负责视频Feed流推荐端到端算法设计与优化，覆盖用户多模态兴趣建模、候选集精准召回、排序策略实时迭代及全链路效果评估，联动产品、工程团队落地算法方案，核心目标提升用户观看时长、互动率及平台商业化效率。

• 主导设计**多模态用户兴趣建模框架**，针对传统协同过滤忽略内容语义的痛点，融合用户行为序列（点击/滑动/完播）、视频元数据（标题/标签/封面图的CLIP嵌入）及社交关系（好友观看、点赞的异构图结构），用PyTorch实现BERT+Transformer的多模态融合模型，离线AUC较原有模型提升8.2%，线上CTR周均提升3.1%，用户日均观看时长增加11分钟；
• 优化**候选集召回策略**，解决长尾视频曝光不足问题——基于GraphSAGE构建用户-视频-标签的异质关系图，提取节点 embedding 后用Faiss构建向量索引，结合双塔模型的“用户兴趣向量+视频内容向量”相似度计算，将召回覆盖率从65%提升至78%，同时Top10推荐准确率维持在89%以上，长尾视频（播放量<1万的视频）曝光量增长45%；
• 推动**排序模型实时化迭代**，针对用户短期兴趣变化捕捉滞后的问题，基于Flink搭建实时特征工程 pipeline，整合用户最近15分钟的点击、滑动、分享行为特征，替换原有的天级特征；用XGBoost+DeepFM组合模型替代单一DeepFM，排序响应时间从120ms降至45ms，线上GMV（视频打赏+广告点击）周均提升5.6%；
• 搭建**推荐系统多维度评估体系**，设计覆盖“用户体验（留存/观看时长/互动率）、业务价值（GMV/广告收入）、技术公平性（性别/年龄偏差、类目多样性）”的AB测试框架，引入SHAP值解释模型决策，推动每周完成10+组实验，实验迭代效率提升40%，帮助团队快速定位“社交关系特征过拟合”“长尾视频排序权重过低”等瓶颈问题。

负责内容平台推荐算法迭代，聚焦用户兴趣挖掘、推荐精准度提升及核心场景（首页/详情页）效果优化，联动运营团队支撑热点内容分发，平衡用户体验与内容生态健康。

• 核心参与**用户兴趣标签体系建设**，针对标签模糊问题，用LDA主题模型从视频标题、描述中提取36个二级类目标签，结合用户点击、收藏、分享行为的加权融合（点击权重0.4、收藏0.3、分享0.3），标签准确率从72%提升至85%；支撑推荐系统对“科技数码”“美食教程”等垂类内容的精准定向，垂类内容点击率提升7.8%；
• 解决**新用户冷启动问题**，设计“内容相似+兴趣选择”的混合推荐策略——基于TF-IDF计算新用户注册时选择的兴趣标签与视频内容的相似度，补充矩阵分解模型的结果；新用户7日留存率从32%提升至38.3%，新视频（发布7天内）3日曝光量增长40%；
• 升级**A/B测试自动化能力**，搭建基于Python的实验平台，实现“实验配置-数据埋点-结果统计-报告生成”全流程自动化，替代人工核对数据的方式；实验周期从7天缩短至3天，团队每月可并行实验数量从5组增加到15组，加速“热点内容加权”“评论互动行为特征引入”等策略落地。

负责电商推荐系统基础算法设计与迭代，聚焦用户兴趣建模与商品排序优化，支撑首页“猜你喜欢”场景的个性化推荐，联动工程团队落地特征存储与模型部署能力。

• 主导**用户画像构建**，整合用户基本信息、浏览、购买、加购行为数据，用LightGBM训练“用户兴趣得分”模型，将用户分为“价格敏感型”“品质追求型”“潮流跟随型”等6类；支撑推荐系统对不同用户群体的定向，推荐商品转化率提升2.8%，客单价提升4.5%；
• 优化**排序模型性能**，基于逻辑回归和XGBoost融合用户价值（复购率、客单价）与商品特征（销量、评分、库存），替代原有的单一LR模型；推荐商品点击率提升3.2%，转化率提升1.9%，月均GMV增加80万元；
• 解决**冷启动问题**——针对新用户，采用“流行度推荐+兴趣选择”策略，新用户首单转化率从8%提升至13.1%；针对新商品，引入“内容特征相似度”推荐（商品标题、图片的余弦相似度），新商品曝光量提升35%，7日内销量破零率从42%提升至58%。

内容社区长尾创作者内容精准分发算法优化项目

• 项目背景：平台面临长尾创作者（粉丝量<1万）内容曝光占比仅11%、用户对非热门内容互动率（1.2%）远低于热门内容（5.8%）的问题，核心目标是提升长尾内容的有效分发效率，激活创作者生态活力。我的职责是主导从问题诊断到模型落地的全流程算法优化，对接产品、运营团队定义核心指标。
• 关键难题与技术：1）长尾内容特征稀疏——仅依赖用户显式行为数据无法捕捉其与潜在受众的隐式关联；2）用户兴趣长尾匹配——用户未显式表达对冷门内容的偏好，传统协同过滤难以覆盖；3）多目标平衡——需同时提升长尾曝光、用户互动及创作者留存，避免“流量倾斜导致头部内容挤压”的负向循环。技术上选择异构图神经网络（HGNN）与对比学习结合的方案，解决稀疏性与匹配问题。
• 核心行动与创新：1）构建“内容-用户-创作者”三元异构图，将内容标签、用户行为序列、创作者粉丝画像作为节点特征，边权定义为“互动强度+内容相似度”，通过GNN挖掘隐式关联；2）设计基于Meta-Learning的难样本挖掘策略，将长尾内容作为“元任务”输入，训练模型快速适配少样本场景；3）优化多目标排序损失函数，加入“创作者近30天发布频率”的正则项，避免长尾内容过度占用流量。
• 量化成果与价值：项目上线6个月后，长尾内容曝光率从11%提升至56%，互动率升至2.8%（较基线提升133%）；创作者次月留存率从41%提升至59%，带动平台DAU增长3.2%。个人贡献包括主导模型架构设计与全链路调优，输出《长尾内容分发算法实践》文档，成为团队内容算法的标准方案。

电商平台实时交易智能调价算法系统研发

• 项目背景：大促期间商家因定价策略滞后，常出现“定价过高转化低”或“定价过低侵蚀利润”的问题——约35%的商家商品因定价不合理导致流失率超20%。我的角色是算法模块负责人，需打造实时动态调价系统，帮助商家平衡利润与转化，同时提升平台GMV。
• 关键难题与技术：1）实时性要求——需在100ms内完成数据处理与调价决策，传统离线模型无法满足；2）多约束平衡——需兼顾商家库存、竞品价格、用户实时行为等10+维度约束；3）可解释性——商家需要理解调价逻辑，否则会拒绝使用系统。技术上选择“实时数据 pipeline+Flink+在线学习模型”的组合，解决延迟与适应性痛点。
• 核心行动与创新：1）搭建基于Flink的实时数据处理链路，整合商家库存变更、用户实时浏览/加购行为、竞品实时折扣数据，将数据处理延迟从500ms压缩至80ms；2）设计融合多源特征的LightGBM模型，引入“用户实时加购转化率”“竞品价格差占比”等动态特征，预测用户购买概率；3）开发约束优化层，用线性规划确保调价后的利润率≥商家设置的阈值，同时最大化转化概率。
• 量化成果与价值：系统上线后覆盖平台80%的中小商家，大促期间调价商品转化率提升22%，商家平均利润率稳定在18%-20%（波动<5%）；带动平台GMV增长15%，30%的商家主动续用系统。个人贡献包括主导模型实时化改造与约束机制设计，推动系统与商家后台的对接，输出《实时调价算法白皮书》。

• 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。