负责电商平台全链路搜索算法的设计、优化与落地，覆盖召回、排序、意图理解及业务效果调优，目标是提升搜索结果相关性、用户点击率及转化GMV。

• 主导搜索召回层多路策略融合优化，针对传统协同过滤在长尾商品召回不足的问题，引入异构图神经网络（HGNN）构建商品-用户-属性关联图，结合用户行为序列的Transformer编码器提取动态兴趣特征，将召回覆盖率从78%提升至89%；通过离线NDCG@10验证模型效果（从0.72提升至0.81），线上A/B测试显示CTR提升4.2%，GMV贡献增长6.8%。
• 核心参与搜索排序模型的迭代升级，基于DeepFM+ESMM2框架，融合用户实时意图特征（搜索词修正频次、页面停留时长分桶）与商品动态属性（库存水位、限时促销强度），解决冷启动商品因特征稀疏导致的排序权重偏低问题；上线后新商品曝光占比从12%提升至21%，对应GMV周均增长17%，模型AUC从0.82提升至0.87。
• 负责搜索意图理解模块的优化，针对用户模糊查询（如“夏季轻薄外套女”）的语义歧义，设计“BERT预训练+领域词典增强的双编码器”结构，结合用户历史搜索上下文的注意力机制（自适应加权最近3次查询），意图识别准确率从83%提升至91%；搜索退出率下降5.8%，用户平均浏览商品数增加2.3个。
• 推动搜索系统全链路效果评估体系建设，搭建包含相关性（人工标注+NDCG@5）、用户体验（跳出率、翻页率）、业务指标（GMV、转化率）的多维度评估框架；实现算法迭代的效果可量化追踪，将需求上线周期从7天缩短至4天，支撑团队月均完成8次快速迭代。

负责垂直服饰品类搜索算法的优化，聚焦召回策略与排序模型迭代，支撑品类GMV增长及用户留存。

• 重点优化服饰品类搜索召回策略，通过分析用户行为日志发现跨类目关联搜索需求（如“连衣裙”与“防晒衫”高频共现），基于Item2Vec与协同过滤融合构建跨类目关联矩阵，召回准确率提升6.5%；该品类搜索转化率从3.8%提升至4.5%，月均GMV增长12%。
• 主导排序模型的特征工程优化，提取用户长期兴趣（6个月行为序列的GRU编码）与短期意图（实时搜索词的词向量相似度）的融合特征，结合商品的季节性因子（如温度带、节日倒计时），模型AUC从0.82提升至0.87；该品类搜索GMV月均增长8.3%，用户复购率提升3.2%。
• 解决长尾查询的冷启动问题，设计基于知识图谱的查询扩展方案，将服饰类目SKU的属性（材质、风格、适用场景）映射到自定义知识图谱实体，通过TransE算法计算查询与SKU的语义关联度；长尾查询（日均搜索量<100次）的CTR提升7.2%，覆盖SKU数增加35%，用户满意度调研评分从4.1分提升至4.5分。
• 参与搜索AB测试平台的搭建，负责算法实验的设计与结果分析，制定基于用户活跃度（DAU/MAU分层）与地域的流量分配策略，将实验置信度从90%提升至95%；支撑团队每月完成15+次算法迭代，需求响应效率提升40%。

参与电商搜索算法的基础能力建设，负责召回模块开发与排序模型初期优化，支撑搜索系统从0到1落地。

• 负责搜索召回模块的初始开发，基于Elasticsearch实现基础关键词匹配召回，结合TF-IDF与BM25算法优化相关性排序；通过人工标注的10万条查询-商品对验证，召回准确率从68%提升至79%，支撑搜索功能在APP端上线，首月用户使用渗透率达62%。
• 参与排序模型的初期训练，使用逻辑回归（LR）结合用户点击、收藏、加购等行为特征，构建首版排序模型；在小流量测试中CTR较规则排序（按销量优先）提升3.1%，为后续深度学习模型迭代积累基础数据与特征工程经验。
• 分析搜索日志发现用户输入错误率高（约12%），设计基于编辑距离与拼音相似度的查询纠错模块，引入自定义混淆词库（如“显瘦”与“显秀”），将纠错成功率从75%提升至88%；搜索退出率下降4.3%，用户平均搜索次数增加1.1次/天。
• 协助搭建搜索效果监控体系，定义核心指标（CTR、转化率、退出率）的实时看板，通过Prometheus+Grafana实现异常波动的自动报警；将问题定位时间从小时级缩短至分钟级，支撑团队快速响应线上问题，系统稳定性提升25%。

短视频用户兴趣演化预测与内容精准推荐系统重构

• 项目背景：公司核心短视频App面临用户兴趣迭代加速的挑战，原有基于协同过滤的推荐系统对用户短期兴趣（7天内新兴内容偏好）捕捉滞后，导致CTR连续3个月下滑8%，用户日均停留时长减少10分钟。我的总体职责是主导推荐算法重构与全链路工程落地，目标是将短期兴趣预测准确率提升30%以上，同时保持长期兴趣的稳定性。
• 关键难题与技术：难点在于平衡短期兴趣的动态性与长期兴趣的持续性——传统时序模型（如GRU）对突发兴趣响应慢，图模型难以捕捉高频行为中的短期模式。我选择以Transformer为基础设计短期兴趣编码器，利用自注意力捕捉行为序列的局部依赖；用GraphSAGE构建用户-内容-标签异构图挖掘长期隐含关联；同时需解决多模态内容（视频帧、标题、背景音乐）的低维融合问题。
• 核心行动与创新：1）针对短期兴趣，将行为序列按1小时窗口切分，用轻量级Transformer编码，捕捉近期兴趣跳跃；2）设计“双路融合模块”——短期兴趣向量与长期图嵌入通过门控机制加权（用户活跃时短期权重占70%），动态调整贡献；3）引入CLIP多模态预训练模型提取视频视觉与文本特征，与行为序列拼接后输入融合模块，提升内容理解准确性。
• 量化成果：系统上线后，CTR提升28%，用户日均停留时长增加15分钟，互动率提升19%；“短期兴趣匹配率”从45%升至68%。我主导算法设计与工程落地，推动团队完成从传统协同过滤到“时序+图+多模态”的系统升级，成为公司推荐系统核心版本。

电商用户复购意图预测与个性化触达策略优化

• 项目背景：公司电商平台复购率连续半年维持25%，原有逻辑回归模型仅依赖用户基础属性与历史购买金额，无法捕捉行为时序模式（如浏览-加购-收藏链路），导致触达策略粗放（统一发满减券），转化效率低。我的职责是构建高精度复购预测模型，联动运营优化触达策略，目标是将预测准确率提升30%、触达转化率提升20%。
• 关键难题与技术：难点在于用户行为的时序性与多维度特征融合——行为序列含大量噪声，直接输入易过拟合；模型需可解释，方便运营理解驱动因素。我选择LSTM+Attention处理时序行为，用Word2Vec将商品标题/类目转化为偏好特征；用SHAP值解释决策，识别关键行为节点（如“加购后3天未购买”用户复购概率高40%）。
• 核心行动与创新：1）整合6个月内行为数据，构建“时序特征+静态特征”框架——时序特征含Attention权重（捕捉商品关注度），静态特征含偏好类目/客单价/购买周期；2）搭建SHAP可视化平台，让运营看到每个用户的复购驱动因素（如“近期浏览3次婴儿奶粉”）；3）与运营合作设计分层触达：高意向用户发个性化券+专属客服，中意向推商品对比，低意向送品牌故事。
• 量化成果：复购预测准确率从62%升至84%，触达转化率从8%升至25%，年GMV贡献增加1200万元；可解释性模块降低运营触达成本18%。我主导模型设计与策略落地，推动数据驱动的精细化运营体系建设，成为公司电商业务重点工具。

• 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。