兴趣动态建模模块」的重构，兼顾实时性与长期兴趣，目标是将用户内容消费转化率与新用户留存提升20%以上。
• 项目遇到三大技术难点：1）用户行为序列的长短期依赖平衡——传统Transformer对近期行为权重分配不足；2）新用户无行为场景下的兴趣初始化——通用冷启动策略依赖内容热度，导致推荐的“个性化”缺失；3）实时特征处理的低延迟需求——原有Spark Streaming pipeline特征更新延迟达5分钟，无法支撑模型的实时推理。
• 针对兴趣漂移问题，我将DIN（深度兴趣网络）改进为「时序多兴趣Transformer」：引入时间衰减注意力机制（以用户行为的时间间隔为权重），并添加多兴趣提取头（通过胶囊网络分离用户同时存在的短期兴趣，如“美妆教程”与“宠物日常”）；针对新用户冷启动，设计「元学习+内容Embedding迁移」方案——用注册问卷的兴趣标签与初始30分钟浏览行为，通过MAML（模型无关元学习）预训练兴趣初始化器，结合内容侧的“类别-标签-创作者”多模态Embedding，快速生成新用户的初始兴趣向量；在实时特征层面，用Flink重构特征 pipeline，将用户行为的点击、停留、互动特征更新延迟压缩至10秒内，支持模型每15分钟增量推理。
• 项目上线6个月后，核心指标显著提升：用户日均使用时长从42分钟回升至58分钟（+38.1%），新用户7日留存率从22%升至31%（+40.9%），内容点击转化率从6.2%提升至8.9%（+43.5%）。我主导的「时序多兴趣Transformer」模型成为公司推荐系统的核心基线模型，元学习冷启动方案推广至短视频与直播业务线，直接支撑了Q4用户规模的环比增长18%。

内容社区用户分层与个性化推荐策略迭代项目

• 公司处于高速增长期（年用户量从1200万增至3500万），但通用推荐策略无法匹配不同用户的需求差异——新用户因内容过载流失，活跃用户因“信息茧房”降低互动，沉睡用户召回效率不足。我的职责是从0到1搭建用户分层体系，设计分层对应的推荐策略，目标是提升各层级用户的content engagement（内容消费量）与生命周期价值（LTV）。
• 原有用户分层基于RFM模型（最近登录、频率、消费金额），仅能区分“高价值”与“低价值”用户，无法捕捉兴趣偏好与行为模式的差异；且分层后的策略调整依赖人工经验，A/B测试迭代周期长达2周，效果不稳定。
• 首先，用「DBSCAN+用户行为Embedding」构建3层6类分层体系：第一层按“用户生命周期”分为新用户（注册≤7天）、活跃用户（注册>7天且周互动≥3次）、沉睡用户（注册>30天且周互动=0）；第二层按“兴趣偏好”细分（如新用户中的“兴趣探索型”“热门追随型”，活跃用户中的“深度消费型”“长尾挖掘型”）；第三层按“消费习惯”补充（如活跃用户中的“短内容偏好”“长内容偏好”）。然后，针对每类用户设计差异化策略：新用户采用“兴趣引导+热门内容”混合推荐（前3条推荐注册时选择的兴趣标签内容，后7条为社区热门），活跃用户采用“深度兴趣挖掘+长尾内容”策略（通过协同过滤扩展用户未接触的细分兴趣），沉睡用户采用“召回唤醒+激励机制”（推送历史高互动作者的新内容+登录领积分）。最后，建立“贝叶斯优化+A/B测试”框架，将策略参数调优周期从2周缩短至3天。
• 分层体系上线1年后，各层级用户效果显著：新用户日均内容消费量从1.2条提升至2.1条（+75%），活跃用户从3.5条提升至5.2条（+48.6%），沉睡用户唤醒率从8%升至15%（+87.5%）。该体系成为公司用户运营与推荐策略的基础框架，我也从“策略执行者”成长为“体系设计者”，学会了从全局视角平衡用户体验与业务目标。

• 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。