 负责基础 NLP 相关算法
建设 NLP 算法和预训练模型能力，通过文本挖掘，语言 IP 风格迁移，事件
抽取，意图和情绪识别等方式构建垂直领域的知识，产出算法创新（论文发表），
拉通推进业务应用(业务落地策略)，在重要业务方向取得不错收益：
 用户体验：投诉降低 80%+，平台问题反馈降低 50%+，DAU 提升
0.2%+
 效率提升： 通过算法智能链路，处理有效信息和舆情，节省作业人员
人 工作业量共计 20 人/日
核心算法：
事件抽取：通过 NER 识别和关系抽取能力，针对商家反馈数据，行业
数据，用户反馈数据进行事件抽取，多个场景平均 NER 识别准确率达到
2
96%+，事件组织准确率 92%+（核心关系）
意图识别和负面情绪等级分类： 构建句式分析，意图分类，情绪识别
模
90%
型
+
的能力，在用户反馈，司乘对话场景下提升效果，整体上识别准确率
文本生成：拟人化文本风格改写，使用语言模型+prompt 做小样本学
习生成风格化的文本话术，应用下游提升用户体验和 dau
 负责 eta 业务的算法
核心模块通过图模型+时序模型，预测未来 2.5 个小时内的路况，在 eta 中优
良率提升 0.5+，恶劣 badcase 降低 30%+，大幅超过竞品，提升用户体验
 负责打车风控判责业务：
通过识别黑产用户以及对司乘责任的判别，整体提升平台的用户体验和健康
度，在坏账上降低 60%，乘客投诉率降低 80%
 负责轨迹大数据的数据挖掘算法
负责动态大数据挖掘算法团队，主要包括：实时路况，轨迹分类，通过轨迹
挖掘内部路网，主被动偏航识别，混淆和逆行挖掘。 构建从底层数据挖掘，
清洗，服务于上游业务和指标
使用的技术包括但不限于：深度学习，xgboost，lipo(+trust region)自动调参
 负责高德引得播报机制的计算框架重构
通过 HMM 的框架，重构引导播报机制的策略系统，把老系统 5w 多条 excel
配置策略整合到统一框架，提升系统的维护性和扩展性，在用户偏航率上降
低 20%+，并且基于新框架开始尝试模型化转换
 组建团队：负责日常管理以及招聘相关的工作，团队四年晋升 p7 的同学 5 位

 ctr 预估系统: 完成整个从特征到算法和系统的设计与开发工作
a. 算法选择:以 ctr 为目标的推荐排序要考虑海量的数据和大量细粒度离散特
征，因此从精度，特征组合，稀疏，效率上综合考虑，选择 FM+FTRL 方式。
b. 模型分为 online 和批量，online 的引入是为了解决由于训练预测的时间 gap 导致
特征和 label 之间 correlation 与 causation 不一致的问题。
c. 结果: ctr 提升 15.02%, pv ctr 提升 15%,uv ctr 提升 24.7%,新闻曝光量提升:67.5%。
 推荐引擎系统：参与架构设计和联调，以及跨部门推进等工作
a. 之前架构在加入很多策略算法后，支撑数亿 pv 很艰难，需要重新规划设计。
b. 主要工作: 参与系统设计，跨部门推动工作，对系统和算法进行联调等工作。

 LTR: 特征的建设，算法调优， 以及推进标注数据的建设和数据清洗
算法选择: lambdamart: 通过结合 ranknet 和 gbdt 的优势,在 rank 场景效果不错，并且可
以自动特征选择，以及评估特征的重要度。
结果：影响面是 diff 率 60%左右，win:loss = 160:105, ngcg@3 增加了 0.37。
 RANK 策略改进：参与召回 rank 策略，rerank 策略等的优化改进

 poi 判重算法的改进优化:使用了 svm 算法改进规则判重策略。
背景：基于规则的判重无法在多特征中取得好的权衡，给调权和维护带来很大困难。
3
结果：使用 svm 算法在同等召回下提升了 1.8%的准确率。