负责公司核心娱乐内容（短剧、综艺、PGC视频）用户兴趣推荐系统全生命周期迭代，覆盖召回、排序、重排全链路，平衡用户留存、观看时长、互动率等业务指标与算法效率，支撑千万级DAU的个性化内容分发

• 针对冷启动用户与垂类内容（如悬疑短剧、知识综艺）的召回瓶颈，主导设计「用户行为序列-内容多模态」异构图召回方案：用GraphSAGE建模用户点击/完播/点赞行为与内容的标题、封面、音频特征关联，通过边权设置（用户行为后30秒完播率作为边重要性）强化有效兴趣传递；基于PyTorch Geometric实现图神经网络，上线后冷启动用户30秒完播率提升22%，垂类内容召回率较传统协同过滤+标签召回提升18%
• 优化排序层模型泛化能力：将原LR模型升级为DeepFM，但面临人工特征工程效率低的痛点，引入H2O.ai AutoML框架自动完成特征交叉与超参数调优，同时整合实时特征（用户近10分钟行为序列通过Redis缓存实时入模）；调整后模型AUC从0.78提升至0.82，用户人均单日观看时长增加11分钟，互动率（点赞/评论）提升8%
• 解决推荐多样性不足问题：主导重排层从「简单规则约束」转向「强化学习驱动」，基于PPO算法设计融合业务目标的奖励函数（观看时长×0.5 + 新创作者内容曝光×0.3 + 内容品类多样性×0.2），用Stable Baselines3实现策略网络；上线后新创作者内容曝光量提升35%，用户次日留存率较之前提升5%，未出现信息茧房导致的留存下滑
• 搭建高效AB测试与落地体系：基于AWS SageMaker构建多变量测试平台，支持按用户活跃度/兴趣标签分层分流，制定「核心指标（观看时长）优先、辅助指标（留存/互动）兜底」的上线标准；每季度推动2-3个算法迭代落地，全年核心业务指标复合增长15%，模型迭代周期从7天缩短至4天

负责社交电商场景个性化推荐系统搭建，覆盖首页Feed、商品详情页关联推荐、购物车推荐三大核心场景，聚焦转化率与GMV提升，支撑百万级DAU的用户-商品匹配

• 从0到1搭建首页Feed推荐系统：设计「召回-排序-重排」全链路方案——召回层用FM模型融合用户画像（年龄/性别/消费层级）、商品类目、行为序列特征；排序层采用Wide&Deep结合用户实时行为（近5分钟浏览商品）与商品属性（价格/销量/好评率）；重排层用贪心算法平衡用户决策路径（如先看高性价比商品再看互补品）；用Spark做离线特征计算、Flink做实时特征处理，上线后首页点击率从3.2%提升至4.0%，转化率从1.8%提升至2.0%，首月GMV贡献超800万元
• 破解长尾商品曝光难题：针对原排序模型偏向头部商品（曝光量TOP20%商品贡献60% GMV）的问题，引入对比学习（SimCLR）增强商品embedding——将相似但未被充分曝光的商品（如同品类低销量但高好评率商品）在 embedding 空间拉近，同时在损失函数中加入曝光惩罚项（避免过度曝光头部）；上线后长尾商品（曝光量<1000次/周）转化率提升18%，整体GMV较之前增长7%
• 跨场景模型迁移与优化：将首页推荐的排序模型迁移至购物车场景，新增购物车商品关联特征（同品类/互补品、加购时长）与用户决策特征（浏览次数、比价次数），并在模型结构中增加注意力层（关注购物车内商品关系）；调整后购物车转化率从4.5%提升至5.2%，连带购买率（一次购买≥2件商品）提升10%
• 算法效率与团队协作优化：用TensorRT对DeepWide模型进行推理加速， latency 从120ms降至40ms，支撑更高并发；引入MLflow管理模型生命周期（特征工程、训练、部署），减少模型部署时间50%；输出《推荐系统跨场景迁移指南》，团队迭代效率提升30%

协助搭建资讯类APP推荐系统，参与召回、排序模块的特征工程与模型优化，跟踪业务指标（点击率、阅读时长、留存）并推动迭代，支撑百万级DAU的内容分发

• 参与召回模块优化：针对原协同过滤模型召回率低（仅35%）的问题，用TF-IDF提取资讯内容关键词，结合用户阅读历史与搜索关键词构建「内容-用户」二分图，用Node2Vec生成节点embedding；优化后召回准确率提升15%，用户日均阅读量从12篇增加至20篇
• 特征工程与模型调优：收集用户设备信息（手机型号/操作系统）、地理位置、网络环境等side information，用XGBoost做特征重要性分析，筛选出12个高价值特征（如iOS用户对财经资讯的偏好权重）加入排序模型；调整后模型AUC从0.75提升至0.78，点击率从2.8%提升至3.1%
• AB测试与指标监控体系搭建：协助制定AB测试分流策略（按用户活跃度分为高/中/低三层），搭建包含点击率、阅读时长、分享率的指标监控体系；每周输出测试报告，推动3个有效迭代上线，用户7日留存率从25%提升至29%
• 模型部署与运维支持：用Docker封装排序模型，部署到Kubernetes集群实现自动扩缩容；优化模型推理服务配置，使响应时间稳定在80ms以内，支撑日均1000万用户的推荐请求，全年无重大线上故障

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。

• 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。