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。

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》。

支教时发现乡村小学因缺乏实验器材，科学课多停留在课本讲解。返校后联合实验室开发出百元级科学实验背包，内含20个基础实验器材。为确保可持续运营，设计配套视频课程与城乡结对系统，并培训132名大学生担任远程助教。项目覆盖9省47所学校后，学生科学兴趣评分提升35%。这段经历教会我用产品思维解决社会问题，当看到孩子们用自制望远镜发现土星光环时，我理解了教育的真谛是点燃可能性。