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

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。