快手推荐大模型算法工程师
任职要求
1、对AI技术有强烈的兴趣，确信AI技术能够改变世界和造福人类； 2、在预训练、强化学习、LLM、多模态等至少其中一个领域有深厚的技术经验和洞察力； 3、在NLP、多模态、机器学习、深度学习等至少其中一个领域有顶级学术论文者优先； 4、熟悉Linux，C++，Java和Python，优秀的编码与代码控制能力, 扎实的数据结构和算法功底； 5、善于阅读文献，快速学习 ，具备优秀的分析和解决问题的能力，良好的沟通协作能力。 加分项： 1、有推荐系统、机器学习、信息检索、自然语言理解、计算广告学及算法博弈论相关领域研究及实践经验； 2、在SIGKDD、ICML、NIPS、WSDM、WWW、ACL、RECSYS等相关国际顶级会议上有文献发表； 3、有ACM / Topcoder Algorithm 或类似算法竞赛经历者优先； 4、有大语言模型训练、Finetune 经验者优先。
工作职责
1、通过大模型技术，在亿级别用户规模的视频推荐系统下，提升停留时长、点击率、留存率等核心指标； 2、通过大语言模型算法和系统，重构推荐系统的推荐范式与顶层逻辑； 3、针对海量用户行为数据，提供分布式的算法实现的解决方案，大幅提升算法计算规模和性能； 4、参与搭建推荐系统框架，提供高并发，大数据，高效可靠的线上服务。
1、探索大模型与推荐算法结合的下一代推荐系统技术，充分利用大模型的领域知识和学习范式为推荐系统注入新的能量，包括但不限于文本/ID生成式推荐、模型Scaling Law、用户超长序列端到端建模等； 2、探索视频、文本和语音等多模态信号的高效处理方式以及与推荐系统对齐的能力，让推荐系统看懂、听懂和理解世界； 3、混合专家、蒸馏剪枝等兼顾模型性能和效果的技术探索； 4、紧跟行业及大模型技术发展，结合业界前沿技术和业务需求，打造大模型应用的最佳实践。
1、在电商推荐海量用户与商品的数据下，探索大模型、大算力与推荐系统的结合； 2、探索多模态大模型等技术，提升相关类场景效果与用户体验； 3、参与基于LLM的生成式召回模型开发，解决电商场景下的冷启动和长尾商品推荐难题； 4、优化LLM在电商推荐中的推理效率，确保高并发场景下的实时推荐响应。
团队介绍：生活服务业务依托于抖音、抖音极速版等平台，致力于促进用户与本地服务的连接。过去一年，生活服务业务开创了全新的视频种草和交易体验，让更多用户通过抖音发现线下好去处，也帮助众多本地商家拓展了新的经营阵地。我们期待你的加入，一同为亿万用户创造更美好的生活。 课题介绍：推荐算法是生活服务场景交易增长的核心驱动力，我们希望借鉴LLM的成功思路，结合生活服务场景的时空特点，探索在生活服务场景推荐算法和架构的颠覆性创新，解锁更大的算法效果提升空间。 重点探索以下方向： 1、基于类Transformer结构的生成式推荐大模型技术，验证生活服务推荐场景的Scaling Law，探索面向大模型的推荐算法建模范式； 2、算法和工程协同设计与优化，提升海量数据、超大参数背景下的训练与推理的效率； 3、多体裁多模态表征学习和推荐模型结合； 4、结合生活服务场景特有的时空属性，进行时间和空间感知的算法建模。 1、负责生活服务场景推荐大模型的算法优化，引入生成式AI技术，优化建模方案、模型结构、特征和样本等，提升场景交易效率； 2、验证生活服务场景的推荐大模型Scaling Law，应对大模型训练中的新挑战； 3、算法和工程协同设计与优化，提升海量数据、超大参数背景下的训练与推理效率； 4、多体裁多模态表征学习和推荐大模型结合； 5、结合生活服务场景特有的时空属性，进行时间和空间感知的算法建模。
团队介绍：短视频平台算法团队，负责国际化短视频产品的基础推荐算法，加入我们，你能接触到包括用户增长、社交、直播、电商C端、内容创造、内容消费等核心业务场景，直接为核心用户体验负责，支持产品在全球赛道上高速发展。我们的工作内容包括大规模推荐算法的优化、复杂约束的优化问题的解决、多模态大模型的落地探索，推荐大模型的应用研究等多个学术领域的算法改进以及对多种场景的推荐架构的设计和对产品数据的复杂深入的分析。在这里，你可以深入钻研机器学习算法的改进和优化，探索前沿的技术；可以跟来自全球不同国家的团队合作, 感受不同文化的碰撞, 激发认知；可以通过对产品和内容生态的深度分析，影响产品未来的发展方向。 课题介绍： 随着硬件算力的发展以及大模型在CV/NLP/多模态以至于AGI领域的不断突破，推荐场景下的大算力驱动能够帮助模型更全面深刻理解用户偏好，进而更好地理解用户需求，挖掘用户潜在兴趣，进而带来更好地用户体验。排序模块作为整个短视频推荐系统中非常重要的一环，承载着用户与视频之间的细粒度匹配挖掘进而挑选出用户最感兴趣的视频。如何找到合适的路径来最大化大算力下模型的记忆、泛化、推理能力，成为了研究的重中之重。 1、设计并实现最前沿的适合推荐系统的深度神经网络； 2、紧跟行业前端科研，推动优化推荐大模型训练、推理效率； 3、分析基础数据，完善基础特征，挖掘用户兴趣、内容价值，提高推荐系统的天花板； 4、端到端优化推荐大模型链路，改进短视频推荐系统，优化数十亿用户的使用体验。