赖鸿昌

不良资产处置策略负责人。团队8人：3架构，3算法，2分析。2018.07 ~ 至今

• 对于多源数据采用CBM方式建模，保证子模型模块的扩展性和稳定性。
• 提供AutoML框架Diego，提供自动的预处理、调参、模型融合，把单模型 base auc提高了4个点。
• 对催收序列进行了序列建模，利用自编码器很好地编码了催收强度序列，极大提高了1日回款预测准确率，提升了各阶段AUC。

分期商城项目风控负责人。团队4人：3算法，1分析。2017-11~2018-06.

• 对于多数据源提出Cluster-Based-Model，验证了1.数据源聚类情况；2.各聚类数据集分模型训练后进行融合的结果优于base；3.验证随机下线数据源带来的稳定性影响。
• 业务早期探索了小样本学习、业务线间模型迁移，利用SquareGAN进行样本生成，在业务上线初期达到了其他业务线同等模型能力。

续贷用户风控算法。 2017-02 ~ 2017-10

• 利用doc2vec将用户订单进行语义编码和订单序列的语义表达
• 通过语义关系进行用户分群建模（关键点：订单属性的选择影响表达和聚类；用户表达序列的不定长）

其他产出

• 参与机器学习框架Conan的开发。职责：0.基础数据结构优化 1.树分桶 2. 多层EnsembleNet 3.自动调参 4.LUS采样
• faker_flask: 快速api接口服务搭建。后迁移到新项目alfa，async flask-like api。
• 搭建基础数据框架：基于oss的特征异步存取、任务管理框架、支持DAG的任务流框架airforce，实现模型自动更新。
• 贷后策略流服务:负责催收分案、案件流转、话术推荐、征信实体抽取、甲方案件评估

• 负责开发维护o2o业务的打分策略和模型，通过特征工程和引入bayes优化进行gbdt的自动调参，提高了4个点的AUC，去除了80%人工信审，降低首逾
• 开发和维护运营商/短信接口，利用实体抽取、关系抽取等，优化信审报告。
• 基于社群的中介挖掘，反欺诈召回高于原人工、规则2倍，召回客户群组坏账率30+%

• 大成基金全球产业指数建模，特种工程和指数方向模型。离线最高浮盈130%，回测小于5%。项目成功验收。
• 信元手机保障产品项目：信元用户画像；scrapy的app爬虫；对用户app描述进行文本分类。一层分类F值能达到0.98，较差的能达到0.78+， 均值0.85。项目验收