本项目为机器学习与自然语言处理综合开发项目，依托 30 万 + 生鲜电商直播弹幕交互数据，构建用户购买意愿二分类预测系统，实现从弹幕文本、用户行为、时间维度、情感倾向多维度智能预测用户是否下单，解决电商样本不平衡、数据泄露、模型泛化性弱等实际业务痛点。
系统完整实现数据预处理、特征工程、模型搭建、超参数优化、模型对比、结果可视化与可解释性分析全流程开发。采用 TF-IDF+SVD+LDA 混合降维、KMeans 用户聚类、自适应 SMOTE 样本均衡策略；基于 chinese-roberta-wwm-ext 完成文本情感提取，搭建 Baseline、注意力优化、轻量化三类 TextCNN 深度学习模型，同时对比 XGBoost、随机森林、LightGBM 等传统机器学习模型，通过 Optuna 贝叶斯优化、早停机制、分层交叉验证与最优阈值搜索，大幅提升模型准确率与召回率，借助 SHAP 工具完成特征可解释性可视化。
本人为项目核心开发人员，独立承担全程代码编写工作，负责整体技术方案设计、全量数据清洗与预处理、四维特征工程搭建、传统机器学习与 TextCNN 网络架构编码、模型训练调优、PR 曲线 / ROC 曲线 / 特征重要性等可视化实现，同时处理项目依赖兼容、异常捕获与鲁棒性适配，熟练运用 Python 完成 NLP 文本处理、机器学习建模、深度学习网络搭建及数据分析可视化，具备完整中小型 AI 项目从立项、编码、调优到成果落地的独立开发能力。