UP简历小U

+86 138-XXXX-XXXX|xiaou.resume@example.com|北京

个人总结

资深数据挖掘工程师，在机器学习、深度学习和统计建模领域拥有<strong>5年</strong>以上经验。擅长利用复杂数据解决实际业务问题，精通数据预处理、特征工程、模型训练与优化。曾主导并成功交付多个高复杂度数据产品项目，有效提升业务效率和决策质量。致力于将先进算法应用于实际场景，创造<strong>可量化</strong>的商业价值。

工作经历

高级数据挖掘工程师

字节跳动

2021-08 - 2024-06

负责核心推荐系统算法的迭代与优化，通过引入图神经网络（GNN）和多模态融合技术，使内容点击率提升12%，用户停留时长增加8%
主导用户行为预测模型开发，利用Transformer架构和序列建模，将广告点击率（CTR）预测精度提升15%，为公司带来千万级年化收益增长
设计并实现异常检测系统，有效识别并拦截恶意流量，降低XX%的无效广告支出，提升数据质量
构建用户画像系统，整合多源数据，产出200+维度用户标签，为精准营销和产品策略提供数据支撑
指导初级工程师，推动团队技术分享和知识沉淀，提升团队整体算法能力20%

数据挖掘工程师

腾讯

2019-07 - 2021-07

参与风控模型的开发与部署，利用逻辑回归、XGBoost等算法，识别潜在欺诈行为，将风险识别准确率提升10%
负责用户流失预警模型的构建与优化，通过特征工程和模型调优，将模型预测准确率提高到90%，成功挽回XX%的潜在流失用户
对海量用户日志数据进行清洗、转换和加载（ETL），优化数据处理流程，使数据处理效率提升30%
撰写技术文档和研究报告，为产品和运营团队提供数据分析支持，推动数据驱动的决策

项目经历

基于深度学习的个性化新闻推荐系统

个人项目

2023-01 - 2023-06

项目背景：针对传统推荐系统存在的冷启动和多样性不足问题，探索深度学习在个性化推荐中的应用。
个人角色：独立完成项目，包括数据收集、模型设计、开发与部署。
项目价值：提升用户体验，增加内容消费，为未来商业化提供技术基础。
技术实现：
- 利用Python和TensorFlow/PyTorch框架，构建了基于GRU和Attention机制的深度神经网络模型，实现用户兴趣建模。
- 集成新闻Embedding技术，将新闻内容转换为低维向量表示，提升推荐准确性。
- 采用负采样和多任务学习策略，优化模型训练过程，加速收敛。
项目成果：
- 在公开数据集上，推荐准确率（Recall@K）提升18%，多样性（Coverage）提升10%。
- 系统可处理百万级用户和新闻数据，响应时间控制在100ms以内。

电商商品评论情感分析系统

课程项目

2018-09 - 2018-12

项目背景：为电商平台提供商品评论情感倾向分析，辅助商家了解用户反馈。
个人角色：团队核心成员，主要负责模型选择、训练和评估。
项目价值：帮助商家快速获取用户情感，优化商品和服务。
技术实现：
- 收集并清洗5万条电商评论数据，进行中文分词和停用词过滤。
- 对比SVM、朴素贝叶斯、Bi-LSTM等多种模型，最终选用Bi-LSTM模型进行情感分类。
- 利用Word2Vec预训练词向量，提高模型对语义的理解能力。
项目成果：
- 模型在测试集上的情感分类准确率达到88.5%。
- 实现了评论情感的实时分析和可视化展示。