负责电商搜索全链路算法设计（query理解-召回-排序-重排），聚焦提升搜索转化率、长尾query覆盖及用户体验，联动商品、用户、行为数据优化算法闭环

• 主导设计基于BERT-vits的多模态query理解模型，融合商品标题实体嵌入、用户历史购买序列的Transformer编码及query意图分类头，用TensorFlow实现动态词向量加权（解决长尾query如“2-3人食低脂速冻饺子”语义稀疏问题），上线后长尾query点击率从3.2%提升至3.8%，对应转化率从1.1%提升至1.23%
• 重构搜索召回层：将传统ItemCF与GraphSAGE结合构建商品异构图（节点含商品、类目、品牌，边权为用户跨节点行为频次），用Faiss IVF-PQ索引加速ANN检索，召回率从41%提升至51%，单query召回耗时从120ms降至90ms
• 设计多目标排序模型：基于ESMM+MMOE框架融合CTR、CVR、停留时长、加购率四大目标，针对服饰品类调整损失函数权重（增大停留时长权重至0.3），排序准确率从0.72提升至0.86%，搜索结果页人均浏览商品数从8.5件增加至9.8件
• 搭建搜索算法实验平台：用MLflow管理从特征工程到模型部署的全生命周期，集成自研A/B测试系统（支持多变量分层抽样），将算法迭代周期从7天缩短至4天，支撑每月12+次快速实验（如节日大促场景的临时权重调整）

负责本地生活搜索场景的POI匹配与排序算法优化，聚焦提升“附近”“品类”等高频query的到店转化率，联动商户、用户、地理位置数据构建场景化模型

• 核心参与POI语义索引构建：用Word2Vec训练商户名称、地址、营业标签的词向量，结合Elasticsearch的BM25算法优化检索相关性（解决“附近奶茶店”返回跨商圈结果的问题），POI匹配准确率从82%提升至90%，对应到店转化率从4.5%提升至4.86%
• 优化实时排序模型：用Flink处理用户实时点击、收藏、分享行为，更新LightGBM模型的动态特征（如实时点击热度衰减因子），排序响应时间从200ms降至80ms，排序后POI的点击率从5.1%提升至6.2%
• 挖掘用户隐性需求：分析搜索session数据（如“下午茶”后关联“网红打卡”），用LDA主题模型提取10个隐性需求主题，将主题概率融入排序特征，该场景下订单量提升18%（如“下午茶+网红”组合的订单增长25%）

负责内容平台用户行为分析与特征挖掘，支撑搜索、推荐场景的基础指标体系搭建，为算法迭代提供数据洞察

• 搭建用户行为漏斗分析模型：用SQL提取搜索结果页的点击、停留、跳出事件，定位“query长度>15字”场景跳出率高达45%的问题，推动优化query分词策略（引入自定义词典覆盖行业术语），跳出率下降12%
• 设计内容相关性评估工具：结合余弦相似度与人工标注，用Python开发自动化评估系统（支持文本、标签、类别多维度计算），替代人工抽检（原每周5人天工作量），评估效率提升50%，一致性从75%提升至90%
• 构建用户兴趣标签体系：用K-means聚类用户行为数据（点击、收藏的内容标签），生成12个一级标签、60个二级标签（如“科技数码-手机评测”），支撑搜索场景的用户画像，搜索结果相关性提升10%（用户搜索“手机推荐”的精准结果占比从65%升至75%）

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。

• 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。