负责电商搜索全链路算法设计（query理解-召回-排序-重排），聚焦提升搜索转化率、长尾query覆盖及用户体验，联动商品、用户、行为数据优化算法闭环

• 主导设计基于BERT-vits的多模态query理解模型，融合商品标题实体嵌入、用户历史购买序列的Transformer编码及query意图分类头，用TensorFlow实现动态词向量加权（解决长尾query如“2-3人食低脂速冻饺子”语义稀疏问题），上线后长尾query点击率从3.2%提升至3.8%，对应转化率从1.1%提升至1.23%
• 重构搜索召回层：将传统ItemCF与GraphSAGE结合构建商品异构图（节点含商品、类目、品牌，边权为用户跨节点行为频次），用Faiss IVF-PQ索引加速ANN检索，召回率从41%提升至51%，单query召回耗时从120ms降至90ms
• 设计多目标排序模型：基于ESMM+MMOE框架融合CTR、CVR、停留时长、加购率四大目标，针对服饰品类调整损失函数权重（增大停留时长权重至0.3），排序准确率从0.72提升至0.86%，搜索结果页人均浏览商品数从8.5件增加至9.8件
• 搭建搜索算法实验平台：用MLflow管理从特征工程到模型部署的全生命周期，集成自研A/B测试系统（支持多变量分层抽样），将算法迭代周期从7天缩短至4天，支撑每月12+次快速实验（如节日大促场景的临时权重调整）

负责本地生活搜索场景的POI匹配与排序算法优化，聚焦提升“附近”“品类”等高频query的到店转化率，联动商户、用户、地理位置数据构建场景化模型

• 核心参与POI语义索引构建：用Word2Vec训练商户名称、地址、营业标签的词向量，结合Elasticsearch的BM25算法优化检索相关性（解决“附近奶茶店”返回跨商圈结果的问题），POI匹配准确率从82%提升至90%，对应到店转化率从4.5%提升至4.86%
• 优化实时排序模型：用Flink处理用户实时点击、收藏、分享行为，更新LightGBM模型的动态特征（如实时点击热度衰减因子），排序响应时间从200ms降至80ms，排序后POI的点击率从5.1%提升至6.2%
• 挖掘用户隐性需求：分析搜索session数据（如“下午茶”后关联“网红打卡”），用LDA主题模型提取10个隐性需求主题，将主题概率融入排序特征，该场景下订单量提升18%（如“下午茶+网红”组合的订单增长25%）

负责内容平台用户行为分析与特征挖掘，支撑搜索、推荐场景的基础指标体系搭建，为算法迭代提供数据洞察

• 搭建用户行为漏斗分析模型：用SQL提取搜索结果页的点击、停留、跳出事件，定位“query长度>15字”场景跳出率高达45%的问题，推动优化query分词策略（引入自定义词典覆盖行业术语），跳出率下降12%
• 设计内容相关性评估工具：结合余弦相似度与人工标注，用Python开发自动化评估系统（支持文本、标签、类别多维度计算），替代人工抽检（原每周5人天工作量），评估效率提升50%，一致性从75%提升至90%
• 构建用户兴趣标签体系：用K-means聚类用户行为数据（点击、收藏的内容标签），生成12个一级标签、60个二级标签（如“科技数码-手机评测”），支撑搜索场景的用户画像，搜索结果相关性提升10%（用户搜索“手机推荐”的精准结果占比从65%升至75%）

短视频跨场景用户意图融合推荐系统

• 星影互动作为头部短视频平台，面临用户跨首页推荐、详情页关联、关注页补全三大场景行为割裂问题——用户在首页的探索式点击与详情页的沉浸式消费语义冲突，关注页补全内容无法承接实时兴趣，导致全场景CTR季度环比下滑8%，7日留存率降至35%。我的核心目标是构建跨场景意图融合系统，打通行为链路，主导算法设计与工程落地全流程，提升推荐一致性与业务效果。
• 项目核心难点有三：一是跨场景特征对齐——首页“探索”与详情页“消费”的行为语义差异大，传统特征拼接会导致隐空间混乱；二是实时兴趣捕捉滞后——用户行为秒级变化，离线T+1模型无法响应；三是多目标权衡——需平衡点击、停留、转化，单目标模型易出现“高点击低转化”。针对特征对齐，我采用基于对比学习的多模态Transformer双塔结构，将不同场景行为序列编码为统一意图向量，通过对比损失拉近同意图跨场景样本距离；实时层面，用Flink搭建秒级行为流 pipeline，结合Redis做在线特征缓存，将延迟从小时级压至秒级，并设计“高价值行为加权”策略（完播、分享权重提升40%）；多目标方面，将MMOE与帕累托优化结合，动态调整目标权重（首页侧重点击、详情页侧重转化）。
• 除技术攻坚外，我推动跨部门特征共建，联合数据工程梳理12类跨场景通用特征并建立统一仓库；针对模型漂移问题，设计实时监控系统——当AUC下降超5%时自动触发重训；创新性将“用户场景切换路径”纳入特征，比如首页→详情页的行为序列编码为“转移意图”，进一步提升精准性。
• 项目上线后，全场景CTR提升18%（详情页关联推荐涨25%、关注页补全涨15%），7日留存率回升至39%（增长4pct），日均转化GMV增加250万元（占总增量18%）。我主导从需求到上线的全流程，推动产品上线“跨场景推荐开关”，用户满意度调研得分升12分；沉淀《跨场景推荐系统设计手册》，成为公司后续同类项目标准文档。

直播观众转化预测与实时干预系统

• 云播电商作为垂类直播平台，日均1000万观众中仅3%转化，运营依赖人工经验触达，效率低且成本高。我的目标是构建转化预测与干预系统，精准识别高潜力用户，支持个性化触达，提升转化效率并降本。当时担任高级算法工程师，负责模型设计与落地。
• 核心难点：一是直播实时性——观众行为秒级变化，离线模型无法捕捉转化意图；二是新观众冷启动——20%新用户无历史数据，传统模型无法预测；三是干预有效性——触达易引起反感导致流失。针对实时性，采用时序GNN建模观众与主播、其他观众的互动关系，编码直播间实时互动数据（如主播节奏、观众互动频率）为“实时转化特征”，实现秒级概率更新；冷启动方面，基于迁移学习从相似直播间（同品类、同风格）迁移用户特征；干预策略引入强化学习（DQN），以“转化概率提升”和“流失率降低”为奖励函数，自动优化触达时机与方式。
• 我搭建实时数据 pipeline：Kafka传直播流→Flink实时处理→Redis存在线特征，实现秒级延迟；针对干预A/B测试，设计多维度实验框架（时机、方式、内容三变量），快速定位最优策略；推动模型可解释性优化——通过SHAP值向运营展示“评论‘好用’的观众转化概率升40%”，辅助制定精准话术。
• 项目上线后，转化预测准确率从65%升至87%，精准干预转化率较人工触达升30%；运营成本降40%，直播整体转化率从3%提至4.2%，年新增GMV约1.2亿元。我解决了冷启动与实时性核心问题，推动模型嵌入运营系统，形成《直播转化干预SOP》；分享时序GNN经验，提升团队实时图模型能力。

• 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。