负责本地生活服务平台商家素材审核、用户端视觉交互及AR功能的核心算法迭代，覆盖从素材内容理解到前端体验优化的全链路视觉算法落地，支撑商家合规经营与用户体验提升的业务目标

• 主导设计基于多模态融合的商家素材智能审核算法，针对本地生活商家上传的菜品图、环境图中存在的模糊、违规内容（如过期食材暴露、虚假场景拼接）问题，采用CLIP模型实现图像-文本语义对齐，融合YOLOv8目标检测定位违规元素、OCR技术提取文本描述，构建“视觉+文本”双维度审核规则引擎，解决传统单模态审核漏检率高的痛点；上线后审核准确率从89%提升至96%，人工复审量下降40%，支撑平台日均处理120万+素材的合规需求
• 核心参与用户端商品图超分辨率与风格化优化项目，针对中小商家低清商品图导致转化率低的问题，基于ESRGAN改进网络结构——引入CBAM注意力机制强化美食纹理、服饰材质等关键区域细节恢复，结合CycleGAN实现风格迁移以适配平台“清新写实”的统一视觉风格；优化后商品图点击转化率提升18%，商家对素材质量的满意度调研得分从4.2升至4.7（满分5分）
• 重点优化AR试妆功能的实时性与精度，针对移动端算力限制导致的300ms延迟、妆容边缘模糊问题，采用MobileNetV3重构人脸检测与妆容渲染pipeline，融合MediaPipe Face Mesh实现68点人脸关键点精准定位，通过模型量化（FP16转INT8）与剪枝（移除冗余卷积核）将推理时间压缩至80ms以内；功能上线后试妆用户留存率提升25%，成为平台美妆类商家的核心转化工具
• 搭建视觉算法效果评估体系，整合混淆矩阵、IoU（目标检测）、PSNR（图像质量）、AUC-ROC（分类）等多维度指标，结合Optimizely A/B测试框架实现算法迭代的快速验证；每月输出《算法性能与业务价值报告》，推动审核算法迭代周期从双周缩短至每周，及时响应“新型虚假宣传图”“AI生成违规素材”等业务新挑战

负责电商平台商品视觉内容的理解与推荐算法落地，聚焦商品图特征提取、坏果识别及主图优化的核心场景，支撑商品曝光效率与用户决策体验的提升

• 主导商品图视觉特征库构建，基于Faster R-CNN提取商品主体区域特征，结合VGG-19全局特征形成多维度visual embedding，接入推荐系统的召回层；优化后商品推荐的视觉相关性提升22%，用户加购率提升12%，助力平台服饰类目GMV月均增长8%
• 核心参与生鲜商品坏果识别算法开发，针对生鲜图片中腐烂、破损区域边界模糊、样本量少的问题，采用U-Net改进模型——引入注意力门控机制聚焦病变区域，基于迁移学习（预训练在ImageNet上）解决小样本泛化问题；算法准确率达93%，售后纠纷率下降30%，支撑生鲜类目“坏果秒赔”服务的落地
• 优化商品主图背景替换功能，基于Style Transfer GAN实现背景与主体风格的自动匹配，解决传统模板替换导致的“主体与背景割裂”问题；商家使用该功能的商品图曝光量提升35%，成为平台“商家成长中心”的热门工具

协助完成视觉算法的基础开发与优化，覆盖数据标注、模型训练到移动端部署的全流程，为后续算法迭代提供数据与工程支撑

• 参与商品图片数据集标注与清洗，制定基于LabelMe的多类别标注规范（涵盖12类商品、8种违规类型），通过交叉验证解决多标注人员的一致性问题；清洗后的数据集准确率达98%，为后续ResNet-18分类模型训练奠定基础
• 辅助开发商品图分类模型，基于ResNet-18进行微调，优化损失函数为Focal Loss以解决“服饰鞋包”类样本不平衡问题；模型分类准确率从85%提升至91%，支撑平台商品库的自动化分类需求
• 参与视觉算法移动端部署测试，使用TensorFlow Lite将分类模型压缩至原大小的1/3，推理时间降低50%；实现低端机型（如红米Note 7）的流畅运行，推动算法在App端的落地应用

电商直播场景下实时用户兴趣预测与推荐系统优化

• 项目背景：公司电商直播业务面临「用户停留时长下滑」与「转化效率瓶颈」问题——传统离线推荐无法捕捉用户实时互动行为（如弹幕、点赞、切换直播间），导致推荐内容滞后，实时点击转化率仅4.2%，低于行业均值1.5pct。我的核心目标是主导搭建「实时+离线」融合的兴趣预测体系，将推荐延迟压缩至100ms内，同时提升转化效率。
• 解决的关键难题：1）多源实时数据的高效融合——用户行为、主播状态、商品库存等数据流来自8个异构系统，存在 schema 不一致、延迟波动大的问题；2）轻量级模型的精准性平衡——传统实时模型（如LR）无法处理序列依赖，而深度模型（如Transformer）推理延迟过高（超200ms）无法满足在线要求。
• 核心行动与创新：1）数据层：基于Flink搭建实时特征工程平台，设计「窗口聚合+事件触发」的双模式特征计算逻辑，解决了弹幕情感倾向、主播话术关键词等实时特征的延迟问题，特征覆盖率从75%提升至98%；2）模型层：针对序列依赖问题，将DistilBERT改造为「行为序列编码器」，通过知识蒸馏将原始BERT的参数量减少60%，同时保留92%的语义表征能力；3）服务层：采用TensorRT对模型进行量化加速（FP32转INT8），结合Redis缓存高频用户的实时特征，将单请求推理时间从180ms压降至45ms。
• 项目成果：系统上线后，直播场景实时推荐点击转化率提升至7.6%（同比增长81%），用户平均停留时长从8.2分钟延长至11.5分钟（增长40%），单月GMV贡献增加1.2亿元。我主导的「实时特征融合框架」与「轻量级序列模型优化方案」被纳入公司推荐算法标准库，支撑了3个业务线的实时化改造。

短视频创作者分层运营算法体系搭建

• 项目背景：公司短视频创作者规模年增长40%，但运营团队仅能覆盖10%的头部创作者，中腰部创作者流失率超25%——缺乏精准的创作者价值评估模型，导致运营资源错配。我的目标是构建「内容质量-用户互动-商业潜力」三维分层体系，支撑运营策略的个性化制定。
• 解决的关键难题：1）创作者特征的多模态整合——内容特征（如视频完播率、画面清晰度）、行为特征（如更新频率、粉丝互动回复率）、商业特征（如带货转化率）之间存在强耦合，传统特征工程难以捕捉非线性关系；2）分层效果的量化评估——缺乏统一的「价值-运营ROI」指标，无法验证分层模型对业务的实际贡献。
• 核心行动与创新：1）特征建模：融合Graph Neural Network（GNN）与XGBoost，将创作者的「关注关系」「评论互动」「内容转发」等图结构数据融入模型，解决了传统模型忽略创作者生态关联的问题，特征重要性分析显示，「粉丝互动网络密度」这一图特征的预测贡献度达18%；2）分层设计：基于SHAP值定义「创作者综合价值分」，将创作者分为S（战略级）、A（潜力级）、B（成长级）、C（基础级）四层，同时配套「运营动作-分层匹配矩阵」（如S层侧重资源倾斜，B层侧重内容指导）；3）效果闭环：设计「留存率+内容产出量+商业变现率」的三维评估体系，通过A/B测试验证分层模型的有效性。
• 项目成果：分层模型准确率从初始的62%提升至87%，运营资源投入ROI提升35%——S层创作者留存率从78%升至93%，B层创作者月均内容产出量增长50%，单季度新增商业变现创作者8000+。该体系成为公司创作者运营的核心工具，支撑了「创作者成长计划」等3个重点项目，我也因此晋升为算法工程负责人。

• 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。