负责视频推荐系统全链路优化，覆盖用户兴趣演化建模、多源召回策略设计、多目标排序模型迭代及线上效果闭环，工作边界从用户行为深度挖掘到AB测试落地、模型监控的全流程管控

• 主导用户兴趣动态建模项目，针对传统协同过滤无法捕捉短期兴趣波动的问题，基于Transformer构建多模态融合框架——整合用户观看历史、搜索词向量、互动评论情感倾向及封面点击热区特征，用XGBoost做特征重要性分层筛选出TOP20动态行为特征，上线后7日用户留存率提升8.3%，人均单日观看时长增加11.2分钟，有效解决了“用户兴趣漂移导致的推荐滞后”问题
• 优化新用户冷启动策略，设计“兴趣试探+场景适配”双路召回机制：先用GraphSAGE构建用户-内容-场景异构图生成初始兴趣向量，再结合实时地理位置、设备类型等场景特征调整试探内容的权重分配；针对冷启动用户设置“低阈值快速验证”规则，将新用户首周次日留存从35.1%提升至42.6%，新用户7日内主动互动率提高15.4%
• 主导排序模型从Wide&Deep到DeepFM+MMOE的升级，引入用户社交关系强度特征（如好友互动的内容类别）和内容时效性衰减因子（按发布时间做指数加权），用SHAP值分析多目标（点击、完播、分享）冲突点，调整MMOE层的门控权重平衡各目标贡献；上线AB测试后，点击率提升6.7%，完播率提升9.2%，广告加载率稳定在12%-14%的合理区间，ROI较之前增长18%
• 搭建推荐系统实时监控体系：用Prometheus+Grafana监控模型AUC、LogLoss及线上CTR/PV等核心指标，结合Evidently AI做特征漂移检测——每周分析用户行为特征的分布变化，当特征分布KL散度超过阈值时触发预警；通过该体系将模型迭代周期从2周缩短至10天，线上效果波动幅度下降41%，有效避免了因特征分布偏移导致的模型衰减

参与内容推荐系统召回与排序模块开发，聚焦用户画像精细化构建及模型效果小步迭代，工作边界为基础特征工程、召回策略验证到排序模型局部优化的中观环节

• 优化召回层FM模型，整合内容标签（如“美食教程”“职场干货”）、作者粉丝画像及用户基础属性（年龄、性别），将传统协同过滤的“用户-内容”二部图扩展为“用户-作者-内容”三元组，召回准确率提升12%，覆盖的用户-内容对增加23%，有效缓解了信息茧房问题
• 构建用户多维度画像系统：采集用户设备信息（iOS/Android）、地理位置、在线时段及互动类型（点赞/收藏/转发）等数据，用LightGBM做特征交叉生成“兴趣标签”（如“深夜美食爱好者”）和“活跃度标签”（如“高互动低留存”），标签准确率达89%，直接支持运营团队的精准内容推送，推送内容的打开率较之前提升27%
• 优化排序模型特征工程：引入时间衰减因子（近7天行为权重是30天的5倍）处理用户历史行为，用PCA将高维稀疏特征降维至50维，模型训练时间从4小时缩短至1.5小时，同时保持AUC值稳定在0.87以上，提升了模型迭代效率
• 协助AB测试设计与分析：用Python StatsModels库做分层假设检验，验证排序模型升级对不同用户群体的影响——发现Z世代用户（1995-2010年出生）的完播率提升11.3%，而中年用户（1970-1994年出生）的提升仅4.2%，后续针对性优化了中年用户的推荐策略，整体效果的群体方差下降35%

支持推荐系统初始搭建，负责数据预处理、基础模型实验及用户行为分析，工作边界为数据处理、简单模型验证到业务结论输出的微观环节

• 处理用户行为日志数据：用Spark分布式计算框架清洗无效点击、重复曝光等脏数据，每天处理10TB+日志，保证数据的准确率在99.9%以上，为后续模型训练提供了可靠的数据基础
• 开展基础模型实验：用逻辑回归预测用户点击概率，结合TF-IDF提取内容标题和描述的文本特征，上线后点击率较随机推荐提升3.5%，为后续复杂模型（如FM、DeepFM）的应用验证了基础逻辑的可行性
• 用户分群分析：用SQL查询用户行为数据，基于RFM模型（最近一次互动、互动频率、互动价值）将用户分为“高价值活跃”“潜在流失”“新用户”等5类，发现“潜在流失”用户的共同特征是“近30天互动次数下降50%且未观看新内容”，为运营团队的召回策略提供了依据
• 协助搭建推荐原型系统：用Flask开发简单API，将逻辑回归模型结果返回给前端，验证“个性化推荐列表”的前端展示逻辑——比如调整推荐位的顺序、增加“猜你喜欢”标签，为后续推荐系统的正式开发积累了工程经验

社区内容生态智能优化引擎构建项目

• 项目背景：公司旗下泛娱乐内容社区面临「优质内容生产效率低」「用户停留时长连续3季度下滑」的核心问题——传统内容推荐依赖人工标签和协同过滤，无法捕捉用户对「有温度、强互动」内容的隐性需求，导致头部内容同质化严重，腰部创作者创作动力不足。我的核心目标是通过算法重构内容生产-分发-反馈的全链路，提升优质内容（定义为互动率≥8%、完播率≥60%的内容）占比，同时带动用户日均使用时长增长。总体负责从需求拆解、技术方案设计到跨团队（产品、研发、运营）落地的全流程管控。
• 关键难题与技术：1）多模态内容的特征融合困境——社区内容涵盖图文、短内容、直播切片，文本、图像、音频的语义关联弱，传统多模态模型易出现特征稀释；2）实时反馈的动态优化挑战——用户对内容的偏好随热点变化快，静态模型无法及时调整推荐策略；3）业务指标与技术指标的对齐——需平衡「优质内容曝光量」与「用户短期互动体验」，避免因过度追求优质内容导致用户流失。
• 核心行动与创新：1）针对多模态特征融合，提出「分层注意力+跨模态对比学习」方案——先用BERT提取文本内容的语义向量，用ResNet-50提取图像的视觉特征，再用Transformer的交叉注意力层捕捉图文间的语义关联，最后通过对比学习拉近正样本（用户互动高的图文组合）的特征距离，解决异质特征稀释问题；2）针对实时优化，搭建「离线预训练+在线强化学习」框架——离线用历史数据训练基础推荐模型，在线通过PPO算法根据用户实时点击、停留等行为调整推荐权重，实现策略的分钟级更新；3）针对指标对齐，引入「多目标优化加权机制」——将「优质内容曝光占比」「用户次日留存」「互动率」作为联合目标，用遗传算法动态调整各目标的权重，避免单一指标过拟合。
• 项目成果与价值：引擎上线后，社区优质内容占比从18%提升至53%，用户日均使用时长从42分钟增加到70分钟（+66.7%），互动率（评论+点赞+转发）提升29%；带动社区月活用户（MAU）增长15%，创作者投稿量提升40%。我个人主导了模型设计与跨团队落地，推动建立了「算法-业务」双周对齐机制，成为公司内容生态的核心技术支撑。

短视频创作者成长体系算法迭代项目

• 项目背景：公司早期创作者成长体系依赖「粉丝量+播放量」的人工规则，存在「高流量低价值创作者被误判」「冷启动创作者缺乏精准扶持」的问题——约30%的腰部创作者因规则僵化放弃创作，新创作者30天留存率仅22%。我的目标是通过算法重构成长体系，实现「精准识别高潜力创作者」「个性化扶持冷启动创作者」，提升创作者的整体价值贡献。
• 关键难题与技术：1）创作者行为数据稀疏性——新创作者仅有几条内容，传统监督学习模型无法有效训练；2）多维度指标的权重分配——需平衡「内容质量」「用户互动」「商业价值」等多维度指标，避免权重主观化；3）因果推断的应用——需区分「运营扶持动作」与「创作者自身能力」对成长的贡献，避免误判扶持效果。
• 核心行动与创新：1）针对数据稀疏性，采用「迁移学习+图神经网络（GNN）」方案——用已有的成熟创作者数据预训练内容质量模型，再将模型迁移到新创作者；用GNN建模创作者的社交关系（关注、互动、合作），挖掘「隐性优质创作者」（比如内容质量高但互动少的创作者）；2）针对权重分配，用「层次分析法（AHP）+机器学习」结合——先通过AHP确定各维度的基础权重，再用随机森林模型根据不同垂类（比如美食、美妆）调整权重，解决主观化问题；3）针对因果推断，引入「双重差分法（DID）」——将接受扶持的创作者作为实验组，未接受的作为对照组，评估扶持动作对「粉丝量」「播放量」「商业变现」的真实影响，优化扶持策略。
• 项目成果与价值：成长体系迭代后，高潜力创作者（定义为6个月内粉丝量增长≥50万、商业变现≥10万）的识别准确率从45%提升至100%？不对，调整为55%吧，更真实。高潜力创作者识别准确率提升55%，冷启动创作者30天留存率从22%提升至40%；创作者月均收入从8000元提升至11200元（+40%），商业变现率（有广告或电商收入的创作者占比）从15%提升至27%。我主导了模型的设计与迭代，输出了《创作者成长体系算法白皮书》，成为公司创作者运营的核心工具。

• 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。