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

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。

• 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。