Hi 👋 there, I'm huzixia

 

         

基本信息

专业技能

多模态算法

大模型开发

推荐算法

数据分析

工作经历

• S (Situation)
  • 在科技平台工作期间，负责将大模型应用到实际项目中，包括智能客服系统、视频生成系统、自然专家系统以及大模型微调等。这些项目旨在提升平台的智能化水平、内容生成能力和用户体验。
• T (Task)
  • 主要任务是开发和优化智能客服系统，提高客户服务质量和效率。实现视频生成系统的开发，增强平台的内容生成能力。开发自然专家系统，为用户提供智能化、专业的咨询服务。对大模型进行微调，提升模型在特定任务上的表现，并将其应用到各个系统中。
• A (Action)

  • 智能客服系统

    • 系统设计：设计基于自然语言处理（NLP）和大语言模型的智能客服系统架构，确保系统能够准确响应用户问题。
    • 知识库：存储系统需要的各类知识和信息，包括常见问题答案、产品信息、操作指南、服务流程等。
    • RAG：根据用户输入，通过向量检索模型和排序模型，从知识库获取参考答案，将用户输入和参考答案一起提供给大语言模型，生成最终回复。
    • 监控分析：监控系统运行状态和性能指标，对系统进行实时分析和优化，提高系统的稳定性和性能。

  • 视频生成体系

    • 系统开发：设计和开发视频生成体系，包括文字模块、音频模块、音乐模块、图像模块、视频模块等。
    • Agent协作：实现多个Agent之间的协作，确保不同模块之间的无缝衔接和高效运行，实现多模态大模型协作。
    • 功能模块：支持三种功能，文本生成视频；文字和图片生成视频；文字和视频生成新的视频。
    • 迭代优化：根据用户反馈和测试结果，不断优化生成效果，提升生成内容的质量和多样性。

  • 自然专家系统

    • 系统设计：基于多模态（文字、语音、图片、视频））输入和输出需求，设计自然专家系统的整体架构。
    • 功能模块：识别用户上传的图片，用文字语音视频多模态的方式反馈给用户；根据用户需求，多模态讲解内容；提供测试功能，检测用户对知识的掌握程度；支持用户互动和分享等。

  • 大模型微调

    • 微调技术：应用大模型微调技术，如LoRA微调，对模型进行针对性优化，使其在特定任务上表现更佳。
    • 性能优化：通过模型压缩和加速技术，优化模型的推理速度和资源占用，提升系统性能。
• 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：实现生成视频的功能，显著提高了内容生成的效率和质量，提升用户参与度。
  • 自然专家系统：为用户提供了高质量、专业的咨询服务，提高用户满意度和系统使用率。
  • 大模型微调：成功微调了多个大模型，提升在特定任务上的性能，提高系统的推理速度，减少资源消耗。
• 这些工作，不仅增强了平台的技术实力和竞争力，还显著提升了用户体验和平台的运营效率。

• S (Situation)
  • 在招聘平台工作期间，负责三大业务线：店长直聘、BOSS直聘、蓝交付。这些业务线的核心目标是通过智能推荐系统提升用户的招聘和求职体验。为了实现这一目标，我主导了标签体系、样本数据、特征工程、数据分析、推荐系统、监控体系等多个方面的工作。
• T (Task)
  • 主要任务是设计和优化三大业务线的推荐系统，包括推荐算法、召回、粗排、精排、重排等各个环节。此外，还负责数据分析、用户画像、用户行为分析、生命周期管理以及推动商业增长。
• A (Action)

  • 推荐算法

    • 召回：设计和实现多种召回策略（Strategy、Item2Vec、Swing、Mind等），以提高推荐的覆盖率和多样性。
    • 粗排：使用Xgboost和DeepFM等算法对召回结果进行粗排，保证推荐结果的质量。
    • 精排：应用Xgboost、DeepFM、MMoE、PLE、TFRA、PointWise、PairWise、MTL等算法对粗排结果进行精细排序，进一步提升推荐的准确性。
    • 重排：采用MTL、CEM、ES、RL、级联模型、融合模型等技术对最终的推荐结果进行重排，优化用户体验和业务目标。

  • 样本体系

    • 构建和管理大规模样本数据，确保数据的完整性和准确性。
    • 设计数据采集和处理流程，提升数据处理效率。

  • 特征工程

    • 开发和优化多种特征，包括老板特征、牛人特征、职位特征、上下文特征、行为特征、偏好特征、兴趣特征等，提升模型的表现。
    • 应用特征选择和特征生成技术，增强模型的泛化能力。

  • 数据挖掘

    • 分析用户行为数据，构建用户画像，识别关键用户群体和行为模式。
    • 通过数据分析和挖掘，为产品优化和业务决策提供支持。

  • 监控体系

    • 设计和实施监控体系，实时监控推荐系统的性能和稳定性。
    • 通过日志分析和异常检测，快速发现和解决问题。

  • 商业增长

    • 结合用户生命周期分析，制定个性化营销策略，推动用户活跃度和商业转化率的提升。
    • 与产品、运营团队紧密合作，推动产品迭代和业务增长。
• R (Result)
  • 推荐系统的点击率和转化率显著提高，用户满意度大幅提升。
  • 数据分析和用户画像的应用，使产品优化和业务决策更加精准。
  • 商业增长显著，实现了用户活跃度和商业转化率的双重提升。
• 这些工作，不仅提升了推荐系统的效果，使得推荐结果更加符合用户需求，还增强了平台的核心竞争力，为公司带来了显著的商业收益。

• S (Situation)
  • 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。
• T (Task)
  • 主要任务是通过用户画像和数据分析，提升推荐系统的精准度和效率，从而提高用户的购买率和满意度，降低用户流失率。
• A (Action)

  • 用户画像

    • 收集和整合用户在平台上的行为数据（如浏览、点击、购买历史），建立详细的用户画像。
    • 使用聚类分析、主成分分析等方法，对用户进行细分，提取用户偏好和特征。
    • 基于用户特征进行用户分群，识别高价值用户和潜在流失用户，制定针对性的运营策略。

  • 数据分析

    • 分析用户行为数据，挖掘影响用户购买决策的关键因素，帮助产品团队优化用户体验。
    • 使用数据可视化工具（如Tableau），将分析结果以图表形式呈现，供管理层决策参考。
    • 定期生成数据报告，提供用户行为趋势和市场反馈。

  • 推荐系统

    • 设计并实现协同过滤、随机森林、XGBoost等多种推荐算法，提升推荐系统的准确性和多样性。
    • 引入实时数据流处理框架（如Kafka、Flink），实时推荐，提高推荐的时效性。
    • 通过AB测试评估不同推荐策略的效果，持续优化推荐模型。
• R (Result)
  • 用户画像系统的完善使得用户运营更加精准，用户粘性和满意度显著提升。
  • 通过深入的数据分析，优化了平台的商品展示和库存管理，提高了销售转化率和库存周转率。
  • 推荐系统的优化显著提升了推荐的点击率和转化率，带动了平台的整体销售增长。
• 这些工作，不仅提高了电商平台的推荐效果和用户体验，还帮助公司更好地理解用户需求，制定更精准的市场策略。