负责兴趣电商平台用户侧全场景（首页Feed、详情页关联、购物车推荐）推荐系统迭代，平衡用户体验与商业变现目标，通过模型优化、冷启动解决及实时化改造提升点击转化与用户生命周期价值。

• 主导首页Feed流推荐模型从DIN到DIEN+MMOE的升级，针对用户兴趣漂移问题，先用XGBoost分析180天用户行为序列特征重要性，筛选出「30天内浏览未点击」「跨品类收藏」等长周期特征，再用TensorFlow实现动态兴趣提取层；线上A/B测试显示，CTR提升8.2%、转化率提升5.1%，用户日均使用时长增加12分钟。
• 解决新用户冷启动痛点，设计基于PyTorch Geometric的异构图协同过滤方案——整合用户设备ID、地理位置、首次浏览品类等稀疏特征，构建「用户-商品-品类」三节点图结构，用GraphSAGE生成新用户初始 embedding；方案上线后，新用户7日留存率从35%升至47.6%，首单转化率提升9.3%。
• 推动推荐系统实时化改造，用Flink搭建实时特征Pipeline，处理用户每秒10万+的点击、加购行为，将「最近5分钟互动商品」等实时特征更新延迟从小时级压缩至3分钟内；结合LightGBM在线排序模型，首页实时CTR提升6.8%，用户因推荐延迟导致的跳出率下降18%。
• 优化商业变现模块的推荐策略，针对广告与原生内容竞争问题，引入ESMM2模型解决样本选择偏差，同时在MMOE框架中加入「商家广告预算消耗进度」「历史ROI」约束；调整后广告位GMV贡献提升18.7%，广告CTR保持稳定（波动±0.2%），商家广告投放满意度调研得分提高15%。

负责本地生活服务平台（外卖、到店餐饮）推荐系统开发，聚焦用户需求精准匹配与商家曝光公平性，提升订单转化与中小商家存活率。

• 核心参与外卖首页推荐从协同过滤到Wide&Deep的迁移，融合用户历史订单（近6个月消费频次、客单价）、实时位置（3公里内热门商家）、设备属性（iOS用户偏好品质餐厅）特征；模型上线后，外卖订单转化率从4.1%升至4.8%，商家对「曝光合理性」的投诉率下降27%。
• 优化低活用户（月订单≤2单）推荐效果，采用迁移学习将高活用户的「品类偏好」「配送时段习惯」特征迁移至低活用户，结合LightGBM做「夜间活跃→快餐」「工作日午餐→快餐+简餐」的交叉特征；低活用户月均订单量提升15.2%，30日流失率从58%降至49.1%。
• 设计中小商家曝光保障机制，用反事实推理评估推荐结果对「月GMV≤5万」商家的影响，调整MMOE模型中「商家评分」「复购率」的权重（从0.3提升至0.5）；调整后中小商家曝光占比从25%升至38%，商家复投率提升11.5%。
• 搭建推荐效果离线评估体系，整合AUC、NDCG及业务指标（订单量、客单价），用MLflow管理120+组实验参数与结果；将模型迭代周期从两周缩短至7天，实验结论对齐业务目标的准确率提升35%。

协助内容推荐系统基础建设，参与特征工程、模型实验及AB测试，为后续算法迭代提供数据与模型支撑。

• 主导用户兴趣标签体系建设，从MySQL提取1000万+用户行为数据，用Spark进行特征清洗与聚合，基于TF-IDF与LDA模型生成「科技」「娱乐」「体育」等12个一级标签、68个二级标签；标签准确率达89%，支撑后续推荐模型的特征输入。
• 辅助实现基于用户的协同过滤算法，用Surprise库处理500万+用户-内容交互数据，计算用户相似度时引入「共同浏览时长」加权（替代传统Jaccard相似度）；模型离线Precision@10从0.28提升至0.32，作为初期内容推荐的baseline方案上线。
• 参与AB测试设计与结果分析，用Python编写脚本统计「新模型vs旧模型」的CTR、收藏率差异，其中一批次协同过滤模型上线后，内容点击率提升4.5%、人均收藏量增加0.8，验证了特征工程的优化效果。
• 优化特征存储方案，将Spark生成的用户特征从HDFS同步至Redis，响应时间从500ms缩短至50ms；支撑推荐模型实时查询特征的需求，减少了模型在线推理延迟。

短视频实时个性化推荐系统升级项目

• 项目背景：平台原有推荐系统依赖离线Batch处理，实时特征更新延迟超500ms，且对短视频画面、音频、文本的多模态语义理解不足，导致用户30秒跳出率上升11%、DAU增长停滞。核心目标是构建“实时感知+多模态匹配”的推荐系统，支撑用户时长与留存提升。
• 关键难题：1）实时特征计算的低延迟与高并发矛盾，传统架构无法满足秒级更新；2）多模态内容（视觉/听觉/文本）异质特征难以对齐，融合模型效果不佳；3）线上模型推理延迟高，无法承载高峰10万+QPS请求。
• 核心行动：1）主导设计Flink增量实时特征pipeline，引入窗口聚合与缓存机制，将特征更新延迟压缩至100ms内；2）采用CLIP预训练模型实现多模态内容嵌入，构建Transformer多模态融合层，解决画面帧、音频波形与标题文本的语义对齐问题；3）通过模型蒸馏将原BERT推荐模型压缩为DistilBERT变体，保持95%以上精度的同时，单请求推理时间从80ms降至25ms。
• 项目成果：系统上线后，用户平均观看时长从8.2分钟增至9.7分钟（+18.3%），CTR从6.1%提升至7.4%（+21.3%），高峰QPS承载能力从10万提升至25万，支撑DAU从3500万增长至4200万。作为负责人，统筹算法设计与工程落地，推动推荐系统从“离线为主”转向“实时智能”，成为平台核心流量分发引擎。

新用户冷启动精准触达与留存提升项目

• 项目背景：平台新用户7日留存仅38%，痛点在于冷启动画像模糊（仅设备、渠道等基础信息）、触达策略统一化（push/站内信无个性化），导致转化率低（4.2%）。目标是构建新用户精准画像与个性化触达体系，提升留存与获客效率。
• 关键难题：1）新用户特征稀疏，传统监督模型无法有效训练；2）触达通道（push/短信/站内信）选择无个性化，用户打扰感强；3）离线模型与在线策略联动不足，迭代缓慢。
• 核心行动：1）提出“迁移学习+元学习”画像方案：用老用户行为数据预训练通用embedding，结合新用户弱特征通过元学习快速适配，将特征维度从20维扩至150维，画像准确率提升40%；2）设计DQN强化学习触达引擎，将通道、时机、内容作为动作空间，以7日留存为目标函数，在离线仿真中迭代优化策略；3）搭建“离线训练-在线仿真-实时调整”闭环，将策略更新周期从周级缩至天级。
• 项目成果：新用户7日留存率从38%提升至43.7%（+15%），触达转化率从4.2%升至5.5%（+30.9%），单用户获客成本降低12%（从8.5元降至7.5元）。作为核心算法负责人，推动冷启动从“规则驱动”转向“数据智能驱动”，成为平台用户增长的关键抓手。

• 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。