负责电商平台全链路搜索算法设计与优化，覆盖query理解、召回、排序及重排全流程，联动业务目标（点击率、转化率、GMV）与用户体验提升，支撑大促及日常搜索场景的高并发与精准匹配

• 主导设计基于多模态融合的商品query理解模型，针对用户长尾query（如“夏季通勤薄款连衣裙显瘦”）语义模糊问题，结合BERT-base预训练模型与电商垂域语料（爬取10万+商品标题+用户评价）微调，引入商品属性图谱（涵盖品牌、风格、材质等12类实体）的实体链接技术，将query意图识别准确率从82%提升至91%，直接带动搜索页点击率提升3.8%（A/B测试样本量500万+UV）
• 重构搜索召回层策略，融合传统ItemCF协同过滤与深度学习召回（DIN用户兴趣网络、DIEN行为序列网络），构建“兴趣扩展+场景适配”双路召回架构——兴趣路基于用户历史行为扩展关联商品，场景路结合当前时段（如早8点推早餐食品）、设备（移动端推短描述商品）调整召回权重，解决冷启动用户（注册1周内）召回多样性不足问题，召回集相关度提升27%，新用户首单转化率从11%升至15%
• 优化排序模型性能，基于“Wide&Deep+XGBoost”组合架构，融入用户实时行为特征（如最近30分钟浏览时长、加购商品价格带）与商品实时状态（库存预警、限时促销折扣），通过离线多目标优化（同时最大化点击与GMV）调参，排序模型AUC从0.85提升至0.89，搜索场景GMV贡献占比从28%提升至34%（大促期间单日贡献超2000万GMV）
• 推动搜索系统实时化改造，采用Flink搭建实时特征计算pipeline，将用户最新点击/加购行为反馈至排序模型的延迟从60秒压缩至5秒内，结合TensorFlow Serving在线学习框架实现模型小时级更新，应对双11期间流量峰值（QPS从平时1万升至10万），大促期间搜索转化率较去年同期提升5.2%，未出现因模型延迟导致的流量流失

负责零售平台用户行为分析与推荐/搜索算法辅助设计，聚焦用户意图挖掘、商品匹配效率提升及算法迭代效率优化，支撑搜索与推荐业务的协同发展

• 核心参与推荐系统query-like意图识别模块开发，针对用户搜索词与商品标题跨类目匹配不准确问题（如“苹果”既指水果也指手机），基于LDA主题模型提取搜索词语义主题，结合Word2Vec训练商品标题词向量，构建语义相似度计算框架（阈值调整为0.75），意图匹配准确率提升19%，支撑搜索流量向推荐场景导流的效率提升22%（导流UV转化率从4%升至4.9%）
• 主导优化商品embedding生成策略，结合Node2Vec图嵌入与商品多维度属性（品牌、价格带、用户评分），构建商品知识图谱embedding（覆盖100万+商品节点），用于搜索召回的候选集筛选——替代传统TF-IDF关键词匹配，召回集召回率提升21%，误召率（无关商品占比）下降15%（从12%降至10.2%）
• 搭建搜索效果全链路评估体系，基于混淆矩阵计算Precision/Recall/F1-score，结合NDCG@10评估排序质量，设计“曝光-点击-转化-复购”四阶段归因模型，实现搜索算法迭代的快速验证（原需7天的A/B测试缩短至4天），无效实验占比从35%降至18%，算法优化资源利用率提升45%

负责电商平台数据提取、分析与基础模型搭建，支撑搜索与推荐业务的需求落地，挖掘用户行为模式与商品匹配痛点

• 搭建电商搜索日志分析平台，使用SQL从Hive数仓提取日均10亿级搜索日志，结合Python Pandas/Matplotlib分析用户高频搜索词（如“平价护肤品套装”）与未满足需求（如“敏感肌可用”提及率达30%但商品覆盖不足），输出《搜索词意图分布报告》，为搜索算法优化提供数据支撑，推动搜索结果满意度（用户评分）提升15%（从4.2升至4.8分）
• 核心参与开发搜索词纠错模型，基于编辑距离算法计算搜索词与候选正确词的相似度，结合TF-IDF权重筛选Top3候选词，再通过用户历史搜索行为（如用户曾将“蓝球鞋”纠正为“篮球鞋”）调整权重，纠错准确率达到89%，减少用户手动修改次数60%（从每100次搜索有25次修改降至10次），提升搜索体验流畅度
• 协助搭建商品标签体系，使用K-means聚类算法对商品属性（颜色、尺码、适用人群）进行分组，生成200+精准商品标签（如“职场新人通勤装”“母婴A类纯棉”），支撑搜索召回的精细化筛选——替代传统“一刀切”的关键词匹配，搜索结果相关性提升18%（用户点击后停留时长从45秒升至53秒）

短视频用户兴趣演化预测与内容推荐系统升级项目

• 项目背景：平台用户规模达3亿+，但传统协同过滤+静态Embedding的推荐模型无法捕捉用户兴趣的动态变化，导致30日用户留存率停滞在45%，核心互动率（点赞/评论/转发）月均增速不足5%。我的职责是主导兴趣演化算法设计、迭代及全链路落地，联动工程团队实现实时化部署。
• 关键难题：用户兴趣呈现“短期波动+长期稳定”双重特性，传统时序模型难以融合多模态内容语义（视频画面、文案、标签）与行为序列的深层关联；实时更新需平衡计算效率与特征时效性。
• 核心行动：1. 设计“分层兴趣编码模块”——底层用CNN提取视频视觉特征、BERT处理文案语义，中层通过自适应注意力关联历史行为时序特征，顶层用Temporal Point Process建模兴趣突变事件；2. 引入基于Flink的增量学习框架，将模型更新延迟从小时级压至5分钟内；3. 搭建离线仿真环境模拟10万级用户兴趣路径，验证兴趣覆盖度较传统模型提升40%。
• 项目成果：上线后用户日均停留时长从78分钟增至92分钟（+18%），核心互动率提升12%至8.9%，CTR从11%升至13.75%（+25%）；模型支持实时捕捉兴趣变化（如健身用户10分钟内收到进阶内容的比例提升35%）。项目获公司年度技术创新奖，核心模块纳入推荐中台并推广至海外版。

本地生活商家动态需求预测与资源调度优化项目

• 项目背景：平台覆盖200+城市餐饮/到店商家，订单受天气、竞品活动影响波动剧烈，导致骑手空跑率28%、商家超时履约率15%、用户投诉率月均12%。我的职责是开发需求预测模型，联动调度算法提升履约效率。
• 关键难题：商家需求具强时空异质性（商圈店vs社区店、午高峰vs晚高峰），传统时间序列模型无法捕捉局部特征；外部因素（暴雨、商场促销）的突发影响难量化；调度需平衡骑手等待与履约时效的多目标。
• 核心行动：1. 构建多源特征体系——整合商家历史订单、竞品活动、天气（降雨量/气温）、城市事件（演唱会/展会），用LightGBM筛选TOP20关键特征；2. 设计“时空卷积+LSTM”混合模型，时空层捕捉区域需求聚集效应，LSTM建模时间趋势；3. 采用PPO强化学习优化调度，状态空间包含骑手位置/订单时效/出餐速度，奖励函数兼顾履约率与骑手距离。
• 项目成果：商家hourly订单预测准确率从65%提升至95%（+30%），骑手空跑率降至21.8%（-22%），超时履约率降至8%；用户投诉率月均降至5%（-58%），履约成本降低18%。项目纳入核心供应链系统，支撑当年商家入驻率提升25%。

• 大二观察到毕业生离校时大量教材被废弃，而新生购书支出占生活费12%，便发起校园书籍教材循环计划。为解决传统二手书交易效率低的问题，我们开发微信小程序实现扫码估价、预约取件功能，并说服快递中心以成本价承接物流。
• 通过建立翻新消毒标准打消卫生顾虑，项目年流通教材1.2万册，累计为同学节省书费38万元。这段经历让我从商业小白成长为能设计闭环模式的实践者，项目不仅获省级创业金奖，更被纳入学校官方服务体系延续至今。