项目类型：信息流推荐与人群圈选项目。

项目背景：在信息流业务引入“短故事”新体裁时，历史交互数据非常稀疏，直接依赖传统 CTR 模型难以准确判断哪些用户会对短故事内容感兴趣。项目目标是在冷启动阶段快速找到高潜人群，并通过小流量实验验证新体裁对整体大盘的增益。

核心工作：
1. 构建种子用户与大盘用户样本，围绕用户画像、行为序列、小说/短剧等相似类目兴趣设计特征。
2. 一期使用 Lift 值 Lookalike 方法快速验证方向，通过特征占比提升度对用户打分，发现年龄较大、二三线城市用户对短故事兴趣更强。
3. 二期升级为 XGBoost 打分模型，使用约 271 维特征学习非线性交互，并将输出方式从固定阈值改为固定 Top 人群规模，提升下游投放稳定性。
4. 结合 UTR、阅读时长和 A/B 对照结果评估策略效果，二期 UTR 提升约 30%，时长保持正向。

本人负责：样本构建、特征工程、Lift 规则打分、XGBoost 模型训练、人群包输出、实验数据分析与策略复盘。项目体现了推荐系统冷启动、机器学习建模、业务指标拆解和实验分析能力。