携程算法工程师-用户增长(MJ030290)

1、主导用户增长相关业务的模型算法开发工作，包括但不限于RTA，投放预算规划，智能化投放等场景下模型算法的设计，开发与优化。 2、负责广告投放新获客或者多元化场景模型的开发、评估、验证和优化。对接投流平台，分析投流数据，优化投流关键词、投流策略和预算分配，提升投入产出比。 3、深入分析业务数据，挖掘数据中的潜在价值，与数据建模分析团队协作，为业务决策提供支持。 4、持续跟踪和评估算法的实际效果，根据业务反馈及时调整和优化算法，提高算法的准确性和有效性。 5、研究和探索新的算法技术和趋势，将先进的算法理念引入到用户增长业务中，提升公司在行业内的竞争力。

团队介绍：字节跳动用户增长（User Growth）负责抖音、今日头条、番茄小说、剪映等多个产品的用户增长业务，建立行业领先的增长和营销技术，打造极致的用户体验。加入我们，有机会参与亿级用户场景的开发与架构工作，也有机会从数据出发，利用策略和模型为业务带来更大的助力。 课题背景： 在用户增长、激励广告和广告投放的商业场景，精准的决策至关重要。随着业务的发展，传统先预测再决策决策的方式难以适应复杂多变的环境。基于RL的在线因果推断及决策技术应运而生。在这些场景中，需要深入理解不同操作与结果之间的因果关系，从而做出最优决策。例如在用户增长中，要明确何种激励措施能最大程度推动增长；在广告投放中，要知道怎样的投放策略能带来最佳效果。然而，目前在在线场景下，因果预测模型的效果提升面临瓶颈，同时激励探索成本和决策收益的平衡也难以把握，提升基于因果推断的决策能力是推动增长的重要手段。 课题挑战： 1. 平均处理效应ATE较小。线上平均处理效应（ATE）小意味着在实际线上环境中，因果关系的影响幅度微弱。这使得准确捕捉因果关系变得极为困难，模型难以从这种微弱的关系中学习到有效的因果模式，对基于RL的因果推断技术的敏感度和精度要求极高。 2. 预测指标周期长，收益难以归因到一次激励决策。这导致在评估因果关系时，很难确定是哪一次激励决策产生了何种影响。长周期使得数据的关联性变得模糊，干扰了因果推断模型的构建，也不利于RL算法根据准确的因果关系进行决策优化。 3. 线上观测数据波动大。线上观测数据波动较大，增加了数据的不确定性。这种波动可能掩盖真实的因果关系，使因果推断模型难以稳定地学习到有效的模式。同时，波动的观测数据也会影响运筹决策，导致决策的准确性和可靠性下降。 1、负责开发新一代的大规模因果模型，通过算法和工程优化，实现训练数据及干预决策在数量级上的提升；联合多场景的因果模型，松弛单场景约束，获取更优的决策和业务收益； 2、负责开发新一代的大规模运筹优化算法，与算法工程同学深度合作，提供灵活、鲁棒且高效的分布式运筹规划系统； 3、引入前沿的因果建模和强化学习技术，探索基于强化学习的世界模型仿真和一体化的因果决策算法，在探索和利用上获得更优的平衡，达成更好的成本效率。

团队介绍：字节跳动用户增长（User Growth）负责抖音、今日头条、番茄小说、剪映等多个产品的用户增长业务，建立行业领先的增长和营销技术，打造极致的用户体验。加入我们，有机会参与亿级用户场景的开发与架构工作，也有机会从数据出发，利用策略和模型为业务带来更大的助力。 课题背景： 在用户增长、激励广告和广告投放的商业场景，精准的决策至关重要。随着业务的发展，传统先预测再决策决策的方式难以适应复杂多变的环境。基于RL的在线因果推断及决策技术应运而生。在这些场景中，需要深入理解不同操作与结果之间的因果关系，从而做出最优决策。例如在用户增长中，要明确何种激励措施能最大程度推动增长；在广告投放中，要知道怎样的投放策略能带来最佳效果。然而，目前在在线场景下，因果预测模型的效果提升面临瓶颈，同时激励探索成本和决策收益的平衡也难以把握，提升基于因果推断的决策能力是推动增长的重要手段。 课题挑战： 1. 平均处理效应ATE较小。线上平均处理效应（ATE）小意味着在实际线上环境中，因果关系的影响幅度微弱。这使得准确捕捉因果关系变得极为困难，模型难以从这种微弱的关系中学习到有效的因果模式，对基于RL的因果推断技术的敏感度和精度要求极高。 2. 预测指标周期长，收益难以归因到一次激励决策。这导致在评估因果关系时，很难确定是哪一次激励决策产生了何种影响。长周期使得数据的关联性变得模糊，干扰了因果推断模型的构建，也不利于RL算法根据准确的因果关系进行决策优化。 3. 线上观测数据波动大。线上观测数据波动较大，增加了数据的不确定性。这种波动可能掩盖真实的因果关系，使因果推断模型难以稳定地学习到有效的模式。同时，波动的观测数据也会影响运筹决策，导致决策的准确性和可靠性下降。 1、负责开发新一代的大规模因果模型，通过算法和工程优化，实现训练数据及干预决策在数量级上的提升；联合多场景的因果模型，松弛单场景约束，获取更优的决策和业务收益； 2、负责开发新一代的大规模运筹优化算法，与算法工程同学深度合作，提供灵活、鲁棒且高效的分布式运筹规划系统； 3、引入前沿的因果建模和强化学习技术，探索基于强化学习的世界模型仿真和一体化的因果决策算法，在探索和利用上获得更优的平衡，达成更好的成本效率。

团队介绍：字节跳动用户增长（User Growth）负责抖音、今日头条、番茄小说、剪映等多个产品的用户增长业务，建立行业领先的增长和营销技术，打造极致的用户体验。加入我们，有机会参与亿级用户场景的开发与架构工作，也有机会从数据出发，利用策略和模型为业务带来更大的助力。 课题背景： 在用户增长、激励广告和广告投放的商业场景，精准的决策至关重要。随着业务的发展，传统先预测再决策的方式难以适应复杂多变的环境。基于RL的在线因果推断及决策技术应运而生。在这些场景中，需要深入理解不同操作与结果之间的因果关系，从而做出最优决策。例如在用户增长中，要明确何种激励措施能最大程度推动增长；在广告投放中，要知道怎样的投放策略能带来最佳效果。然而，目前在在线场景下，因果预测模型的效果提升面临瓶颈，同时激励探索成本和决策收益的平衡也难以把握，提升基于因果推断的决策能力是推动增长的重要手段。 课题挑战： 1. 平均处理效应ATE较小。线上平均处理效应（ATE）小意味着在实际线上环境中，因果关系的影响幅度微弱。这使得准确捕捉因果关系变得极为困难，模型难以从这种微弱的关系中学习到有效的因果模式，对基于RL的因果推断技术的敏感度和精度要求极高。 2. 预测指标周期长，收益难以归因到一次激励决策。这导致在评估因果关系时，很难确定是哪一次激励决策产生了何种影响。长周期使得数据的关联性变得模糊，干扰了因果推断模型的构建，也不利于RL算法根据准确的因果关系进行决策优化。 3. 线上观测数据波动大。线上观测数据波动较大，增加了数据的不确定性。这种波动可能掩盖真实的因果关系，使因果推断模型难以稳定地学习到有效的模式。同时，波动的观测数据也会影响运筹决策，导致决策的准确性和可靠性下降。 1、负责开发新一代的大规模因果模型，通过算法和工程优化，实现训练数据及干预决策在数量级上的提升；联合多场景的因果模型，松弛单场景约束，获取更优的决策和业务收益； 2、负责开发新一代的大规模运筹优化算法，与算法工程同学深度合作，提供灵活、鲁棒且高效的分布式运筹规划系统； 3、引入前沿的因果建模和强化学习技术，探索基于强化学习的世界模型仿真和一体化的因果决策算法，在探索和利用上获得更优的平衡，达成更好的成本效率。