主导电商搜索系统的算法迭代与性能优化，聚焦商品召回、排序模型及用户意图识别的精准化，支撑搜索结果相关性、转化率及大促期间的系统稳定性

• 主导基于Transformer的商品标题与用户query语义匹配模型优化，针对长尾query（如“2-3岁宝宝防摔学步鞋宽头”）召回率低的问题，引入CLIP预训练模型对齐商品图文特征，结合Faiss构建“文本+图像”混合索引，将长尾query召回率从32%提升至45%，对应搜索转化率提升8%；同时通过模型量化压缩将推理耗时控制在15ms内，满足实时搜索要求
• 搭建搜索排序在线学习框架，采用LambdaRank损失函数融合实时特征（用户点击深度、加购转化率、session停留时长），替代传统离线T+1更新模式，使排序模型AUC从0.81提升至0.87，top3结果相关性评分（人工标注）提高15%；双11期间支撑12万QPS搜索请求，延迟稳定在80ms以内
• 设计搜索意图识别模块，基于BiLSTM+CRF提取query实体（品牌、年龄、功能），结合公司商品知识图谱补全隐含意图（如“婴儿奶粉”自动关联“新生儿适用”），将意图识别准确率从78%提升至89%，推动搜索结果页个性化卡片（“猜你想搜的品牌新款”）点击率提升12%
• 优化大促期间特征工程pipeline，用Spark Structured Streaming替换原有Flink任务，将实时特征计算延迟从200ms降至50ms；通过知识蒸馏将BERT-base排序模型压缩至DistilBERT，推理耗时下降40%，同时保留92%的原始模型效果

负责零售搜索系统的召回策略与排序模型迭代，聚焦母婴、家居品类的搜索精准度提升，解决信息茧房及品类内搜索偏差问题

• 核心参与母婴品类搜索召回优化，构建“倒排索引+协同过滤+Graph Embedding”层次化召回体系——底层用Elasticsearch覆盖关键词，中层用ItemCF挖掘用户行为相似商品，顶层用Node2Vec建模商品关联关系（如“婴儿车”关联“安全座椅”），将母婴品类搜索准确率从65%提升至76%，用户复购率提升6%
• 优化排序模型特征体系，引入用户长期偏好（过去6个月购买品类分布）与短期上下文（当前session浏览路径）特征，用XGBoost+DeepFM组合模型融合特征，使排序模型NDCG@10从0.72提升至0.81，母婴品类搜索转化率提升10%
• 针对“信息茧房”问题设计多样性控制策略，基于信息熵计算结果集品类覆盖度，结合用户历史多样性偏好调整排序权重，使搜索结果多样性评分（Gini系数）从0.45降至0.32，用户停留时长增加18%
• 搭建搜索算法效果评估体系，整合离线指标（召回率、准确率、NDCG）与在线指标（CTR、转化率、停留时长），用MLflow跟踪模型迭代全流程，将算法试错成本降低30%，上线周期缩短20%

协助搭建电商搜索基础算法框架，优化基础召回与排序模型，解决早期搜索结果相关性低、分词错误等问题

• 协助设计电商搜索初始召回策略，基于Elasticsearch构建倒排索引，自定义IK Analyzer电商词典（扩充“雪纺连衣裙”“婴儿爬爬服”等专有词汇），将商品标题关键词匹配准确率从58%提升至69%，减少无关商品展示率40%
• 参与首个排序模型开发，用Logistic Regression融合用户点击、收藏、加购等行为特征，将搜索结果CTR从2.1%提升至3.5%，支撑公司电商业务早期用户增长
• 优化搜索日志分析系统，用Hive构建日志数据仓库，定期输出《搜索未命中词分析报告》（如“孕妇专用护肤品”未覆盖），为后续词典扩充提供数据支撑，使每周优化方向命中率提升40%
• 解决分词错误问题，收集10万条电商query人工标注分词结果，训练自定义分词模型替换通用分词器，将query分词准确率从75%提升至88%，降低因分词错误导致的搜索偏差

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。