工作内容:
1. 推荐
信息流推荐—用户画像:用户离线画像—用户流外画像/用户网页画像等,按照时间窗口(7/15/30等)统计用户的兴趣,使用的技术主要是spark离线分析/写入hbase供线上画像服务使用。用户实时
画像---实时点击兴趣/view兴趣,使用的技术flink。用户时长兴趣预测,利用用户对item的时长log
信息,每条item上取权重最大的一个tag构建样本,使用dnn训练,离线预测用户的tag兴趣,作为
用户的离线时长兴趣。
米家推荐----参与整个推荐流程:召回/粗排/精排/rerank/gr(复用信息流推荐的流程以及各阶段使用的策略和算法)。召回:cb/cf/模型(ytb/dssm等)/向量(gnn);粗排(dssm);精排(dnn/多目标融
合模型essm/ple等);gr层(list wise模型)
用户增长push----模型push:召回:itemcf/热门/搜索/dssm/白名单/点击类别等;ctr模型:使用push
的曝光点击数据,训练dnn模型,离线预测用户的item信息,定时为用户发送模型push
2. 智能营销
用户数据cdp建设—aipl模型:融合用户在小米平台的各种行为信息,构建小米的各产品的用户资
产。完成小米产品的50多个品类的用户数据资产建设
广告的方法----手机品类:使用小米生态内的用户购买/收藏/加购等用户,构建手机的种子用户,使
用lookalike方法,预测手机的人群包,模型预测使用最终使用xdeepfm,迭代路径-
w&d/deepfm/dcn/xdeepfm。手机分机型人群包预测:由分价位每个价位一个xdeepfm模型,迭代到多
任务模型(多任务模型迭代路径-mmoe/ple/mvke)其他品类使用类似的算法策略,生成的人群包在
广点通/emi/巨量/投放,以及小米商城的哨兵营销。

工作内容:
1. 广告点击率预估。负责广告点击率预估。广告特征构建:将广告创意的文本首先分词,然后提取文
本的特征w2v,将创意中的关键词向量求均值、将广告创意的文本分词,提取文本特征lda、特征
embedding算法—将稀疏广告向量转化为稠密广告向量,使用dssm模型:使用xgb模型、deepfm模
型、w&d网络进行广告排序:将广告的文本特征加入xgb模型实验

工作内容:
1. 搜索:qo----搜索纠错模型(编辑距离、拼音相似性),将搜索输入分词,使用编辑距离,召回候选
字典中的项,提取与搜索相关的特征,利用线上的曝光点击数据构建排序模型,优化排序召回的候
选项、搜索热词优化(热词点击率预估排序)利用基于区域热度信息召回热词候选项,利用线上的
曝光点击信息,提取与热词相关的特征,构建点击率预估模型优化排序热词结果:xgb模型。
2. 折扣预估:套餐折扣预估、代金券折扣预估、动销预测;提取出与业务相关的特征,使用回归模型优
化折扣相关的回归方法,使用一折内的准确率与mse标准评估模型的效果,线上使用点击率,转化
率,采纳率等标准衡量效果,xgb、w&d模型预测
3. 菜品库建设:菜品分类、菜品标签、菜品识别,将菜名分词,提取相关的文本特征w2v菜品特征、
fasttext菜品特征、xgb菜品分类、svm分类

工作内容:
1. 相似线索推荐:负责crm中相似线索推荐和根据用户的电话、收藏等历史行为建立用户画像;lda
相似线索
2. 线索点击率预估:负责相似线索点击率预估模型;lr模型+特征工程
3. 语音助手:拼音纠错、语音解析、请求分类;w2v特征、tfidf特征、svm分类

工作内容:
1. 乐视电影频道页个性化推荐:根据用户的播放搜索等行为记录构建用户画像,同时利用视频item的
静态tag特征和视频的播放搜索行为特征构建视频画像,视频item-cf协同过滤生成用户的个性化推
荐列表
2. 乐视tv端频道推荐:利用视频的播放搜索行为特征和视频的时间衰减性质以及各频道的运营规则,
生成各频道的推荐视频列表
3. 相似视频推荐:使用item-cf算法召回视频,使用lr模型进行点击率预估排序