简历模板3——数据挖掘工程师5年经验
姓名 / Your Name
数据挖掘工程师 | 5年经验 | 推荐/画像/反欺诈
📞 138-XXXX-XXXX | ✉️ your.email@example.com | 🌐 github.com/yourname | 📍 北京
🎯 个人简介 / Summary
5年大厂数据挖掘工程经验，硕士学历，主攻推荐系统、用户画像、图神经网络与反欺诈检测。擅长构建复杂特征体系、建模全流程和线上部署，主导多个核心项目实现业务增长与系统落地。具备强建模与工程结合能力，熟悉海量数据处理、模型服务化、AB实验机制等实战经验。
💼 工作经历 / Work Experience
高级数据挖掘工程师
字节跳动 | 推荐技术部门
2021.08 – 今，北京
- 主导短视频推荐排序优化项目，设计 DeepFM+MMoE 多任务模型，引入短期兴趣建模，点击率提升 12.3%；
- 搭建用户画像系统，整合30+维度标签（兴趣簇、行为频次等），支撑推荐/广告/内容风控三大业务；
- 建设异步特征平台，支持日均百亿调用，模型服务稳定性达99.99%；
- 与平台协作完成多模型服务统一部署，接入AB实验与指标归因。
数据挖掘工程师
美团 | 风控与调度算法组
2018.07 – 2021.07，北京
- 构建交易网络图用于识别虚假商户，引入图神经网络（GAT）建模多跳交易路径关系，识别准确率提升至 91%；
- 参与骑手调度系统建模，引入天气/订单密度/区域热度等特征，平均配送时间下降 8.5%；
- 搭建建模特征流水线与训练样本生成框架，提升建模迭代效率。
🚀 项目经历 / Key Projects
1. 多目标推荐排序模型优化（字节跳动）
- 业务背景：短视频首页推荐场景中，既需提升 CTR，又需兼顾用户留存与观看时长；
- 技术方案：
- 构建 DeepFM + MMoE 架构的多任务模型，主任务预测点击率，副任务建模停留时长与次日活跃；
- 引入序列建模（Transformer）处理用户短期行为序列，建模兴趣漂移；
- 利用曝光补权 + 多任务 loss 平衡点击与留存任务，缓解样本不均问题；
- 成效：模型部署后 AB 实验点击率提升 12.3%，次日留存提升 4.7%，覆盖日活用户 2.1 亿+。
2. 用户画像图谱系统重构（字节跳动）
- 业务背景：原有画像系统静态、碎片，难以刻画动态兴趣与跨域行为；
- 技术方案：
- 基于用户-行为-内容构建异构图（Heterogeneous Graph），引入 GCN 聚类生成兴趣簇标签；
- 结合行为频率、内容语义和交互上下文，构造 30+ 类标签体系；
- 构建异步标签生成服务，支持分钟级更新，降低调用延迟；
- 成效：画像体系被推荐、广告、内容安全三条业务线复用，调用量日均超 3 亿，支撑多模型输入特征。
3. 刷单团伙识别系统（美团）
- 业务背景：平台存在大量虚假交易与团伙账号影响信用体系；
- 技术方案：
- 构建商户-用户-订单的图结构，设计节点与边的复杂行为特征（频次/金额/时间窗口）；
- 引入图注意力网络（GAT），对商户关系图建模，识别社区行为特征；
- 加入半监督图学习机制，利用人工标注样本传播可信度；
- 成效：模型上线后识别准确率达 91.2%，月均拦截恶意商户 400+，有效减少平台投诉。
4. 用户流失预测与营销反激活系统（美团）
- 业务背景：平台需要预测用户流失并提供精准触达机制；
- 技术方案：
- 构建用户行为序列特征（7/14/30天粒度），使用 LightGBM 预测未来30天留存概率；
- 结合时间窗内行为密度、支付周期与页面路径等构建高关联特征；
- 支持营销策略 AB 测试与回溯优化，接入短信/Push/券包等激活链路；
- 成效：模型 AUC 达 0.87，激活命中率提升 21%，次月留存提升 6.3%。
🏆 竞赛经历 / Competitions & Awards
- 🥈 Kaggle - Santander Customer Transaction Prediction：Top 2%，团队融合方案，使用堆叠模型与特征统计增强；
- 🥉 阿里天池用户增长算法大赛 全国三等奖：建模方案基于用户行为频率与滑窗聚合；
- 🎖️ 中国研究生数学建模竞赛 国家二等奖
🎓 教育背景 / Education
北京航空航天大学
硕士 | 计算机科学与技术 | 2016.09 – 2018.06
山东大学
学士 | 信息管理与信息系统 | 2012.09 – 2016.06
🧠 技能清单 / Skills
- 建模算法：XGBoost, LightGBM, DeepFM, MMoE, Transformer, GNN（GAT/GCN）
- 数据平台：Hive, Spark, Airflow, Flink, Kafka
- 工程部署：Python, TensorFlow Serving, Faiss, Docker, Linux Shell
- 应用领域：推荐系统、用户画像、反欺诈、调度预测、用户增长