牛敬业
常怀探索之心，以实干沉淀自身价值
188****4962niu****@***.com北京30男推荐系统算法工程师在职北京30k-50k •主导设计学术论文推荐系统，融合协同过滤与图神经网络，实现精准文献推送，入选校级优秀毕设。
•在CCF推荐会议发表推荐系统方向论文1篇，研发的序列推荐模型开源后获200+ Star，被多个课题组采用。
•GPA 3.85/4.0（专业前8%），连续两年获校级一等奖学金，夯实了算法与数学基础。
•负责外卖推荐场景的算法迭代，主导多目标优化模型的落地，在兼顾配送效率与用户口味的前提下，使订单转化率提升18%，用户复购率提高12%。
•设计并实现了一套实时特征计算框架，将特征产出延迟缩短35%，支撑模型线上推理效率提升20%，并有效降低了特征存储成本。
•主导“猜你喜欢”模块的改版，引入用户意图识别与上下文感知策略，经过多轮A/B测试，该场景日活渗透率提升至25%，成为公司增长最快的推荐入口之一。
推荐系统算法工程师深度学习模型在线学习团队培养
北京
•带领团队构建基于Transformer的序列推荐模型，并在大促场景中落地，面对亿级商品池，推荐准确率提升25%，人效提升30%。
•优化推荐引擎的在线推理链路，通过模型剪枝与算子融合，将P99延迟从200ms降至50ms，从容支撑峰值QPS 10万/秒，保障了业务平稳增长。
•建立算法人才培养计划，定期组织技术分享与代码马拉松，团队在内部技术竞赛中屡获佳绩，多名成员成长为独立模块负责人。
•项目背景：为社交电商平台从0到1搭建推荐系统，结合社交裂变场景，提升用户购物转化与拼团成功率。
•技术实现：采用图神经网络挖掘用户社交关系，结合协同过滤构建混合推荐模型。通过Spark处理海量用户行为数据，构建用户-商品交互图，衍生社群特征。进行特征工程，提取用户影响力、拼团偏好、价格敏感度等特征，并设计多目标损失函数以平衡点击与转化。
•项目成果：推荐系统上线后，用户点击率提升22%，拼团成功率提高15%，整体GMV提升12%，成为平台核心增长引擎之一。
•项目背景：针对短视频平台，优化内容流推荐策略，提升用户观看时长与互动率，强化社区粘性。
•技术实现：采用多任务学习模型（MMOE），同时优化完播率、点赞、评论等多目标，缓解跷跷板效应。搭建实时数据管道，处理用户实时行为，实现分钟级模型更新。通过A/B测试验证，逐步放量，并利用强化学习探索长尾内容分发。
•项目成果：模型上线后，用户平均观看时长提升25%，视频完播率提高18%，日活留存量增长15%，有效带动了社区活跃度。
我始终对推荐系统怀有技术热情，享受从海量数据中洞察用户意图、用算法驱动信息分发的乐趣，将每一次模型迭代视为对用户理解的深化。拥有严谨的逻辑推演与数据敏感性，习惯从核心指标出发，反推特征与模型优化方向，能够沉下心处理数据漂移、冷启动等实际问题，对模型线上效果高度负责。在协同过滤、深度推荐模型、特征工程及模型压缩等领域有扎实积累，具备从0到1搭建及规模化迭代的实战经验，善于将业务目标转化为可落地的算法方案。具备良好的跨团队协作和沟通意识，能快速吸收前沿技术并应用于系统升级，期待在推荐算法领域持续深耕，做出有影响力的产品。
开源社区贡献:
为开源推荐框架FuxiCTR贡献了基于Transformer的实时召回模块，提交代码1300余行，修复4个关键并发问题，将模型推理延迟降低30%。
主导编写了中英文部署文档与调优指南，显著降低社区使用门槛，该项目在GitHub上获得超过4200 Star，被多家电商与内容平台集成。
