主导电商搜索系统的算法迭代与性能优化，聚焦商品召回、排序模型及用户意图识别的精准化，支撑搜索结果相关性、转化率及大促期间的系统稳定性

• 主导基于Transformer的商品标题与用户query语义匹配模型优化，针对长尾query（如“2-3岁宝宝防摔学步鞋宽头”）召回率低的问题，引入CLIP预训练模型对齐商品图文特征，结合Faiss构建“文本+图像”混合索引，将长尾query召回率从32%提升至45%，对应搜索转化率提升8%；同时通过模型量化压缩将推理耗时控制在15ms内，满足实时搜索要求
• 搭建搜索排序在线学习框架，采用LambdaRank损失函数融合实时特征（用户点击深度、加购转化率、session停留时长），替代传统离线T+1更新模式，使排序模型AUC从0.81提升至0.87，top3结果相关性评分（人工标注）提高15%；双11期间支撑12万QPS搜索请求，延迟稳定在80ms以内
• 设计搜索意图识别模块，基于BiLSTM+CRF提取query实体（品牌、年龄、功能），结合公司商品知识图谱补全隐含意图（如“婴儿奶粉”自动关联“新生儿适用”），将意图识别准确率从78%提升至89%，推动搜索结果页个性化卡片（“猜你想搜的品牌新款”）点击率提升12%
• 优化大促期间特征工程pipeline，用Spark Structured Streaming替换原有Flink任务，将实时特征计算延迟从200ms降至50ms；通过知识蒸馏将BERT-base排序模型压缩至DistilBERT，推理耗时下降40%，同时保留92%的原始模型效果

负责零售搜索系统的召回策略与排序模型迭代，聚焦母婴、家居品类的搜索精准度提升，解决信息茧房及品类内搜索偏差问题

• 核心参与母婴品类搜索召回优化，构建“倒排索引+协同过滤+Graph Embedding”层次化召回体系——底层用Elasticsearch覆盖关键词，中层用ItemCF挖掘用户行为相似商品，顶层用Node2Vec建模商品关联关系（如“婴儿车”关联“安全座椅”），将母婴品类搜索准确率从65%提升至76%，用户复购率提升6%
• 优化排序模型特征体系，引入用户长期偏好（过去6个月购买品类分布）与短期上下文（当前session浏览路径）特征，用XGBoost+DeepFM组合模型融合特征，使排序模型NDCG@10从0.72提升至0.81，母婴品类搜索转化率提升10%
• 针对“信息茧房”问题设计多样性控制策略，基于信息熵计算结果集品类覆盖度，结合用户历史多样性偏好调整排序权重，使搜索结果多样性评分（Gini系数）从0.45降至0.32，用户停留时长增加18%
• 搭建搜索算法效果评估体系，整合离线指标（召回率、准确率、NDCG）与在线指标（CTR、转化率、停留时长），用MLflow跟踪模型迭代全流程，将算法试错成本降低30%，上线周期缩短20%

协助搭建电商搜索基础算法框架，优化基础召回与排序模型，解决早期搜索结果相关性低、分词错误等问题

• 协助设计电商搜索初始召回策略，基于Elasticsearch构建倒排索引，自定义IK Analyzer电商词典（扩充“雪纺连衣裙”“婴儿爬爬服”等专有词汇），将商品标题关键词匹配准确率从58%提升至69%，减少无关商品展示率40%
• 参与首个排序模型开发，用Logistic Regression融合用户点击、收藏、加购等行为特征，将搜索结果CTR从2.1%提升至3.5%，支撑公司电商业务早期用户增长
• 优化搜索日志分析系统，用Hive构建日志数据仓库，定期输出《搜索未命中词分析报告》（如“孕妇专用护肤品”未覆盖），为后续词典扩充提供数据支撑，使每周优化方向命中率提升40%
• 解决分词错误问题，收集10万条电商query人工标注分词结果，训练自定义分词模型替换通用分词器，将query分词准确率从75%提升至88%，降低因分词错误导致的搜索偏差

短视频用户兴趣演化预测与内容推荐系统升级项目

• 项目背景：平台用户规模达3亿+，但传统协同过滤+静态Embedding的推荐模型无法捕捉用户兴趣的动态变化，导致30日用户留存率停滞在45%，核心互动率（点赞/评论/转发）月均增速不足5%。我的职责是主导兴趣演化算法设计、迭代及全链路落地，联动工程团队实现实时化部署。
• 关键难题：用户兴趣呈现“短期波动+长期稳定”双重特性，传统时序模型难以融合多模态内容语义（视频画面、文案、标签）与行为序列的深层关联；实时更新需平衡计算效率与特征时效性。
• 核心行动：1. 设计“分层兴趣编码模块”——底层用CNN提取视频视觉特征、BERT处理文案语义，中层通过自适应注意力关联历史行为时序特征，顶层用Temporal Point Process建模兴趣突变事件；2. 引入基于Flink的增量学习框架，将模型更新延迟从小时级压至5分钟内；3. 搭建离线仿真环境模拟10万级用户兴趣路径，验证兴趣覆盖度较传统模型提升40%。
• 项目成果：上线后用户日均停留时长从78分钟增至92分钟（+18%），核心互动率提升12%至8.9%，CTR从11%升至13.75%（+25%）；模型支持实时捕捉兴趣变化（如健身用户10分钟内收到进阶内容的比例提升35%）。项目获公司年度技术创新奖，核心模块纳入推荐中台并推广至海外版。

本地生活商家动态需求预测与资源调度优化项目

• 项目背景：平台覆盖200+城市餐饮/到店商家，订单受天气、竞品活动影响波动剧烈，导致骑手空跑率28%、商家超时履约率15%、用户投诉率月均12%。我的职责是开发需求预测模型，联动调度算法提升履约效率。
• 关键难题：商家需求具强时空异质性（商圈店vs社区店、午高峰vs晚高峰），传统时间序列模型无法捕捉局部特征；外部因素（暴雨、商场促销）的突发影响难量化；调度需平衡骑手等待与履约时效的多目标。
• 核心行动：1. 构建多源特征体系——整合商家历史订单、竞品活动、天气（降雨量/气温）、城市事件（演唱会/展会），用LightGBM筛选TOP20关键特征；2. 设计“时空卷积+LSTM”混合模型，时空层捕捉区域需求聚集效应，LSTM建模时间趋势；3. 采用PPO强化学习优化调度，状态空间包含骑手位置/订单时效/出餐速度，奖励函数兼顾履约率与骑手距离。
• 项目成果：商家hourly订单预测准确率从65%提升至95%（+30%），骑手空跑率降至21.8%（-22%），超时履约率降至8%；用户投诉率月均降至5%（-58%），履约成本降低18%。项目纳入核心供应链系统，支撑当年商家入驻率提升25%。

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。