•主修推荐系统原理、强化学习与在线决策、用户行为建模等课程，综合成绩位列前茅，奠定了智能推荐训练的理论基础；
•进入实验室研究组，参与“基于会话图谱的实时推荐可解释性”项目，负责交互数据清洗、特征工程及模型训练评估，成果成功部署于模拟平台并获内部创新奖；
•带队参加阿里云天池“电商推荐算法训练营”，完成从数据标注策略制定、样本构造到模型迭代优化的全链路实践，获得华东赛区最佳训练效率奖，积累了丰富的业务运营与模型调试经验。
AI推荐系统训练师推荐策略训练多目标优化模型工程化
北京
•主导在线教育平台的智能推荐体系训练，通过多目标优化将完课率提升 12%，同时将用户次日留存率推高 7 个百分点；
•与教研、运营团队深度协作，拆解不同学科的学习路径，构建自适应推荐策略，使个性化学习计划采纳率提升 23%；
•统筹 3 人训练小组，负责特征工程、离线评估与线上 AB 实验全流程，全年交付 6 个推荐迭代版本，版本上线准时率 100%；
•探索 Transformer 在序列推荐中的应用，引入轻量级注意力机制，将模型推理耗时降低 35%，计算资源成本下降 28%。
AI推荐系统工程师数据特征工程召回优化在线推理
北京
•参与本地生活服务平台推荐系统的初期搭建，独立负责数据清洗与特征生成，处理超过 200TB 的用户行为日志；
•优化基于协同过滤的召回通道，引入物品侧相似度计算，将召回率提升 18%，覆盖活跃用户数增加 120 万；
•与后端工程师合作，解决模型在线推理的延迟抖动问题，通过模型蒸馏和缓存策略将 P99 延迟降低 40%；
•定期输出用户行为分析报告，为产品迭代提供数据洞察，协助营销团队将推送转化率提升 15%。
•该项目为生鲜电商平台重构推荐链路，担任算法训练端负责人，主导从召回、排序到重排的全链路优化；
•基于用户近 30 天购买与浏览行为构建动态兴趣画像，使首页推荐商品与用户即时需求匹配度提升 22%；
•设计双塔召回 + 深度兴趣网络排序的方案，将推荐点击率提升 19%，直接带动人均下单频次上涨 0.8 次；
•搭建离线评估与回放系统，缩短模型迭代周期，保障线上推荐效果在多次大促中稳定无衰减。
•参与音频内容平台推荐系统从 0 到 1 的模型升级，负责样本构造与多路召回模型训练；
•利用数亿条播放、订阅、完播数据训练双塔召回模型，将音频推荐的精准度（AUC）提升 8 个百分点；
•对比 DSSM、YoutubeDNN 和离线 EBR 等方案，选定兼顾效果与计算开销的模型，降低 GPU 资源消耗 30%；
•推动项目平稳上线，上线后用户日均收听时长增加 14%，7 日留存率提升 6 个百分点。
深度学习框架（TensorFlow/PyTorch）
推荐策略仿真与训练优化:
熟悉基于离线强化学习的推荐调优框架，能够搭建用户模拟器进行策略验证，并针对长期留存目标调整训练数据分布与奖励设计；
在开源项目基础上搭建推荐系统训练闭环，完成数据版本管理、标注质量审核及模型热更新流程，有实际业务场景下的训练效率提升经验。
