负责本地生活到店业务（餐饮、丽人、休闲娱乐）用户-商家精准推荐系统全生命周期迭代，覆盖需求拆解、模型设计、线上部署及效果优化全流程，联动产品、运营落地推荐策略以驱动业务增长

• 主导设计基于多模态融合的到店商家推荐模型，整合商家图文详情、用户行为序列、地理位置及时段特征，使用Transformer-based多模态编码器融合异质特征，结合GraphSAGE挖掘商家品类关联与用户偏好图谱，解决传统协同过滤忽略商家属性与场景信息的问题，上线首月到店点击转化率提升18%，商家曝光多样性提升25%，季度内商家复购率增长10%
• 针对新用户冷启动痛点，重点优化元学习冷启动策略——构建用户侧初始化embedding生成模块，基于预训练的用户兴趣Transformer快速适配新用户画像，同时设计实时行为反馈的在线学习机制（每15分钟更新用户embedding），将新用户7日留存率提升12%，首单转化率提升9%
• 推动推荐系统实时化改造，引入Flink实现用户行为的秒级特征更新，结合Redis缓存动态特征（如当前时段热门商家、用户近期浏览轨迹），并通过TensorRT加速模型推理服务，将推荐响应时间从150ms压缩至45ms以内，支撑大促期间峰值2.3万QPS流量，线上服务稳定性保持99.99%以上
• 牵头搭建推荐算法效果评估体系，整合离线AUC（从0.81提升至0.85）、NDCG（从0.79提升至0.83）与在线CTR（提升22%）、CVR（提升15%）、用户LTV（季度内增长18%）指标，设计多维度AB测试框架（覆盖新用户/老用户、餐饮/丽人场景切片），推动策略从“点击率导向”转向“长期价值导向”，季度内用户月均消费频次提升15%

负责本地生活平台用户-服务推荐系统迭代，聚焦模型优化、偏差修正及业务联动，支撑服务曝光效率与用户体验提升

• 核心参与构建Wide&Deep推荐模型，融合用户基础属性、历史行为及服务类别特征，针对服务长尾问题引入负采样优化（基于服务流行度逆概率采样），将服务曝光覆盖率提升22%，用户人均点击服务数增加10%，离线NDCG指标较原有LR模型提升25%
• 解决推荐系统“热门偏差”问题——分析发现前10%热门服务占总曝光的60%导致长尾服务被压制，设计基于逆倾向得分（IPS）的加权损失函数，在模型训练中修正曝光偏差，上线后长尾服务（月曝光量<100次的服务）点击占比从8%提升至15%，用户满意度调研中“发现新服务”维度评分从3.8分提升至4.2分（满分5分）
• 支持运营活动推荐联动，为限时折扣、新人专享等活动设计专属推荐通道，结合活动标签（如“满减”“新客立减”）与用户兴趣标签（如“爱尝新”“价格敏感”）的交叉特征，使用逻辑回归模型预测活动点击概率，将活动参与转化率提升28%，活动GMV贡献占比从12%提升至18%
• 优化特征工程流程，梳理用户行为日志中的高维稀疏特征（如服务标签、地理位置），使用Word2Vec对用户浏览的服务序列进行嵌入，结合FM模型进行二阶特征交叉，将模型AUC从0.78提升至0.82，支撑线上模型迭代的基础能力升级

协助推荐算法团队完成数据预处理、特征工程及离线模型训练，参与小范围推荐策略验证

• 负责用户行为数据清洗与特征提取，使用Spark处理日均8TB的用户浏览、点击、下单日志，构建用户历史行为序列特征（如近7天浏览的商家品类）及服务属性特征（如客单价、评分），输出标准化特征库，支撑后续模型训练的数据基础
• 参与搭建基于矩阵分解（SVD）的协同过滤模型，使用Surprise库实现用户-服务评分矩阵分解，生成用户与服务的embedding向量，离线评估中NDCG指标较原有规则推荐（按销量排序）提升15%，支撑了内部测试环境的推荐功能验证
• 协助优化模型在线部署，使用Flask搭建简单推理服务，将离线训练的embedding向量存入Redis，实现实时推荐请求的处理（响应时间<200ms），完成推荐功能从离线到在线的初步落地
• 跟进AB测试流程，设计简单测试方案（对比SVD模型与规则推荐的CTR差异），统计不同用户群体的表现，输出测试报告，其中SVD模型最终上线替换原有策略，推动团队从规则推荐向算法推荐转型

短视频实时个性化推荐系统升级项目

• 项目背景：平台原有推荐系统依赖离线Batch处理，实时特征更新延迟超500ms，且对短视频画面、音频、文本的多模态语义理解不足，导致用户30秒跳出率上升11%、DAU增长停滞。核心目标是构建“实时感知+多模态匹配”的推荐系统，支撑用户时长与留存提升。
• 关键难题：1）实时特征计算的低延迟与高并发矛盾，传统架构无法满足秒级更新；2）多模态内容（视觉/听觉/文本）异质特征难以对齐，融合模型效果不佳；3）线上模型推理延迟高，无法承载高峰10万+QPS请求。
• 核心行动：1）主导设计Flink增量实时特征pipeline，引入窗口聚合与缓存机制，将特征更新延迟压缩至100ms内；2）采用CLIP预训练模型实现多模态内容嵌入，构建Transformer多模态融合层，解决画面帧、音频波形与标题文本的语义对齐问题；3）通过模型蒸馏将原BERT推荐模型压缩为DistilBERT变体，保持95%以上精度的同时，单请求推理时间从80ms降至25ms。
• 项目成果：系统上线后，用户平均观看时长从8.2分钟增至9.7分钟（+18.3%），CTR从6.1%提升至7.4%（+21.3%），高峰QPS承载能力从10万提升至25万，支撑DAU从3500万增长至4200万。作为负责人，统筹算法设计与工程落地，推动推荐系统从“离线为主”转向“实时智能”，成为平台核心流量分发引擎。

新用户冷启动精准触达与留存提升项目

• 项目背景：平台新用户7日留存仅38%，痛点在于冷启动画像模糊（仅设备、渠道等基础信息）、触达策略统一化（push/站内信无个性化），导致转化率低（4.2%）。目标是构建新用户精准画像与个性化触达体系，提升留存与获客效率。
• 关键难题：1）新用户特征稀疏，传统监督模型无法有效训练；2）触达通道（push/短信/站内信）选择无个性化，用户打扰感强；3）离线模型与在线策略联动不足，迭代缓慢。
• 核心行动：1）提出“迁移学习+元学习”画像方案：用老用户行为数据预训练通用embedding，结合新用户弱特征通过元学习快速适配，将特征维度从20维扩至150维，画像准确率提升40%；2）设计DQN强化学习触达引擎，将通道、时机、内容作为动作空间，以7日留存为目标函数，在离线仿真中迭代优化策略；3）搭建“离线训练-在线仿真-实时调整”闭环，将策略更新周期从周级缩至天级。
• 项目成果：新用户7日留存率从38%提升至43.7%（+15%），触达转化率从4.2%升至5.5%（+30.9%），单用户获客成本降低12%（从8.5元降至7.5元）。作为核心算法负责人，推动冷启动从“规则驱动”转向“数据智能驱动”，成为平台用户增长的关键抓手。

• 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。