职责:先后负责首页信息流推荐、视频推荐、个股推荐、用户增长、用户画像、内容理解等方向。
· 首页推荐/个股推荐:(1)召回层,鉴于现有召回策略偏重标的和社交关系召回策略,结合雪球推荐场景的特点并根据召回维度制定了优化方案,先后开发了itemcf,usercf、基于图的召回、基于双塔的召回、基于主题/板块/行情的召回策略和社区发现的策略; (2)精排层,根据特征重要性分析结果,下线了重要性较弱的特征,划分了特征维度,并根据维度设计相关特征,基于目前特征都是原始特征/统计类特征,又设计和开发了模型类特征,增加特征的非线性,先后实验了wide&deep、deepfm、DIN、MMOE模型;(3)重排模块只有作者和标的打散策略,设计了重排环节的打散策略和融合排序策略;(4)项目后期指标提升有限,我们基于业务内容对用户需求做了拆分,将内容拆分成信息类内容和社交类内容,针对不同类型的内容制定不同的召回策略,并设计相关特征进行承接,满足不同人群的需求。首页推荐CTR相对提升15.6%,UCTR相对提升8.7%,人均时长相对提升20.6%。个股推荐CTR相对提升16.13%,人均展示相对提升24.68%。
· 用户增长:社区的核心目标是拉动DAU,因此提出了用户增长的方向,从三个方向进行建设:(1) 用户兴趣收集,提出了增加新用户引导功能,产品设计算法承接,基于兴趣实时推荐;(2)雪球APP首页推荐,针对新用户开发了引导兴趣召回、结构化内容精品召回、基于标的和主题的召回,为了承接用户弱兴趣,基于帖子和标的开发了基于用户行为的召回,并针对新用户开发了精排模型,同时针对首刷进行了专项优化;(3)个性化push,梳理雪球价值内容,设计个性化push框架,先后从内容选择、文案、频率等角度进行了实验,新用户次留绝对提升4.37%。
· 视频推荐:(1)视频tab推荐:从0-1搭建视频页推荐系统,先后从用户体验、个性化排序、 架构改造等角度对视频页的整个体系进行搭建,并跟进视频页用户体验和算法相关问题的解决、埋点逻辑追踪,并对产品生态、创作线索给于产品和运营提供建议。点击率相对提升10.57%,人均有效vv相对提升19.81%。(2)首页视频推荐:上线个性化推荐、爆款推荐、推荐时机优化等,提出异构网络在雪球的新技术探索,改变现有单一的知识表示形式。推荐页有效vv相对提升393%, 播放时长大于5s播放率相对提升17.6%,该项目获得公司级优秀项目奖。
· 用户画像/内容理解:公司各个场景都独立开发了一批用户画像和帖子画像,没有统一的出口,各个场景在使用的时候需要单独再开发,因此提出了滴灌项目,目标是梳理已有的画像,并且开发新的画像,搭建完整的用户画像体系,我负责帖子维度的画像,含帖子画像和用户对帖子的兴趣画像,已经完成帖子侧80+个特征,含帖子基础属性、帖子质量属性、帖子价值属性、帖子行为特征,其中新增帖子侧特征20+,用户对帖子兴趣画像40+个,含兴趣偏好、属性偏好、价值偏好、负向偏好、行为偏好等。

职责:负责新浪新闻app相关推荐项目的架构设计、算法预研等
相关推荐项目:负责新浪新闻app相关推荐项目的产品定位、架构设计、算法设计、数据流、产品问题探索等内容。
召回层面:(1)基于用户行为的召回,目前采用协同过滤、item2vec、deepwalk、关联挖掘、dssm双塔等算法(2)基于内容的召回,基于内容的相似召回、lda、基于实体、事件、多term倒排的召回(3)基于用户兴趣的召回,基于用户兴趣向量、人群特征、实时兴趣、兴趣实体等召回
排序层面:(1)样本构建,从样本的构建方式层面进行优化,(2)挖掘特征,(3)模型,目前采用了传统模型以及深度学习模型

职责:负责车载系统内容方向的架构设计、算法预研、团队管理等
· 智能推荐:负责车载系统场景化推荐、个性化push以及商业营销等架构的设计以及相关策略的开发。目前已经实现新闻推荐、周边推荐、景点推荐、音乐推荐、个性化push、优惠券推送、保险提醒、保养提醒、故障提醒、年检提醒、邮件提醒等。
· 用户画像:负责用户画像标签体系设计及用户画像数据模型的设计与开发。基于车载系统的采集和埋点数据设计了用户画像并实现,目前已经支持了多个项目的运营、分析和推荐需求。

职责:负责语音搜索、全网推荐、图文推荐、地图内容建设、地图搜索。
项目一:语音搜索
时间:2015.01–2015.04
角色:研发工程师
职责:负责语音query的改写。基于语音识别后的query、关联规则召回、字面相似性召回等方式召回,挖掘文本相关性、拼音相似性、pv相关性、转移概率、满意度、语言模型等特征,利用LR算法排序,选择top10的结果作为候选。
项目二:导流团队
时间:2015.05 –2017.06
角色:全网推荐的负责人
项目描述:全网推荐产品位在转码页和手百详情页,负责文字推荐和图文推荐,图文推荐是从0到1的项目,全网推荐整体导流量从接手时1200w/d增加到3000w/d,收入从60w/d增加270w/,CTR从4.5%提升到7.9%,这个项目是持续优化了2年多。
职责:
· 召回算法:基于协同过滤、session聚合、随机游走、word2vec、LDA、title2vec、DNN等算法实现基于query和title的召回,自适应调整对用户兴趣的 Explore 和 Exploit。
· 排序算法:挖掘相关性特征、统计类特征、场景类特征、意图特征等特征,先后通过GBDT、GBDT+LR、wide&deep算法实现CTR建模。建设基础库和实时库,并通过点调策略、精细化内容建设、负反馈、质量方面进行效果优化。
· 质量算法:基于LR模型的纠错、语义重复性判断、基于深度学习的黄反query识别
项目三:地图POI内容建设
时间:2017.06 – 2018.08
角色:POI推荐方向负责人
项目描述:负责场景化内容建设,先后上线了POI推荐、榜单的建设和推荐、商圈特色内容建设、问答推荐等项目,从深挖用户需求提出了地图用户需求挖掘的项目,挖掘用户关注点,并基于用户需求建设用户关注点,挖掘的数据正按垂类逐步在搜索上实现落地。
职责:
· POI推荐:实现基于协同过滤、随机游走、item2vec、基于标签的召回、基于位置的召回、人群等召回方式,挖掘用户行为相关性、语义相关性、统计类特征、场景类特征等特征,先后利用LR、GBDT+LR、GBDT+FM、deepFM算法实现排序,最后根据标签、距离等规约条件产出适合不同场景的推荐数据。
· 用户关注点(标签):这是项目是个人根据地图特点提出的项目,是对地图业务边界的探索,挖掘地图新的需求形态,具体内容如下:基于网页搜索的日志,对用户搜索query利用fasttext算法识别出地图不同意图的query,利用LSTM算法识别用户关注点,对需求关注点进行聚合,指导团队进行内容方面的建设,我个人主要在推荐方向,所以重要工作在POI推荐理由建设层面,具体实施:利用评论、微信文章、百度百科、网页搜索日志、百度知道等数据源实现POI与用户关注点的关联、对于特殊的用户关注点,通过规则和约束实现POI与用户关注点的关联,目标是应用到搜索和推荐场景满足用户多属性的需求。
项目四:地图搜索
时间:2018.9– 2019.8
角色:搜索query改写方向技术负责人
项目描述:在纠错、同义、query变换等方向深耕,将机器学习技术应用到地图搜索query改写方向上,将基于规则的改写策略升级为基于机器学习的策略,改写策略应用到召回模块,从query改写角度提升召回率。指导开发同学完成数据、样本、算法、代码开发以及效果评估。并推动架构同学完成ABTest机制的打通。召回率提升12%,用户满意度提升6.4%。职责::
· 纠错方向:通过规则判定query质量,决定是否需要纠错;通过拼音相似性和片段相似性进行召回,挖掘拼音相似性、字形相似性、转移概率、pv关系、用户满意度、上下文特征、语言模型得分等特征,通过排序算法svm、gbrank等算法完成排序,最后通过规约策略完成纠错query的选择。
· 同义方向:基于网页搜索的日志对用户搜索日志对齐,挖掘片段对齐语料,挖掘片段满意度、pv、热度、语义相关性等特征,基于特征通过LR模型预测出候选片段的得分,通过规约策略筛选出置信度高的候选,使用 Key-Value 存储。在线分析query片段获取片段的同义召回更多相关内容。
· Query变换:根据用户行为日志对搜索行为进行goal划分,根据划分数据建设query关联、利用关联挖掘、simrank、embedding等策略召回,挖掘拼音相关性、字形相关性、worddiff、语义相关性、转移概率、满意度、pv、长度、停留时长等特征,通过排序模型选择变换query,最后通过语义相似度以及query召回质量进行约束选择变换query。

职责:负责NLP相关的工作
时间:2012.09 –2015.01
职责:支撑12580平台搜索业务 负责POI名称解析、地址解析、分词、词性标注、评论挖掘、旅游线路标签建设等NLP相关的工作的开发

职责:负责NLP相关的工作
项目:信息抽取
时间:2011.02 –2012.09
职责:在经济分社,负责经济指标识别、机构名称的识别、以及信息抽取等相关工作的开发。