在字节跳动核心产品部门，专注于通过AI驱动的用户增长策略，提升产品用户规模与活跃度。

• 主导设计并实施基于机器学习的用户流失预警模型，通过RFM模型结合LSTM网络预测高风险用户，实现流失率降低12%，每年挽回用户价值超过500万元。
• 负责构建用户分层与精细化运营平台，利用聚类算法将用户划分为10+核心群体，并针对性推送个性化内容，月活跃用户（MAU）提升8%，用户留存率提升5%。
• 利用深度学习模型优化广告投放策略，通过多模态数据分析用户偏好，使得广告点击率（CTR）提升15%，转化率（CVR）提升10%，为公司带来额外营收3000万元。
• 与产品、运营团队紧密协作，提供数据洞察和增长建议，支持新功能迭代和市场推广活动，推动2个核心产品功能的用户渗透率提升20%。
• 搭建并维护用户增长数据指标体系，实现自动化报表与实时监控，确保数据驱动的决策效率提升30%。

本项目旨在通过融合用户行为、文本、图像等多模态数据，构建一个更加精准和个性化的智能推荐系统。

• 设计并实现了基于Transformer架构的多模态特征融合网络，有效整合用户历史行为、商品描述文本和商品图片信息。
• 开发了用户兴趣图谱构建算法，利用图神经网络（GNN）挖掘用户与商品之间的隐式关联，提升推荐结果的可解释性和多样性。
• 在公开数据集上进行模型训练与评估，相较于传统协同过滤算法，推荐准确率Recall@K提升了18%，覆盖率提升10%。
• 使用Python、TensorFlow/PyTorch进行开发，通过Docker进行部署，支持实时推荐服务。

作为核心算法工程师，参与开发一个基于AI的营销文案自动生成平台，旨在帮助企业提高营销效率。

• 负责设计并实现基于GPT-3的文本生成模型，通过迁移学习和特定领域数据微调，使其能生成符合营销语境的高质量文案。
• 开发关键词提取与语义匹配模块，确保生成文案与产品特点和目标受众高度相关，文案生成效率提升40%。
• 引入A/B测试框架，对不同模型生成的文案进行效果评估，通过用户反馈迭代优化，文案点击率平均提升7%。
• 项目成果成功应用于某电商平台，有效降低了内容生产成本，提升了营销活动的ROI。