项目描述： 基于用户query文本的多模态召回问题，利用query和商品图片特征（单个图片包含w，h，多box特征和box的label）对候选商品排序。最终提交测试数据中的每个query的候选5个商品，即是一个跨模态检索问题。 项目主要贡献： 利用query和商品图片特征对候选商品排序，对训练集（正例）构造负样本，构造线下训练集，1)图片特征：映射图片box位置特征与图片特征相加，box的label进行embedding，拼接后进行序列表示。2)query特征：获取预训练Bert模型得到的查询词embedding向量。两类特征拼接后叠加全连接层完成分类任务，线下多个单模型(不同负样本生成策略，不同训练量等)训练，最终对多模型进行融合，完成算法的设计和实现，最终赛道榜单第20名(Top1%)。

S 用户进入业务页，对进入分发用户进行的匹配，帮助用户提升转化率。 T 资方排序模型通过从用户特征和资方特征学习XX和用户之间的匹配程度，选择匹配度高的资方排在前面，可以有效提升转化。 A 训练到端授信模型XGBoost，F-Attention等，完成意愿预估，XX分发等任务，并对每个样本计算在各个XX下的分数，从候选XX中按照分数排序，预估高的优先分发。尝试引入用户意愿埋点标签，建立多任务模型，完成申请意愿和成功率预估任务。 R 完成流量分发流程，实现用户转化成功率提升。

S 预估用户对券的喜好，在app端对用户呈现的不同权益券弹窗。 T 使用各渠道特征，构造用户行为特征和券图片特征，挑选重要特征，训练模型，并将模型工程化，完成用户各个券下打分预测，决策用户呈现的券种类，实现信贷用户转化率提升。 A 在业务中采用到端建模(LightGBM)，多阶段建模和多任务建模MMOE等方法，预测用户在不同劵下转化率分数预估，并对分数进行校准处理，再进一步对用户进行券分配，实现千人千面发券。 R 实现用户点击率，转化率提升，点击率绝对提升13%。