负责电商平台全链路搜索算法设计与优化，覆盖query理解、召回、排序及重排全流程，联动业务目标（点击率、转化率、GMV）与用户体验提升，支撑大促及日常搜索场景的高并发与精准匹配

• 主导设计基于多模态融合的商品query理解模型，针对用户长尾query（如“夏季通勤薄款连衣裙显瘦”）语义模糊问题，结合BERT-base预训练模型与电商垂域语料（爬取10万+商品标题+用户评价）微调，引入商品属性图谱（涵盖品牌、风格、材质等12类实体）的实体链接技术，将query意图识别准确率从82%提升至91%，直接带动搜索页点击率提升3.8%（A/B测试样本量500万+UV）
• 重构搜索召回层策略，融合传统ItemCF协同过滤与深度学习召回（DIN用户兴趣网络、DIEN行为序列网络），构建“兴趣扩展+场景适配”双路召回架构——兴趣路基于用户历史行为扩展关联商品，场景路结合当前时段（如早8点推早餐食品）、设备（移动端推短描述商品）调整召回权重，解决冷启动用户（注册1周内）召回多样性不足问题，召回集相关度提升27%，新用户首单转化率从11%升至15%
• 优化排序模型性能，基于“Wide&Deep+XGBoost”组合架构，融入用户实时行为特征（如最近30分钟浏览时长、加购商品价格带）与商品实时状态（库存预警、限时促销折扣），通过离线多目标优化（同时最大化点击与GMV）调参，排序模型AUC从0.85提升至0.89，搜索场景GMV贡献占比从28%提升至34%（大促期间单日贡献超2000万GMV）
• 推动搜索系统实时化改造，采用Flink搭建实时特征计算pipeline，将用户最新点击/加购行为反馈至排序模型的延迟从60秒压缩至5秒内，结合TensorFlow Serving在线学习框架实现模型小时级更新，应对双11期间流量峰值（QPS从平时1万升至10万），大促期间搜索转化率较去年同期提升5.2%，未出现因模型延迟导致的流量流失

负责零售平台用户行为分析与推荐/搜索算法辅助设计，聚焦用户意图挖掘、商品匹配效率提升及算法迭代效率优化，支撑搜索与推荐业务的协同发展

• 核心参与推荐系统query-like意图识别模块开发，针对用户搜索词与商品标题跨类目匹配不准确问题（如“苹果”既指水果也指手机），基于LDA主题模型提取搜索词语义主题，结合Word2Vec训练商品标题词向量，构建语义相似度计算框架（阈值调整为0.75），意图匹配准确率提升19%，支撑搜索流量向推荐场景导流的效率提升22%（导流UV转化率从4%升至4.9%）
• 主导优化商品embedding生成策略，结合Node2Vec图嵌入与商品多维度属性（品牌、价格带、用户评分），构建商品知识图谱embedding（覆盖100万+商品节点），用于搜索召回的候选集筛选——替代传统TF-IDF关键词匹配，召回集召回率提升21%，误召率（无关商品占比）下降15%（从12%降至10.2%）
• 搭建搜索效果全链路评估体系，基于混淆矩阵计算Precision/Recall/F1-score，结合NDCG@10评估排序质量，设计“曝光-点击-转化-复购”四阶段归因模型，实现搜索算法迭代的快速验证（原需7天的A/B测试缩短至4天），无效实验占比从35%降至18%，算法优化资源利用率提升45%

负责电商平台数据提取、分析与基础模型搭建，支撑搜索与推荐业务的需求落地，挖掘用户行为模式与商品匹配痛点

• 搭建电商搜索日志分析平台，使用SQL从Hive数仓提取日均10亿级搜索日志，结合Python Pandas/Matplotlib分析用户高频搜索词（如“平价护肤品套装”）与未满足需求（如“敏感肌可用”提及率达30%但商品覆盖不足），输出《搜索词意图分布报告》，为搜索算法优化提供数据支撑，推动搜索结果满意度（用户评分）提升15%（从4.2升至4.8分）
• 核心参与开发搜索词纠错模型，基于编辑距离算法计算搜索词与候选正确词的相似度，结合TF-IDF权重筛选Top3候选词，再通过用户历史搜索行为（如用户曾将“蓝球鞋”纠正为“篮球鞋”）调整权重，纠错准确率达到89%，减少用户手动修改次数60%（从每100次搜索有25次修改降至10次），提升搜索体验流畅度
• 协助搭建商品标签体系，使用K-means聚类算法对商品属性（颜色、尺码、适用人群）进行分组，生成200+精准商品标签（如“职场新人通勤装”“母婴A类纯棉”），支撑搜索召回的精细化筛选——替代传统“一刀切”的关键词匹配，搜索结果相关性提升18%（用户点击后停留时长从45秒升至53秒）

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。

支教时发现乡村小学因缺乏实验器材，科学课多停留在课本讲解。返校后联合实验室开发出百元级科学实验背包，内含20个基础实验器材。为确保可持续运营，设计配套视频课程与城乡结对系统，并培训132名大学生担任远程助教。项目覆盖9省47所学校后，学生科学兴趣评分提升35%。这段经历教会我用产品思维解决社会问题，当看到孩子们用自制望远镜发现土星光环时，我理解了教育的真谛是点燃可能性。