李思远 · 算法工程师

• 负责短视频召回通道优化，针对粗排阶段召回粒度粗放的问题，引入用户实时行为序列与内容主题特征，基于 Spark 构建多窗口兴趣画像，设计向量化召回与 XGBoost 粗排组合策略；通过 A/B 验证，召回池命中率提升 4.2%，曝光多样性提高 3.8%。

• 主导排序模型从单任务 LR 升级为 DeepFM 多任务架构，联合预估点击率、完播率与互动率，设计 CGC 式共享底层与任务专属塔结构，并引入多尺度时间衰减特征与交叉特征；离线 AUC 提升 2.1%，在线人均视频观看时长增加 5.3%。

• 构建全链路特征工程体系，利用 Spark SQL 与 DataFrame 完成百亿级行为日志的自动化特征生成与回溯填充，开发实时统计特征与序列特征算子，将特征生产延迟从 T+1 缩短至小时级，支撑模型迭代效率提升 60% 以上。

• 设计并实施多目标融合排序的 A/B 测试方案，通过贝叶斯优化平衡时长与互动指标，在核心流量分段上线后，全站次日留存率相对提升 0.8 个百分点，视频互动渗透率提升 11%。

• 面向企业内部知识库问答场景，基于 LangChain 搭建多源文档 RAG 管线，设计混合检索与重排序策略，将端到端问答正确率从 71% 提升至 89%。

• 针对向量检索领域适配不足，采用对比学习微调嵌入模型并优化索引结构，在百万级文本库中实现 Top-10 召回率由 78% 提高至 93%。

• 为抑制生成幻觉，构建检索片段验证自检提示模板，并结合 LoRA 微调生成模型，使答案的事实一致性人工评分提升 42%。

• 部署 GPTQ 量化与 vLLM 推理加速框架，优化 CUDA 内存与 KV Cache 策略，单次问答平均延迟降至 620ms，稳定支撑日均 12 万次请求。

• 针对新发布短视频内容特征极度稀疏、冷启动分发困难的问题，主导设计多模态自动标签系统，利用 CLIP 提取视觉语义特征并与 BERT 文本表征进行跨模态对齐，为千万级视频自动生成多维内容标签，新内容冷启动曝光点击率提升约 15%。

• 面对原始标签粒度粗、覆盖面窄的瓶颈，重构层次化标签体系并引入语义关联约束，以少量人工标注样本结合半监督学习迭代微调，将可用标签从原有 300+ 粗粒度扩展至 2000+ 细粒度，标签平均准确率达 91%。

• 为实现大规模实时打标，在 PyTorch 框架下重构模型推理流水线，引入动态批处理与 FP16 推理，单视频平均处理耗时压缩至 28ms，支撑日均百万级新增视频的在线标签生成任务。

• 建立基于主动学习的标签质量闭环机制，周期性挖掘预测置信度低与边界样本进行定向标注与模型更新，使高频错误标签占比下降 38%，为后续分发召回与安全审核提供了更可靠的标签底座。

• 主导企业级知识库问答系统从 0 到 1 建设，设计融合 Elasticsearch 倒排索引与双塔语义匹配的混合检索链路，将长尾问题的 Top-5 召回率从 68% 提升至 89%，问答覆盖率提高 21 个百分点。

• 针对领域知识结构化不足导致的幻觉，构建轻量级企业知识图谱并实现实体链接，在图谱增强的 Prompt 工程下，生成答案的事实一致性评分由 72% 提升至 91%。

• 建立“检索-生成”双阶段评估体系，设计包含语义保真、关键词覆盖与人工抽检的自动化评估流水线，驱动 12 轮 Prompt 迭代，最终答案可用率稳定在 87% 以上。

• 通过日志分析与主动数据挖掘，识别高频未覆盖的长尾意图，沉淀 FAQ 并扩充知识库，推动端到端解决率从 61% 增长至 83%。

• 独立设计离线端侧语音指令识别系统 SpeechEdge，自采并标注 5,000 条中文指令，通过 SpecAugment、变速与噪声注入等增强策略将数据集扩增至 3 万条，缓解小样本过拟合并提升噪声鲁棒性。

• 基于深度可分离卷积构建轻量级 CNN 声学模型，结合量化感知训练与结构化剪枝，将模型体积压缩至 800KB 以内，算力消耗降低约 40%，适配 ARM Cortex-M7 等低功耗芯片。

• 使用 TensorFlow Lite 完成模型转换与端侧部署，实现从音频采集、端点检测到指令识别的全链路闭环，单次指令端到端响应时间控制在 200ms 以下。

• 在厨房、客厅等典型家居噪声环境中实测，系统对 20 条日常指令的离线识别准确率达 96.5%，可稳定运行于无网络连接的嵌入式设备。

因短视频推荐模型核心指标提升显著，获某互联网大厂数据智能部年度优秀新人。

基于集成学习的时间序列预测模型，完成建模、求解与论文撰写。