同花顺生成式推荐算法研究员（博士专项）
任职要求
任职要求 1.计算机、机器学习、数据挖掘、推荐系统、NLP 等相关专业，博士优先。 2.熟悉推荐系统核心方法，包括召回、排序、CTR/CVR、序列推荐、图推荐、多任务学习、Embedding、向量检索等。 3.熟悉深度学习框架和推荐模型，如 DIN、DIEN、DSSM、DeepFM、MMoE、PLE、Two-Tower、Transformer、SASRec、LLM4Rec 等。 4.具备大…
工作职责
岗位方向 面向金融资讯、行情内容、投研内容、个股信息、基金理财、用户增长、内容分发、智能助手等场景，建设下一代个性化推荐系统。重点探索大模型与推荐系统结合，包括生成式推荐、序列推荐、用户兴趣建模、对话式推荐、可解释推荐和多目标排序。 岗位职责 1.负责推荐算法研发，包括召回、粗排、精排、重排、多目标优化、用户画像、兴趣建模等。 2.探索大模型在推荐系统中的应用，包括 LLM4Rec、生成式推荐、对话式推荐、语义召回、意图理解、推荐解释生成等。 3.面向金融内容和投资用户，构建用户行为序列建模、实时兴趣更新、个性化内容分发和智能推荐能力。 4.结合行情、资讯、研报、公告、个股、基金、用户行为等数据，提升推荐的准确性、时效性、可解释性和用户体验。 5.负责推荐系统评测和实验，包括离线指标、在线 A/B 实验、用户留存、点击、转化、满意度、多样性和风险控制。 6.推动推荐算法在 APP、iFinD、问财、资讯、投研内容、金融产品等业务中的落地。
1、负责电商搜索与推荐系统核心算法研发，包括召回、CTR/CVR 预估、排序与重排等关键模块的模型设计与优化，持续提升系统效果与效率。 2、探索并构建新一代 生成式搜索推荐（Generative Search & Recommendation）架构： - 基于端到端生成式范式重构传统召回链路，包括 tokenizer 设计、Next Token Prediction 预训练、RL 后训练等关键技术； - 打破传统级联式召回/排序架构中多阶段优化目标不一致的问题，实现端到端优化； - 构建具备良好 scaling law 的生成式召回系统，提高模型效果上限与算力利用效率。 3、研发 搜推大模型（Search & Recommendation Foundation Model）： - 基于 RankMixer、HyFormer 等类 Transformer 架构，提升模型在用户行为序列建模、长序列理解与复杂特征交互方面的能力； - 探索大模型在召回、粗排、精排等阶段的统一建模能力； - 推动大模型在电商搜索与推荐场景中的规模化落地。 4、跟踪和推动前沿技术方向，包括 Generative Retrieval、LLM for Recommendation、Foundation Model for Search & Ads 等，并推动技术创新与产业化应用。
阿里妈妈淘宝联盟拥有一个由商家、商品、渠道推广者和亿万级消费者组成的时间和空间的超大规模复杂网络。节点包括商品、商家、推广者与用户，边则代表了它们之间的推广和经营关系。传统的推荐算法在捕捉这种图谱中的高阶、深层的关联性存在不足，大多停留在浅层的关系利用上，难以捕捉实体间的交互模式、社群结构以及动态演化的趋势，导致推荐匹配的精准度与效率存在显著的提升空间。本研究探索图神经网络（GNN）与大型语言模型（LLM）的深度融合，为图中的商品、推广者等异构节点生成富含结构信息与深层语义的统一表征——即“语义ID”，以及基于图对齐的语义ID的生成式推荐。 1.负责生成式推荐技术在电商场景的研发与落地。 2.主导设计并实现商品推荐生成式框架，重点攻克图结构信息与LLM语义信息的跨模态融合与对齐难题。 3.跟进SFT、RLHF、多模态等前沿技术，持续优化模型，并推动技术成果转化为实际业务增长。 4.沉淀技术影响力，撰写高质量专利和顶级学术论文。
1.参与设计和实现生成式推荐中的序列生成模块，从Token生成/定义，模型实现，损失函数等多个点搭建序列生成模型； 2.以高MFU结构设计为目的，参与生成式推荐工程生态搭建，从数据流，特征，高效计算等多个方向进行优化； 3.在生成式推荐的基础上，重新定义用户兴趣提取模块，设计高效的长期/短期兴趣提取模块，设计Long-Context，Token compression等多种技术； 4.强化学习框架搭建，以用户体验和广告收入为目的，搭建强化学习框架，其中包含模型训练，业务指标Reward涉及，多样性，序列评估等多项工作。
业务介绍： 我们在做“下一代金融智能分发与生成式交互引擎”，面向同花顺海量亿级用户，打造基于深度学习与大模型双轮驱动的底层 AI 体系。我们的业务覆盖个性化信息流（图文资讯与社区内容分发）、高价值场景智能主动触达（关键节点动态推荐），以及基于金融垂类大模型的前沿交互场景（如生成式“猜你想问”、意图启发等）。 团队强调“真实业务价值的增长与技术演进的务实结合”。我们的技术路线从基于深度学习的传统召排链路打底，逐步向大模型赋能的单点应用（如语义ID增强召回）、AIGC 专属内容生成演进，并积极探索端到端的生成式推荐。目标是以CTR/CVR/留存为准绳，构建国内领先的“分发+生成”一体化金融 AI 系统。 岗位方向：全场景智能分发 × 生成式推荐大模型 聚焦 信息流 / 动态触达 / Proactive AI。将推荐系统的海量吞吐能力与大模型的深层推理、生成能力深度融合：从传统分发链路的持续调优与智能疲劳度控制，到利用大模型进行行为序列理解与语义 ID 抽取；从“被动推流”走向“主动启发”，基于高维用户意图生成千人千面的交互内容（AIGC）；最终探索并定义下一代端到端生成式推荐的落地范式。 岗位职责： 1、夯实全场景分发基石（传统召排）： 负责个性化信息流、智能主动触达等核心业务的推荐算法研发。深入优化多路召回（协同过滤、向量检索等）与精排模型（多目标 CTR/CVR 预估），构建全局最优的智能疲劳度控制与生态调控策略； 2、大模型单点赋能与特征跃迁： 基于用户超长历史行为序列，利用大模型深入挖掘用户画像。探索 LLM 在推荐单层级链路中的应用，例如构建与抽取语义 ID 进行深度召回，打破传统协同过滤的信息茧房； 3、构建 Proactive AI 与 AIGC 推荐（内容生成）： 实现从“推荐已有内容”到“生成专属内容”的跨越。利用大模型推测用户深层意图，生成启发式的交互内容（如千人千面的大模型“猜你想问”）。负责相关大模型的 Prompt Engineering 及后训练（SFT、RLHF/DPO），确保生成质量与业务转化指标的显著提升； 4、探索端到端生成式推荐： 以前瞻性视角推动推荐架构的代际演进，探索脱离传统“召回-粗排-精排”漏斗、直接从用户序列到推荐结果的端到端生成式推荐大模型落地路径； 5、规模化工程落地与评测闭环： 与产品、工程团队紧密协作，在数据配比、模型结构与推理加速（vLLM等）上探索最佳实践。建立严谨的 A/B 测试闭环，保障大模型与复杂推荐策略在超高并发、低延迟的生产环境中稳定交付。