负责公司内容分发场景下用户兴趣建模与推荐策略全流程迭代，边界覆盖从用户行为挖掘、多模态特征融合到模型上线及效果追踪，联动产品、运营优化用户内容消费体验与长期留存

• 主导设计「多模态用户兴趣演化模型」，融合BERT文本表征与GraphSAGE图结构特征，整合用户点击、停留时长、分享等12类行为数据及内容标题/标签/作者属性，解决冷启动用户兴趣捕捉模糊问题——离线验证AUC提升8%，线上CTR较原模型增长5.2%，覆盖的新用户30日留存率提高7.1%
• 重点优化实时推荐链路性能，基于Flink实现用户行为事件（如滑动、点赞）的秒级入模，结合Redis缓存动态更新的兴趣向量，将推荐系统响应时间从210ms压缩至78ms；同步通过异步计算框架优化特征加载逻辑，AB测试显示人均观看时长从45分钟增至57分钟，互动率提升9.3%
• 针对垂类内容（科技、美妆）曝光占比不足15%的问题，设计「分层抽样+多任务学习」策略：底层用协同过滤挖掘垂类兴趣用户，上层通过MMOE模型分离垂类偏好与通用兴趣目标，将垂类内容推荐占比提升至28%，垂类用户的次日留存率较之前提高7.8%，垂类内容互动率增长12.4%
• 推动推荐模型迭代效率升级，搭建基于MLflow的模型生命周期管理系统，实现特征工程（Spark预处理）、模型训练（PyTorch）、AB实验的全链路追踪与复用，模型从实验到上线的周期从7天缩短至2.5天，季度内完成6次核心模型迭代，整体GMV（内容付费转化）提升11%

负责电商场景下商品推荐与用户购买意图预测，边界覆盖首页、详情页、购物车等核心转化场景，联动运营团队优化商品曝光效率与订单转化率

• 核心参与「首页猜你喜欢」模型重构，采用DeepFM+MMOE融合架构，整合用户基础属性、购物车加购行为、商品浏览序列（Transformer编码）及店铺偏好特征，解决多目标（点击、加购、转化）冲突问题——离线LogLoss下降10.3%，线上GMV较原模型增长7.5%，转化率提升4.1%
• 针对大促期间推荐系统稳定性挑战，设计基于XGBoost的流量预估模型，提前7天预测各品类/价格带的流量分布，动态调整推荐池的商品占比；大促期间推荐位点击率波动控制在4.8%以内（行业平均约10%），订单转化率较去年同期提升4.6%，未出现因模型衰减导致的流量倾斜问题
• 解决新用户转化低痛点，构建「注册信息+相似用户行为」的冷启动推荐策略：用K-means聚类划分新用户画像，结合ItemCF挖掘相似用户的偏好商品，再通过逻辑回归加权融合两类特征；新用户7日留存率较之前提高9.2%，首单转化率提升6.3%，带动新用户LTV增长15%
• 推动特征工程能力升级，基于Hive+ClickHouse搭建实时特征平台，将用户最近1小时的浏览/加购行为特征同步至推荐模型，实时特征的覆盖率从35%提升至82%，模型对用户短期兴趣的捕捉能力增强，转化率较旧特征体系提升3.4%

负责本地餐饮/到店服务的推荐系统开发，边界覆盖用户位置、偏好与商家属性的匹配逻辑，联动运营优化到店转化与商家曝光公平性

• 主导设计「位置感知混合推荐模型」，融合User-CF协同过滤与商家POI特征（评分、品类、距离、营业时长），用加权线性组合策略平衡个性化推荐与地理位置相关性——线上到店订单量较原模型增长10.5%，用户到店后满意度调查得分从4.2分升至4.5分（满分5分），商家对曝光公平性的投诉率下降60%
• 解决新入驻商家冷启动问题，设计「品类热度+相似商家」的推荐策略：先基于品类历史订单量分配初始曝光权重，再用协同过滤挖掘同品类高表现商家的用户群体，定向推送新商家；新商家首月曝光量较之前提升15.3%，订单量增长8.1%，新商家30日存活率提高12%
• 搭建推荐系统监控体系，用Prometheus采集模型性能指标（AUC、CTR、转化率），Grafana可视化展示商家曝光分布、系统延迟等运营指标，设置阈值预警模型衰减（如AUC下降超过3%触发重新训练）——将模型迭代频率从每月1次提升至每两周1次，系统故障响应时间从2小时缩短至15分钟
• 参与跨部门「猜你喜欢商家」活动页设计，与运营团队合作测试3种推荐策略：纯个性化、位置优先、品类偏好；通过A/B测试验证，最终选中的「个性化+位置」混合策略使活动页转化率比常规运营页高18.2%，带动活动期间到店订单增长22%

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。