负责电商平台全品类搜索系统的全链路算法设计与迭代，覆盖Query理解、召回、排序及效果评估环节，目标是提升搜索结果相关性（NDCG@10）、用户点击率（CTR）及转化效率（CVR），支撑日均3亿+搜索请求的高效响应。

• 主导Query理解模块升级，针对电商场景长尾查询（占比35%）语义模糊问题，基于BERT-base+CRF构建多任务学习模型，融合实体识别（商品类目/品牌/属性）、意图分类（购买/比价/咨询）及纠错任务，将模糊查询的语义表征准确率从82%提升至91%，带动整体搜索CTR增长8.2%；同步落地动态词表更新机制，每周自动捕捉新品类/热词（如“多巴胺穿搭”“智能养老设备”），减少人工干预70%。
• 重构召回层多路策略，针对传统协同过滤召回多样性不足痛点，设计“语义召回+兴趣扩展+跨类目关联”三路融合架构：基于SimCSE优化文本语义向量召回（召回率@20从58%提至65%），引入用户行为序列的GraphSAGE生成兴趣扩展候选（覆盖新商品曝光量增加40%），并通过协同过滤挖掘跨类目高潜关联（如买瑜伽垫用户推荐运动水杯），最终整体召回覆盖率提升12%。
• 设计个性化排序模型，突破传统Pointwise模型对用户上下文感知弱的问题，基于Transformer架构融合用户短期行为（近1小时点击/加购）、长期画像（消费层级/偏好类目）及场景特征（时段/设备/地域），构建DeepFM+Attention的多目标排序框架（同时优化CTR、CVR、停留时长），上线后A/B测试显示整体GMV提升15.6%，高价值用户（年消费>1万）留存率增长7.3%。
• 推动搜索效果评估体系升级，针对传统离线指标（NDCG、MAP）与线上体验脱节问题，搭建“离线仿真+小流量验证+全量监控”三级评估链路：基于用户真实行为日志训练仿真模型（预测准确率89%），提前预判策略风险；设计多维度在线指标看板（含无效点击率、翻页率、退出深度），支撑快速定位问题；该体系使策略迭代周期从7天缩短至4天，线上事故率下降50%。

聚焦在线教育垂类搜索场景，负责课程搜索的算法优化，核心目标为提升垂直领域查询（如“小学奥数竞赛辅导”“Python数据分析实战课”）的相关性与转化，支撑平台课程曝光-点击-购买全链路效率提升。

• 核心参与搜索系统从“关键词匹配”向“语义理解”的转型，针对教育类长文本查询（平均长度28词）匹配不准问题，对比实验BERT、RoBERTa、XLNet等预训练模型，最终选择XLNet微调作为语义编码器（准确率较BM25提升22%），并结合课程标题、简介、标签的多模态特征融合，将垂类查询的相关性评分（人工标注）从3.8分（5分制）提升至4.5分。
• 设计实时反馈排序机制，解决用户搜索行为滞后影响模型效果的问题：基于Flink搭建实时特征工程管道，提取用户近5分钟点击/收藏的课程标签、价格带偏好等动态特征，接入XGBoost排序模型，使新用户首搜转化率提升9.1%，同时通过特征过期策略（TTL=30分钟）控制模型过拟合风险。
• 攻克冷启动难题，针对平台新上线课程（占比18%）曝光不足问题，提出“内容标签+用户画像交叉推荐”方案：基于课程的知识图谱标签（如“初中数学-函数-导数”）与用户历史学习的知识点缺口匹配，生成候选集；结合协同过滤预测用户兴趣分，将新课程在首周的搜索曝光量提升3倍，其中15%的新课程在首月进入品类TOP50。
• 主导搜索日志分析与策略迭代闭环，搭建ELK日志平台（Elasticsearch+Logstash+Kibana），每日处理1000万+搜索事件；通过归因分析发现“高意向用户（搜索词含“报名”“优惠”）转化率仅6%”的问题，针对性优化排序模型对营销词的权重，使该群体转化率提升至11%，年贡献额外GMV超2000万元。

负责公司内部知识管理平台搜索功能的基础算法实现，覆盖文档检索、关键词高亮及热门搜索推荐，目标是提升员工文档查找效率（目标：平均查找时间<30秒），支撑企业知识沉淀与复用。

• 基于Elasticsearch搭建企业级搜索系统，完成索引设计（分词器选择IK Smart+自定义词典）、分片策略（按部门划分5个分片）及查询优化（布尔逻辑+短语匹配），将文档召回率从68%提升至85%，平均查询响应时间从800ms降至200ms，支撑平台10万+文档的高效检索。
• 优化关键词高亮功能，解决传统TF-IDF算法对长文档关键信息提取不准的问题：引入TextRank算法提取文档核心句（保留前20%关键内容），结合BM25计算关键词权重，实现高亮片段的语义连贯性（人工评估满意度从72%提至89%），员工反馈“找重点更快了”。
• 设计热门搜索推荐模块，基于用户搜索日志构建共现网络（挖掘高频词对如“报销流程-发票要求”），结合时间衰减因子（近7天数据权重80%）生成每日Top10推荐词，使新员工首次搜索成功率从55%提升至70%，降低知识客服咨询量15%。
• 推动搜索效果AB测试常态化，设计多变量测试方案（同时验证分词器、排序策略、高亮方式），通过Python脚本自动化执行测试并输出报告；累计完成12组实验，其中“自定义词典+TextRank高亮”组合方案使整体查找效率提升25%，相关经验被纳入公司技术文档库。

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。

• 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。