负责电商平台搜索算法全链路设计与优化，聚焦商品排序模型迭代、用户意图理解及搜索体验提升，支撑日均千万级搜索请求的高效响应与商业目标达成。

• 主导基于多模态融合的搜索排序模型升级，针对用户长尾查询与商品短标题的语义鸿沟问题，设计『BERT+商品视觉特征』双塔编码架构，通过对比学习对齐文本-图像语义空间，结合动态门控机制加权融合多模态特征，上线后搜索点击率（CTR）提升9.2%，高价值商品（客单价TOP30%）曝光占比从18%提升至25%。
• 优化实时搜索反馈机制，针对用户行为序列延迟上报导致的模型滞后问题，引入流批一体计算框架Flink+Redis缓存层，构建『实时行为向量+离线预训练向量』的混合表征，将用户兴趣捕捉时效从小时级缩短至分钟级，搜索转化率（CVR）提升6.8%，大促期间峰值QPS承载能力从8万提升至12万无性能衰减。
• 解决低活用户搜索冷启动难题，基于图神经网络（GNN）挖掘用户历史行为中的隐式社交关系链，结合商品侧品类偏好传播算法，为沉默30天以上用户生成个性化初始排序策略，冷启动用户搜索退出率下降14%，人均搜索次数提升22%。
• 搭建搜索算法效果评估体系，设计包含基础相关性（NDCG@10从0.78提升至0.85）、商业价值（GMV贡献占比稳定在35%+）、用户体验（首屏有效结果占比从65%提升至78%）的三维指标池，通过自动化bad case挖掘工具（基于规则+弱监督模型）将问题定位效率提升5倍。

承担电商平台搜索核心模块开发，重点突破查询理解、召回策略及排序模型优化，支撑服饰垂类搜索场景的用户需求精准匹配与商家商品高效分发。

• 重构查询理解系统，针对服饰类目复杂属性（如材质、版型、风格）的长尾查询，设计基于BiLSTM+CRF的实体抽取模型，结合领域知识库（包含2000+服饰属性词林）实现意图细粒度拆解，查询准确率从72%提升至88%，无效查询占比从15%降至5%。
• 优化召回阶段多样性，传统协同过滤导致头部商品扎堆问题，引入基于用户的软聚类算法（DBSCAN+用户行为相似度矩阵），结合商品侧标签覆盖率约束，召回结果Top10多样性指标（熵值）提升35%，用户人均浏览商品数增加1.2个。
• 主导搜索AB测试平台建设，开发流量分层、指标实时监控（延迟<5s）、显著性检验（支持多版本并行对比）功能模块，将策略迭代周期从7天缩短至3天，支撑大促期间每日3-5组实验并行验证，关键指标波动预警准确率达92%。
• 解决季节性商品搜索偏差，针对冬夏装切换期用户需求突变，构建时序感知的排序模型（Temporal GBDT），融合历史销量趋势、天气数据、社交媒体热点词，季节转换期TOP100商品命中率从68%提升至81%，商家季节性新品曝光及时率提高40%。

参与电商平台搜索基础能力建设，聚焦检索引擎优化、相关性模型开发及搜索日志分析，保障搜索系统的稳定性与基础效果。

• 优化Elasticsearch检索性能，针对商品标题中大量同义词、近义词导致的召回不全问题，自定义分词器（集成IK+领域词典）并结合Query Expansion技术，召回率从85%提升至93%，同时通过倒排索引压缩（减少30%存储）保障查询响应时间<200ms。
• 开发基础相关性模型，基于LambdaRank算法融合BM25、查询词频（TF）、商品标题长度等特征，解决早期规则排序导致的优质商品下沉问题，搜索结果前50条相关性人工评估通过率从62%提升至79%。
• 主导搜索日志归因分析，通过SQL+Python构建用户行为漏斗模型，定位到『首屏无感兴趣商品』占退出原因的45%，推动前端增加『猜你想搜』推荐模块，搜索页面停留时长从8秒提升至12秒。
• 支持大促活动搜索专项，针对秒杀、满减等场景设计临时权重调整策略，结合库存、价格力等实时因子动态修正排序，大促期间活动商品曝光量增长2倍，活动订单占比从18%提升至27%。

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。