推荐算法 · 机器学习
清华大学
电子信息（085400）硕士研究生
网络科学与网络空间研究院 · 2026年至今
面向实际推荐问题构建排序与学习系统，并持续研究可扩展工具调用与图机器学习。
01
代表性国家级竞赛获奖与个人荣誉。
02
覆盖工业推荐排序、工具智能体、图学习与风险智能的代表性工作。
围绕小游戏候选供给与锚点转化效率定义推荐排序问题。采用隐私安全的样本构建，对齐标签与统计口径，并通过受控数据检查保证模型迭代前离线评估的可靠性。
构建覆盖样本构建、候选扩展、个性化重排、消融实验与受控线上验证的 DNN 排序流程；首版打通点击倾向建模闭环，后续评估启动成功与停留深度目标，并比较多任务学习、长尾连续标签和热启动方案。
负责从离线分析到在线服务的实现落地，包括特征一致性、向量检索过滤、分层可观测性，以及跨数据、检索、模型和服务阶段的可复用排障方法。
团队方法将 ToolBench 中约 4.7 万个 API 函数表示为可组合、结构感知的语义标记序列。语义压缩使相关工具获得相近编码，受约束生成则降低超大工具空间中的选择成本。
框架结合初始编码构建、迭代训练与后引导细化来学习工具语义，并泛化到训练中未见的工具，而非依赖固定检索清单。
个人贡献聚焦于处理 ToolBench 文档、查询-工具对与调用轨迹，构建并质检高质量训练数据、支持训练，并执行工具检索、未见工具泛化与端到端调用实验及结果分析。
解决异常信息沿图邻域传播并污染正常节点表征的问题，结合属性重构与边级结构一致性，在消息传递过程中生成反馈信号。
采用基于 MLP 的自适应扩散矩阵与解耦图卷积调节传播，利用 Metis 子图划分支持可扩展的 mini-batch 训练；消融实验分别验证反馈、抑制与结构组件的作用。
作为第一作者，主导方法设计、代码实现、实验构建与结果分析。对比 11 种基线，FGAD 在 8 个评测数据集中的 7 个取得最优 AUC，即 7/8，其中 Inj Flickr 约 92%。
面向国家级竞赛构建图式反洗钱研究原型，联合建模实体与交易，通过属性与结构重构发现异常关系模式。
团队方案融合异常反馈、对比学习与基于注意力的增强，并输出可解释证据路径辅助分析，而不只给出孤立风险分数。
个人负责模型训练与方法创新，包括实验调参与面向解释的算法整合。该竞赛研究原型获得工行杯全国总决赛特等奖。
面向微服务根因定位，复现并比较代表性图异常检测 baseline，整理多数据集的参数与评估设置。
使用 DGL/PyTorch 重构 DONE 双分支训练框架，通过边特征感知聚合融合节点属性与边观测，同时保持结构分支和属性分支分离。
个人工作覆盖数据准备、baseline 实现、实验比较与工程集成。成果定位为研究与工程原型，而非已部署的根因分析系统。
03
推荐算法实习生 · 小游戏推荐精排
NLPR 科研实习生 · 工具智能体与未见工具泛化
ICES 科研实习生 · 面向根因定位的图异常检测
04
2026.09-至今
电子信息（085400） · 网络科学与网络空间研究院
2022.09-2026.06
网络空间安全工学学士 · 计算机科学与技术学院 · 排名 2/75 · GPA 94.09/100 · CET-6
05
期待推荐算法、机器学习与应用研究方向的工作机会和技术交流。