负责电商平台商品视觉理解核心算法研发与落地，覆盖商品识别、属性提取、场景分析全链路，支撑搜索推荐、智能导购等业务场景，推动视觉技术与GMV增长、用户体验优化的深度绑定。

• 主导设计基于多模态融合的商品主图识别系统，针对服饰类商品因褶皱、遮挡导致的关键属性（如领型、袖长）识别准确率低的问题，采用CLIP模型作为特征对齐器，结合ResNet-50的局部特征增强模块，重构属性特征表达空间，将属性识别准确率从89.2%提升至94.7%，直接支撑搜索结果页商品匹配度优化，用户点击转化率提升6.3%，对应季度GMV增量超8000万元。
• 核心参与开发商品陈列场景分析算法，解决货架商品多角度拍摄、光照不均导致的品类分类误差问题，引入自监督学习的MoCo v3预训练策略，结合在线难例挖掘机制（每日更新500+难例样本），将复杂场景下的分类准确率从82.5%提升至89.1%，帮助商家优化货架陈列效率，平台优质商品（符合视觉规范的商品）曝光量增加22%。
• 推动轻量级模型在端侧的落地，针对移动端算力限制，采用知识蒸馏技术将YOLOv8s模型压缩至原大小的1/3（从28MB降至9MB），在保持mAP@0.5=91.4%的前提下，推理速度提升4倍（单帧处理耗时从45ms降至11ms），成功集成至商家版APP的“智能拍照识货”功能，日均调用量突破500万次，用户满意度评分达4.8/5（行业平均4.5）。
• 搭建商品视觉数据闭环系统，设计基于主动学习的样本筛选策略（基于预测熵值与梯度范数），将人工标注需求降低40%，同时通过对抗样本生成（FGSM攻击）优化模型鲁棒性，使模型在模糊、低质商品图上的识别准确率提升12%，支撑大促期间高并发商品识别请求的稳定性（QPS从8000提升至1.2万）。

聚焦内容社区场景下的视觉内容理解技术研发，负责图像/视频的内容标签生成、违规内容检测及用户兴趣建模，支撑内容分发效率与社区生态健康度提升。

• 重点优化视频内容标签系统，针对长视频关键帧提取不全、标签语义模糊问题，设计基于时空注意力机制的3D CNN模型（I3D改进版），结合动态时间规整（DTW）算法优化帧采样策略（按动作显著性动态调整采样间隔），将标签召回率从78%提升至89%，支持推荐系统的内容理解能力升级，用户日均观看时长增加11分钟（从65分钟提升至76分钟）。
• 主导开发涉黄涉政违规图像检测模块，应对对抗样本攻击导致的漏检问题，构建多尺度特征融合的Faster R-CNN改进模型（引入FPN+注意力门控），结合对抗训练策略（基于PGD攻击的迭代训练），将检测准确率从93.5%提升至97.2%，误报率控制在0.8%以内，保障社区内容安全，平台违规内容下架时效从2小时缩短至15分钟。
• 参与用户兴趣视觉建模项目，通过分析用户浏览图像的视觉特征（如色彩分布、物体布局）与交互行为（点赞、收藏）的关联，设计跨模态对比学习框架（基于SimCLR改进），将用户兴趣向量表征的余弦相似度提升至0.82（原0.71），推动个性化推荐点击率提升5.1%，相关成果获公司技术创新奖。
• 搭建图像标注质量监控体系，通过统计标注一致性（Kappa系数）与模型反馈（预测概率分布）双维度评估标注数据质量，将标注错误率从12%降至3%，累计优化100万+张训练数据，支撑后续模型迭代的稳定性。

负责计算机视觉基础算法研发与数据pipeline搭建，支撑公司内部视觉项目的底层能力供给，覆盖图像分类、目标检测等通用任务的模型优化与数据增强。

• 优化通用图像分类模型性能，针对小样本类别（如稀有动物）识别效果差的问题，采用迁移学习结合元学习（MAML）的方法，在ImageNet预训练基础上微调，仅用50张样本将稀有类别识别准确率从61%提升至83%，支撑公司智慧园区动物监测项目落地（准确率要求≥80%）。
• 搭建自动化数据标注平台，集成LabelMe与自研的主动学习模块，通过预测不确定性采样策略（基于蒙特卡洛Dropout）筛选高价值样本，将人工标注效率提升40%（单张图标注时间从3分钟降至1.8分钟），标注成本降低28%，累计为5个视觉项目提供高质量训练数据（超200万张）。
• 探索轻量级目标检测算法在边缘设备的应用，基于MobileNetV3 backbone改进YOLOv5s，引入通道剪枝（剪枝率35%）与权重量化（INT8量化），将模型大小压缩至5MB以内（原27MB），mAP@0.5保持在85%以上，成功应用于公司智能摄像头的实时检测模块（延迟从120ms降至25ms），设备功耗降低18%。
• 主导编写计算机视觉算法文档与培训材料，覆盖从数据标注到模型部署的全流程，累计培训15名新入职算法工程师，推动团队技术文档标准化，相关内容被纳入公司内部技术知识库。

星途电商长尾商品精准推荐系统重构与性能优化

• 项目背景：公司聚焦宠物、户外等垂类赛道，70%商品为长尾（月销量<100件）却仅贡献15%GMV，且用户复购率较头部低22%——核心问题是传统协同过滤+DNN模型过度拟合头部行为模式，长尾商品隐性关联未被挖掘。目标：主导重构系统，将长尾转化率提升25%+，整体GMV波动≤5%。
• 关键难题：1. 长尾数据稀疏（单商品月均交互<5次），传统Embedding失效；2. 需分钟级实时更新模型，原离线Batch延迟4小时；3. 多目标（点击、转化、留存）冲突，加权求和易顾此失彼。
• 核心行动：1. 选型异构图神经网络（HAN）构建“用户-商品-属性”三元组图，融合商品类目/品牌/价格与用户行为，挖掘场景关联（如“宠物尿垫”与“宠物背包”）；2. 搭建Flink ML实时 pipeline，整合Redis+Kafka实现15分钟增量更新，特征延迟降至10秒内；3. 用遗传算法搜索帕累托最优权重，平衡点击(0.3)、转化(0.5)、留存(0.2)目标函数。
• 项目成果：上线后长尾曝光占比从18%升至32%，转化率3.1%→4.0%（超目标16%），整体GMV增长12%；模型延迟≤30秒；申请发明专利1项（《基于异构图神经网络的长尾商品推荐方法及系统》）；个人主导模型设计60%、工程落地30%。

知著内容社区中腰部创作者内容分发与成长激励算法升级

• 项目背景：平台中腰部创作者（粉丝1w-10w）占比60%，但半年流失率35%——调研显示分发精准度低（仅30%内容触达目标用户）、缺乏成长反馈。目标：主导优化分发与成长联动，将中腰部互动率提升30%，流失率下降20%。
• 关键难题：1. 中腰部创作者标签模糊，无量化成长阶段指标；2. 分发与激励脱节，优质内容未对应流量/权益；3. 新创作者冷启动难，难破初始流量池。
• 核心行动：1. 构建创作者360°画像，融合内容垂直度（关键词一致性）、粉丝画像、行为历史，定义“新手/中腰部/头部”阶段；2. 采用DDPG强化学习模型，设计状态（成长阶段、内容质量、粉丝活跃度）、动作（流量倾斜、权益类型）、奖励（互动增长×0.4+留存×0.3+质量×0.3）；3. 联动产品上线“成长任务”（如垂直内容发布得流量券），根据任务完成调整分发。
• 项目成果：中腰部曝光量升60%，互动率8.2%→11.1%（超目标37%），流失率降22%；新创作者7日留存45%→53%；社区垂直度升25%，广告主满意度升18%；个人主导模型设计50%、跨团队协作30%。

• 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。