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。

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。