负责电商平台全场景（首页信息流、商品详情页关联、购物车加购推荐）推荐系统端到端优化，聚焦用户兴趣演化、冷启动适配、商业与体验平衡三大核心问题，协同产品、工程团队落地算法迭代，支撑GMV与用户留存的长期增长

• 针对首页推荐用户兴趣漂移问题，主导设计基于Transformer的多模态兴趣演化模型——融合用户180天行为序列、商品图文视觉特征及实时场景（时段、设备、地理位置）上下文，用PyTorch实现动态自适应注意力机制，解决传统ItemCF无法捕捉短期兴趣波动的痛点；上线后首页CTR提升18%，人均停留时长增加2.1分钟，30日复购率提升7%
• 解决新用户冷启动低效问题，核心参与构建“用户画像预填充-商品标签扩散-场景特征校准”三元匹配框架：用GraphSAGE挖掘用户注册信息的潜在兴趣节点（如性别、地域对应的偏好品类），结合Bandit算法做策略探索，将新用户7日留存率从35%提升至47%，首单转化率提升12%
• 牵头改造推荐系统流批一体架构，用Flink实现用户行为数据的实时特征抽取（如近5分钟点击的商品类目），结合Redis做三级缓存分层（热特征存内存、温特征存SSD、冷特征存DB），将特征延迟从1.2秒压缩至200ms以内，支撑双11峰值QPS 5.2万+的稳定运行，系统可用性达99.98%
• 推动商业变现与用户体验协同，设计基于PPO的多目标强化学习框架——同时优化点击、转化、GMV及用户停留时长，通过离线仿真环境（用Ray构建）预演策略效果，再通过在线灰度测试调优超参数；大促期间GMV提升15%，用户对推荐结果的满意度调研得分从4.1分升至4.5分（满分5分）

负责垂直零售场景（超市标品、生鲜非标品）推荐系统搭建与迭代，聚焦用户需求预测与商品周转效率，联动供应链团队优化库存匹配，提升推荐的商业转化与库存健康度

• 针对生鲜品类易腐、需求波动大的问题，搭建时序推荐模型——用LSTM融合天气数据（如暴雨天用户更爱买速食）、地域消费习惯及用户历史购买周期，预测未来7天生鲜品类需求；上线后生鲜类目转化率提升22%，损耗率从8%降至5.6%，供应链库存周转天数缩短3天
• 优化超市场景关联推荐，主导设计“购物篮分析+深度学习”混合模型：先用FP-Growth挖掘高频商品组合（如牛奶+面包、鸡蛋+面粉），再将组合特征嵌入Wide&Deep模型的宽侧网络，关联推荐点击率提升30%，客单价增加15元，连带购买率提升11%
• 构建推荐系统全链路评估体系——整合离线指标（AUC、NDCG、覆盖率）、在线指标（CTR、转化率、GMV）及长期指标（30日复购、用户生命周期价值LTV），用Python开发自动化评估脚本，将算法迭代的ROI分析时间从3天缩短至1天，迭代方向命中率提升40%
• 协同供应链团队落地“推荐-库存”联动机制：用推荐模型的需求预测结果调整库存分配，将热门商品的区域库存满足率从75%提升至90%，减少跨区调货成本18%

参与内容资讯平台推荐系统辅助开发，负责用户行为数据处理、基础模型调优及冷启动问题解决，积累推荐算法工程化与效果验证的实战经验

• 主导用户行为日志处理流程——用Spark进行数据清洗（去重、补全缺失值）、特征工程（构建用户兴趣标签体系，涵盖内容类型、主题、作者、互动深度），标签准确率达到92%，支撑后续协同过滤与深度学习模型的特征输入
• 调优基础推荐模型：用Surprise库实现SVD++矩阵分解，结合用户人口统计学特征（年龄、职业）优化初始推荐，新用户首屏推荐点击率从12%提升至18%，7日留存率提升5%
• 协助开发AB测试平台：用Python实现测试方案设计（分层抽样、流量分割）、结果统计（假设检验、置信区间计算），将单次测试周期从7天缩短至4天，支撑算法团队每月完成4-5次迭代
• 解决长尾内容曝光问题：用ItemCF算法挖掘低曝光但高互动的内容，结合热度衰减因子调整推荐权重，长尾内容曝光量提升40%，内容创作者的次均收益增加12%

长视频用户留存与个性化推荐算法全链路优化项目

• 项目背景是公司长视频业务连续3个季度面临用户30日留存率下滑至28%、个性化推荐CTR仅6.2%的困境，核心目标是打通“数据-模型-落地”全链路，提升用户留存与推荐精准度，我作为算法工程负责人，主导从底层数据架构到上层模型迭代的全流程优化。
• 关键难题有三：一是用户行为、内容属性、社交关系等多源异构数据分散，传统特征工程无法捕捉用户与内容的深层关联；二是新内容（占比35%）与下沉市场新用户（占比22%）冷启动导致推荐覆盖率低；三是原有批量处理架构无法满足实时推荐的低延迟需求（原延迟500ms，无法支撑高峰期互动场景）。
• 我的核心行动与创新：1）针对数据融合问题，主导搭建基于Apache Airflow的多源数据同步 pipeline，整合用户点击、观看时长、内容标签、社交关注等12类数据，日均处理50亿条数据，并用图神经网络（GNN）构建“用户-内容-标签”知识图谱，将特征表达能力提升40%；2）针对冷启动，设计“预训练内容语义embedding+用户兴趣迁移学习”模型，用BERT提取新内容的语义向量，通过迁移学习映射到老用户兴趣空间，解决新内容首推问题；3）针对实时性，用Flink重构实时特征计算模块，结合Redis缓存热点用户/内容特征，将推荐延迟降至100ms以内，支撑了“边看边推”等实时互动场景。
• 项目成果：用户30日留存率提升至35%（+25%），个性化推荐CTR升至9.1%（+46.8%），新内容曝光转化率从3.5%提升到6.8%（+94%）；实时推荐系统支撑高峰期10万QPS请求，延迟降低80%。业务上推动DAU环比增长18%，会员转化率提升12%，成为公司年度核心增长引擎。我主导输出3篇关于“GNN多模态融合”与“实时推荐架构”的技术专利，搭建了公司实时推荐系统的基础架构，实现了从技术攻关到业务价值的高效转化。

下沉市场用户兴趣建模与推荐策略优化项目

• 项目背景是公司下沉市场用户占比提升至45%，但现有推荐模型基于一二线城市用户数据训练，导致下沉市场用户CTR仅5.1%、留存率25%，核心目标是针对性优化下沉市场用户的兴趣建模，我作为高级算法工程师，负责模型迭代与策略落地。
• 关键难题：下沉市场用户行为更分散（日均点击次数比一二线少30%）、兴趣更偏向生活化内容（如乡村美食、乡土剧情），传统协同过滤模型无法捕捉弱行为下的隐性兴趣；同时，下沉市场用户对“熟人推荐”敏感度高，但现有系统未整合社交关系特征。
• 我的核心行动：1）基于对比学习（Contrastive Learning）优化样本选择，强化下沉市场用户的弱行为信号（如短时间观看、重复浏览），将隐性兴趣捕捉能力提升35%；2）整合社交关系数据（如微信好友观看记录、村域社群话题），设计“社交信任加权推荐”策略，将好友推荐内容的点击率提升50%；3）用LightGBM搭建下沉市场用户分层模型，针对“活跃型”“休眠型”“新用户”设计不同的推荐策略，提升策略精准度。
• 项目成果：下沉市场用户CTR提升至7.7%（+51%），30日留存率升至29%（+16%），社交推荐内容占比从10%提升到25%，带动下沉市场DAU增长22%。我主导的对比学习优化方案被纳入公司基础推荐模型库，成为下沉市场用户的标准建模方法，实现了从细分场景到通用能力的沉淀。

• 大二观察到毕业生离校时大量教材被废弃，而新生购书支出占生活费12%，便发起校园书籍教材循环计划。为解决传统二手书交易效率低的问题，我们开发微信小程序实现扫码估价、预约取件功能，并说服快递中心以成本价承接物流。
• 通过建立翻新消毒标准打消卫生顾虑，项目年流通教材1.2万册，累计为同学节省书费38万元。这段经历让我从商业小白成长为能设计闭环模式的实践者，项目不仅获省级创业金奖，更被纳入学校官方服务体系延续至今。