林晚晴 · AI Trainer

承担推荐数据管道重构，设计多窗口行为序列与内容属性交叉特征，高质量训练样本覆盖度提升21%，为模型迭代注入更丰富信号。

基于PyTorch优化深度兴趣网络的特征交叉层，引入自适应注意力机制，上线A/B实验后短视频点击率提升2.7%、人均观看时长提升1.9%。

主导排序模型蒸馏，以复杂教师网络指导轻量学生网络训练，在保持97%预估精度的前提下，推理延迟降低45%，单次请求资源开销下降30%。

搭建自动化特征评估与线上指标监控看板，打通A/B测试平台与特征日志，新特征上线周期缩短约30%，并快速捕捉两次数据漂移引发的指标异常。

协同算法团队优化多任务样本权重策略，动态调整完播、点赞等辅助任务的损失贡献，人均播放进度提升1.5%，辅助目标一致性损失降低18%。

负责多模态样本构建与对齐，从原始竞赛数据中抽取图像、短文本和用户行为序列，形成超10万条高质量训练集，为模型提供统一的多模态输入。

针对违规类别极度稀疏的挑战，设计图像变换与文本回译、同义词替换的协同增强管道，将少样本稀有类别样本量扩充至3倍，有效缓解过拟合。

采用多模态对比学习框架联合微调视觉与文本编码器，并引入用户行为统计特征进行注意力融合，在官方测试集上将违规内容识别精确率提升至90.5%，较纯文本基线提高12个百分点。

借助可解释分析工具量化各模态特征贡献，识别并剔除2项冗余行为特征，保持精度的同时单次推理耗时降低约20%。

针对医学问诊对话中200+细粒度意图标签的长尾分布，使用Hugging Face Transformers加载BioBERT进行迁移学习，设计分阶段采样策略（先充分训练头部类别，再用过采样与欠采样组合微调尾部），将整体宏平均F1从0.62提升至0.71。

构建多标签动态阈值校准流程，在验证集上基于各类别PR曲线自动搜索最优分类阈值，取代固定0.5阈值，尾部类别召回率平均提升18%，误报率控制在5%以内。

针对部分类别正样本极少（< 10条）的极端不平衡，实现基于标签共现图的数据增强：对每条样本进行同义词替换与随机遮蔽，根据共现关系合成新多标签组合，训练集有效规模扩充1.8倍，小样本类别F1提升约9个百分点。

引入标签依赖关系建模，在BERT输出层之上附加轻量图注意力网络，传播标签共现先验，引导模型学习一致性预测分布，汉明损失从0.031降至0.024，测试集标签排布冲突错误减少35%。