快手广告算法工程师-【流量策略方向】
任职要求
1、计算机相关专业，硕士及以上学历，2年以上相关实际工作经验； 2、熟悉常用机器学习算法，对机器学习、概率统计、最优化、因果推断、强化学习等算法原理及应用，有扎实的基础； 3、熟悉C/C++、Java、Python等至少一门编程语言，有较强动手能力； 4、对数据敏感，有较强数据分析和解…
工作职责
1、广告算法策略包含深度学习、强化学习、大数据、数据挖掘、并行优化、策略机制等多个方向，重点关注广告在流量侧的分发和变现效率提升； 2、负责机器学习的算法和模型开发，包括但不限于ctr/cvr建模、留存预估、强化学习、因果推断等算法模型； 3、分析海量用户行为数据和广告视频数据，挖掘有效特征与用户兴趣，设计并优化广告流量的匹配效率，结合大模型、生成式推荐GR等先进技术，优化广告召回、粗排、精排以及不同业务间的混排策略，提升商业化变现效率； 4、优化广告用户体验，探索冷启动、流量协同等方向；研发适用于广告生态的流量策略机制，采用自动寻参、黑盒优化、强化学习、uplift建模等技术提升流量分配效率，提升用户体验同时优化用户长期价值； 5、在主流量场景外，优化激励广告、开屏广告、创作者等特殊广告位的商业化变现效率； 6、探索LLM在广告生态的价值，通过LLM的世界知识和推理能力解决广告投放链路中的效率问题。通过技术升级提升全平台投放效率和效益。
用户方向 1.通过数据分析构建用户画像，分析用户交易行为及用户旅程，挖掘trade-in, trade-across, trade-up的驱动因素及转化路径； 2.设计因果推断实验（如A/B测试、双重差分法），量化促销活动、定价策略对用户消费、用户增长的影响，评估广告渠道ROI优化投放策略； 3.构建用户分层模型，识别高价值消费人群，输出定向运营策略（如精准发券、商品推荐），制定留存策略； 4.研究用户生命周期内的消费习惯，结合消费者心理学理论，优化“人-货”匹配效率，提升用户ARPU值。
加入我们，您将参与构建贝壳核心数据资产楼盘字典(集团战略项目)。基于AI技术全面推进数据生产工艺升级，沉淀平台核心数据资产，建立数据生产与消费的市场化机制，实现服务体验与业务效率的代际变迁。您将有机会深度参与: 1.参与数据智能生产方向研发，利用AI技术重塑数据生产链路，降低生产成本，提升数据规模； 2.参与数据资产交易所建设，探索数据资产在贝壳全业务场景下的价值； 3.参与数据质量体系和平台SaaS工具体系建设； 4.参与楼盘字典相关数据服务、平台系统研发，如：信息检索（日均20亿+）、地图、匹配、质检、智能内容生产等。
1. 搜索召回算法：基于多模态&LLM大模型等能力，设计和优化1688搜索召回模块；负责文本query理解和改写；设计和优化分人群的多路召回差异化协同机制，并建立召回迭代的评价指标； 2. 搜索排序算法：设计和优化1688搜索排序下的转化率精准预估任务；深入研究全域用户行为建模、全域迁移学习任务、多模态技术方向在排序的应用；设计和优化1688搜索排序框架，围绕长期用户价值对1688排序模型的目标进行设计和优化； 3. 搜索流量机制：负责1688搜索机制策略创新和优化，包括商业化机制策略和用户增长策略的方案设计和落地，分渠道精细化优化用户的留存和活跃； 4. 搜索基础算法：在1688搜索样本和数据特征上进行精细化处理，提升模型效果的上限，通过召回/粗排/排序的模型优化和一致性提升等方式对搜索全链路进行迭代。
1）负责拼多多核心电商推荐和信息流广告场景(首页Feeds流、百亿补贴、个人中心、大促、秒杀等活动场景)的个性化流量分发，提升用户体验，优化场景的订单、GMV、收入、DAU等指标； 2）负责推荐和信息流广告的召回、粗排、精排、重排、策略方向的优化，提升模型效率、策略的合理性，最大化推荐系统的漏斗效率； 3）研究方向：深度学习、召回模型、LTR、CTRCVR模型、Uplift模型、多模态大模型、创意生成和优选、营销增长算法、运筹优化、模型压缩和加速等。追求技术创新和实际业务的结合，深入剖析电商推荐系统的问题，不断提升用户的体验。