异常检测项目的背景是这样的，当时团队正在开发一个运维监控系统，用来监控后台服务的运行状况。异常检测就是为了实现监控指标的智能告警，属于运维监控系统的一个模块。做异常检测算法模型负责人, 主要工作及产出如下: •独立调研时序信号异常检测领域技术现状，并结合业务特性制定技术方案 •基于 PyTorch 框架实现深度学习异常检测模型，核心算法包括 DBSCAN、VAE •开发出一套开源代码，用于时序数据去噪、平滑、模板提取及模板聚类等功能 •实现并行化，单次识别时间降低至 5-20 毫秒，符合线上计算性能需要 •异常检测算法 F1-score 相比原有方法提升 60%+

内容体系包括图文文章和视频，通过把内容分发到不同的内容渠道上来获取用户阅读量，共有10+渠道。在这个过程中，内容的创作者根据用户的阅读量获得分成，有的作者为了获得高分成进行作弊刷量，流量反作弊的目的就是把这些作弊流量识别并过滤掉，为公司减少成本。 作为项目的负责人, 主要产出如下: •从 0 到 1 负责10多个渠道的风控体系建设，包括数据接入、风控策略、算法模型、风险分以及日常监控等模块 •完善各渠道数据接入流程并统一数据验收标准，数据接入效率提升 3 倍以上 •通过跨团队合作，引入多方风险数据，丰富分析数据源，完善风控策略体系 •设计风控策略 70 条，日均节省作弊分成从 12 万提升至 90 万，节省成本 10%左右 •独立研究风控算法模型（LR、RF、DT、GBDT、NB、SVM 等）并部署上线，识别作弊量提升 20%+ •建立自媒体作弊风险分模型（TOPSIS），量化自媒体风险程度，以此打击作弊媒体，形成风控闭环 •作弊团伙分析，挖掘出 2 个作弊团伙 •调研 Echarts、Highcharts 及 D3JS 等工具，并基于 Echarts 进行可视化数据开发

从直播业务上线起，本人就开始负责整个推荐体系的搭建，包括最基础的数据上报链路的设计，特征画像体系的构建，物品的召回方式，以及精排模型的迭代优化还有最后重排层策略的设计和完善。到目前为止，推荐体系中各个核心模块，比如特征、召回、精排和重排，已经有了一个比较完整稳定的相架体系，虽然还没到达到非常完善的程度，但也在各个模块中做了很多的尝试和优化，整体优化下来，人均时长也比提升了10%以上。推荐体系具体模块及主要成果如下: •完成了直播推荐算法体系从 0 到 1 的搭建，包括数据上报规划、特征体系构建及召回 层、精排层和重排层的算法模型或策略体系的搭建 •从离线、实时、用户流水数据和基础属性四个维度搭建特征体系，完善用户和物品的 画像特征 •构建多路召回策略，包括实时相关召回、热度召回、用户历史偏好召回等，全面覆盖用 户潜在偏好主播 •基于 TensorFlow 框架构建深度学习精排模型，从单目标模型、多目标模型逐步优化至多 场景多目标模型，涉及算法包括 DeepFM、ESMM 和 MMOE，模型优化点包括样本权重优化、 多目标 loss 优化、序列 ID 特征 Attention、多目标融合优化等，精排模型效果提升 10%+ •实现多种重排层策略，包括比例控制、曝光降权、冷启动扶持、动态扶持、柔性清晰度 过滤、实时内容合法性监测并降权，用以兼顾用户体验和运营需要