猿急送>

北京其它兼职程序员

ID：298841

weikangzhao

广告推荐算法工程师

公司信息：
vivo软件技术有限公司

工作经验：
3年

兼职日薪：
600元/8小时

兼职时间：
下班后
可工作日远程

所在区域：
北京
朝阳

技术能力

1、熟悉 Python\Scala\Java,了解 C++;熟悉 linux 和 shell;熟悉常用的数据结构和算法;
2、熟悉 Spark\MapReduce\Hadoop\HIVE 等大数据处理工具和原理，并熟练使用;
3、熟悉 LightGBM/XGB,GBDT+LR,RF,Adaboost 等传统机器学习算法原理，并熟练使用;
4、熟悉 Tensorflow 开源框架，了解 DNN,DeepFM/FFM/FNN,DSSM,ESMM,DIN 等推荐系统常用网络;

项目经验

2020.06-至今 vivo 智能平台部效果广告组
背景介绍: vivo 在手机浏览器的信息流广告中,为了快速迭代,引入头条 toB 的算法部门,与 vivo 算法团队，进行广告
效果的比稿。在与头条团队 pk 中，将信息流广告效果不到头条 90%迭代到现在 ctr\arpu\广告主价值 97%左右。
信息流广告 CXR 预估
 实时模型的推进：生成低延迟样本，模型从天级模型迭代成小时级模型，有效降低预估偏差，提升点击率。
 特征工程优化：特征体系的熟悉，并在用户特征和广告特征的交叉上做了很多尝试和优化，挖掘用户兴趣
特征，离在线都取得了收益，并将有效特征推广到其它场景(浏览器推荐页、详情页、短视频、联盟)
 模型优化：基于 tf 训练框架，离线尝试用 DIN 和 DeepFM 模型优化推荐页 CTR 模型，在 AUC 和偏差以
及先后验上都拿到了收益。
 模型蒸馏：粗排的 CTR\CVR 模型学习精排线上打分，可以迂回学习隐藏的特征，CTR\CVR 多网络的训
练方式，底层 Embedding 共享机制让 CVR 网络也可以从曝光未点击样本中学习信息，扩充样本量，减
少样本偏差问题。
信息流召回框架构建
 参与 Vivo 信息流召回框架从无到有，采用 DSSM 模型，pair-wise 的建模方式，基于未曝光数据构建样
本，学习队列的序，正样本为精排模型排序 Top 的 item，负样本在精排\粗排队列根据排序卡点采样；从
数据流的建设，离线评估指标，模型代码开发到上线一致性验证整个流程独立完成，最终上线取得 3 个点
广告主价值收益，在推荐页以及其它场景(详情页、短视频)推全
 样本优化：改进负样本采样方式，融合 hard negative 和 easy negative，对热门 item 作负样本时过采
样，新的样本构建方式离在线都取得稳定收益
2018.09-2018.11 DC TCBD 数据挖掘竞赛小微企业失信预测冠军
 通过分析苏州市几十万家小微企业各方面留下的行为足迹信息，理解企业失信的司法定义，分析数据，构
造基本统计特征、交叉特征、业务特征、规则特征，最终使用(Adaboost、随机森林、LightGBM、XGB
等模型) + LR 的 stacking 模型融合方式进行融合，给出企业失信概率。

案例展示

数据挖掘竞赛冠军

本人于就读北京科技大学研究生期间多次参加天池、DataCastle等知名平台数据挖掘竞赛，并于2018.09-2018.11 DC TCBD 数据挖掘竞赛中小微企业失信预测项目作为队长带队获得冠军通过分析苏州市几十万家小微企业各方面留下的行为足迹信息，理解企业失信的司法
天池数据竞赛网络图像的文本识别第五名

本人于就读于北京科技大学研究生期间多次参加天池、Datacastle等平台数据挖掘竞赛并于2018年在天池数据挖掘竞赛平台上ICPR MTWI 2018 挑战赛一：网络图像的文本识别项目于1370支队伍角逐中获得第五名。网络图像的文本行（列）识别：识别单文本行（列