负责电商平台商品视觉算法全链路研发，覆盖图像理解、跨模态匹配及端侧部署，支撑商品搜索、虚拟试穿、智能推荐三大核心场景，推动视觉能力与业务增长深度耦合。

• 主导设计「多模态商品表征模型」，针对传统CLIP模型对服饰纹理、材质等细粒度特征捕捉不足的问题，基于Vision Transformer改进注意力机制，引入跨尺度特征融合模块，结合电商商品库（含2000万+商品图）进行对比学习训练。通过难例挖掘策略（筛选标注置信度<0.7的样本）优化数据分布，解决小样本品类（如汉服配饰）特征稀疏问题。模型上线后，商品搜索点击率提升8%，跨类目推荐转化率提升5%，获当季技术突破奖。
• 牵头优化虚拟试穿算法实时性，针对移动端算力限制，基于MobileNetV3 backbone设计轻量级3D人体姿态估计模型，融合知识蒸馏技术（教师模型为HRNet-W48）压缩参数量至8.2M。联合前端团队解决端侧内存溢出问题，最终实现推理耗时从120ms降至45ms（骁龙8Gen2芯片），支撑「AR试衣间」功能在APP核心入口上线，用户日均使用次数达7.2次，留存率较旧版提升12%。
• 构建商品图像跨域适配体系，应对商家上传图片的光照、视角差异问题。基于CycleGAN设计风格迁移模块，结合域对抗损失约束，将非标准输入图像映射至统一视觉空间；同步开发在线增量学习框架，每周自动收录用户反馈的「模糊/变形」样本进行模型微调。方案落地后，商品详情页自动化生成的素材合格率从78%提升至94%，减少人工修图成本约40万元/月。
• 推动视觉算法与推荐系统深度融合，设计「图像-行为」双模态特征交叉模块。基于XGBoost融合商品视觉特征（如色彩饱和度、主体占比）与用户行为特征（点击/加购序列），优化推荐排序模型。A/B测试显示，实验组人均PV提升11%，高价值商品（客单价>500元）曝光占比增加7%，季度内带动GMV增量超2000万元。

聚焦电商场景下商品图像分析与理解，支撑搜索推荐、智能导购业务，重点突破商品属性提取、质量评估等核心算法，推动视觉能力从实验室向业务场景规模化落地。

• 核心参与「商品主图质量评估系统」开发，针对人工审核效率低（单图耗时4小时）、标准不统一问题，构建多维度判别模型：基于ResNet-50提取图像清晰度（Laplacian方差）、构图合理性（视觉重心分布）特征，结合预训练BERT分析商品标题与图像的匹配度。通过阈值动态校准策略（每周根据审核员标注修正模型输出），系统上线后将审核耗时缩短至10分钟内，误判率控制在2.8%以内，支撑平台日均10万+商品图的自动化审核。
• 优化服饰类目属性提取模型，针对颜色、材质、领型等多标签分类任务，设计多任务学习框架：共享EfficientNet-B4底层特征提取器，分支网络分别接入颜色直方图分类头、材质纹理CNN分类头及领型关键点检测头。引入标签相关性约束（如「丝绸」材质与「缎面领型」强关联），通过辅助损失函数优化特征表达。模型准确率从89%提升至95.6%，直接驱动商品详情页自动化生成率从65%提升至82%。
• 设计基于主动学习的标注策略，解决商品图像标注成本高问题。通过模型预测不确定性（熵值）与类别平衡度筛选高价值样本，优先标注预测置信度<0.6的「模糊样本」。策略实施后，标注效率提升40%，模型迭代周期从6周缩短至4周，服饰类目TOP100细分类别的识别准确率半年内提升18%。

协助完成电商平台商品图像基础算法研发，支撑搜索推荐业务的视觉能力迭代，重点参与图像分类、去背景等工具化模块开发，积累电商场景视觉算法落地经验。

• 负责商品图像分类模型优化，针对服饰类目相似款式（如不同领口的衬衫）分类混淆问题，基于EfficientNet-B3进行微调，引入度量学习（Triplet Loss）拉大类间距离。在自有100万级商品图数据集上训练后，Top-5准确率从82%提升至88%，支撑商品库结构化打标效率提升30%。
• 开发商品图片自动去背景工具，基于U-Net架构设计分割模型，结合CRF后处理优化边缘细节。针对透明材质商品（如玻璃饰品）分割误差高的问题，引入边缘梯度损失函数强化轮廓特征。工具上线后替代80%人工抠图操作，单图处理时间从2分钟降至8秒，年节省外包成本约60万元。
• 搭建图像算法效果评估体系，设计CTR、转化率、用户停留时长等核心指标，结合A/B测试框架（基于Python的StatsModels库）量化算法价值。季度内完成3轮算法迭代，搜索结果页优质商品曝光占比从55%提升至68%，推动所在团队获「季度创新奖」。

短视频内容生态智能调控算法体系搭建与落地

• 星途互动作为聚焦Z世代的短视频平台，面临内容生态失衡核心问题——低质擦边内容漏检率超15%、30%中小创作者因曝光不足月更时长下降，同时需平衡“内容质量管控”“用户停留时长”“广告主ROI”三方诉求。我的核心职责是主导需求拆解、全链路算法方案设计，以及跨产品/工程/运营团队的协同落地。
• 项目遇到三大关键挑战：1）多目标冲突：内容质量（违规风险）、用户体验（相关性）、商业价值（广告加载率）难以量化权衡；2）隐性低质特征缺失：软广/擦边内容无明确标签，传统规则引擎漏检率高；3）实时调控延迟：内容分发需秒级响应，离线模型无法处理实时用户行为反馈。针对这些问题，我选择MMoE多任务学习框架分离目标特征，用GNN挖掘用户-内容-创作者的隐性传播链路，基于Flink搭建实时特征平台注入动态指标。
• 我牵头与业务方对齐“低质漏检率≤10%、优质内容曝光≥25%、用户停留+10分钟”的核心指标，设计“静态标签+动态行为+图结构”的多模态特征体系；为解决实时性能问题，将GNN计算复杂度从O(n²)优化至O(n)，适配秒级推理要求；同时推动建立“模型输出-策略执行-效果反馈”的闭环迭代机制。
• 项目成果显著：低质内容漏检率降至8.7%，优质内容曝光率提升至28%，用户日均使用时长增加15分钟，广告主ROI提升19%；构建的可复用内容生态调控框架支撑平台后续3个季度的治理迭代。我个人主导了算法设计与跨团队落地，核心指标达成率超120%，成为平台内容安全与生态健康的核心技术底座。

电商用户复购预测与个性化触达算法迭代项目

• 云帆电商作为TOP10综合电商平台，用户复购率连续3季度停滞在28%，传统协同过滤模型对45%长尾用户（1-2次购买）的复购预测准确率仅58%，且季节性商品（如冬季保暖品）的时序模式捕捉不足，导致个性化触达转化率低（约12%）。我的职责是优化复购预测模型，设计触达策略，提升转化效率。
• 项目难点集中在三点：1）长尾用户特征稀疏，传统模型无法学习有效偏好；2）季节性商品受天气/节日影响大，时序模型难以融合多源数据；3）多渠道触达（推送/短信/邮件）缺乏协同，资源浪费严重。为此，我用VAE补全长尾用户隐空间特征，结合Transformer处理“用户行为+商品周期+天气”多源时序数据，再用DRL优化触达策略。
• 我重构用户特征体系，将长尾用户特征从50维扩展至200维（加入社交关系/加购未买等隐性特征）；设计“用户-商品-环境”多模态输入的Transformer模型，捕捉季节性商品的长期依赖；搭建A/B测试平台，以“转化率最大化”为目标迭代DRL的奖励函数，解决触达资源分配问题。
• 项目带来明确业务价值：复购预测准确率提升至93%（长尾用户达81%），个性化触达转化率升至15%，年度GMV贡献增加1.2亿；模型支撑“双11”“冬季保暖季”大促，活动期间复购率提升至31%。我个人主导了模型迭代与策略落地，解决了长尾用户和季节性商品的核心痛点，推动触达效率提升25%，成为电商个性化运营的关键工具。

• 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。