负责视频,广告等内容 feed 流推荐。结合广告和自然推荐,制定全方面策略工作。包含商业化策略分析,用户分析,算法评估,指标体系设计和定义,A/B test 验证等多方面工作。
具体如下:
1.参与搭建个性化 Feed 流推荐平台。负责小视频推荐策略,基于用户画像制定相应推荐策略,在数据中台制定可复用的多路召回/排序推荐策略。配合算法团队在首页推荐频道完成个性化 Feed流推荐系统。小视频发布转化率从 11.2%提升至 20.9%;提升小视频渗透率 49%(1.11 个百分点),人均播放个数增加1.8 个。
2.参与维护用户画像平台搭建,制定用户动静态标签,维护用户标签库,根据用户标签库制定匹配策略,提高广告转化率10.1%,APP 留存率提升15%,线索转化提升20%。获得21年华为应用商店年度热门快应用前十名。

负责京东首页搜索内容推荐,商品点击后详情页相关内容推荐,以及短视频兴趣拓展,通过用户浏览短视频加大用户对商品种草概率。我工作的核心目标是准确预测用户需求,扩大购物选择面,推荐超预期商品,提升用户粘性,降低运营成本。
项目1:京东电商详情页相关推荐。
项目背景:
为了改善电商推送环节中的反复推,循环推,买后推等常见问题,为了提高用户惊喜度,相关度,物品推荐覆盖率等问题提出的场景化购物推荐策略。
项目动作:
1 场景挖掘
搜集用户行为,包含搜索关键词,点击,购买等行为,结合互动物品 SKU 相关属,包含物品介绍词,广告属性素材,标签属性等,圈定购物场景。
2 场景词提取
结合物品属性,人物属性,业务行为等,提取关键场景词,建设场景词和相关物品映射关系的知识图谱,为之后其他需要使用场景的步骤做基础数据输入准备。
3 意图识别和感知
根据用户与场景交互行为,判断用户购物场景意图,增加场景化召回,在重排阶段,强化场景意图下关联商品曝光,满足用户场景化购物需求。
项目2:短视频推荐优化策略。
项目背景:
负责京东短视频推策略。通过增加场景消费注意力动线,增加用户体验指标,包含有效点击率,完播率,分享率等指标。
项
目动作:
1 通过加入场景动线,根据用户购物场景推荐相关 PGC 短视频内容;
2 加入注意力转移机制和购物前后兴趣对比机制,及时推出优质内容;
3 针对冷启动内容以及长尾内容推荐不准确,相关性低等问题,增加空间向量召回路。
项目3:
基于用户购物行为心态预测,多任务推荐策略。
项目背景
根据用户行为状态判断用户心态,完成多任务推荐策略。通过对精排层排序进行优化,提升最终排序质量,实现用户转化率
3%的提升。
项目动作:
1基于用户意图的识别,分浏览意图动态调整排序;
2 在用户画像基础上,引入用户实时行为特征,即点击、筛选、成交、评论等用户行为,快速对列表排序形成干预;
3在文本匹配基础上,增加用户行为 CTR\CVR\ARPU值、等排序因子综合进行打分,以及在此基础上的算法模型调优,形成最终的排序输出。

内容:
项目描述:
为了给客户进行商品和广告的精准化投递,构建用户画像,通过用户行为获取大量数据,通过数据预处理,建模,参数调优选择最优模型进行预测。
项目职责:
从 Hadoop 中获取用户行为样本数据,通过 pandas 将获取的数据进行缺失值和异常值处理,调用接口将数据分成训练集和测试集,筛选特征并通过特征工程将兴趣爱好、购物类型、购买周期、品牌偏好、等特征进行特征预处理(标准化) 从最终训练结果中选取最优模型,将最终的叶子节点打标签并将节点上的样本进行分组生成分析报告,指导广告精准投递。
业绩:
最终通过客户反映数据,营收额提升了3.1%,其广告投入相对于精准投递前 ROI 提升了7%。