负责电商平台商品视觉理解与内容审核算法全生命周期研发，覆盖需求拆解、模型设计、优化落地及效果迭代全流程，支撑商品图合规性校验与用户体验提升

• 主导设计基于Transformer的多模态商品图违规检测模型，融合ResNet-50骨干网络提取视觉特征与BERT编码商品标题/描述文本语义，针对低光照、模糊商品图的漏检痛点，引入CBAM注意力机制强化商品主体区域特征权重，将违规识别准确率从89%提升至96%，日均处理120万张商品图，支撑618大促期间平台内容合规率100%，未因视觉违规引发客诉
• 核心参与构建服饰类商品风格细粒度分类体系，基于CLIP模型实现文本-图像跨模态对齐，针对“新中式”“极简风”等风格歧义问题，设计多尺度特征融合模块（融合ConvNeXt的浅层细节与ViT的深层语义），将风格分类F1-score从0.82提升至0.91，助力运营团队精准推送风格化商品，对应类目转化率提升15%
• 优化模型推理效率以应对高并发审核场景，采用TensorRT对YOLOv8目标检测模型进行FP16量化与层融合，将模型体积缩小40%、推理延迟从120ms降至75ms，在保证检测精度（mAP@0.5保持92%）的前提下，支撑大促峰值2万QPS的实时审核需求，服务器GPU成本降低25%
• 搭建视觉算法效果监控体系，基于Prometheus+Grafana实现模型准确率、推理延迟、GPU利用率等12项指标实时监控，结合A/B测试框架验证算法迭代效果，将模型从需求到上线周期从2周缩短至1周，快速响应平台“禁止过度暴露”等规则变更，迭代效率提升50%

负责短视频内容理解算法研发，聚焦视频封面生成、内容标签提取与违规识别，支撑平台个性化推荐与内容治理

• 重点优化短视频封面生成算法，基于StarGAN-v2架构设计条件生成模型，结合用户行为数据（点赞、停留时长、完播率）调整生成对抗网络的判别器权重，解决传统封面与用户兴趣匹配度低的问题，将封面点击率从3.2%提升至5.8%，单条视频平均播放量增长22%，助力平台短视频日均播放量突破5亿
• 核心开发视频内容标签系统，采用I3D网络提取时空特征，结合BiLSTM捕捉时序语义，实现视频场景（如“美食制作”“户外旅行”）与实体（如“火锅”“帐篷”）的多标签提取，标签召回率从75%提升至88%，支撑推荐算法精准触达目标用户，推荐点击率提升18%
• 解决违规视频识别的时序依赖问题，设计基于Transformer的视频帧序列建模模块，融合TV-L1光流特征与RGB外观特征，针对暴力、低俗内容的隐蔽性特征（如缓慢动作、暗示性镜头），将违规识别召回率从85%提升至93%，减少人工复审量30%，内容治理成本降低20%
• 推动算法落地边缘设备，采用MobileNetV3-small作为 backbone 并结合知识蒸馏技术，将视频分析模型部署至智能终端，实现本地实时处理，延迟从500ms降至150ms，节省云端计算资源40%，支撑下沉市场用户低网络环境下的流畅体验

协助团队开展图像检索与目标检测算法研发，聚焦特征提取与模型优化，支撑图像管理系统功能迭代

• 参与图像检索系统特征提取模块开发，基于SIFT特征与词袋模型（BoW）实现图像相似性计算，针对100万+大规模图像库检索慢的问题，引入倒排索引与PCA降维，将检索时间从2秒缩短至500ms，系统响应效率提升75%，支撑企业客户快速查找相似素材
• 辅助优化目标检测模型，基于Faster R-CNN框架调整锚框尺寸与比例，针对小目标（如图像中的文字、小物件）漏检问题，设计上下文感知模块（融合周围区域特征），将小目标检测准确率从65%提升至78%，支撑图像管理系统中的物体标注功能
• 搭建图像数据半自动化标注工具，基于Python与PyQt5开发界面，集成OpenCV图像预处理功能（裁剪、缩放、亮度调整），将人工标注效率提升40%，累计标注20万张商品图像，为模型训练提供高质量数据集，模型初始化准确率提升10%
• 参与模型效果评估，采用混淆矩阵与ROC曲线分析误检问题（如“猫”误判为“狗”），优化损失函数从交叉熵改为Focal Loss（聚焦难样本），将误检率从12%降至5%，系统可靠性显著提升，客户满意度从82%升至91%

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。

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。