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。