陈子轩 · Algorithm Engineer

中文·tech #人工智能 #算法实习生

个人总结

陈子轩，算法实习生（AI方向），约0年；在校期间专注机器学习与深度学习实践，通过多个实战项目积累了模型开发与数据处理经验，期望在AI算法领域快速成长。具备扎实的机器学习与深度学习实战能力，在推荐系统、多模态审核及智能问答等场景中独立完成特征工程、模型优化与部署上线。核心经历：通过引入高阶特征组合与知识蒸馏技术，将推荐模型AUC提升1.2%并压缩参数量40%，同时设计A/B测试推动全量上线，实现CTR相对提升2.1%；在图文审核中搭建CLIP双塔网络并优化动态阈值，高风险内容召回率提升至96%。技术栈：熟练使用Python、PyTorch，擅长特征工程、模型压缩、检索增强及容器化部署，具备从数据清洗到模型交付的全链路实践能力。

工作经历

算法实习生智研科技

2024-09 - 至今

算法实习生|AI研发部

针对线上推荐系统的排序模型，分析用户行为日志识别出低频交叉特征缺失问题，利用Python与TensorFlow重构特征工程模块，引入11项二阶特征组合与3项时间衰减特征，使模型AUC提升1.2%。
主导模型轻量化任务，采用权重量化与知识蒸馏技术将排序模型参数量压缩40%，在线推理延迟从18ms降至11ms，在保持CTR不降的前提下节省30%计算资源。
设计并执行两轮A/B测试（流量切片5%→15%），对比基线模型与优化后模型，实验组CTR相对提升2.1%，95%置信区间内p<0.01，推动全量上线。
协同工程团队将优化后的排序模型部署至生产环境，建立小时级离线评估流水线，监控新模型上线后7天内CTR稳定在正收益区间，最终助力推荐场景整体CTR提升约1.8%。

PythonTensorFlow特征工程A/B测试模型压缩

项目经历

核心成员多模态内容审核系统

2024-03 - 2024-08

核心成员

担任核心成员，负责多模态内容审核系统的数据清洗与模型训练：从线上日志中清洗50万条图文样本，剔除模糊、低质量及错误标注数据，清洗后数据分布更均衡，模型训练收敛速度提升30%。
基于PyTorch搭建CLIP双塔特征提取网络，将图像与文本分别编码为512维向量，拼接后接入全连接分类头；在测试集上图像分类准确率达91.2%，文本分类F1分数达0.87。
设计动态阈值策略优化违规内容召回：将图像与文本的联合概率阈值从固定0.5调整为自适应分位数，使高风险内容召回率从82%提升至96%，误报率控制在3%以内。
实现多模态特征融合的消融实验：对比仅图像、仅文本与联合模型，证明联合模型在图文矛盾样本（如“正常图片+违规文案”）上准确率提升14.3个百分点，最终模型整体准确率达93.5%。

PyTorchCLIP图像分类文本分类数据清洗

算法开发智能问答助手

2023-12 - 2024-02

算法开发

针对企业级领域知识问答场景，利用HuggingFace Transformers对预训练BERT模型进行微调，在自建的5,000+条领域FAQ数据集上使F1分数达到87.3%，相比基线提升12个百分点。
为解决长尾问题，引入检索增强机制（基于Sentence-BERT + FAISS），将召回Top‑5准确率从62%提升至79%，并降低模型“不知道”类回答比例达28%。
为支持快速原型验证，使用Flask搭建轻量级RESTful API，封装模型推理与检索逻辑，单次查询延迟降至220ms以内。
通过Docker容器化部署，将环境依赖与模型权重打包为2.1GB镜像，实现一键启动，并支持横向扩展至3节点负载均衡。

HuggingFace Transformersfine-tuning检索增强FlaskDocker