负责电商平台商品视觉理解与内容审核算法全生命周期研发，覆盖需求拆解、模型设计、优化落地及效果迭代全流程，支撑商品图合规性校验与用户体验提升

• 主导设计基于Transformer的多模态商品图违规检测模型，融合ResNet-50骨干网络提取视觉特征与BERT编码商品标题/描述文本语义，针对低光照、模糊商品图的漏检痛点，引入CBAM注意力机制强化商品主体区域特征权重，将违规识别准确率从89%提升至96%，日均处理120万张商品图，支撑618大促期间平台内容合规率100%，未因视觉违规引发客诉
• 核心参与构建服饰类商品风格细粒度分类体系，基于CLIP模型实现文本-图像跨模态对齐，针对“新中式”“极简风”等风格歧义问题，设计多尺度特征融合模块（融合ConvNeXt的浅层细节与ViT的深层语义），将风格分类F1-score从0.82提升至0.91，助力运营团队精准推送风格化商品，对应类目转化率提升15%
• 优化模型推理效率以应对高并发审核场景，采用TensorRT对YOLOv8目标检测模型进行FP16量化与层融合，将模型体积缩小40%、推理延迟从120ms降至75ms，在保证检测精度（mAP@0.5保持92%）的前提下，支撑大促峰值2万QPS的实时审核需求，服务器GPU成本降低25%
• 搭建视觉算法效果监控体系，基于Prometheus+Grafana实现模型准确率、推理延迟、GPU利用率等12项指标实时监控，结合A/B测试框架验证算法迭代效果，将模型从需求到上线周期从2周缩短至1周，快速响应平台“禁止过度暴露”等规则变更，迭代效率提升50%

负责短视频内容理解算法研发，聚焦视频封面生成、内容标签提取与违规识别，支撑平台个性化推荐与内容治理

• 重点优化短视频封面生成算法，基于StarGAN-v2架构设计条件生成模型，结合用户行为数据（点赞、停留时长、完播率）调整生成对抗网络的判别器权重，解决传统封面与用户兴趣匹配度低的问题，将封面点击率从3.2%提升至5.8%，单条视频平均播放量增长22%，助力平台短视频日均播放量突破5亿
• 核心开发视频内容标签系统，采用I3D网络提取时空特征，结合BiLSTM捕捉时序语义，实现视频场景（如“美食制作”“户外旅行”）与实体（如“火锅”“帐篷”）的多标签提取，标签召回率从75%提升至88%，支撑推荐算法精准触达目标用户，推荐点击率提升18%
• 解决违规视频识别的时序依赖问题，设计基于Transformer的视频帧序列建模模块，融合TV-L1光流特征与RGB外观特征，针对暴力、低俗内容的隐蔽性特征（如缓慢动作、暗示性镜头），将违规识别召回率从85%提升至93%，减少人工复审量30%，内容治理成本降低20%
• 推动算法落地边缘设备，采用MobileNetV3-small作为 backbone 并结合知识蒸馏技术，将视频分析模型部署至智能终端，实现本地实时处理，延迟从500ms降至150ms，节省云端计算资源40%，支撑下沉市场用户低网络环境下的流畅体验

协助团队开展图像检索与目标检测算法研发，聚焦特征提取与模型优化，支撑图像管理系统功能迭代

• 参与图像检索系统特征提取模块开发，基于SIFT特征与词袋模型（BoW）实现图像相似性计算，针对100万+大规模图像库检索慢的问题，引入倒排索引与PCA降维，将检索时间从2秒缩短至500ms，系统响应效率提升75%，支撑企业客户快速查找相似素材
• 辅助优化目标检测模型，基于Faster R-CNN框架调整锚框尺寸与比例，针对小目标（如图像中的文字、小物件）漏检问题，设计上下文感知模块（融合周围区域特征），将小目标检测准确率从65%提升至78%，支撑图像管理系统中的物体标注功能
• 搭建图像数据半自动化标注工具，基于Python与PyQt5开发界面，集成OpenCV图像预处理功能（裁剪、缩放、亮度调整），将人工标注效率提升40%，累计标注20万张商品图像，为模型训练提供高质量数据集，模型初始化准确率提升10%
• 参与模型效果评估，采用混淆矩阵与ROC曲线分析误检问题（如“猫”误判为“狗”），优化损失函数从交叉熵改为Focal Loss（聚焦难样本），将误检率从12%降至5%，系统可靠性显著提升，客户满意度从82%升至91%

短视频内容生态智能调控算法体系搭建与落地

• 星途互动作为聚焦Z世代的短视频平台，面临内容生态失衡核心问题——低质擦边内容漏检率超15%、30%中小创作者因曝光不足月更时长下降，同时需平衡“内容质量管控”“用户停留时长”“广告主ROI”三方诉求。我的核心职责是主导需求拆解、全链路算法方案设计，以及跨产品/工程/运营团队的协同落地。
• 项目遇到三大关键挑战：1）多目标冲突：内容质量（违规风险）、用户体验（相关性）、商业价值（广告加载率）难以量化权衡；2）隐性低质特征缺失：软广/擦边内容无明确标签，传统规则引擎漏检率高；3）实时调控延迟：内容分发需秒级响应，离线模型无法处理实时用户行为反馈。针对这些问题，我选择MMoE多任务学习框架分离目标特征，用GNN挖掘用户-内容-创作者的隐性传播链路，基于Flink搭建实时特征平台注入动态指标。
• 我牵头与业务方对齐“低质漏检率≤10%、优质内容曝光≥25%、用户停留+10分钟”的核心指标，设计“静态标签+动态行为+图结构”的多模态特征体系；为解决实时性能问题，将GNN计算复杂度从O(n²)优化至O(n)，适配秒级推理要求；同时推动建立“模型输出-策略执行-效果反馈”的闭环迭代机制。
• 项目成果显著：低质内容漏检率降至8.7%，优质内容曝光率提升至28%，用户日均使用时长增加15分钟，广告主ROI提升19%；构建的可复用内容生态调控框架支撑平台后续3个季度的治理迭代。我个人主导了算法设计与跨团队落地，核心指标达成率超120%，成为平台内容安全与生态健康的核心技术底座。

电商用户复购预测与个性化触达算法迭代项目

• 云帆电商作为TOP10综合电商平台，用户复购率连续3季度停滞在28%，传统协同过滤模型对45%长尾用户（1-2次购买）的复购预测准确率仅58%，且季节性商品（如冬季保暖品）的时序模式捕捉不足，导致个性化触达转化率低（约12%）。我的职责是优化复购预测模型，设计触达策略，提升转化效率。
• 项目难点集中在三点：1）长尾用户特征稀疏，传统模型无法学习有效偏好；2）季节性商品受天气/节日影响大，时序模型难以融合多源数据；3）多渠道触达（推送/短信/邮件）缺乏协同，资源浪费严重。为此，我用VAE补全长尾用户隐空间特征，结合Transformer处理“用户行为+商品周期+天气”多源时序数据，再用DRL优化触达策略。
• 我重构用户特征体系，将长尾用户特征从50维扩展至200维（加入社交关系/加购未买等隐性特征）；设计“用户-商品-环境”多模态输入的Transformer模型，捕捉季节性商品的长期依赖；搭建A/B测试平台，以“转化率最大化”为目标迭代DRL的奖励函数，解决触达资源分配问题。
• 项目带来明确业务价值：复购预测准确率提升至93%（长尾用户达81%），个性化触达转化率升至15%，年度GMV贡献增加1.2亿；模型支撑“双11”“冬季保暖季”大促，活动期间复购率提升至31%。我个人主导了模型迭代与策略落地，解决了长尾用户和季节性商品的核心痛点，推动触达效率提升25%，成为电商个性化运营的关键工具。

• 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。