(java,python,presto,hive,xgboost,tensorflow）
* 2023.03-至今 将搜索已经上线的个性化特征增加到广告的排序模型中。
* 2022.08-2023.02 搜索的 DCN 排序模型增加个性化 sequence 特征。离线统计用户的 last view，last purchase，view together，bought together 等 sequence 特征，然后增加到 DCN 排序模型中，最后使得session purchase rate 增长 0.53%。
* 2022.04-2022.07 基于业务的理解，将商品的销量统计在 query 经过分词后的 token 上，当用户搜索新的 query 的时候，命中用户词偏好的商品会有加权，最后使得 gmv per customer 增长 0.32%。
* 2022.01-2022.03 将用户点了没买的商品按照 query 或者 category 聚类，在主页将聚类后的 category推荐给用户，在每一个 category 内部展示个性化的 popular 商品，最终 GMV per customer 增长 0.46%。
* 2021.10-2021.12 个性化搜索添加 word2vec 召回。将用户的购买序列看做词的序列，然后用 word2vec算法生成商品的 embedding，取用户购买商品的平均向量作为用户向量，在召回阶段，根据用户和商品两个向量之间的相似度进行提权，最后使得 session purchase rate 增长 0.26%。
* 2021.07-2021.09 搜索添加相关度信号。将搜索词按照 unigram 和 bigram 分词后，根据在不同的类别(title, brand, category 等)上匹配成功后赋予不同的相关度权重，最后根据总的相关度得分提权，使得GMV per customer 增长 0.5%。
* 2021.04-2021.06 个性化搜索添加 brand 信号。离线部分将用户购买/点击商品按照时间维度
2w/1m/3m 每天更新，在线部分命中品牌的商品添加到个性化商品的候选集，然后用 xgboost 模型预测 ctr，最后将个性化商品插入到原有的商品中，使得 GMV per customer 增长 0.89%。
* 2020.10-2021.3 在 pet supplies store 上线 137 个 queries 和在 kitchen store 上线 88 queries。

(java,go,scala,python,tensorflow,esmm)
2020.03-2020.9 统一知乎商业内容(付费回答、知+、好物推荐等)在首页推荐页的流通
离线部分,将所有商业内容的数据接入一张表,而后形成报表,用统一的指标来衡量变现效率。
* 在线部分,在online learning多目标学习模型的基础上引入用户价值和商业价值,在rerank阶段形成统一的加权公式,根据效果来调整参数确定不同商业内容的分发量。
* 最终使得商业内容曝光不变的前提下,收入增长20%左右。
2019.09-2020.03 负责付费回答项目
* 在数据层面,发现热门内容的opm很高,增加热门召回队列;通过观察样本数量与真实曝光差异,
发现监听了错误的kafka,换成正确的kafka后,opm提升15%。
* 在排序阶段,由xgb模型迁移到esmm模型,使得排序阶段考虑点击率的同时优化订单量。
* esmm最终效果曝光降低20%的前提下,订单量增长20%,opm提升50%。
2019.04-2019.09 构建统一的召回系统
* 推荐组有很多方向,用的是各自的召回,为了提高效率,集中精力做一些通用的召回。
* 协同过滤方面,实现word2vec和jaccard两种方式,深度网络方面增加youtube dnn召回。
* 使得新业务增加对应召回的时间大大缩短,从几周缩短到几天,同时对现有业务的点击率也有5%左
右的效果提升。
2018.10-2019.04视频推荐、问题多元化、回答推荐、文章推荐、相关搜索等项目的开发与维护
* 从事多个项目的更新迭代工作,在召回方面,增加keyword和topic embedding的fasis召回。
* 在排序方面,用kafka落特征,offline用spark拼label,用xgb训练模型,在线请求ranking服务,排
序后经过去重、过滤后返回给后端。
* 其中回答相关推荐用visualVM定位最耗时间的代码,降低无效请求,节省容器资源。

(spark, Graphx, isolate forest, xgboost, PCA, python, scala等)
从2017年起带3-4人团队,负责机器学习相关的项目,其中包括编写代码、方案制定、与客户沟通。
2017.09-2018.10 某银行员工异常行为检测模型
*最近某银行的项目主要分为两大部分:员工异常行为、客户异常交易。其中员工异常行为就是典型的
异常点检测问题。通过员工的基本信息、交易、存款等特征进行异常点挖掘,其中尝试了业务经验视角下基于统计和isolate forest等离群点检测方式。
2017.06-2017.09某证券公司多因子选股模型
*帮助某证券公司技术部门建立智能选股系统,主要分为四个部分:构建因子库、单因子检测、多因子
选股、中性策略模型。最后,回测效果达到年收益率37%,夏普比率达到1.5。
2016.06-2017.06某证券公司精准营销模型
*建立机器学习模型，帮助证券公司将合适的理财产品推荐给合适的客户。通过xgboost对历史的上千万客户，上亿条交易数据进行训练，而后用最近两个月的数据进行预测。在召回率20%的情况下，准确率提高了4倍。在实际上线首次推荐南方有色ETF，销售周期3天，每天过亿，30家分公司均有销售，在召回率30%的情况下，客户转化率提升了十倍。
2016.04-2016.06数据挖掘平台
*为了降低数据挖掘的门槛,开发数据挖掘可视化交互平台。通过将spark里的mllib机器学习算法库封一个一个算子,用户可以通过拖拉拽的方式,形成DAG建立模型,然后通过准确率、查全率以及可视
化工具对结果进行评价,最后通过不断调整算法的参数达到模型理想的效果。其中主要开发模型结果报表展示功能以及将一些算法封装成算子。

FBA团队(java git oracle/dynamodb)
开发并维护WMSR系统,该系统为FBA卖家提供出现入库过程中货物不一致情况的解决方案。参与将
系统数据来源迁移至统一平台的整个工作,从前期调研、设计、预估时间,到编码、代码审查,再到结
果对比、部分上线、全部上线,学习了成熟企业的处事方法。与此同时,熟悉Spring框架,了解关系型数
据库oracle与key-value型数据库dynamo。每月为 Amazon 节省 9MM$的 seller reimbursement. 有全球team 协同工作经验,曾与西雅图等 remote team 合作开发。

(c++ linux svn shell)
开发数据转换工具,使测试人员每次迭代需要测试的时间从两周减少到三天。