负责电商平台全链路搜索算法的设计、优化与落地，覆盖召回、排序、意图理解及业务效果调优，目标是提升搜索结果相关性、用户点击率及转化GMV。

• 主导搜索召回层多路策略融合优化，针对传统协同过滤在长尾商品召回不足的问题，引入异构图神经网络（HGNN）构建商品-用户-属性关联图，结合用户行为序列的Transformer编码器提取动态兴趣特征，将召回覆盖率从78%提升至89%；通过离线NDCG@10验证模型效果（从0.72提升至0.81），线上A/B测试显示CTR提升4.2%，GMV贡献增长6.8%。
• 核心参与搜索排序模型的迭代升级，基于DeepFM+ESMM2框架，融合用户实时意图特征（搜索词修正频次、页面停留时长分桶）与商品动态属性（库存水位、限时促销强度），解决冷启动商品因特征稀疏导致的排序权重偏低问题；上线后新商品曝光占比从12%提升至21%，对应GMV周均增长17%，模型AUC从0.82提升至0.87。
• 负责搜索意图理解模块的优化，针对用户模糊查询（如“夏季轻薄外套女”）的语义歧义，设计“BERT预训练+领域词典增强的双编码器”结构，结合用户历史搜索上下文的注意力机制（自适应加权最近3次查询），意图识别准确率从83%提升至91%；搜索退出率下降5.8%，用户平均浏览商品数增加2.3个。
• 推动搜索系统全链路效果评估体系建设，搭建包含相关性（人工标注+NDCG@5）、用户体验（跳出率、翻页率）、业务指标（GMV、转化率）的多维度评估框架；实现算法迭代的效果可量化追踪，将需求上线周期从7天缩短至4天，支撑团队月均完成8次快速迭代。

负责垂直服饰品类搜索算法的优化，聚焦召回策略与排序模型迭代，支撑品类GMV增长及用户留存。

• 重点优化服饰品类搜索召回策略，通过分析用户行为日志发现跨类目关联搜索需求（如“连衣裙”与“防晒衫”高频共现），基于Item2Vec与协同过滤融合构建跨类目关联矩阵，召回准确率提升6.5%；该品类搜索转化率从3.8%提升至4.5%，月均GMV增长12%。
• 主导排序模型的特征工程优化，提取用户长期兴趣（6个月行为序列的GRU编码）与短期意图（实时搜索词的词向量相似度）的融合特征，结合商品的季节性因子（如温度带、节日倒计时），模型AUC从0.82提升至0.87；该品类搜索GMV月均增长8.3%，用户复购率提升3.2%。
• 解决长尾查询的冷启动问题，设计基于知识图谱的查询扩展方案，将服饰类目SKU的属性（材质、风格、适用场景）映射到自定义知识图谱实体，通过TransE算法计算查询与SKU的语义关联度；长尾查询（日均搜索量<100次）的CTR提升7.2%，覆盖SKU数增加35%，用户满意度调研评分从4.1分提升至4.5分。
• 参与搜索AB测试平台的搭建，负责算法实验的设计与结果分析，制定基于用户活跃度（DAU/MAU分层）与地域的流量分配策略，将实验置信度从90%提升至95%；支撑团队每月完成15+次算法迭代，需求响应效率提升40%。

参与电商搜索算法的基础能力建设，负责召回模块开发与排序模型初期优化，支撑搜索系统从0到1落地。

• 负责搜索召回模块的初始开发，基于Elasticsearch实现基础关键词匹配召回，结合TF-IDF与BM25算法优化相关性排序；通过人工标注的10万条查询-商品对验证，召回准确率从68%提升至79%，支撑搜索功能在APP端上线，首月用户使用渗透率达62%。
• 参与排序模型的初期训练，使用逻辑回归（LR）结合用户点击、收藏、加购等行为特征，构建首版排序模型；在小流量测试中CTR较规则排序（按销量优先）提升3.1%，为后续深度学习模型迭代积累基础数据与特征工程经验。
• 分析搜索日志发现用户输入错误率高（约12%），设计基于编辑距离与拼音相似度的查询纠错模块，引入自定义混淆词库（如“显瘦”与“显秀”），将纠错成功率从75%提升至88%；搜索退出率下降4.3%，用户平均搜索次数增加1.1次/天。
• 协助搭建搜索效果监控体系，定义核心指标（CTR、转化率、退出率）的实时看板，通过Prometheus+Grafana实现异常波动的自动报警；将问题定位时间从小时级缩短至分钟级，支撑团队快速响应线上问题，系统稳定性提升25%。

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。

支教时发现乡村小学因缺乏实验器材，科学课多停留在课本讲解。返校后联合实验室开发出百元级科学实验背包，内含20个基础实验器材。为确保可持续运营，设计配套视频课程与城乡结对系统，并培训132名大学生担任远程助教。项目覆盖9省47所学校后，学生科学兴趣评分提升35%。这段经历教会我用产品思维解决社会问题，当看到孩子们用自制望远镜发现土星光环时，我理解了教育的真谛是点燃可能性。