Hi 👋 there, I'm huzixia

 

         

基本信息

教育信息

论文信息

工作经历

在百融云创信贷云业务线，负责榕树与场景金融等核心渠道的机构智能路由，从0到1的系统设计与优化，涵盖撞库、进件、提现等全流程环节，通过精准匹配用户与机构，显著提升放款效率与收益转化：进件路由模块优化，人均放款提升3%-30%+；支持榕树业务放款增量超2亿元，场景金融业务增量超1000万元；主导智能营销系统方案设计，探索将大模型能力应用于短信文案生成与用户精准触达场景，构建画像驱动的内容生成与分发逻辑。

• S (Situation)
  • 百融云创信贷云业务线（榕树、场景金融等核心渠道）面临用户与机构匹配精准度不足、全流程转化效率低的问题：进件渠道分发无智能化策略，提现环节产品推荐适配性差，撞库环节效率低制约后续转化，传统营销内容同质化导致用户触达效果弱，核心指标（人均放款、毛利、放款增量）增长乏力。
• T (Task)
  • 主导核心渠道机构智能路由系统从 0 到 1 的设计与全流程优化，覆盖撞库、进件、提现等关键环节，通过精准匹配用户与机构提升放款效率；同步探索大模型在智能营销场景的落地，构建个性化内容生成与分发体系，支撑业务规模化增长与收益转化。
• A (Action)

  • 项目一：进件路由

    • 渠道智能分发： 主导 20 余个进件渠道的算法模型接入与分发策略迭代，设计智能路由机制动态调整渠道流量分配逻辑，适配不同渠道特性。
    • 推荐系统搭建： 全流程攻克样本构建、特征深度挖掘（开发 PID 维度核心特征）、多目标建模（MTL）等技术难点，从 0 到 1 搭建推荐系统，形成 “数据 - 模型 - 策略” 闭环。
    • 流量精细运营： 基于渠道特性差异化调优策略，在 10%-50% 流量区间内精准分配资源；累计完成 10 + 个多目标进件模型全链路优化（上线 100 余次），开发新老客实验指标与分析代码支撑迭代。

  • 项目二：提现路由

    • 全链路闭环构建： 主导推荐系统 “训练 - 发布 - 自动上线 - 校验” 全链路搭建，实现天级实验效果分析，提升策略迭代效率。
    • 个性化推荐设计： 针对可提现产品数量限制，设计适配新老客及全机构场景的个性化推荐模型 8 个，通过 3 轮样本迭代优化预测效果。
    • 特征体系的支撑： 开发 1000 + 特征（含集团 DTS 特征 400+、风控特征 100+、实时特征 30+），构建全面的特征支撑体系强化模型表达。

  • 项目三：整体撞库

    • 算法方案的设计： 设计基于推荐算法的撞库策略，优化撞库效率与精准度，为进件转化奠定技术基础。
    • 跨部门协同落地： 联动产品、运营、研发明确落地细节，协调资源对齐目标，推动方案从设计到执行的顺畅落地。
    • 模型与数据优化： 推进样本特征开发与模型耗时优化，通过特征存储方式升级提升数据获取效率与稳定性。

  • 项目四：智能营销

    • 个性化的方案： 设计大模型微调 + 智能推荐融合的个性化短信方案，构建 “内容生成 - 推送 - 效果反馈” 闭环链路。
    • 用户画像应用： 结合用户画像开发营销文案生成机制，输出个性化内容，支撑精细化运营策略落地。
• R (Result)
  • 进件路由： 人均放款提升 3%-30%，其中多目标模型驱动人均放款超 20%、人均毛利超 40%；支撑榕树业务放款增量超 2 亿元，场景金融业务增量超 1000 万元。
  • 提现路由： 人均放款金额提升 3%-5%，累计带来放款增量超 600 万元；推荐系统迭代效率提升，实现天级模型更新和效果分析。
  • 整体撞库： 撞库效率与精准度显著提升，为后续进件转化提供技术支撑，业务全链路智能化水平升级。
  • 智能营销： 验证大模型在营销场景的应用价值，个性化内容提升用户触达精准度，为精细化运营提供新路径。

在科技平台工作期间，负责将大模型应用到实际项目中，包括大模型微调、智能客服、视频生成以及自然专家系统等。这些项目旨在提升智能化水平、内容生成能力和用户体验等。

• S (Situation)
  • 科技平台面临智能化服务能力不足、内容生产效率低的核心痛点：传统客服依赖人工响应，问题解决率低且响应滞后；视频内容制作依赖专业团队，周期长、成本高；通用大模型在业务场景适配性不足，推理效率与任务精准度待提升，制约平台用户体验与运营效率。
• T (Task)
  • 主导三大核心技术落地项目：构建基于大语言模型的智能客服系统，提升服务精准度与效率；开发多模态视频生成体系，实现内容自动化生产；针对业务场景优化大模型微调技术，提升模型任务适配性与系统性能，支撑平台智能化升级。
• A (Action)

  • 项目一：智能客服系统

    • 架构设计： 搭建 “RAG + 大语言模型” 双驱动架构，整合 LangChain 框架、Text Embedding 向量模型与 Chromadb 知识库，构建 “用户提问 - 向量检索 - 知识增强 - 精准回复” 全链路闭环。​
    • 知识库建设： 梳理产品手册、FAQ、服务流程等核心知识，结构化存储并建立周级更新机制，覆盖多数高频咨询场景。​
    • 检索优化：引入 CrossEncoder 排序模型提升知识库匹配精度，针对 PDF 表格等特殊内容，通过 OCR 技术与多模态解析实现结构化问答。​
    • 监控体系： 建立指标体系（响应时长、准确率、用户满意度），基于反馈数据优化模型参数与知识库内容。​

  • 项目二：视频生成体系

    • 系统开发： 设计多模块协同架构，集成 Stable Diffusion/DALL-E（图像生成）、TTS 语音合成、Moviepy 视频剪辑工具，覆盖 “文本解析 - 分镜设计 - 素材生成 - 合成输出” 全流程。​
    • Agent 协作： 开发多 Agent 任务调度机制，实现文字解析、分镜规划、素材生成、合成优化等 Agent 的自动化协同，减少模块衔接延迟。​
    • 功能落地： 支持三大核心场景 —— 文本生成剧情视频（自动分镜 + 角色一致性强化）、图文混合生成解说视频（图片语义匹配 + 语音同步）、视频二次创作（风格迁移 + 内容增补）。​
    • 效果优化： 通过 Prompt 记忆机制强化角色/场景连贯性，基于用户反馈迭代生成参数，提升视频清晰度与内容逻辑性。​

  • 项目三：大模型微调

    • 技术选型： 针对客服问答、视频脚本生成等场景，采用 LoRA/QLora 轻量化微调技术，在 ChatGLM、LLaMA 模型基础上优化特定任务表现，减少微调参数量。​
    • 性能优化： 通过模型量化、推理加速等技术，降低显存占用，提升推理速度；结合分布式训练策略，缩短迭代周期。​
    • 效果验证： 构建任务专属评估数据集，从准确率、文本匹配度、用户反馈等维度验证微调效果，确保模型适配业务场景需求。
• R (Result)
  • 智能客服系统： 提高客户满意度和问题解决率，降低客服响应时间，提升平台的整体效率。
  • 视频生成体系： 实现视频自动化生成功能，内容制作周期缩短，生产效率提升，用户创作参与度有一定增长。
  • 大模型微调： 优化后的模型在特定业务场景表现更优，推理效率提升，资源消耗降低，支撑各系统稳定运行。

在招聘平台任职期间，负责店长直聘、BOSS直聘、蓝领交付三大核心业务线的推荐系统建设与优化工作，涵盖召回、粗排、精排、重排等完整链路，推动用户招聘求职体验与商业指标的持续增长。通过设计模型架构、构建样本体系、开发特征工程、挖掘数据价值，最终落地精细化增长策略，实现核心业务指标的规模化提升。

• 在店长直聘业务中，B端DAU从10万提升至40万，C端DAU从20万提升至80万，B/C两端转化率分别提升超100%和150%；
• 在BOSS直聘蓝领业务中，B端DAU从80万增长至100万，C端DAU从150万提升至200万，B/C两端转化率提升分别超过30%和50%；
• 在蓝领交付场景中，日均20万条线索分配通过模型与策略优化，显著提升入职转化率，增幅达100%以上。

通过系统性算法迭代与策略落地，显著提升平台供需匹配效率与用户留存，为业务规模化增长提供强力支撑。

• S (Situation)
  • 招聘平台（店长直聘、BOSS 直聘、蓝领交付）推荐系统全链路（召回、粗排、精排、重排）存在匹配效率低、多目标平衡不足问题：用户与职位匹配精准度差，B/C 两端转化率低，蓝领交付线索分配依赖人工规则导致入职转化低效，制约业务规模化增长。
• T (Task)
  • 负责三大核心业务线推荐系统全链路建设与优化，通过模型架构设计、样本体系构建、特征工程开发、精细化策略落地，提升供需匹配效率与核心业务指标（DAU、转化率、入职转化）。
• A (Action)

  • 项目一：重排算法

    • 算法设计： 负责重排算法的设计与实现，将查看、开聊、回复、达成、拒绝等多种目标进行融合优化，提高推荐结果的精确性和个性化，优化推荐效果。
    • 全局寻优： 全局离线寻优，采用粒子群优化算法PSO，根据离线指标的约束，寻找多目标的最优组合。全局在线寻优，用CEM方法，只需定义策略参数和reward，直接优化线上转化目标。
    • 个性化寻优： 结合user、user-item等维度特征，用模型学习个性化需求，融合多目标得分。具体方式有：
      • 级联模型： PointWise和PairWise两种形式的级联模型(PLE+DeepFM)，主次模型解耦，精排层+重排层的级联模型。
      • 融合模型： 人工融合和帕累托融合两种形式的融合模型，端到端地通过一个辅助网络学习如何组合不同的目标，模型融合网络输出多目标融合参数。
      • 强化学习： 构建四元组（状态S_t、动作A_t、收益Reward_t、状态S_t+1），训练DDPG的Critic和Actor网络，在交互过程中通过学习策略达到回报最大化，是探索和利用的过程。
      • 进化策略： 两代(1+1)-ES、每代(1+1)-ES、(1+1)-ES+CEM等多种形式的进化策略，直接优化线上转化率目标。
    • 融合评估： 重排算法的AB实验和效果评估，通过离线指标和线上指标，从匹配性、活跃性、多样性等方面，评估推荐结果的准确性和个性化程度，提高用户满意度。

  • 项目二：排序算法

    • 样本权重： 采用XGBoost和DeepFM等模型，通过设置样本权重，来控制模型多个目标的倾向，样本权重根据样本比例以及模型离线评价指标来调整。使用Focal Loss调整样本权重，处理类别不平衡问题，增强难样本的权重，提高模型的鲁棒性。
    • 多任务学习： 结合查看、开聊、回复、达成、拒绝等多种目标学习，具体方式有：
      • 排序PairWise模型，让模型学习各个label样本pair对之间的相对顺序。选择优化目标，调整样本pair对的组合方式，根据item1和item2的label，进行损失加权，起到多个目标调和的作用。
      • 应用多任务学习框架，ESMM将CTR和CVR结合，解决CVR数据稀疏性问题；MMoE通过多个专家网络和门控机制处理多任务学习问题；PLE通过渐进式分层提取特征实现多任务学习，在模型结构上引入专门的任务特定层和共享层，逐步提取和分离特征，优化排序模型的多目标效果。
    • ID特征： 构建和优化userID和itemID的动态嵌入特征，提升模型的表达能力。利用TFRA的ID Dynamic Embedding技术，捕捉用户和物品的个性化特征，提高排序模型的表现。
    • 模型评估： 使用AUC、GAUC（个性化排序，消除请求偏差）、MAP（位置顺序敏感）、TOPN（位置顺序敏感）等指标，评估排序模型的效果，拟合线上的实际效果，便于模型调整优化。

  • 项目三：召回算法

    • SimItem： 利用物品相似度进行物品召回，根据物品的共现关系找到相似物品，具体方式有：
      • ALS： 选择用户的查看和开聊行为，根据userid、itemid、score进行ALS计算。通过ALS分解用户-物品交互矩阵，生成用户和物品的隐向量表示，用于计算相似物品。
      • Content： 根据物品属性信息匹配度合计总分，包括距离，相似度，薪资、年龄、学历、公司匹配度等。通过属性信息来计算，扩大相似物品资源池，提高召回覆盖度。
      • Item2Vec： 基于用户行为得到itemid序列，增加side information，如city, position, title等，构造两两pair对item，利用n-gram特征捕捉词内部字符信息，训练fasttext模型，得到item向量。
      • Swing： user-item-user的结构比itemCF的单边结构更稳定，itemCF考察两个物品重合的受众比例有多高，如果很多用户同时喜欢两个物品，判定两个物品相似。Swing额外考虑重合的用户是否来自同一个小圈子，如果overlap(u1, u2)越大，就越要降低权重。
    • 向量召回： Mind根据用户行为和用户画像特征，通过胶囊网络生成多个用户兴趣向量。U2U2I从用户到用户再到物品，U2I2I从用户到物品再到物品，结合用户行为序列，计算向量相似度，实现向量召回。
    • 策略召回： 基于距离、相似度、活跃度等指标的策略召回，新物品召回，热门物品召回，冷启动物品召回，根据历史行为和偏好的个性化召回等策略。

  • 项目四：样本特征

    • 数据仓库： 根据曝光日志、特征日志、行为日志等数据源，使用Hadoop和Spark大数据框架，构建全面的数据处理流程，包括清洗数据和ETL工程。通过提取特征和样本，建立高效的数据仓库。确保数据的高质量和一致性，为后续的特征工程和模型训练提供坚实的数据基础。
    • 样本指标： 结合实际业务，规范样本标签。增加负向行为指标（如拒绝），细化正向行为指标（如已读），以提高指标的全面性和准确性。将新的样本标签更新到BI系统，并同步更新训练样本中的标签，以确保模型的准确性和稳定性。
    • 特征工程： 深入挖掘和开发超过1500个特征，包括BC两端的属性特征、交叉特征（如匹配特征、偏好特征）、内容特征、统计特征、行为特征、序列特征、时间特征、以及距离、相似度和活跃度特征等。涵盖user-item的各个方面，为模型提供丰富的信息。
    • 特征选择： 根据特征分析选择特征，具体方式有：XGB特征重要性、皮尔逊相关系数、特征排列重要性（去掉某个特征）、LR特征重要性（添加某个特征）、SHAP等。通过特征选择，去除冗余特征，提高模型的泛化能力，减少过拟合风险。

  • 项目五：蓝领交付

    • 样本特征： 结合流量侧和分配侧的数据流，构建样本特征表，可视化BI漏斗指标。开发匹配特征、统计特征、偏好特征等。通过特征分析，挖掘用户行为和偏好，提高模型的预测准确性。
    • 推荐模型： 构建一个推荐系统来优化交付流程，确保线索资源的最佳分配，包括分级层、分配层、全局匹配层、标签层等。具体内容有：
      • 分级层： 线索分级模型，优先分配好线索，提高线索的转化率。以约面、到面、入职为目标，模型从DeepFM迭代到FM，调整超惨，提高模型的准确性。
      • 分配层： 通过提高专员和线索的匹配度，提高线索的转化率。根据专员的历史表现和线索的属性特征，构建分配模型，提高线索的匹配度。
      • 全局匹配层： 在全局范围内优化匹配，确保总效益最大化，用整数规划Gurobi方法实现。最大化匹配评分，约束条件有可推荐关系约束、专员库容约束、线索分配次数约束。
      • 标签层： 通过给优质线索打上显示标签，加强专员的重视程度，提高线索的转化率。展示线索的活跃度、匹配度、优先级等标签，提高专员的工作效率。
    • 策略优化： 针对实时线索和待分配线索，采用不同的分配策略。在分配时间、分配次数、线索流转等方面，结合具体业务，优化分配策略，提高线索的转化率和用户满意度。
• R (Result)
  • 店长直聘： B端DAU从10万 → 40万，C端DAU从20万 → 80万，B/C转化率分别提升超100%、150%。
  • BOSS直聘蓝领业务： B端DAU从80万 → 100万，C端DAU从150万 → 200万，B/C转化率分别提升超30%、50%。
  • 蓝领交付： 日均20万条线索通过智能分配，入职转化率提升100%+，改善专员负荷均衡性，降低人工成本。

担任电商平台算法工程师，负责用户画像、数据分析及推荐系统的设计和优化工作。通过精准用户画像和深入数据分析，优化推荐算法和个性化策略，提高推荐系统的准确度和效率。根据用户标签进行精准营销，提升购买率，减少流失率。通过持续的模型优化和策略调整，提升业务目标和用户体验。

• S (Situation)
  • 电商平台推荐系统依赖通用规则，用户与商品匹配精准度低，导致点击率、转化率增长缓慢；营销活动缺乏用户画像支撑，内容同质化严重，用户留存与购买率待提升。
• T (Task)
  • 构建基于用户行为与特征的个性化推荐系统，开发多维度用户画像体系，通过精准推荐与个性化营销提升平台转化效率与用户体验。
• A (Action)

  • 项目一：推荐系统

    • 样本指标： 收集商品数据、用户特征数据、用户行为数据等，根据关键指标，如点击率、转化率、浏览时长、购买频率等，生成用于模型训练的样本数据。
    • 特征工程： 根据用户的历史行为和偏好，构建用户画像特征，包括用户的年龄、性别、地域、购买偏好、浏览习惯等。结合商品的类别、价格、品牌、销量等特征，构建商品特征。通过特征工程，提高模型的预测准确性。
    • 算法模型： 特征预处理，如类别特征one-hot编码，连续特征分桶，数值特征归一化等。使用GBDT和LR等算法，构建推荐模型，根据用户特征和商品特征，预测用户对商品的喜好程度。通过模型训练和调优，提高推荐的准确度和覆盖率。

  • 项目二：用户画像

    • 用户特征： 整合多个数据源中的用户数据，包括用户基本属性表、客户消费订单表、客户购买类目表、用户访问信息表等，形成用户宽表。根据数据仓库，计算用户扩展属性，如30天购买金额、最近一次消费时间等。
    • 模型预测： 根据用户行为数据，提取有价值的特征，训练算法模型，对用户特性进行预测。如是否单身、是否有小孩、是否有车、是否有房等。这些预测结果为精准营销提供重要依据。
    • 精准营销： 使用多维组合查询，筛选满足特定条件的目标用户，打上相应的标签，如预流失客户、夜猫子、单身一族、钟情白色、美妆达人等，根据这些标签，设计并推送针对性的营销活动，提高用户购买率和留存率。
• R (Result)
  • 推荐系统： 商品点击率提升 35%+，用户购买转化率提升 25%+，人均浏览时长增加 15%。
  • 用户画像： 精准营销贡献销售额占比达 30%，预流失用户挽回率提升 20%。

专业技能

编程语言

多模态算法

大模型开发

推荐算法

数据分析

致谢说明

感谢您花时间阅读我的简历，期待能有机会和您共事。

测试一下