携程酒店业务线面临详情页转化率瓶颈，用户浏览后流失率高。本项目通过个性化推荐系统优化，提升用户在酒店详情页的预订转化率和附加服务购买率。核心功能包括：用户行为采集层（浏览轨迹、收藏、比价、预订历史），推荐算法接入层（协同过滤+规则引擎混合策略），推荐结果展示层（相似酒店、周边热门、套餐组合三个推荐位），以及A/B测试实验平台（支持多变量分流、数据监控、自动显著性检验）。业务流程：用户进入酒店详情页→系统实时计算用户画像匹配度→召回候选推荐集→排序模型打分→前端展示推荐结果→用户点击/忽略行为回传→模型在线学习优化。

整体采用前后端分离架构，前端基于Vue.js组件化开发推荐位模块，后端使用Java服务化架构，推荐引擎由数据科学团队基于Spark MLlib实现，我负责产品层设计与算法策略对接。我负责的模块和结果：设计推荐位交互方案（卡片式/列表式/瀑布流三种形态），通过A/B测试验证卡片式点击率最高（+23%）；定义推荐触发规则（浏览30秒未下单触发相似推荐，下单后触发套餐推荐），交叉销售转化率提升7%；推动"推荐理由可解释性"功能上线（"95%用户最终选择了这家"等标签），用户反感率下降15%。遇到的难点：推荐结果同质化严重（热门酒店反复出现）。解决方案：引入探索-利用平衡机制（Epsilon-Greedy算法），在推荐集中混入10%长尾酒店，既保证转化又拓展用户选择面，长期留存率提升4%。