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%

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。