负责电商平台全链路搜索算法设计、迭代与落地，覆盖召回、排序、重排核心环节，目标是通过用户意图精准匹配与商品价值排序，提升搜索GMV占比及用户点击率（CTR）。

• 主导召回层多模态融合优化，针对传统协同过滤对长尾商品覆盖不足问题，引入图神经网络（GNN）建模商品-用户-属性三元关系，结合Elasticsearch关键词召回与行为序列Transformer编码，设计动态权重融合策略；通过离线对比实验验证，召回集AUC从0.78提升至0.84，线上CTR增长5.2%，长尾商品曝光占比从12%提升至18%。
• 主导排序层多任务模型升级，基于原Wide&Deep架构迭代为DeepFM+MMOE混合模型，显式建模点击、转化、客单价三目标冲突与协同；同步接入实时特征平台（TDBank）提取用户搜索词嵌入、上下文行为序列等动态特征，通过特征重要性分析筛选Top20关键特征，离线NDCG@10提升12.7%，大促期间搜索GMV占比从35%提升至41%。
• 设计重排层因果推断优化方案，针对位置偏差导致的优质商品下沉问题，采用逆概率加权（IPW）校正曝光样本分布，结合业务规则（库存健康度、商家服务分）构建多约束排序框架；上线后头部位置无效曝光减少23%，高毛利商品转化率提升8.9%，商家侧优质商品曝光满意度调研得分从4.1分（满分5分）提升至4.6分。
• 推动搜索系统性能优化，针对高并发场景下召回延迟高的痛点，引入FAISS向量索引加速商品语义向量检索，结合动态剪枝策略过滤低相关候选；优化后召回响应时间从80ms降至35ms，支撑大促期间峰值QPS从5万提升至12万，系统超时率下降90%。

聚焦垂直母婴电商搜索场景，负责用户意图理解与商品匹配效率优化，核心目标为提升搜索结果相关性及用户停留时长。

• 构建用户意图深度解析模块，基于BERT-base预训练模型，融合搜索词、用户历史购买品类、婴儿年龄等结构化信息，设计意图分类器（覆盖品牌词、功能词、场景词等7类）；通过半监督学习扩充训练数据，意图识别准确率从82%提升至91%，无效搜索请求占比下降15%，首屏结果相关性评分从4.3分提升至4.7分（5分制）。
• 优化排序模型特征体系，将传统LR模型升级为XGBoost+深度排序联合模型，新增商品新鲜度（上架时间衰减因子）、评价情感倾向（BERT细粒度情感分析）、地域适配性（配送时效）等12维特征；离线CTR预测准确率提升15.3%，线上CVR（点击到加购）增长6.8%，用户平均搜索停留时长从2分10秒延长至2分45秒。
• 推动搜索与推荐场景协同，设计跨域特征迁移方案，将推荐侧的“用户长期兴趣标签”与搜索侧的“短期查询意图”融合，通过双塔模型学习用户通用兴趣表征；落地后搜索场景的用户复购率提升9.2%，搜索-推荐联动转化（搜索后访问推荐页下单）占比从7%提升至12%。
• 搭建搜索效果评估体系，除传统NDCG、MAP外，新增业务导向指标（如高价值商品曝光占比、低库存商品保护率）；结合SHAP值分析模型决策逻辑，定位“价格敏感用户”排序偏差问题，针对性调整损失函数权重，模型公平性指标（不同消费层级用户曝光分布均衡度）提升20%。

参与综合电商平台搜索基础能力建设，负责召回策略设计与效果验证，支撑搜索业务从0到1落地。

• 搭建初始搜索召回体系，整合关键词BM25匹配、用户行为协同过滤、热门商品扩展三路召回，通过动态权重规则融合（基于品类特性调整各路占比）；上线后召回覆盖率从65%提升至80%，覆盖SKU数增加3倍，首屏结果空值率从18%降至5%。
• 设计离线-在线联动的算法评估流程，开发自动化评估脚本，集成NDCG、覆盖率、多样性等8项指标；通过历史数据回溯验证，算法迭代有效率（指标正向提升的实验占比）从50%提升至75%，单次实验分析耗时从3天缩短至6小时。
• 参与搜索AB测试平台早期建设，负责实验分组策略设计与流量分层（按用户活跃度、地域划分），支持同时运行5组以上对比实验；平台上线后实验周期从7天压缩至4天，异常实验（如流量倾斜）拦截率提升至95%，支撑团队快速验证策略。
• 优化低质商品过滤机制，基于商品标题、详情页文本的TF-IDF特征与用户负反馈（差评、退货）数据，训练二分类模型识别低相关性商品；在召回阶段前置过滤，无效商品曝光量下降40%，搜索结果页整体好评率提升3个百分点。

社交泛娱乐场景下兴趣扩散与冷启动协同优化算法项目

• 项目背景：公司核心社交APP面临「大V内容分发效率衰减」与「新用户/新内容冷启动转化低」的双重问题——头部创作者内容CTR从18%降至12%，新用户7日留存仅21%，新视频首30分钟曝光转化不足5%。核心目标是重构推荐算法体系，实现「存量用户兴趣精准挖掘」与「增量内容/用户高效触达」的协同优化。
• 关键难题：1）传统协同过滤对冷启动用户/内容的表征能力弱，存在严重的selection bias；2）社交场景下用户兴趣随关系链动态漂移，实时捕捉难度大；3）多模态内容（图文、短视、直播切片）的特征融合易导致信息冗余。针对这些问题，我选择以「异构图神经网络（HGNN）+因果干预模型」为核心框架，同时解决冷启动与实时性挑战。
• 核心行动与创新：1）主导构建「用户-内容-社交关系」三元异构图，将用户行为序列转化为动态图节点嵌入（用GAT捕捉关系链传播效应），内容侧用CLIP实现多模态统一表征；2）引入因果推断的DO-calculus，通过反事实推理消除冷启动内容的「曝光偏差」——为未曝光的新内容生成「潜在受欢迎度」分数，与图模型输出的兴趣分数加权融合；3）搭建实时特征 pipeline，用Flink对接用户行为流，每秒更新图的节点嵌入，保证推荐的时效性。此外，创新性提出「兴趣扩散系数」指标，量化用户兴趣向冷启动内容迁移的效果，作为模型迭代的核心依据。
• 项目成果：算法上线后，核心指标显著提升——内容整体CTR回升至16%，新用户7日留存涨至35%（提升67%），新视频首30分钟曝光转化率达11%（提升120%）；大V内容触达率提升41%，但流量占比从62%降至51%，实现了「头部提效+长尾激活」的生态优化。我个人主导了模型设计与全流程落地，输出3篇技术专利（其中1篇已授权），成为公司社交推荐算法的核心框架。

短视频内容生态健康度算法体系搭建项目

• 项目背景：公司短视频业务处于高速增长期（月活从3000万增至8000万），但暴露「内容质量参差不齐」「头部创作者流量垄断」「中腰部创作者流失」等问题——违规内容占比达8%，Top10%创作者占据65%流量，中腰部创作者次月留存不足40%。目标是搭建一套「内容质量评估+创作者成长激励」的算法体系，推动生态从「规模增长」转向「质量与多样性平衡」。
• 关键难题：1）内容质量的多维度量化——需兼顾用户反馈（完播、互动）、长期价值（留存、转发）与合规性（敏感词、不良画面）；2）创作者成长模型的平衡——如何在流量分配中兼顾「创作者贡献」与「生态多样性」；3）线上策略的稳定性——生态类指标变化滞后，AB测试周期长、易受干扰。我选择「层次化多任务学习」解决内容质量评估，「强化学习（RL）+生态指标约束」优化流量分配。
• 核心行动与创新：1）主导开发「内容质量评分模型」，整合12个维度的特征（如完播率、点赞率、评论情感倾向、重复内容检测），用XGBoost与DeepFM融合，将质量分从单维的「互动量」升级为多维的「长期价值分」；2）设计「创作者成长分体系」，包含「内容贡献分」（质量分×曝光）、「粉丝粘性分」（粉丝互动率、留存）、「生态协同分」（与其他创作者的互动频率），作为流量倾斜的核心依据；3）推动优化AB测试框架，增加「生态健康度指标」（如中腰部流量占比、内容多样性指数）的快速评估模块，将测试周期从2周缩短至7天。
• 项目成果：体系上线6个月后，内容违规率从8%降至3.5%，中腰部创作者流量占比从27%升至45%，次月留存提升至62%；生态健康度评分（内部综合指标）从68分涨至94分。该体系成为公司短视频业务的底层生态规则，支撑了后续「创作者扶持计划」的落地，我个人负责模型迭代与策略落地，输出2份生态算法白皮书，被纳入公司技术文档库。

• 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。