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」。

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。