负责短视频内容生产全链路计算机视觉算法落地，涵盖视频内容理解、智能剪辑决策及移动端画质增强的端到端研发，边界包括算法选型验证、性能瓶颈突破及业务效果从模型到产品的全闭环优化

• 主导设计基于Transformer的多模态视频内容标签系统，融合CLIP文本-图像对齐能力与TimeSformer视频时序建模，针对长视频标签召回率低（原62%）、跨场景泛化差问题，提出“帧级特征聚类+语义相似度重排”策略，通过Faiss构建视觉特征索引库，将标签召回率提升至97%，误标率从15%降至3%，支撑内容推荐场景下视频打散率提升28%
• 重点优化智能剪辑的镜头分割算法，针对剧情类视频镜头过渡模糊（原分割准确率89%）问题，设计U-Net+Cross-Modal Attention融合模型，将音频节奏特征与视觉运动特征联合编码，同时引入业务规则约束（如对话镜头最小时长），将分割准确率推升至95%，剪辑自动化率从70%提升至90%，单条视频剪辑耗时从45分钟缩短至27分钟
• 针对移动端低算力场景落地画质增强功能，基于ESRGAN架构进行轻量化改造，通过通道剪枝（保留83%核心权重）与知识蒸馏（用教师模型指导学生模型学习高频细节），将模型大小从180MB压缩至55MB，部署后手机端PSNR从28.5dB提升至30.6dB，用户短视频完播率增加12%，低端设备用户卡顿率下降19%
• 搭建视频内容理解的A/B测试框架，用TensorFlow Extended（TFX）串联数据预处理、模型推理及效果评估，实现每周3次算法迭代，快速验证“基于光流的运动轨迹预测”等新功能，推动内容标签覆盖度从85%扩展至98%，支撑运营侧精准定位低质内容效率提升40%

聚焦直播场景实时计算机视觉应用研发，覆盖虚拟道具精准跟踪、主播动作意图识别及观众跨设备互动体验优化，边界包括毫秒级延迟调优、多终端（iOS/Android/Web）兼容及互动指标从算法到产品的落地

• 核心参与虚拟礼物道具的实时跟踪算法优化，针对主播肢体遮挡导致的跟踪漂移问题（原准确率82%），采用YOLOv8作为检测 backbone，结合DeepSORT的卡尔曼滤波与匈牙利匹配，新增“遮挡时序预测”模块——当道具被遮挡超过200ms时，基于历史轨迹外推位置，将跟踪准确率提升至91%，道具触发成功率从70%升至95%，支撑直播礼物营收月均增长15%
• 优化主播表情与动作识别模型，针对直播间复杂光照（如舞台灯、手机闪光灯）导致的识别不稳定问题，用ResNet-50+Frozen Batch Normalization冻结预训练阶段的归一化层，结合迁移学习微调最后3层全连接层，将表情识别准确率从88%提升至94%，动作识别（如点赞、比心）延迟从150ms压缩至80ms，互动弹幕量增加18%，主播开播留存率提升7%
• 开发观众手势交互系统，面向弹幕发送、点赞等高频操作，用MediaPipe Hands提取手部关键点，结合自定义轻量CNN模型（仅1.2M参数）识别“点赞”“打赏”等6种手势，通过WebRTC低延迟传输实现<100ms响应，用户手势交互渗透率从5%提升至22%，跨设备互动转化率提升12%
• 构建直播场景的视觉数据标注 pipeline，用Label Studio+PyTorch Dataset实现标注任务自动化分配与质量校验，针对主播面部遮挡、光线变化等 corner case 补充20万张标注数据，模型泛化能力提升30%，减少后续算法迭代的人工标注成本45%

负责图文及短视频内容的基础计算机视觉算法研发，覆盖图像分类、商品目标检测及内容安全审核，边界包括算法从0到1落地、数据 pipeline 搭建及算力成本控制

• 主导搭建图像分类模型的数据生产体系，用PyTorch Lightning实现多尺度数据增强（随机裁剪、颜色抖动、高斯模糊），结合MLflow跟踪实验参数与指标，将数据标注效率从每人每天500张提升至1200张，模型训练周期从7天缩短至4天，支撑电商商品图分类准确率从80%提升至92%，商品搜索召回率增加10%
• 优化商品目标检测算法，针对小目标商品（如首饰、化妆品，占比18%）检测差问题，在Faster R-CNN基础上调整 anchor 尺寸（新增8x8、16x16像素 anchor），并用FPN增强小目标特征提取，检测准确率从85%提升至93%，电商详情页商品点击率提升10%，客单价增加8%
• 开发内容审核的图像违规检测模型，覆盖色情、暴力、政治敏感等6类违规内容，用EfficientNet-B3作为 backbone，结合Bilinear CNN提取双模态特征（图像+纹理），通过 focal loss 解决正负样本不平衡问题，误判率从18%降至6%，审核效率从每人每天3000张提升至8000张，支撑内容安全团队人力成本降低35%
• 推动模型部署优化，将商品检测模型从TensorFlow转换为TensorRT格式，在GPU服务器上推理速度提升3倍，算力成本下降50%，同时支持CPU fallback，保障低配服务器场景下的服务可用性

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。

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。