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。

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。

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。