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

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。

• 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。