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）

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。

• 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。