负责电商平台全链路搜索算法设计、迭代与落地，覆盖召回、排序、重排核心环节，目标是通过用户意图精准匹配与商品价值排序，提升搜索GMV占比及用户点击率（CTR）。

• 主导召回层多模态融合优化，针对传统协同过滤对长尾商品覆盖不足问题，引入图神经网络（GNN）建模商品-用户-属性三元关系，结合Elasticsearch关键词召回与行为序列Transformer编码，设计动态权重融合策略；通过离线对比实验验证，召回集AUC从0.78提升至0.84，线上CTR增长5.2%，长尾商品曝光占比从12%提升至18%。
• 主导排序层多任务模型升级，基于原Wide&Deep架构迭代为DeepFM+MMOE混合模型，显式建模点击、转化、客单价三目标冲突与协同；同步接入实时特征平台（TDBank）提取用户搜索词嵌入、上下文行为序列等动态特征，通过特征重要性分析筛选Top20关键特征，离线NDCG@10提升12.7%，大促期间搜索GMV占比从35%提升至41%。
• 设计重排层因果推断优化方案，针对位置偏差导致的优质商品下沉问题，采用逆概率加权（IPW）校正曝光样本分布，结合业务规则（库存健康度、商家服务分）构建多约束排序框架；上线后头部位置无效曝光减少23%，高毛利商品转化率提升8.9%，商家侧优质商品曝光满意度调研得分从4.1分（满分5分）提升至4.6分。
• 推动搜索系统性能优化，针对高并发场景下召回延迟高的痛点，引入FAISS向量索引加速商品语义向量检索，结合动态剪枝策略过滤低相关候选；优化后召回响应时间从80ms降至35ms，支撑大促期间峰值QPS从5万提升至12万，系统超时率下降90%。

聚焦垂直母婴电商搜索场景，负责用户意图理解与商品匹配效率优化，核心目标为提升搜索结果相关性及用户停留时长。

• 构建用户意图深度解析模块，基于BERT-base预训练模型，融合搜索词、用户历史购买品类、婴儿年龄等结构化信息，设计意图分类器（覆盖品牌词、功能词、场景词等7类）；通过半监督学习扩充训练数据，意图识别准确率从82%提升至91%，无效搜索请求占比下降15%，首屏结果相关性评分从4.3分提升至4.7分（5分制）。
• 优化排序模型特征体系，将传统LR模型升级为XGBoost+深度排序联合模型，新增商品新鲜度（上架时间衰减因子）、评价情感倾向（BERT细粒度情感分析）、地域适配性（配送时效）等12维特征；离线CTR预测准确率提升15.3%，线上CVR（点击到加购）增长6.8%，用户平均搜索停留时长从2分10秒延长至2分45秒。
• 推动搜索与推荐场景协同，设计跨域特征迁移方案，将推荐侧的“用户长期兴趣标签”与搜索侧的“短期查询意图”融合，通过双塔模型学习用户通用兴趣表征；落地后搜索场景的用户复购率提升9.2%，搜索-推荐联动转化（搜索后访问推荐页下单）占比从7%提升至12%。
• 搭建搜索效果评估体系，除传统NDCG、MAP外，新增业务导向指标（如高价值商品曝光占比、低库存商品保护率）；结合SHAP值分析模型决策逻辑，定位“价格敏感用户”排序偏差问题，针对性调整损失函数权重，模型公平性指标（不同消费层级用户曝光分布均衡度）提升20%。

参与综合电商平台搜索基础能力建设，负责召回策略设计与效果验证，支撑搜索业务从0到1落地。

• 搭建初始搜索召回体系，整合关键词BM25匹配、用户行为协同过滤、热门商品扩展三路召回，通过动态权重规则融合（基于品类特性调整各路占比）；上线后召回覆盖率从65%提升至80%，覆盖SKU数增加3倍，首屏结果空值率从18%降至5%。
• 设计离线-在线联动的算法评估流程，开发自动化评估脚本，集成NDCG、覆盖率、多样性等8项指标；通过历史数据回溯验证，算法迭代有效率（指标正向提升的实验占比）从50%提升至75%，单次实验分析耗时从3天缩短至6小时。
• 参与搜索AB测试平台早期建设，负责实验分组策略设计与流量分层（按用户活跃度、地域划分），支持同时运行5组以上对比实验；平台上线后实验周期从7天压缩至4天，异常实验（如流量倾斜）拦截率提升至95%，支撑团队快速验证策略。
• 优化低质商品过滤机制，基于商品标题、详情页文本的TF-IDF特征与用户负反馈（差评、退货）数据，训练二分类模型识别低相关性商品；在召回阶段前置过滤，无效商品曝光量下降40%，搜索结果页整体好评率提升3个百分点。

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%。

• 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。