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%。

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。

• 因痛心于年轻人对历史的疏离，我在B站创立「古人脱口秀」栏目，用职场梗解构历史事件（如《雍正皇帝的KPI保卫战》）。通过设计「颠覆认知-史料佐证-现代共鸣」三幕剧本模板，单期视频最高收获1.7万条弹幕互动。
• 两年间栏目播放量突破180万，作品被多地中学选为教学素材。这段经历磨砺出将学术内容转化为大众语言的能力，也让我理解到真实用户反馈才是创作者的指南针。