负责电商平台用户侧推荐系统全链路优化，覆盖召回、排序、重排策略设计及多场景（首页、详情页、购物车）适配，目标是通过模型迭代与场景协同提升用户点击转化效率与长期价值。

• 主导首页推荐系统从传统协同过滤向深度学习架构升级，基于用户行为序列（含点击、加购、收藏）与商品多模态特征（图文、视频、类目属性），设计融合Transformer的多兴趣召回模型（MIND改进版），通过自注意力机制捕捉长周期兴趣分支；引入商品类目-品牌-价格带的嵌入交叉特征，解决稀疏场景下兴趣漂移问题。离线AUC提升8.2%，线上AB测试显示CTR较原Wide&Deep模型增长12.7%，首屏曝光用户30秒停留时长增加9.5%。
• 针对大促期间高并发（峰值QPS 12万）与实时性要求，优化排序模型在线推理链路：采用TensorRT对DeepFM模型进行量化加速，结合动态批处理技术将单请求延迟从120ms压缩至45ms；同步设计多目标优化框架（ESMM2变种），通过帕累托前沿搜索平衡点击、加购、下单目标权重。大促期间GMV贡献占比提升18%，超业务目标3个百分点。
• 构建冷启动用户推荐策略，基于图神经网络（GraphSAGE）挖掘新用户设备信息、注册来源与种子用户的行为关联，生成初始兴趣向量；联合运营团队上线“新人专属推荐池”，通过动态调整新用户特征权重与限制老客兴趣干扰，冷启动用户7日留存率从41%提升至56%，首单转化率增长22%。
• 推动推荐与搜索算法协同，通过共享用户兴趣标签（如“夏季连衣裙”“抗初老精华”）与商品嵌入空间（使用BERT预训练商品标题语义），解决跨场景兴趣一致性问题。落地后搜索->推荐跳转点击转化率提升15%，用户日均使用时长增加11分钟。

聚焦电商平台垂类场景（美妆、服饰）推荐算法迭代，优化用户兴趣分层建模与商品生命周期适配，支撑高潜用户转化与商家商品曝光效率。

• 核心参与美妆品类推荐策略优化，基于用户历史购买、浏览、收藏的时序行为（最长序列长度2000+），设计双塔结构的兴趣演化模型（DIEN改进版），通过GRU捕捉短期兴趣波动，引入品类偏好强度因子（基于用户历史购买频次与客单价）与季节趋势特征（如“冬季面霜搜索量上升”）。模型上线后美妆类目CTR提升19%，高客单价商品（>500元）转化率增长14%。
• 针对新上架商品（上架30天内）冷启动问题，开发基于内容特征的协同过滤补全方案：提取商品标题、详情页图文的语义嵌入（BERT-base预训练），与用户兴趣向量计算余弦相似度，生成“内容相似推荐池”；配合运营活动资源位，新品7日曝光-点击转化率从3.2%提升至6.8%，商家满意度调研得分提高25%。
• 搭建推荐系统效果监控体系，整合埋点数据（用户行为、曝光、转化）与业务指标（CTR、CVR、GMV、用户停留），设计异常检测规则（如CTR环比下降超5%触发预警）与归因分析流程（通过SHAP值定位特征贡献度）。上线后问题定位耗时从6小时缩短至40分钟，策略迭代效率提升30%。

协助搭建电商平台基础推荐系统，负责用户画像构建与召回策略实验，支撑首页及商品详情页的基础推荐功能落地。

• 负责用户画像特征工程，基于MySQL与Hive处理用户基础属性（年龄、性别）、行为日志（日活、点击路径），构建包含人口统计学、兴趣标签（如“运动装备爱好者”“母婴用品关注者”）、消费能力（月均客单价）的三维画像体系；新增20+细粒度标签（如“敏感肌护肤偏好”“轻奢服饰关注者”），召回准确率提升7%。
• 实验多种召回算法（协同过滤、逻辑回归、FM），通过离线指标（Precision@10、NDCG@20）对比筛选最优方案；落地FM召回模型后，详情页“看了又看”模块CTR较原规则策略（基于商品类目关联）增长11%，为后续深度学习模型迭代奠定数据基础。
• 参与AB测试平台搭建，协助开发测试方案设计与结果分析模块：定义核心指标（CTR、CVR）的显著性检验阈值（p<0.05），搭建可视化看板实时展示策略效果。支撑每周5+组推荐策略实验，实验结论输出效率提升40%，保障策略迭代的科学性与有效性。

社区内容生态智能优化引擎构建项目

• 项目背景：公司旗下泛娱乐内容社区面临「优质内容供给不足」与「用户兴趣匹配效率下降」的双重痛点——月均优质内容（点赞>10万）产出量仅占内容总量的12%，用户30日留存率较行业均值低8个百分点。核心目标是通过算法重构内容生态的「生产-分发-反馈」闭环，提升生态健康度与用户粘性。我作为算法工程负责人，主导从需求拆解、模型设计到工程落地的全链路推进，同时联动产品、运营团队对齐生态指标。
• 关键难题与技术：1）多模态内容的生态关联建模难——需同时捕捉内容本身的质量（文本/图像/视频表征）、作者的成长潜力（历史行为/粉丝画像）、用户的兴趣变化（短期点击/长期留存）三者间的动态关系；2）实时决策性能瓶颈——原有离线模型无法支撑每小时1000万+条新内容的生态评分计算，导致策略延迟。针对前者，采用「Transformer+图神经网络（GNN）」的融合架构：用CLIP模型统一多模态内容表征，再通过异构图网络连接作者、内容、用户节点，学习生态系统的关联特征；针对后者，基于Flink搭建实时特征工程 pipeline，将模型推理延迟从1200ms压缩至150ms以内。
• 核心行动与创新：1）提出「生态价值导向的强化学习（RL）策略」——将「优质内容曝光量」「作者成长速率」「用户停留时长」作为多目标奖励函数，替代原有的单一点击率指标，引导模型优先扶持高潜力创作者与内容；2）设计「冷启动作者加权机制」——针对粉丝<1万的创作者，通过知识图谱补充其跨平台创作经历（如B站/抖音的历史数据），解决新作者因数据不足导致的模型低估问题。
• 项目成果与价值：引擎上线6个月后，社区优质内容产出量提升35%（月均占比达16.2%），用户30日留存率从32%升至41%，生态健康度评分（内部综合指标）从78分提升至91分；同时带动广告收入增长19%（因优质内容提升了用户广告曝光的有效性）。我个人主导的「多模态生态关联模型」被纳入公司算法中台标准组件，支撑了3个垂类社区（二次元/职场/美食）的生态优化。

短视频创作者成长体系算法迭代项目

• 项目背景：公司早期创作者成长体系依赖「粉丝量+播放量」的单一维度，导致大量中腰部创作者因「流量瓶颈」流失——月均流失率达18%，其中粉丝5万-20万的创作者贡献了60%的优质内容。核心目标是构建「能力评估-路径推荐-激励反馈」的精准成长模型，提升创作者留存与内容质量。我负责算法核心模块的设计与迭代，同时对接运营团队验证策略效果。
• 关键难题与技术：1）创作者能力的动态评估——传统静态标签（如「美妆领域」）无法反映创作者的内容迭代能力（如从图文转向vlog的成长）；2）成长路径的个性化匹配——不同领域创作者的需求差异大（如剧情号需要流量扶持，知识号需要版权资源），通用策略效果差。针对前者，采用「LSTM+Attention」模型对创作者3个月的行为序列（发布频率、内容类型变化、互动数据）进行建模，提取「内容进化能力」「用户互动韧性」等动态特征；针对后者，结合知识图谱构建「创作者-领域-资源」三元组，为不同类型创作者推荐定制化成长任务（如给知识号推送「版权合作」任务，给剧情号推送「流量加油包」）。
• 核心行动与创新：1）设计「双维度成长评分」——将「能力成长」（内容质量提升速率）与「生态贡献」（带新作者数量、跨领域互动量）结合，替代原有的单一流量指标；2）引入「反作弊机制」——通过图卷积网络识别「刷量创作者」，避免其占用成长资源，确保策略公平性。
• 项目成果与价值：成长体系迭代后，创作者30日留存率从42%提升至53%，优质创作者（粉丝>10万）增长率提升41%；中腰部创作者的内容平均播放量增长27%，因「成长路径匹配」带来的创作者主动运营行为（如参加官方培训、联动其他作者）增加39%。该项目形成的「动态能力评估模型」被应用于公司创作者服务平台，成为中小创作者扶持的核心工具。

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。