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」。

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。