负责电商平台全链路搜索算法设计，涵盖召回策略迭代、多目标排序模型优化、用户意图理解及线上AB实验落地，边界覆盖特征工程到高并发服务部署，需平衡用户体验与GMV核心指标。

• 主导召回层多模态融合策略升级，针对长尾查询召回不足问题，基于双塔模型（DSSM改进版）强化商品标题与用户查询的语义对齐，同步引入图神经网络（GNN）挖掘商品类目-属性-品牌的关联关系，构建‘语义+图关系’双路召回；通过离线对比实验调整两路权重，线上AB测试显示CTR提升8.2%，长尾查询GMV贡献占比从12%增至17%。
• 重构排序模型特征体系，针对用户行为稀疏性问题，采用Transformer编码器处理用户7天实时行为序列（点击/加购/收藏），融合上下文特征（时段、设备、促销标签）与商品侧深度特征（价格带、库存状态），并通过知识蒸馏将教师模型（DeepFM）能力迁移至轻量学生模型；线上AUC从0.78提升至0.81，转化率提升3.1%，模型推理耗时降低25%。
• 牵头模糊意图识别模块优化，基于BERT-base微调处理‘送男友礼物’‘学生党平价护肤品’等无明确品类指向的查询，结合自研商品知识图谱补全实体标签（如‘礼物’关联‘饰品/数码’），设计意图分类-实体补全-查询扩展三阶段流程；意图准确率从85%提升至92%，无效查询截断率下降12%，相关查询的点击深度提升1.5次。
• 推动搜索系统性能升级，基于Flink实现用户行为特征实时入湖（Hudi），替代原有T+1离线计算；同步优化TensorFlow Serving部署架构，采用动态批处理与模型量化，将排序响应时间从120ms压缩至80ms，支撑大促期间峰值QPS 5万+的稳定运行，系统可用性保持99.99%。

聚焦垂直电商搜索场景，负责召回策略优化、排序模型迭代及搜索效果评估，边界覆盖从特征挖掘到AB实验落地，需解决新商品冷启动与低活用户留存问题。

• 设计新商品冷启动召回方案，针对上架30天内商品曝光不足问题，基于协同过滤（ItemCF）挖掘相似商品池，结合商品内容特征（文本/图像Embedding）构建‘行为+内容’混合召回；通过离线A/B测试确定相似商品相似度阈值，新商品首周曝光量提升40%，点击率从2.1%提升至3.8%，30天留存率提高15%。
• 优化多目标排序模型，针对点击与转化目标冲突问题，采用ESMM+MMOE联合训练框架，引入帕累托最优筛选策略平衡短期收益与长期价值；线上CTR提升4.5%，CVR提升2.7%，高客单价商品转化贡献占比从28%增至35%。
• 搭建搜索实验中台，集成AB测试平台与指标监控系统（Prometheus+Grafana），实现策略配置-流量分发-结果分析全流程自动化；将单组实验周期从7天缩短至4天，支持每周5组以上策略并行验证，团队迭代效率提升30%，关键指标波动预警覆盖率从60%提升至90%。

负责垂直母婴电商搜索基础能力建设，聚焦召回模型开发与排序策略调优，边界覆盖查询理解到结果排序全流程，需解决低频次高价值用户的需求匹配问题。

• 开发基于Word2Vec与TF-IDF的查询-商品匹配模型，针对‘婴儿湿疹膏’‘新生儿奶瓶消毒器’等长尾词匹配不准问题，通过语料清洗（去除停用词）与领域词向量微调提升语义表征能力；搜索结果相关性人工评分从0.65提升至0.78，低频查询点击率提升1.2个百分点。
• 设计实时搜索建议功能，基于Elasticsearch实现查询纠错（编辑距离算法）与前缀联想（Trie树优化），结合用户历史搜索行为调整联想词权重；用户搜索放弃率从22%下降至18%，会话平均时长增加2分钟，带动关联商品曝光量提升15%。
• 参与搜索日志深度分析，通过K-means聚类识别‘宝宝辅食机哪个牌子好’‘孕妇装夏季薄款’等高频低转化查询，联动运营补充商品库中‘有机材质’‘一键清洗’等卖点标签；相关查询的转化率从3.1%提升至4.9%，用户满意度调研评分提高0.4分（满分5分）。

泛娱乐社交App多模态用户兴趣建模与精准匹配算法优化项目

• 项目背景：公司核心泛娱乐社交App「星聊」连续3个季度用户互动率下滑（从18%降至14%），经诊断现有推荐算法仅依赖行为序列（点击、发消息），未利用用户图文动态、语音聊天片段等多模态数据，导致兴趣刻画偏差大、匹配效率低。我的职责是主导全流程算法优化，目标将用户日均有效互动次数提升20%以上。
• 解决的难题：①多模态异质性融合——图文（视觉+文本）、语音（音频）、行为的特征空间不一致，传统拼接易丢失信息；②实时性瓶颈——社交场景需分钟级更新兴趣，原离线链路延迟超5分钟，无法捕捉即时需求。针对前者，采用跨模态Transformer架构，用CLIP编码图文语义、Wav2Vec2.0提取语音表征，通过共享注意力层对齐模态；针对后者，用Flink搭建实时特征管道，结合Redis缓存在线特征，实现每10秒更新用户兴趣向量。
• 核心行动：牵头整合1.2亿注册用户的全生命周期多模态数据，搭建实时+离线特征工程体系；主导模型设计，对比5种跨模态方案后选定「单模态编码器+共享Transformer」轻量化架构，兼顾效果与速度；推动TensorFlow Serving部署，对接App实时推荐接口，设计A/B测试验证效果。
• 项目成果：上线后用户日均有效互动次数从14次提升至17.9次（+27.8%），消息匹配点击率从6.2%升至8.4%（+35.5%），模型推理延迟从320ms降至45ms（-85.9%）；成为公司社交推荐基准模型，支撑「兴趣部落」「语音匹配」等新功能迭代，我因此晋升为算法工程负责人。

长视频平台用户留存预测及个性化干预算法项目

• 项目背景：公司长视频App「星影」7日留存率从28%降至24%，核心问题是无法精准识别高流失用户并有效干预。我的职责是构建留存预测模型，结合行为、内容偏好等特征输出干预策略，目标提升预测准确率30%以上，干预组留存高于对照组15%。
• 解决的难题：①长周期依赖——用户流失由30天内累积行为导致，传统RNN难捕捉长距离关联；②干预有效性——过往「一刀切」推送无法区分流失原因，效果差。针对前者，采用LSTM+Attention模型，通过Attention加权近期行为；针对后者，引入因果推断Uplift Model，用倾向得分匹配区分干预与对照的留存差异。
• 核心行动：整合用户30天观看历史、互动、搜索等数据，构建120维时序+40维静态特征；用SHAP值分析发现「连续3天观看时长降50%」「沉默超7天」是高流失信号；联动运营设计个性化策略——对「观看下降」用户推相似内容，对「沉默」用户推专属福利，通过API同步至运营后台。
• 项目成果：留存预测准确率从62%升至88%（+41.9%），干预组留存较对照组高19.1%；年识别890万高流失用户，挽回120万留存，降低获客成本1800万元；获公司年度「业务赋能奖」，模型至今支撑运营策略迭代。

• 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。