江沅 · AI深度学习算法工程师

• 针对首页、搜索、加购等多个推荐场景各自维护精排模型、迭代割裂的问题，主导设计多场景统一精排架构：以共享底座 + 场景专属塔的多任务（PLE）建模复用跨场景样本，核心场景 CTR 提升约 6%，模型维护与迭代成本下降约 40%。

• 引入用户行为序列建模（长短期兴趣 + 目标注意力）刻画用户实时与长期偏好，并基于 PyTorch 重构精排训练链路，离线 AUC 提升约 1.5pp，线上转化率（CVR）提升约 6%。

• 牵头建立以 AB 实验为准绳的精排迭代机制，全年推动 30+ 组实验稳定上线，累计为核心推荐场景带来约 5% 的 GMV 增长。

• 主导多目标精排建模（点击 / 转化 / 客单价）与融合排序策略调优，在不损伤点击体验的前提下，将下单转化率与人均成交额分别提升约 4% 与 3%。

• 作为资深负责人牵头 4 人精排小组的技术规划与评审，沉淀统一的特征处理与模型训练规范，新场景精排模型接入周期从数周缩短至约 1 周。

• 针对信息流广告 CTR 与 CVR 割裂建模、转化口径不一致的问题，主导基于 TensorFlow 的 CTR/CVR 联合多任务精排模型，共享底层 embedding 表征并按目标拆分任务塔，CVR 预估 GAUC 提升约 2.1pp，单位流量广告转化数提升约 8%。

• 针对离线日更模型对流量与素材分布漂移响应滞后的痛点，落地分钟级在线学习增量更新链路，模型迭代时延从小时级压缩到分钟级，新广告冷启动期 CTR 提升约 12%，整体投放效率（eCPM）提升约 6%。

• 牵头治理精排打分的概率校准问题，引入保序回归与场景化校准层，将关键广告位的预估校准误差 PCOC 从 1.15 收敛至 1.02 附近，计费排序更准，广告收入提升约 4%。

• 设计广告收入与用户体验的多目标融合排序策略，在多任务输出上构建可调权重的融合打分，在广告收入提升约 5% 的同时将信息流负反馈率降低约 9%，平衡变现与生态。

• 作为资深算法负责人统筹高 QPS 在线推理优化，通过特征裁剪与模型结构精简，将精排服务 P99 延迟降低约 30%、单实例吞吐提升约 40%，支撑大促期间流量翻倍下的稳定投放。

• 面向千万级商品库的推荐链路，主导用 DSSM 双塔召回模型替换原有「协同过滤 + 规则」召回，将用户塔 / 物品塔离线训练后产出 64 维 embedding，召回命中率（Recall@200）相对提升约 22%，候选相关性显著改善。

• 针对全量 embedding 暴力检索延迟过高的问题，落地 Faiss IVF-PQ 向量检索并调优 nlist / nprobe 参数，把近邻检索 P99 从约 90ms 降到 12ms，单机支撑 800+ QPS，使双塔召回得以上线在线服务。

• 为缓解新用户与新物品冷启动，设计基于内容侧特征（类目、标题文本、统计画像）的 embedding 召回旁路，新物品 7 日内可被召回的覆盖率从约 45% 提升至 80%，缩短新品起量周期。

• 在召回与精排之间补齐粗排环节，搭建轻量双塔粗排模型对数千召回候选打分并截断至 Top-N，粗排 AUC 达 0.71，在控制精排算力的同时使整体链路点击率提升约 6%。

• 推动召回链路从单路扩展为「双塔 + 热门 + i2i」多路融合，并统一去重与配额分配，召回结果品类多样性提升约 15%，为下游排序提供更充分的候选供给。

• 针对集团内 7 条业务线各自维护一套精排模型、小场景样本稀疏且迭代成本高的问题，主导设计基于 PLE 的统一多任务排序框架，以渐进式分层抽取分离共享专家与场景专属专家，单模型同时建模 CTR / CVR / 停留时长等目标并统一覆盖全部场景，离线 AUC 平均 +0.9pp，头部场景线上转化 +5.2%。

• 针对长尾小场景数据稀疏导致模型欠拟合，引入跨域参数共享与 domain-aware 门控，将大场景知识迁移至小场景，小场景 AUC 提升约 1.7pp，新场景从需积累约 2 周样本才能上线缩短至接入当天即可冷启动。

• 系统排查多任务负迁移（seesaw）问题，将 MMoE 升级为 PLE 并叠加任务级梯度调节与不确定性加权，使各目标同时正向、不再相互拖累，CVR 预估校准误差（ECE）下降约 30%。

• 作为算法负责人，把分散的 7 套场景模型收敛为 1 套可配置的多场景多任务训练 / 服务框架并沉淀为团队基建，新场景接入成本从约 3 人周降至 2 人天，模型维护与 GPU 训练资源整体节省约 25%。

• 牵头制定多任务建模与跨域迁移规范，带 4 人小组完成框架落地与多轮 A/B 实验，累计驱动统一精排矩阵 GMV 同比提升约 8%，并将方法论沉淀为内部技术文档供新人复用。

• 面对离线特征 T+1 更新、模型时效滞后导致线上效果持续衰减的问题，主导基于 Flink 的流式特征平台从 0 到 1 落地，将核心行为特征的更新延迟从小时级压缩至秒级（端到端 P99 ≈ 2s），日均处理特征事件超 20 亿条。

• 设计统一的实时样本流水线，按事件时间对齐曝光、点击与转化回流并完成归因，支撑精排模型的在线学习与分钟级增量更新，模型迭代上线周期从天级缩短到 10 分钟以内。

• 以 point-in-time 特征快照配合标签延迟窗口对齐，系统性治理特征穿越，并搭建离在线一致性校验与穿越拦截，将离在线特征一致性提升至 99.9%，消除多类因穿越导致的离线 AUC 虚高。

• 推动平台化沉淀，将流式特征的注册、回填、监控与回放标准化为自助接入流程，特征从开发到上线由 12 周压缩至 12 天，支撑 5+ 业务团队、上百维实时特征复用。

• 建设全链路稳定性保障（背压治理、状态容错与一键回放），平台核心链路可用性达 99.95%，承载在线学习样本峰值吞吐数十万 QPS，运行期间无重大数据事故。

• 针对平台长尾内容与新品冷启动场景下传统 ID 双塔召回覆盖不足的痛点，主导设计生成式语义召回框架，以对比学习双塔为骨架并融合 LLM 语义表征，将长尾内容召回覆盖率提升约 35%、冷启动商品 7 日内有效曝光率提升约 28%。

• 设计基于 InfoNCE 的对比学习训练方案，引入批内难负样本挖掘与温度系数自适应调节，使双塔召回 Recall@200 提升约 18%，向量表征的类目可分性显著增强。

• 引入 LLM 对 query 与 item 生成结构化语义描述并蒸馏进双塔编码器，弥合"短文本 query—稀疏长尾 item"的语义鸿沟，长尾 query 召回相关性（人工 GSB 评测）正向占比提升约 22%。

• 搭建亿级向量的 ANN 检索服务（HNSW 索引 + 标量量化压缩），在 P99 < 15ms 的延迟约束下支撑线上实时语义召回，单路召回机器成本下降约 30%。

• 将语义召回作为独立通路接入多路融合并参与下游精排打分，为精排贡献增量优质候选，带动场景整体 CTR 提升约 4.6%、长尾内容人均消费时长提升约 6%。

研究生期间参加 KDD Cup 大规模数据挖掘竞赛，在推荐赛道获全球前十名次。

主导跨域多任务排序框架的设计与落地，显著提升核心业务转化指标，获集团年度技术创新奖。