负责电商平台全链路搜索算法设计、迭代与落地，覆盖召回、排序、重排核心环节，目标是通过用户意图精准匹配与商品价值排序，提升搜索GMV占比及用户点击率（CTR）。

• 主导召回层多模态融合优化，针对传统协同过滤对长尾商品覆盖不足问题，引入图神经网络（GNN）建模商品-用户-属性三元关系，结合Elasticsearch关键词召回与行为序列Transformer编码，设计动态权重融合策略；通过离线对比实验验证，召回集AUC从0.78提升至0.84，线上CTR增长5.2%，长尾商品曝光占比从12%提升至18%。
• 主导排序层多任务模型升级，基于原Wide&Deep架构迭代为DeepFM+MMOE混合模型，显式建模点击、转化、客单价三目标冲突与协同；同步接入实时特征平台（TDBank）提取用户搜索词嵌入、上下文行为序列等动态特征，通过特征重要性分析筛选Top20关键特征，离线NDCG@10提升12.7%，大促期间搜索GMV占比从35%提升至41%。
• 设计重排层因果推断优化方案，针对位置偏差导致的优质商品下沉问题，采用逆概率加权（IPW）校正曝光样本分布，结合业务规则（库存健康度、商家服务分）构建多约束排序框架；上线后头部位置无效曝光减少23%，高毛利商品转化率提升8.9%，商家侧优质商品曝光满意度调研得分从4.1分（满分5分）提升至4.6分。
• 推动搜索系统性能优化，针对高并发场景下召回延迟高的痛点，引入FAISS向量索引加速商品语义向量检索，结合动态剪枝策略过滤低相关候选；优化后召回响应时间从80ms降至35ms，支撑大促期间峰值QPS从5万提升至12万，系统超时率下降90%。

聚焦垂直母婴电商搜索场景，负责用户意图理解与商品匹配效率优化，核心目标为提升搜索结果相关性及用户停留时长。

• 构建用户意图深度解析模块，基于BERT-base预训练模型，融合搜索词、用户历史购买品类、婴儿年龄等结构化信息，设计意图分类器（覆盖品牌词、功能词、场景词等7类）；通过半监督学习扩充训练数据，意图识别准确率从82%提升至91%，无效搜索请求占比下降15%，首屏结果相关性评分从4.3分提升至4.7分（5分制）。
• 优化排序模型特征体系，将传统LR模型升级为XGBoost+深度排序联合模型，新增商品新鲜度（上架时间衰减因子）、评价情感倾向（BERT细粒度情感分析）、地域适配性（配送时效）等12维特征；离线CTR预测准确率提升15.3%，线上CVR（点击到加购）增长6.8%，用户平均搜索停留时长从2分10秒延长至2分45秒。
• 推动搜索与推荐场景协同，设计跨域特征迁移方案，将推荐侧的“用户长期兴趣标签”与搜索侧的“短期查询意图”融合，通过双塔模型学习用户通用兴趣表征；落地后搜索场景的用户复购率提升9.2%，搜索-推荐联动转化（搜索后访问推荐页下单）占比从7%提升至12%。
• 搭建搜索效果评估体系，除传统NDCG、MAP外，新增业务导向指标（如高价值商品曝光占比、低库存商品保护率）；结合SHAP值分析模型决策逻辑，定位“价格敏感用户”排序偏差问题，针对性调整损失函数权重，模型公平性指标（不同消费层级用户曝光分布均衡度）提升20%。

参与综合电商平台搜索基础能力建设，负责召回策略设计与效果验证，支撑搜索业务从0到1落地。

• 搭建初始搜索召回体系，整合关键词BM25匹配、用户行为协同过滤、热门商品扩展三路召回，通过动态权重规则融合（基于品类特性调整各路占比）；上线后召回覆盖率从65%提升至80%，覆盖SKU数增加3倍，首屏结果空值率从18%降至5%。
• 设计离线-在线联动的算法评估流程，开发自动化评估脚本，集成NDCG、覆盖率、多样性等8项指标；通过历史数据回溯验证，算法迭代有效率（指标正向提升的实验占比）从50%提升至75%，单次实验分析耗时从3天缩短至6小时。
• 参与搜索AB测试平台早期建设，负责实验分组策略设计与流量分层（按用户活跃度、地域划分），支持同时运行5组以上对比实验；平台上线后实验周期从7天压缩至4天，异常实验（如流量倾斜）拦截率提升至95%，支撑团队快速验证策略。
• 优化低质商品过滤机制，基于商品标题、详情页文本的TF-IDF特征与用户负反馈（差评、退货）数据，训练二分类模型识别低相关性商品；在召回阶段前置过滤，无效商品曝光量下降40%，搜索结果页整体好评率提升3个百分点。

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。

• 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。