商品推荐系统
项目目标:优化推荐算法，提高线上访问者对商品的点击率，cvr,gmp，以提高转化
项目背景:超市线上购物平台，为了增加线上访问者的浏览时长，点击率 下单率。给不愿意出门也想逛超市的人提高线上购物的体验。
项目职责:主要负责首页猜你喜欢的召回工作，引入几路召回从不同角度挖掘用户的潜在兴趣，前期主要用于用户，物品的协同过滤做召回，先上初期版本，后面陆续引入基于模型，标签的召回，
如als,tf-idf提取关键物品做标签。后续再升级实时召回，引入item2vector等，基于faiss做向量召回
具体工作：
物品画像: 1.挖掘物品侧profile,例如物品id,content关键词,一级类目，二级类目等
2.基于tf-idf抽取top3关键词
用户画像: 1.挖掘用户侧profile,如用户id,性别，年龄，订单量，周订单情况，最喜爱二级品类，最近
购买的三级品类等
2.基于用户点击，购买行为做用户行为特征，如用户品类偏好(订单，点击)，近90.60.30
订单最大品类，最近三个差评等;
上下文:用户登陆设备类型，用户登录时间，经纬度，设备，天气状态等。
遇见的问题及解决办法:
1.面对召回时间过长问题，优化基于用户，基于物品的协同过滤算法的效率，通过自带属性减少了计算用户，物品相似性的范围，减少了相似矩阵的计算量，召回时间减少了70%
2.针对协同过滤头部效应明显，泛化能力较弱问题，引入user-item_cf，基于als协同过滤，出来的 user embedding和item embedding内积做召回，离线召回recall 提升 2.6%;
3.面对召回时效性不足问题，引入item2vector，node2vector，进行item_embedding的训练基于faiss做向量召回，带来线上ctr提升3%
4.为提升线上 ctr，尝试在基于dssm的召回通路中，做了序列采样，引入attention机制，优化 embedding 表达，最终使线上ctr提升 1.92%;
5.面对基于模型的召回结果无法细粒度表达用户偏好的问题，尝试优化召回模型的负样本构造，在原来随机采样(easy negative)的基础上，挖掘Hard Negative增强样本，采样比easy:hard=100:1,最终使ctr 提高 1.7%;

负责图像处理、目标跟踪、动作捕捉等领域的算法工作