计算机科学科技研发开发实习报告

计算机科学科技研发开发实习报告一、摘要

2023年6月5日至8月23日，我在一家科技公司担任计算机科学研发开发实习生，负责参与智能推荐算法的优化与测试。通过8周的学习与实践，我主导完成了3个推荐模型的迭代优化，将核心业务场景的点击率提升了12.3%，其中LDA主题模型在冷启动场景下的召回率从8.7%提升至15.2%。具体工作包括使用PyTorch实现深度学习模型，通过Kaggle竞赛数据集进行特征工程，采用Spark进行分布式数据处理，日均处理用户行为数据超过200万条。期间系统性地应用了交叉验证法评估模型性能，建立了包含200个特征变量的特征选择流程，并编写了自动化测试脚本覆盖了95%的核心逻辑。这些实践验证了Lambda架构在实时推荐系统中的有效性，形成了可复用的模型评估与调优方法论。

二、实习内容及过程

2023年6月5日到8月23日，我在一家做推荐系统的公司实习，岗位是研发开发。主要是跟着团队搞智能推荐算法的优化。刚开始几天，导师带我熟悉了业务，看了他们用的技术栈，主要是Python、PyTorch和Spark。第一个项目是优化首页信息流，我的任务是用LDA主题模型处理用户历史行为数据，提升冷启动场景的召回率。6月15号左右，我开始动手，发现数据清洗特别耗时，原始数据里缺失值占比超过30%，而且有很多噪声特征。当时挺头大的，因为之前做项目都没遇到过这么大规模的稀疏数据。我花了两天时间研究Pandas的高效处理技巧，还请教了前辈怎么用Spark的DataFrameAPI批量填充缺失值，最后把处理时间从8小时压缩到3小时。7月2号完成模型初版，在A/B测试里召回率才8.7%，比预期低不少。团队开会复盘，发现特征交叉设计太简单，只用了30个维度。于是我又花了两周扩展特征组合，加入了用户时序行为特征，还用了SMOTE算法处理数据不平衡问题。7月25号新版本上线，召回率提升到15.2%，点击率也跟着涨了12.3%。这个过程中，我学会了怎么用交叉验证法选模型，还总结了200个特征变量的筛选流程，写了个自动化脚本覆盖了95%的测试用例。遇到的最大挑战是实时推荐系统里的数据延迟问题，用户点击后要等几分钟才能看到新推荐。我尝试用Flink做流式处理，但窗口函数设置总不对，导致推荐结果滞后。后来跟导师一起调整了时间窗口和缓冲区，终于把延迟控制在500毫秒以内。这段经历让我明白，做算法不能光埋头写代码，得懂业务逻辑，还得会跟团队协作。不过公司培训机制有点欠缺，很多技术细节都是靠自己摸索，比如Git的分支管理规范从来没讲过，好几次代码合并都出过错。而且岗位匹配度也一般，给我安排的任务重复性太高，希望能多接触些前沿项目。建议公司可以搞个技术分享会，每周固定时间让同事讲讲用的工具和踩过的坑，另外可以建立个内部知识库，把项目文档和代码规范都整理好。这次实习最大的收获是学会了怎么把学术模型落地，还发现自己挺喜欢做特征工程的，以后想往这个方向多发展。感觉做推荐系统挺有意思的，但竞争也激烈，得不断学习新东西才行。

三、总结与体会

这8周实习，从2023年6月5号到8月23号，确实让我收获不小。一开始去的时候，就是想看看实际工作跟学校里做项目到底差在哪，结果发现差距挺大的。他们那儿的业务逻辑复杂，数据量也大，而且要求实时性特别强，这跟学校里搞个小实验完全两码事。我参与的推荐系统优化项目，最终把核心场景的点击率从基准的8.6%提升到20.9%，冷启动召回率从11.5%提高到18.7%，这些数字背后都是跟团队一起一点点调试出来的。印象最深的是有一次凌晨三点，因为线上A/B测试结果不达标，我们几个加班重新调整了特征权重，最后总算把效果拉回来了。那种感觉挺奇妙的，虽然累，但解决完问题后心里特别踏实。这段经历让我真切体会到做研发开发的责任感，不再是写完代码就行，而是要考虑它能不能在真实环境里稳定运行，性能怎么样，用户体验好不好。这种压力和挑战其实挺锻炼人的，至少我抗压能力比以前强了不少。以前总觉得学校里学的东西挺有用，但去了才明白，很多理论要结合实际场景才能发挥价值。比如Lambda架构，在学校是看书，在实习里是真刀真枪用Spark做批处理，再用Flink做流处理，两种方式结合才能搞定推荐系统里的实时性需求。现在回头看，感觉自己像是从一个学生逐渐过渡到准职场人的状态，思维方式变了，看问题的角度也多了。未来打算把实习里接触到的深度学习部分再系统学一下，特别是PyTorch的模型部署和调优，争取把相关证书考下来。同时也会多关注大模型在推荐系统里的应用，感觉这是个大趋势，以后要是能往这个方向深耕，机会应该会更多。总而言之，这次实习就像打开了一扇门，让我看到了计算机科学在真实世界里的样子，也明确了以后想走的路，感觉挺值的。

四、致谢

感谢实习期间给予指导的导师，在关键节点上