百度推荐算法工程师（生成式推荐-召回&排序&融合方向）（J77317）

-推荐策略部坐标百度双引擎（搜索+信息流）核心业务，以Feed推荐体验的最终呈现，提供推荐能力平台化服务。 -研究数据挖掘或统计学习领域的前沿技术,并用于实际问题的解决和优化 -大规模机器学习算法研究及并行化实现,为各种大规模机器学习应用研发核心技术 -深入理解用户需求和行为模式，利用先进的生成式AI技术（如深度学习、自然语言处理等）优化推荐效果，提升用户体验和平台活跃度

1、多模态内容理解与应用：构建视频/直播多模态表征体系，融合视觉、音频、文本特征实现多层级语义刻画，优化标签体系与用户兴趣画像，提升内容与用户兴趣匹配精度，解决冷启动问题； 2、推荐系统全链路优化：参与召回、粗排、精排、混排全链路算法设计，针对直播/短视频场景需求优化推荐效果；搭建离线评估体系，确保离线指标与线上业务目标对齐； 3、前沿技术落地探索：推动生成式推荐在短视频/直播场景落地，结合大模型探索创新推荐范式；解析模型评测数据，完成算法工程化落地，协同产品、工程团队提升推荐全链路价值。

1、多模态内容理解与应用：构建视频/直播多模态表征体系，融合视觉、音频、文本特征实现多层级语义刻画，优化标签体系与用户兴趣画像，提升内容与用户兴趣匹配精度，解决冷启动问题； 2、推荐系统全链路优化：参与召回、粗排、精排、混排全链路算法设计，针对直播/短视频场景需求优化推荐效果；搭建离线评估体系，确保离线指标与线上业务目标对齐； 3、前沿技术落地探索：推动生成式推荐在短视频/直播场景落地，结合大模型探索创新推荐范式；解析模型评测数据，完成算法工程化落地，协同产品、工程团队提升推荐全链路价值。

-参与Feed推荐系统核心模块研发，设计并持续优化召回推荐算法，提高推荐准确性和个性化 -参与机器学习、深度学习、生成式推荐领域的技术研发工作，包括但不限于图神经网络、强化学习、迁移学习 -通过推荐漏斗分析，制定并优化召回算法策略，提升推荐效果 -推荐各类机制建设，业界创新性算法的调研和落地