负责短视频内容生产全链路计算机视觉算法落地，涵盖视频内容理解、智能剪辑决策及移动端画质增强的端到端研发，边界包括算法选型验证、性能瓶颈突破及业务效果从模型到产品的全闭环优化

• 主导设计基于Transformer的多模态视频内容标签系统，融合CLIP文本-图像对齐能力与TimeSformer视频时序建模，针对长视频标签召回率低（原62%）、跨场景泛化差问题，提出“帧级特征聚类+语义相似度重排”策略，通过Faiss构建视觉特征索引库，将标签召回率提升至97%，误标率从15%降至3%，支撑内容推荐场景下视频打散率提升28%
• 重点优化智能剪辑的镜头分割算法，针对剧情类视频镜头过渡模糊（原分割准确率89%）问题，设计U-Net+Cross-Modal Attention融合模型，将音频节奏特征与视觉运动特征联合编码，同时引入业务规则约束（如对话镜头最小时长），将分割准确率推升至95%，剪辑自动化率从70%提升至90%，单条视频剪辑耗时从45分钟缩短至27分钟
• 针对移动端低算力场景落地画质增强功能，基于ESRGAN架构进行轻量化改造，通过通道剪枝（保留83%核心权重）与知识蒸馏（用教师模型指导学生模型学习高频细节），将模型大小从180MB压缩至55MB，部署后手机端PSNR从28.5dB提升至30.6dB，用户短视频完播率增加12%，低端设备用户卡顿率下降19%
• 搭建视频内容理解的A/B测试框架，用TensorFlow Extended（TFX）串联数据预处理、模型推理及效果评估，实现每周3次算法迭代，快速验证“基于光流的运动轨迹预测”等新功能，推动内容标签覆盖度从85%扩展至98%，支撑运营侧精准定位低质内容效率提升40%

聚焦直播场景实时计算机视觉应用研发，覆盖虚拟道具精准跟踪、主播动作意图识别及观众跨设备互动体验优化，边界包括毫秒级延迟调优、多终端（iOS/Android/Web）兼容及互动指标从算法到产品的落地

• 核心参与虚拟礼物道具的实时跟踪算法优化，针对主播肢体遮挡导致的跟踪漂移问题（原准确率82%），采用YOLOv8作为检测 backbone，结合DeepSORT的卡尔曼滤波与匈牙利匹配，新增“遮挡时序预测”模块——当道具被遮挡超过200ms时，基于历史轨迹外推位置，将跟踪准确率提升至91%，道具触发成功率从70%升至95%，支撑直播礼物营收月均增长15%
• 优化主播表情与动作识别模型，针对直播间复杂光照（如舞台灯、手机闪光灯）导致的识别不稳定问题，用ResNet-50+Frozen Batch Normalization冻结预训练阶段的归一化层，结合迁移学习微调最后3层全连接层，将表情识别准确率从88%提升至94%，动作识别（如点赞、比心）延迟从150ms压缩至80ms，互动弹幕量增加18%，主播开播留存率提升7%
• 开发观众手势交互系统，面向弹幕发送、点赞等高频操作，用MediaPipe Hands提取手部关键点，结合自定义轻量CNN模型（仅1.2M参数）识别“点赞”“打赏”等6种手势，通过WebRTC低延迟传输实现<100ms响应，用户手势交互渗透率从5%提升至22%，跨设备互动转化率提升12%
• 构建直播场景的视觉数据标注 pipeline，用Label Studio+PyTorch Dataset实现标注任务自动化分配与质量校验，针对主播面部遮挡、光线变化等 corner case 补充20万张标注数据，模型泛化能力提升30%，减少后续算法迭代的人工标注成本45%

负责图文及短视频内容的基础计算机视觉算法研发，覆盖图像分类、商品目标检测及内容安全审核，边界包括算法从0到1落地、数据 pipeline 搭建及算力成本控制

• 主导搭建图像分类模型的数据生产体系，用PyTorch Lightning实现多尺度数据增强（随机裁剪、颜色抖动、高斯模糊），结合MLflow跟踪实验参数与指标，将数据标注效率从每人每天500张提升至1200张，模型训练周期从7天缩短至4天，支撑电商商品图分类准确率从80%提升至92%，商品搜索召回率增加10%
• 优化商品目标检测算法，针对小目标商品（如首饰、化妆品，占比18%）检测差问题，在Faster R-CNN基础上调整 anchor 尺寸（新增8x8、16x16像素 anchor），并用FPN增强小目标特征提取，检测准确率从85%提升至93%，电商详情页商品点击率提升10%，客单价增加8%
• 开发内容审核的图像违规检测模型，覆盖色情、暴力、政治敏感等6类违规内容，用EfficientNet-B3作为 backbone，结合Bilinear CNN提取双模态特征（图像+纹理），通过 focal loss 解决正负样本不平衡问题，误判率从18%降至6%，审核效率从每人每天3000张提升至8000张，支撑内容安全团队人力成本降低35%
• 推动模型部署优化，将商品检测模型从TensorFlow转换为TensorRT格式，在GPU服务器上推理速度提升3倍，算力成本下降50%，同时支持CPU fallback，保障低配服务器场景下的服务可用性

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%。

• 大二观察到毕业生离校时大量教材被废弃，而新生购书支出占生活费12%，便发起校园书籍教材循环计划。为解决传统二手书交易效率低的问题，我们开发微信小程序实现扫码估价、预约取件功能，并说服快递中心以成本价承接物流。
• 通过建立翻新消毒标准打消卫生顾虑，项目年流通教材1.2万册，累计为同学节省书费38万元。这段经历让我从商业小白成长为能设计闭环模式的实践者，项目不仅获省级创业金奖，更被纳入学校官方服务体系延续至今。