广告CTR预估的调研实现及优化：在算法方面，调研并测试业内CTR预估解决方案，比如逻辑回归（FTRL）、Wide&Deep、DeepFM等算法，在通过离线测试之后，进行工程化设计并部署上线；在特征工程方面，根据实际业务场景，探索并测试可能提升模型能力的特征，除了基础的用户特征，物品特征，上下文特征之外，尝试使用各种统计类特征来提升模型能力，经过诸多特征工程的测试后，CTR预估模型的AUC指标提升18%；在模型训练方面，采用负采样的方式，大幅降低模型训练时长，且提升了模型效果和AUC指标的稳定性；在CTR校准方面，探索预估CTR存在偏差的原因、CTR偏差衡量指标（ctr_ratio，Q曲线）、及CTR偏差的解决方案（基于模型预估结果的正负样本分布的方法，基于公式的校准，基于保序回归的校准），在加入CTR预估校准的逻辑后，预估的偏差明显缓解，ctr_ratio指标在1附近小幅波动，Q曲线基本拟合y=x直线；在工程方面，封装算法SDK，提供简便易用的模型调用方法，减少服务端对接模型的开发工作，降低因模型对接而产生bug的可能。

广告CVR预估的调研实现及优化：在算法方面，调研并实现了Yahoo CVR预估算法，测试了阿里ESMM模型；在工程方面，封装CVR预估模型SDK，方便服务端调用，减少模型对接产生的bug；在具体实现上，解决了不同广告主转化标准不一致的问题（使用不同转化标准的数据训练模型，会导致模型预估准确率不高）

服务端的重构设计及开发：快速梳理广告业务逻辑，提出合理的广告平台架构，实现模块之间实现耦合，业务逻辑清晰，易于扩展迭代，并且落地实现。重构后的DSP广告平台对外开放，运行稳定，相比将流量卖给广点通、广告联盟，收入增长翻倍。

召回算法的调研实现及优化：包括协同过滤算法（用户协同、物品协同、基于模型的协同）、基于内容主题的召回算法、 基于内容关键词的画像召回算法、基于规则的算法（热榜、新榜等）、基于社交关系的推荐（好友在看）、探索利用类算法（e-greedy、汤普森采样、UCB）、 Embedding类算法（item2vec、deepwalk）

排序算法的调研实现：FTRL算法的调研上线及特征工程，fm及ffm算法的调研测试，深度排序模型的调研测试，如：wide&deep、deepFM、NFM、FNN、PNN、DCN等算法

推荐引擎的重构设计及开发：梳理推荐业务逻辑，将推荐模块从其他业务中剥离，成立独立的推荐服务，并根据推荐业务的具体情况， 加入了日志模块（便于追踪每一次用户请求的处理过程，方便追踪推荐结果及分析推荐结果产生的原因）， 流量配置模块（对于特定的流量，配置推荐逻辑，为推荐算法的优化迭代、AB测试提供极大的便利）， 重构后的推荐引擎采用大量并行处理逻辑，大幅降低了相应延迟，响应时长100ms内的请求由原来的90%提升到99.9%

推荐效果的监控：在召回阶段，监控各召回算法的召回条目数、点击率，阅读时长、召回内容的多样性等指标；在排序阶段，监控最终排序结果的多样性（包括推荐内容的种类数，推荐内容的信息熵）； 分时段的监控请求量，曝光量，点击量，ctr、各召回算法占比以及响应时长等指标。推荐指标的监控对于推荐业务中一些现象的分析， 提供了极大的便利，对于算法的调优有很大的指导作用。