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」。

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。